[发明专利]提高遮障面与背景空间特征相似度的方法

说明书

技术领域

本发明涉及一种伪装遮障面生成方法，特别是一种提高遮障面与背景空间特征相似度的方法。

背景技术

基于图像特征分析的识别技术是目前最主要的目标识别方法。这种方法根据目标图像与背景图像的统计差异将目标图像从背景图像中区别出来，并进而达到识别目标的目的。分析认为即使目标具有和背景完全一致的颜色统计特性，水平遮障和背景特征距离仍然十分显著。因此有必要在实施伪装时考虑背景和目标的空间特征。

发明内容

本发明的目的在于提供一种基于广义回归神经网络和综合相似度评价的提高遮障面与背景空间特征相似度的方法，旨在提高伪装遮障面与目标背景的空间特征相似度。

本发明是这样实现的，一种提高遮障面与背景空间特征相似度的方法，包括以下步骤：

1）获取目标的背景样本点以及所述背景样本点的坐标及对应的高程数据；

2）以所述背景样本点的坐标作为广义回归神经网络的输入矢量，以对应的高程数据作为广义回归神经网络输出的目标矢量，对所述广义回归神经网络进行训练；

3）利用训练完成的广义回归神经网络，以伪装遮障面的特征点的坐标作为输入矢量，计算出伪装遮障面的特征点的高程数据；

4）分析伪装遮障面的空间特征参数，得出伪装遮障面与背景的空间特征相似度，并根据所述空间特征相似度采用强制评分法得出伪装遮障面与背景的空间特征综合相似度；

5）当所述空间特征综合相似度符合要求时，根据所述伪装遮障面的特征点的高程数据生成伪装遮障面，否则返回步骤2），重复以上步骤。

所述空间特征参数包括平均高度、方差、粗糙度、起伏度以及阴影函数。

利用激光测距仪、经纬仪或已测得的等高线图，结合侦察器材的分辨率来获取所述背景的样本点以及所述样本点的坐标及对应的高程数据。

本发明利用广义回归神经网络人工干预少，稳定性较高的特点，通过采集的目标的背景样本点，生成伪装遮障面特征点的高程数据；并分析目标的背景与伪装遮障面的空间特征综合相似度，根据所述综合相似度判别伪装遮障面与目标的背景的融合效果，在融合效果符合要求时再生成伪装遮障面，因而生成的伪装遮障面，与背景融合效果好，适用于各类背景的大面积遮障面生成。

附图说明

图1是本发明实施例提供的提高遮障面与背景空间特征相似度的方法的流程图；

图2a—图2c是计算高度相似度时不同取值下钟形隶属度函数的模型图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明进行进一步详细说明。

参见图1，该图示出了本发明实施例提供的提高遮障面与背景空间特征相似度的方法的流程。为了便于说明，仅示出了与本发明实施例有关的部分。

一种提高遮障面与背景空间特征相似度的方法，包括以下步骤：

1）获取目标的背景样本数据；

即获取目标的背景样本点以及所述背景样本点的坐标及对应的高程数据；

本发明实施例中，可利用激光测距仪、经纬仪或已测得的等高线图，结合侦察器材的分辨率以获取所述背景样本点以及所述背景样本点的坐标及对应的高程数据；

2） 

即，以所述背景样本点的坐标作为广义回归神经网络的输入矢量，以对应的高程数据作为广义回归神经网络输出的目标矢量，对所述广义神经网络进行训练；

3）利用训练完成的广义回归神经网络，计算伪装遮障面的特征点的高程数据；

主要是指利用训练完成的广义回归神经网络，以伪装遮障面的特征点的坐标作为输入矢量，计算出伪装遮障面的特征点的高程数据；

4）分析伪装遮障面与背景的空间特征参数，得出伪装遮障面与背景的空间特征相似度，并根据所述空间特征相似度采用强制评分法得出伪装遮障面与背景的空间特征综合相似度；

本发明实施例中，所述空间特征参数包括平均高度、方差、粗糙度、起伏度以及阴影函数。

5）对所述的空间特征综合相似度进行评介，当所述空间特征综合相似度符合要求时，根据伪装遮障面的特征点的高程数据生成伪装遮障面，否则返回步骤2），重复以上步骤。

下面，对步骤4）中，计算获取伪装遮障面的空间特征参数，以及空间特征相似度以及空间特征综合相似度的计算进行详细说明如下：