2017年 第 9 期 (总第 177 期 ） 信 息 通 信 2017 (Sum. No 177) INFORMATION & COMMUNICATIONS 基 于 SURF算子的军事件形伪装目的识别 谢晓竹， 薛筑栋 (装甲兵工程学院新闻工程系， 北京100〇72) 摘要： 因为摩登战斗中军事件形伪装身手日益前辈， 于是座待增强不妨识别变形伪装目的的相应身手。 作品以军事件形 伪装目的的识别身手为商量对象， 采 用 SURF 算子提取图像特色， 与变形后的伪装目的举办 匹 配 ， 并正在图像库中实行相 似水准排序， 寻找到最相像图像。测验结果证实， 该识别门径不妨有用地正在所修建的变形伪装目的库中识别出目的， 并 不妨按影相似度的上下顺次排序， 已获得较好的军事运用成绩。 症结 词 ： 军事件形伪装;特色提取;SURF 算 子 ； 图像成婚 中图分类号:TN97 文献标识码:A 作品编号 =1673-1131(2017)09-0028-03 点的判定凭借。正在 SURF 算法中,I(x , y )是 Hessian矩阵的_ / ( x, y )， 这 样 Hessian矩阵变形为式(3): H (x ,a ) = 沙场境况中，为了升高军火的存活概率和职员的存在能 力， 对军火和职员城市选用必定的伪装。非战时阶段， 因为军 事举措摆设的敏锐性， 对军事目的也会选用必定的伪装[ 1 ] 。战 场景象瞬息万变， 战机电光石火， 刹时就能发生海量大数据信 息， 依旧依赖人工目视识别明显不行符合新闻化战斗的需求， 商量军事目的的自愿识别势正在必行。变形伪装是战时或者非 战时对军事目的的样子举办改良，从而正在敌方的军事观瞄系 统中潜藏本人， 哄骗了敌方的攻击摆设， 升高沙场存活概率气 本论文要紧针对军事目的伪装中变形伪装这一伪装举办智能 识别， 采 用 SURF 算子提取图像特色， 与变形后的伪装目的进 行成婚， 并正在图像库中实行相像度排序， 寻找到最相像图像。 正在 基 于 SURF 算子的相干商量中， 文 献 [3]敌手背静脉血 管举办识别， 达接事错率0.07%和识别时刻0.153s 的识别成绩; 文献[4]对无人机航空图像自愿配准举办商量,通过与 SIFT 配 准门径举办对照， 结果证实 SURF算法正在知足精度的条件下具 有 比 SIFT算法计较量小、 速率速的好处;文献[5]对汽车底盘异 物举办检测， 成立圭表图与矫正图差分的自符合阈值来判定汽 车底盘是否带领异物， 能到达编制及时性的请求;文献[6]对肺 结核 D R 图像病变区域举办识别， 到达了切确率为85.86%的识 别成绩。然而对付变形伪装军事目的的成婚识此外相干商量 甚少， 少有学者对变形伪装军事目的的识别做编制的商量。 本文拣选特定的军事目的识别行动商量对象，商量针对 变 形 伪装 军 事目 标 识 别 的 图像 识别 算法 ，提出了一种基于 SURF 算子的军事件形伪装目的识别门径， 不妨有用地正在所构 筑的变形伪装目的库中识别出相干军事目的图像，并不妨按 影相似度的髙低顺次排序。论文策画了相应的测验设施，并 采 用 Visual C + + 中完成了变形伪装军事目的的自愿识别， 获得 了较好的军事运用成绩。 1 SURF 算 子 第一步:标准空间构制。SURF 采 用 Hessian矩阵队伍式 近似流露图像。 数 学 上 Hessian矩 阵 H 是由/(x , y )的微分构成 的， Hessian矩 阵 H 流露式如式（ 1)所示： V m/ ( x, y) ) = M l L^ a ) L^ a ) _Z?(x,cr) Lw(x,o)_ (3) Iyy(x,cy)是 I(x,y)的二阶偏导数。正在 初始图像高斯滤波后再举办 Hessian矩阵构制,如许能够包管 特色点像素具备标准无闭性。 高斯滤波经过运用髙斯核 G (cr)， 这 样 Hessian 矩 阵 H 计较如式 (4 ): 其 中 和 H (x,t) = G (a )I(x ,a ) 髙 斯 核 G (cr)的计较公式如式(5): ⑷ (5) 州 =誓 其 中 G(ct)是髙斯函数， 7是高斯方差。Hessian矩 阵 H 的 判别式变形为式(6) det(Happrox) = - (0.9D^ f (6) 为了利便运用,减小运算时刻， 使 用 (6)式中的近似流露。 其 中 0 _ 0 ^ 和 D q 是流露简化的髙斯模板与图像的卷积。 0.9 参数是为了平均偏差引入的权值。正在本质操作中，髙斯滤波 和求二阶微分正在一次模板取代经过中实行，全体经过示意如 图 1、 图 2 所 示 。左边图像是原始图像,过程高斯滤波后正在分 别 正在 y 宗旨 和 x、 y 宗旨求二阶微分， 取得右边图像。 图 1 y 宗旨的模板示企图 dx2 Stcdy dxdv (1) 圓 ⑴ 丨 岭 3 y2 Hessian矩 阵 H 的判别式如式(2)所示： 图 2 x 和 y 宗旨的二阶微分模板示企图 第二步:局限空间极值点检测。以 Hessian矩阵特色点为 ( 2) _ =鶚 - 旮 中央， 与 其 他 3*3*3三维标准空间的其他2 6 点对比舛误局限 极值 点 。运用的滤波器模板与该层的标准巨细成婚。以 3*3 滤波器为例， 中央层淡色点是 Hessian矩阵特色点， 边缘8 个 正在全体完成中 H 的判别式的正负取值可行动是否是极值 28 新闻通讯 点与上下两层的各 9 个 ， 总 共 2 6 点举办对比， 舛误局限空间 的极值点， 该门径称为非极大值胁制门径。 第三步： 切确定位特色点。与 SIFT 算法相同， 正在构制的 标准空间中采用拟和三维二次函数法取得亚像素级的特色点, 成立阈值， 去除小于阈值的特色点。 第四步：确定特色点的主宗旨。如 图 3 所 示 为 SURF 算 子确定主宗旨的示企图， 正在特色点的标准空间内，
