视觉传达多舰船图像复杂特征分析范文

本站小编为你精心准备了视觉传达多舰船图像复杂特征分析参考范文，愿这些范文能点燃您思维的火花，激发您的写作灵感。欢迎深入阅读并收藏。

基于视觉传达的舰船图像特征监控方法相对较多，从中找到一种最为有效的方法显得尤为必要。舰船图像监控过程中，在最底层会存在大量具有复杂特点的视觉特征，而通过相应的技术可以对底层视觉特征中的图像进行多个特征标注，由此使得特征提取变得更加容易[1–3]。本文就视觉传达下多舰船图像复杂特征监控方法展开研究。

1舰船图像复杂特征监控关键技术

1.1特征标注技术

在对特征标注技术进行设计时，除了需要对多特征进行采集之外，还应当对多特征进行标注。其中，对特征进行采集，实质上就是对图像进行预处理，通过对图像当中具有单一性的特征进行识别，从而获得包含多特征图像在内的数据集合。同时可依托视觉特征，与更高等级的语义建立联系，以关键词记录的方式，对图像中的多特征进行标记，未采集的图像，则可进行反标记，防止出现特征集成[4–5]。在对多特征进行标注时，可以利用视觉特征对图像中采集到的多个语义关键词进行标记，经过标记之后，图像底层视觉特征将会出现一定程度的变化。此时，自动标注系统会对视觉特征进行集中审核，从而找出与图像底层视觉特征之间存在的不同之处，以标记的方法对视觉特征进行修订，完成对图像二次特征的标注，二次特征图如图1所示。

1.2图像特征序列

在舰船图像复杂特征监控过程中，通过对图像特征序列的选定，可以避免图像集成阴影的产生。对于舰船而言，其视频监控系统获取到的水域场景具有相对较高的复杂性，部分背景甚至杂乱无章，若是这样的图像背景出现特征变化，将会对特征表达的相关细节造成影响，比如纹理、颜色等。所以对图像特征序列进行选定就显得尤为重要。正因如此，使得图像特征序列成为舰船图像复杂特征监控中的关键技术之一。在对特征序列进行选定的过程中，应当先对特征进行跟踪，通过跟踪能够得到相应的结果，以此作为依据，可以对固定背景进行特征忽略，并对其中发生突变的特征按照时间进行排列，在突变特征叠加的作用下，会形成图像阴影。在此需要指出的一点是，背景图像特征会随时间而发生变化，突变特征中所携带的属相，会以图像数据库为依托，生成一个定式序列。按照舰船视频监控系统本身所具备的拍摄能力，可将图像的映射基底用虚拟背景替代，如果无插入序列，那么图像的特征序列为定式序列。图像特征序列图如图2所示。

2视觉传达多舰船图像复杂特征监控方法

2.1复杂特征监控原理

基于视觉传达的多舰船图像复杂特征监控，实质上就是对图像特征进行实时跟踪，其具体原理如下：通过数学建模，使舰船图像进行归一化处理，并进行编码，对经过归一化处理的舰船图像特征进行提取，利用投影矩阵，将图像的高维特征直接投影到低维空间当中，最后运用粒子滤波的方法，对多舰船图像复杂特征进行跟踪监控。可将整个跟踪过程描述为以下情况：引入稀疏表达理论及方法，从多舰船图像中对有效的目标特征进行随机选取，图像特征的选取可以通过下式来完成：

2.2复杂特征提取

为对多舰船图像中的复杂特征进行监控，需要对其显著性的特征进行提取，具体做法如下：采用小波变换的方法，分解多舰船图像中的特征，包括灰度特征、细节特征等。然后借助灰度投影的方法，从舰船图像目标当中，完成特征提取，依据提取到的特征，构建其特征图。这样一来，可以将原本的特征跟踪监控问题，转化为图像目标背景分类问题，进一步简化了问题的解决过程。选取特征分布方差的比值函数作为背景区域的分离系数，并做出如下假设：用fk(x,y)代表多舰船灰度图像，通过相应的算法对灰度图像进行小波分解，利用分解后的灰度图像建立灰度金字塔，并以图像的高频分量代表金字塔的尺度，从而构成图像的灰度与细节特征。基于视觉传达的多舰船图像中，在一个特定的区域范围内，由于某个图像的特征清晰度与局部对比度有关，可采用卷积算法，使图像特征的对比效果得到进一步增强。在尺度大小完全相同的多舰船图像目标区域内，通过逐点相减的方法，能够获得图像灰度与细节特征的显著性特征图。

2.3实时跟踪

在基于视觉传达的多舰船图像复杂特征监控中，为对监控过程进行简化，可将原本复杂的图像特征跟踪问题转换为简单的背景分类问题。经过转化后的背景分类问题，可以通过粒子群算法求取最优解，获得图像特征分量的权重。假设在种群当中有N个粒子，在相同的维度空间内进行搜索，能够获得与各个粒子相应的解。经过迭代，最终可以求出最优解。

2.4实验验证

为对本文提出的监控方法的可行性和有效性进行验证，采取仿真实验的方法，在计算机中构建仿真环境。在仿真环境的建立过程中，可以采用等间隔的方法，对多舰船图像特征进行随机选取。为验证本文提出的方法是否可行，在相应的数据集上，对本文提出的方法（方法1）、基于多模板回归加权均值漂移的目标跟踪（方法2）以及基于深度学习特征的图像动态检测（方法3），分别进行特征精度测试。其中利用方法2得到的图像特征结果中错误特征数量的占比较大，方法3提取到的图像特征数量相对较少。方法1提取到的图像目标特征精度较高，这是因为本文的方法以特征图的构建为基础，从而使邻近图像特征的匹配精度大幅度提升，错误匹配显著减少。由图3中可以看出，在t2时刻，3种方法的跟踪监控的成功率基本一致，而随着时间的推移，方法1的成功率能够始终保持最高。这是因为方法1对特征跟踪监控问题进行转化，使其变为背景分类问题，然后通过粒子群算法对最优解进行求取，使结果的准确性和成功率得到保障。从图4可以看出，方法1在图像特征跟踪监控时间效率上优于方法2和方法3。由此可见，本文提出的方法，具有良好的使用价值，可以在多舰船图像复杂目标监控中进行应用。

3结语

在视觉传达下，多舰船图像复杂特征监控需要选择合理可行的方法。从目前的情况来看，可用的方法较多，效果好的方法较少。为从监控方法中选取最优，应当了解多舰船图像复杂特征监控的方法种类，并以对比的方式，从各种方法中选取出效果最佳的一种。

作者：吕文静 单位：河南省智慧教育与智能技术应用工程技术研究中心