针对自动化迷彩目标发现学习中有效样本严重不足的问题,借鉴AlphaGo的技术思想,提出了一种基于样本模拟的深度神经网络仿真训练方法。建立了迷彩场景仿真合成模型,通过设计图像空间的复合算法、场景图像深度特征提取策略、目标融合度测量策略,以及图聚类采样算法,批量化地生成了可用于深度神经网络训练和学习的具有代表性的迷彩场景仿真样本;设计了基于深度残差神经网络的迷彩目标发现模型,并引入了多尺度网络训练方法。模拟样本和真实场景图像的实验结果表明,所提方法可有效应用于迷彩目标的自动化识别与评估。

针对目前视频监控领域里目标发现、识别和辨认没有统一的国际标准和行业标准问题, 对比分析了传统视频监控目标检测标准和红外热成像约翰逊准则, 提出了基于约翰逊准则的视频监控目标检测性能评估方法, 以等效条纹线对数代替传统模拟视频监控DRI标准中的目标-屏幕比, 建立了CCTV Johnson-DRI标准。通过线对数绝对量化的评价标准更利于数字视频监控应用中目标发现、识别和辨认的性能评估。最后将提出的CCTV Johnson-DRI标准应用到激光夜视系统, 进行了目标发现、识别和辨认实验, 实验结果表明: 所提出方法的有效性以及与传统视频监控DRI标准的等效性。该方法可用于白天彩色视频监控, LED/激光夜视等安防视频监控领域目标发现、识别和辨认相关性能的评估及系统指标设计。