CN103400136B - 基于弹性匹配的目标识别方法 - Google Patents

Abstract

本发明公开了一种基于弹性匹配的目标识别方法，所述方法包括以下步骤：S1、采用轮廓提取算法提取出目标的轮廓特征；S2、计算出目标轮廓上每个点的曲率值；S3、将轮廓点按照曲率值的大小进行分层描述；S4、将不同目标的轮廓特征分段采用PCA‑SC距离进行相似性度量；S5、将目标的轮廓特征分段进行可靠性度量；S6、将目标相似性和可靠性指标归一化，采用弹性匹配距离进行目标后识别。本发明可以对目标形状进行有效的相似性度量，对目标特征描述具有更大的区分度，具有尺度不变性、旋转不变性和平移不变性，提高了识别的准确率和鲁棒性，减小了计算复杂度。

Description

基于弹性匹配的目标识别方法

技术领域

本发明涉及目标识别和形状匹配技术领域，特别是涉及一种基于弹性匹配的目标识别方法。

背景技术

如何使机器视觉自动地识别和认识目标在现实世界中是一个非常具有挑战性的问题，这项研究的关键主要是提供一种高效准确的形状描述符来进行目标的相似度测量。目标识别和形状匹配是机器视觉中重要的研究课题，在工程中得到了广泛的应用，如目标类别识别、宽基线匹配、特定目标识别、图像及视频检索、场景分类、机器人导航、数据挖掘和纹理识别等多个领域中。

根据特征来源把形状描述方法分为两类：基于轮廓的方法和基于变换域的方法，前者特征全部来自于目标轮廓，如Moravec、Harris角点特征，轮廓周长、紧密度、偏心率，Hausdroff距离等，具有简单但有效的特点，在机器视觉得到了广泛的应用。目前针对轮廓方法的形状描述符相似度度量主要包括：Shape Contexts、Inner-Distance ShapeContexts、贝叶斯分类器、骨架图表法等等，但是这些形状描述符只是考虑到了目标轮廓的位置关系，而没有考虑到轮廓的本质属性：弯曲度、相对长度和凹凸性，即轮廓的可靠性指标。将目标的可靠性指标引入到形状描述符的相似度度量中，能够提高目标识别的准确率，且鲁棒性更强。

因此，针对上述技术问题，在做目标识别和形状匹配的时候不能仅仅关注目标轮廓的位置特征，应该要考虑可靠性指标，有必要提供一种基于弹性匹配的目标识别方法。

发明内容

有鉴于此，本发明的目的在于基于弹性匹配的目标识别方法，其综合应用了目标轮廓的位置特征和可靠性指标，达到提高准确率、鲁棒性，增强区分度，减少计算量的目的。

为了实现上述目的，本发明实施例提供的技术方案如下：

一种基于弹性匹配的目标识别方法，所述方法包括以下步骤：

S1、采用轮廓提取算法提取出目标的轮廓特征；

S2、计算出目标轮廓上每个点的曲率值；

S3、将轮廓点按照曲率值的大小进行分层描述；

S4、将不同目标的轮廓特征分段采用PCA-SC距离进行相似性度量；

S5、将目标的轮廓特征分段进行可靠性度量；

S6、将目标相似性和可靠性指标归一化，采用弹性匹配距离进行目标后识别。

作为本发明的进一步改进，所述步骤S1具体包括：

S11、采用Canny边缘检测算子提取出目标的边缘特征；

S12、采用的轮廓提取算法为：在图像边缘上均匀地等间隔采样得到一组有序点集，该点集即为目标的数字轮廓特征。

作为本发明的进一步改进，所述步骤S2具体包括：

S21、在目标轮廓上按照逆时针方向取点；

S22、采用高斯平滑的方法对目标轮廓线进行高斯平滑，实现离散化的处理；

S23、按照曲率计算公式计算出轮廓点的曲率值。

作为本发明的进一步改进，所述步骤S3具体包括：

S31、根据目标轮廓形状特征确定曲率阈值门限；

S32、如果轮廓点的曲率大于阈值门限，则该点为特征点，如果轮廓点的曲率小于阈值门限，则该点为非特征点。

作为本发明的进一步改进，所述步骤S4具体包括：

S41、生成目标轮廓点的特征极坐标直方图，形成目标形状的特征描述符；

S42、构成协方差矩阵，提取出该矩阵较大特征值对应的特征向量，采用线性变换方法将矩阵由高维降至低维，去除冗余的特征点，形成新的特征描述符；

S43、计算匹配度，获得目标轮廓特征分段与每个模板图像轮廓特征分段的匹配度值。

作为本发明的进一步改进，所述步骤S43中目标图像轮廓上P_i点和模板图像轮廓上Q_j两个点之间的匹配度计算公式为：

$C_{\mathrm{ij}}=C(P_i,Q_j)=\frac{1}{2}\underset{k=1}{\overset{K}{\mathrm{\Σ}}}\frac{{[h_i\left(k\right)-h_j\left(k\right)]}^2}{h_i\left(k\right)+h_j\left(k\right)};$

目标图像P与模板图像Q的相似度计算公式为：

$D(P,Q)=\frac{1}{n}\underset{p\∈P}{\mathrm{\Σ}}\arg \underset{q\∈Q}{\min }C(p,q)+\frac{1}{n}\underset{q\∈Q}{\mathrm{\Σ}}\arg \underset{p\∈P}{\min }C(p,q).$

作为本发明的进一步改进，所述步骤S5具体包括：

S51、计算出该轮廓特征分段的相对特征价值α^V；

S52、计算出该轮廓特征分段的相对长度价值α^L；

S53、根据两者对识别目标的权重估计，作归一化处理，得到该轮廓特征分段的可靠性指标。

作为本发明的进一步改进，所述步骤S5中，对于目标轮廓C，α^V和α^L的计算公如下：

α^V(i)=V(fs_i ^Q)/V(C)，

α^L(i)=l(fs_i ^Q)/max(l(fs))，

其中，V(·)表示该轮廓分段特征点和非特征点的比例，l(·)表示该轮廓分段的长度；

该轮廓分段的可靠性指标计算公式为：

α(i)=λα^V(i)+(1-λ)α^L(i),λ∈[0,1]，

其中，λ表示α^V和α^L的权重关系。

作为本发明的进一步改进，所述步骤S6具体包括：

S61、计算出该轮廓特征分段的相似度指标；

S62、计算出该轮廓特征分段的可靠性指标；

S63、根据相似性指标数值越小，目标越相似，可靠性指标数值越大，目标越容易被识别的准则，得到弹性匹配计算公式。

作为本发明的进一步改进，所述步骤S6中弹性匹配的计算公式为：

$A\left({\mathrm{fs}}^{\mathrm{PQ}}\right)=\frac{D({\mathrm{fs}}^P,{\mathrm{fs}}^Q)}{{\mathrm{\α}}^Q}+\frac{D({\mathrm{fs}}^P,{\mathrm{fs}}^Q)}{{\mathrm{\α}}^P},$

其中，D(fs^P,fs^Q)为该轮廓特征分段的相似度指标，α^P、α^Q分别为目标图像轮廓上P点和模板图像轮廓上Q点轮廓特征分段的可靠性指标。

本发明具有以下有益效果：

本发明基于弹性匹配的目标识别方法在自动匹配和识别系统中，综合分析了目标轮廓的位置特征和可靠性指标，可以对目标形状进行有效的相似性度量，具有尺度不变性、旋转不变性和平移不变性，提高了识别的准确率和鲁棒性，增强了目标的区分度，减小了计算复杂度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明基于弹性匹配的目标识别方法的具体流程图；

图2为本发明一具体实施方式中的图像形状轮廓提取示意图，图2a、2b分别为目标图像、图像轮廓的示意图；

图3为图2中蝙蝠目标图像每个轮廓点的曲率值；

图4a～4c为本发明一具体实施方式中对数极坐标直方图，图4a、4b、4c分别为目标轮廓图、计算原理图、3a中圆圈点对应的对数极坐标直方图；

图5a～5b为本发明一具体实施方式中弹性匹配计算公式与Shape Context距离的效果识别图；

图6为本发明一具体实施方式中工程应用实例，图6a、6b、6c分别为模板图像、目标图像及识别图像。

具体实施方式

为了使本技术领域的人员更好地理解本发明中的技术方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

参图1所示，本发明基于弹性匹配的目标识别方法具体包括：

S1、采用轮廓提取算法提取出目标的轮廓特征；

S2、计算出目标轮廓上每个点的曲率值；

S3、将轮廓点按照曲率值的大小进行分层描述；

S4、将不同目标的轮廓特征分段采用PCA-SC距离进行相似性度量；

S5、将目标的轮廓特征分段进行可靠性度量；

S6、将目标相似性和可靠性指标归一化，采用弹性匹配距离进行目标后识别。

其中，步骤S1具体包括：

S11、采用Canny边缘检测算子提取出目标的边缘特征；

S12、采用轮廓提取算法：在图像边缘上均匀地等间隔采样得到一组有序点集，该点集即为目标的数字轮廓特征。

进一步地，步骤S2具体包括：

S21、在目标轮廓上按照逆时针方向取点；

S22、采用高斯平滑的方法对目标轮廓线进行高斯平滑，实现离散化的处理；

S23、按照曲率计算公式计算出轮廓点的曲率值。

由于目标轮廓采用数字采样的方式获得，其边缘不平滑且存在模糊的现象，常用的曲率计算公式针对的是连续的曲线，离散的数字曲线形式可采用如下的方法计算每个点的曲率值：

若曲线由参数方程 $\left\{\begin{array}{c}x=x\left(t\right)\\ y=y\left(t\right)\end{array}\right.$ 给出，首先用高斯平滑的方法对轮廓线进行高斯平滑，得到曲线s(u,δ)=(X(u,δ),Y(u,δ))，则每一点的曲率为：

其中：

$X_u(u,\mathrm{\δ})=\frac{\∂}{\∂u}(x\left(u\right)\⊗g(u,\mathrm{\δ}))=x\left(u\right)\⊗g_u(u,\mathrm{\δ});$

$X_{\mathrm{uu}}(u,\mathrm{\δ})=\frac{{\∂}^2}{\∂u^2}(x\left(u\right)\⊗g(u,\mathrm{\δ}))=x\left(u\right)\⊗g_{\mathrm{uu}}(u,\mathrm{\δ});$

$Y_u(u,\mathrm{\δ})=\frac{\∂}{\∂u}(y\left(u\right)\⊗g(u,\mathrm{\δ}))=y\left(u\right)\⊗g_u(u,\mathrm{\δ});$

$Y_{\mathrm{uu}}(u,\mathrm{\δ})=\frac{{\∂}^2}{\∂u^2}(y\left(u\right)\⊗g(u,\mathrm{\δ}))=y\left(u\right)\⊗g_{\mathrm{uu}}(u,\mathrm{\δ}).$

进一步地，步骤S3具体包括：

S31、根据目标轮廓形状特征确定曲率阈值门限；

S32、如果轮廓点的曲率大于阈值门限，则该点为特征点，相反如果轮廓点的曲率小于阈值门限，则该点为非特征点。

目标轮廓上每个点对识别的作用是不同的，从人类视觉的角度看，如果该点的曲率较大，即弯曲度比较大，则目标在该处越突出，则越容易被识别，因此将目标轮廓点采用分层描述的方法，按照曲率值的大小分为两类：特征点、非特征点。特征点和非特征点的定义如下：

P_F={i:K(i)≥ω_kmax(K(i))}，

P_NF={i:K(i)<ω_kmax(K(i))}，

K(i)是轮廓曲率的离散形式，曲率权重ω_k用于区分特征点和非特征点，如果ω_k较小，有利于描述目标细节特征，但不利于计算；ω_k较大，不利于描述目标的细节特征。通常ω_k取值为0.2～0.4，如果目标形状较复杂，则ω_k取小一点。

进一步地，步骤S4具体包括：

S41、生成目标轮廓点的特征极坐标直方图，形成目标形状的特征描述符；

S42、构成协方差矩阵，提取出该矩阵较大特征值对应的特征向量，采用线性变换方法将矩阵由高维降至低维，去除冗余的特征描述符，形成新的特征矩阵；

S43、计算匹配度，获得目标轮廓特征分段与每个模板图像轮廓特征分段的匹配度值。

将目标图像上某一轮廓点与其余轮廓点有向连接形成向量，计算向量的欧式距离和相对于水平线的角度，将角度平均分成12份，每30°一个单位，求出最大的距离的对数，并将其等分为5份，以角度为行距离的对数为列形成一个12×5维的矩阵，该矩阵即为该点的特征对数极坐标直方图。同理，可以得到其余点的对数极坐标直方图，构成了特征矩阵作为目标的SC形状描述符。

假设目标有n个轮廓点，生成n×60维SC特征矩阵；计算n个样本特征向量的平均特征向量，然后计算所有样本点的特征向量与平均特征向量的差，构成差值向量；构建协方差矩阵，得到该协方差矩阵的n个特征值及其对应的特征向量，选取k个最大特征值的特征向量作为主成分的方向（阈值k是降维的维数，k的选取由匹配物体的形状复杂度来确定），同时构造n×k维投影矩阵；将原始的n维SC特征向量描述符投影到所计算的k维子空间中，可以得到PCA-SC的描述算子。

将目标图像轮廓上P_i点和模板图像轮廓上Q_j点进行匹配，用公式C_ij=C(P_i,Q_j)来表示这两个点之间的匹配度：

$C_{\mathrm{ij}}=C(P_i,Q_j)=\frac{1}{2}\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}\frac{{[h_i\left(k\right)-h_j\left(k\right)]}^2}{h_i\left(k\right)+h_j\left(k\right)}$

目标图像P与模板图像Q的相似度为：

$D(P,Q)=\frac{1}{n}\underset{p\&Element;P}{\mathrm{\&Sigma;}}\arg \underset{q\&Element;Q}{\min }C(p,q)+\frac{1}{n}\underset{q\&Element;Q}{\mathrm{\&Sigma;}}\arg \underset{p\&Element;P}{\min }C(p,q)$

上述步骤S5具体包括：

S51、计算出该轮廓特征分段的相对特征价值α^V；

S52、计算出该轮廓特征分段的相对长度价值α^L；

S53、根据两者对识别目标的权重估计，作归一化处理，得到该轮廓特征分段的可靠性指标。

从人类的视觉角度看，如果目标的轮廓分段弯曲度较大，即其相对特征价值较大，那么目标越容易被人类识别；同理，如果目标的轮廓分段占整个目标轮廓长度比例越大，即其相对长度价值越大的话，目标也越容易被人类识别。

有鉴于此，提出相对特征价值α^V和相对长度价值α^L两个参数。对于目标轮廓C，其α^V和α^L的计算公如下：

α^V(i)=V(fs_i ^Q)/V(C)，

α^L(i)=l(fs_i ^Q)/max(l(fs))，

其中，V(·)表示该轮廓分段特征点和非特征点的比例，l(·)表示该轮廓分段的长度。

该轮廓分段的可靠性指标计算公式如下：

α(i)=λα^V(i)+(1-λ)α^L(i),λ∈[0,1]，

其中，λ用来表示α^V和α^L的权重关系，如果目标的曲率特征对识别比较重要，则λ介于0.5-0.9之间；同理，如果目标的长度特征对识别比较重要，则λ介于0.1-0.5之间。

进一步地，步骤S6具体包括：

S61、计算出该轮廓特征分段的相似度指标；

S62、计算出该轮廓特征分段的可靠性指标；

S63、根据相似性指标数值越小，目标越相似，可靠性指标数值越大，目标越容易被识别的准则，得到弹性匹配计算公式。

该弹性匹配的计算公式为：

$A\left({\mathrm{fs}}^{\mathrm{PQ}}\right)=\frac{D({\mathrm{fs}}^P,{\mathrm{fs}}^Q)}{{\mathrm{\&alpha;}}^Q}+\frac{D({\mathrm{fs}}^P,{\mathrm{fs}}^Q)}{{\mathrm{\&alpha;}}^P},$

其中，D(fs^P,fs^Q)为该轮廓特征分段的相似度指标，α^P、α^Q分别为目标图像轮廓上P点和模板图像轮廓上Q点轮廓特征分段的可靠性指标。

由于D(fs^P,fs^Q)越小，则两个匹配的图像相似度越大；同样，当可靠性指标α越大时，目标越容易被识别。即当A(fs^PQ)越小，则目标图像与模板图像的相似度越大，可以看出目标的相似度指标和可靠性指标在该弹性匹配距离公式中得到了统一。

以下结合一具体实例，对本发明作进一步阐述。

对应于本实施例的方法，为目标识别系统共设计了6个任务，表1中描述了任务的名称以及任务的功能。

表1：形状匹配和目标识别系统任务说明

如图1所示，物体目标识别和形状匹配过程如下：目标边缘特征的提取，采用轮廓提取算法提取出目标轮廓特征；计算出数字轮廓上每个点的曲率值；将轮廓点按照曲率值的大小进行分层描述；将不同目标的轮廓特征分段采用PCA-SC距离进行相似性度量；将目标的轮廓特征分段进行可靠性度量；将目标相似性和可靠性指标归一化，采用弹性匹配距离进行目标识别。

如图2a～2b所示，图2a为蝙蝠的二值图像，图2b是用Canny二阶微分算子提取的目标的边缘特征图像。

如图3所示，为图像蝙蝠轮廓上每个点的曲率值。

如图4a～4c所示，图4a字母A的轮廓图；图4b是对数极坐标原理图：在提取出图像轮廓特征点后，得到这些点的直角坐标信息，对轮廓点采用对数极坐标变换方法，计算这些点的对数极坐标直方图。图4c为图4a中菱形点的对数极坐标直方图。

如图5所示，图a是目标Heart中的一段轮廓分段，图b显示了分别在Heart、Bat、Chicken中寻找与a最相似的轮廓分段，用加粗的实线表示。可以看出，用Shape Context距离表示两者之间的相似度的区分度小于用弹性匹配计算出来的相似度区分度，从而可以看出该公式对目标的识别效果更精确，鲁棒性更强。

如图6所示，图6a为模板图像，图6b为目标图像，图6c为在模板图像中寻找目标图像的结果，用方框表示。根据目标图像的大小，将模板图像分割成若干份和目标图像同样大小的子图像，计算目标图像与每个子图像之间的匹配度值，值最小的那幅图像即与目标图像相似度最大，在图6c中用方框表示出来，可以看出该方法对目标识别的鲁棒性。

从分析过程和应用实例可以看出，本发明基于弹性的目标识别方法能有效提取目标特征，实现了目标的形状匹配和识别，并通过探究目标轮廓最本质的特征：弯曲度和长度，对目标特征描述描述更具体、完整和准确，同时具有更大的区分程度，获得了较高的识别率。该方法在目标识别和形状匹配的工程领域中能得到广泛应用。

由以上技术方案可以看出，本发明提供的基于形状匹配的目标识别方法在自动识别领域中，可以对图像形状进行特征的提取和有效表示，具有尺度不变性、旋转不变性和平移不变性，提高了识别的准确率和效率，具有更好的区分程度，鲁棒性更强。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (8)

1.一种基于弹性匹配的目标识别方法，其特征在于，所述方法包括以下步骤：

S1、采用轮廓提取算法提取出目标的轮廓特征；

S2、计算出目标轮廓上每个点的曲率值；

S3、将轮廓点按照曲率值的大小进行分层描述；

S4、将不同目标的轮廓特征分段采用PCA-SC距离进行相似性度量；

S5、将目标的轮廓特征分段进行可靠性度量；

S6、将目标相似性和可靠性指标归一化，采用弹性匹配距离进行目标后识别；

所述步骤S6具体包括：

S61、计算出该轮廓特征分段的相似度指标；

S62、计算出该轮廓特征分段的可靠性指标；

S63、根据相似性指标数值越小，目标越相似，可靠性指标数值越大，目标越容易被识别的准则，得到弹性匹配计算公式；

所述弹性匹配的计算公式为：

$A\left({\mathrm{fs}}^{PQ}\right)=\frac{D({\mathrm{fs}}^P,{\mathrm{fs}}^Q)}{{\mathrm{\&alpha;}}^Q}+\frac{D({\mathrm{fs}}^P,{\mathrm{fs}}^Q)}{{\mathrm{\&alpha;}}^P},$

其中，D(fs^P,fs^Q)为该轮廓特征分段的相似度指标，α^P、α^Q分别为目标图像轮廓上P点和模板图像轮廓上Q点轮廓特征分段的可靠性指标。

2.根据权利要求1所述的方法，其特征在于，所述步骤S1具体包括：

S11、采用Canny边缘检测算子提取出目标的边缘特征；

S12、采用的轮廓提取算法为：在图像边缘上均匀地等间隔采样得到一组有序点集，该点集即为目标的数字轮廓特征。

3.根据权利要求1所述的方法，其特征在于，所述步骤S2具体包括：

S21、在目标轮廓上按照逆时针方向取点；

S22、采用高斯平滑的方法对目标轮廓线进行高斯平滑，实现离散化的处理；

S23、按照曲率计算公式计算出轮廓点的曲率值。

4.根据权利要求1所述的方法，其特征在于，所述步骤S3具体包括：

S31、根据目标轮廓形状特征确定曲率阈值门限；

S32、如果轮廓点的曲率大于阈值门限，则该点为特征点，如果轮廓点的曲率小于阈值门限，则该点为非特征点。

5.根据权利要求4所述的方法，其特征在于，所述步骤S4具体包括：

S41、生成目标轮廓点的特征极坐标直方图，形成目标形状的特征描述符；

S42、构成协方差矩阵，提取出该矩阵较大特征值对应的特征向量，采用线性变换方法将矩阵由高维降至低维，去除冗余的特征点，形成新的特征描述符；

S43、计算匹配度，获得目标轮廓特征分段与每个模板图像轮廓特征分段的匹配度值。

6.根据权利要求5所述的方法，其特征在于，所述步骤S43中目标图像轮廓上P_i点和模板图像轮廓上Q_j两个点之间的匹配度计算公式为：

$C_{ij}=C(P_i,Q_j)=\frac{1}{2}\underset{k=1}{\overset{K}{\&Sigma;}}\frac{{\&lsqb;h_i\left(k\right)-h_j\left(k\right)\&rsqb;}^2}{h_i\left(k\right)+h_j\left(k\right)};$

目标图像P与模板图像Q的相似度计算公式为：

$D(P,Q)=\frac{1}{n}\underset{p\&Element;P}{\&Sigma;}\arg \underset{q\&Element;Q}{min}C(p,q)+\frac{1}{n}\underset{q\&Element;Q}{\&Sigma;}\arg \underset{p\&Element;P}{min}C(p,q).$

7.根据权利要求1所述的方法，其特征在于，所述步骤S5具体包括：

S51、计算出该轮廓特征分段的相对特征价值α^V；

S52、计算出该轮廓特征分段的相对长度价值α^L；

S53、根据两者对识别目标的权重估计，作归一化处理，得到该轮廓特征分段的可靠性指标。

8.根据权利要求7所述的方法，其特征在于，所述步骤S5中，对于目标轮廓C，α^V和α^L的计算公如下：

α^V(i)＝V(fs_i ^Q)/V(C)，

α^L(i)＝l(fs_i ^Q)/max(l(fs))，

其中，V(·)表示该轮廓分段特征点和非特征点的比例，l(·)表示该轮廓分段的长度；

该轮廓分段的可靠性指标计算公式为：

α(i)＝λα^V(i)+(1-λ)α^L(i),λ∈[0,1]，

其中，λ表示α^V和α^L的权重关系。