CN105066998A - 一种基于量子鸽群优化的无人机自主空中加油目标检测方法 - Google Patents

Abstract

本发明是一种基于量子鸽群优化的无人机自主空中加油目标检测方法，其实施步骤为：步骤一：获取处理图像；步骤二：初始化量子鸽群优化算法参数；步骤三：设计代价函数；步骤四：利用量子鸽群优化算法的地图罗盘算子进行寻优；步骤五：利用量子鸽群优化算法的地标算子进行寻优；步骤六：储存结果并验证。该方法可以对无人机的标志点进行准确地检测，为空中加油的实现提供有效的保障。

Description

一种基于量子鸽群优化的无人机自主空中加油目标检测方法

技术领域

本发明是一种基于量子鸽群优化的无人机自主空中加油目标检测方法，属于无人机自主控制领域。

背景技术

无人机(UnmannedAerialVehicle,UAV)在当今军事行动中扮演越来越重要的角色，能够有效完成复杂和危险的侦查和作战任务。UAV虽然在军事和民用等领域已有广泛应用，但其自身的很多关键技术尚有待进一步研究和应用。其中，自主空中加油(AutonomousAerialRefueling,AAR)是目前UAV远程作战的挑战性技术之一，自主空中加油是指在飞行过程中一架飞机在不需要人的干预下向另一架或多架飞机传输燃油，使其航程加大、续航时间延长的技术。若实施多次空中加油，作战飞机就可达到“全球到达，全球作战”。具有自主空中加油能力的无人机具有较大的作战半径和较长的留空时间，大大降低了作战部署和反应所需要的时间。

实现无人机自主空中加油的必要前提是实时获得无人收油机和加油机之间精确的位姿信息。目前用于航空定位的传感器主要包括惯性导航系统(InertialNavigationSystem,INS)，差分全球定位系统(GlobalPositioningSystem,GPS)以及视觉传感器等。基于GPS的测量技术在无人机导航系统中最为常用。但由于无法提供精确的位姿信息，因此不适用于无人机自主空中加油的对接阶段。而INS的误差积累同样不能满足无人机自主空中加油的要求。计算机视觉任务通常经由各种滤波和特征提取的算法加以实现。视觉算法广泛应用于目标检测、视觉跟踪、运动估计，与模式分类等多个领域，将计算机视觉技术应用于航空航天可在一定程度上提高导航精度，并具有一定的抗干扰性。在无人机自主空中加油中，计算机视觉方法多用于特征点的检测和位姿估计，本专利申请将计算机视觉方法用于特征点的目标检测。

群体智能是仿生智能的一个重要分支，人们通过对自然界生物群体的观察，受到自然界中生物群体行为的启发，在此基础上总体提升，将其行为模式用数学的方式描述出来。在群体智能模型的基础上，人们提出了群体智能优化算法的概念，用生物群体的行为模式来求解优化问题。鸽群算优化(PigeonInspiredOptimization，PIO)算法是HBDuan教授于2014年提出的一种新型的启发式群智能优化算法，该算法受到鸽子群体行为的启发，根据鸽子在寻找目标的过程中，先后依据磁场和地标作为指示的行为特点，建立起地图罗盘和地标两种算法机制。

鸽群在寻找目的地的过程中，会先参照太阳和磁场进行初步定位，然后依照地标进行精确定位，根据这一特性，鸽群算法提出了两种相对应的算子，分别为地图罗盘算子和地标机制，来模拟鸽群的这种特性，并将这两种算子结合起来解决优化问题。

量子鸽群优化算法(Quantum-behavedPigeonInspiredOptimization,QPIO)是基于量子力学的相关理论对基本鸽群优化算法进行改进得到的一种算法。两种算法的主要区别在于：量子鸽群优化算法认为鸽子具有量子行为，即每一个鸽子的优化速度和位置具有不确定性，所以每个鸽子的轨迹具有不确定性，这使鸽子可以在整个可行解空间中进行以寻找全局最优解，从而可以避免基本鸽群优化算法容易陷入局部极值的缺陷，同时可以提高算法的全局收敛性。量子鸽群优化算法也是由地图罗盘算子和地标算子组成。

(1)地图罗盘算子

在地图和罗盘算子中，鸽群根据地图和罗盘的指引方式前进，在D维空间里，第i只鸽子的位置信息X_i每一代更新一次，具体的更新准则如下式所示：

$m_{best}(t+1)=\frac{1}{N_p}\underset{i=1}{\overset{N_p}{\Σ}}{P}_i\left(t\right)---\left(1\right)$

P_iP_g(t+1)＝f(t+1)×P_i(t)+(1-f(t+1))×P_g(t)(2)

$\mathrm{\ω}\left(t\right)={\mathrm{\ω}}_{\max }-({\mathrm{\ω}}_{max}-{\mathrm{\ω}}_{min})\×\frac{t}{t_{\max }}---\left(3\right)$

如果f(t+1)≥0.5，那么

$X_i(t+1)=P_i{P}_g+\mathrm{\ω}(t+1)\×|m_{best}(t+1)-X_i\left(t\right)|\×\ln \frac{1}{u(t+1)}---\left(4\right)$

如果f(t+1)＜0.5，那么

$X_i(t+1)=P_i{P}_g+\mathrm{\ω}(t+1)\×|m_{best}(t+1)-X_i\left(t\right)|\×\ln \frac{1}{u(t+1)}---\left(5\right)$

式中，m_best(t+1)为t+1代所有鸽子最佳位置的平均值，P_i(t)、P_g(t)分别为第i只鸽子的最优位置和所有鸽子的全局最优位置，P_iP_g(t+1)为鸽子个体最优值P_i(t)和群体全局最优值P_g(t)之间的随机点，ω(t)为收缩扩张系数，调节它的值能控制算法的收敛速度，较大的ω(t)有利于算法跳出局部最优值，而较小的ω(t)有利于算法的收敛，f(t+1)、u(t+1)是一个从0到1之间随机产生的一个随机数。地图罗盘算子示意图如附图1所示，图中最右边的鸽子为拥有全局最优位置信息的鸽子，细箭头表示鸽子之前的速度矢量，粗箭头表示该机制作用下，鸽子速度的调整矢量方向，两个速度矢量相叠加后的结果就是当前鸽子的速度矢量。

(2)地标算子

由于鸽子在寻找目的地的后期，主要依靠的是地标来进行目标的导引，为此根据其行为特性提出地标算子。该算子规定，每一代的鸽群数目减半，为了更快的到达目的地，剩下的鸽子直接飞向目的地。具体的更新准则如下式所示：

$N_p\left(t\right)=\frac{N_p(t-1)}{2}---\left(6\right)$

$X_c\left(t\right)=\frac{{\mathrm{\ΣX}}_i\left(t\right)\·fitness\left(X_i\left(t\right)\right)}{N_p\·\mathrm{\Σ}fitness\left(X_i\left(t\right)\right)}---\left(7\right)$

X_i(t)＝X_i(t-1)+rand·(X_c(t)-X_i(t-1))(8)

在上式中，N_p为鸽群的数目，fitness是鸽子位置信息的代价函数，为了求得代价函数的最小值，可以取f_min作为目标函数，X_c是鸽群的加权位置中心。地标算子的示意图如附图2所示，圆圈外面的鸽子脱离鸽群，中心位置的鸽子为剩余鸽子的目的地，剩下的鸽群迅速向目的中心靠拢。量子鸽群算法的整体流程图如附图3所示。

发明内容

1、发明目的：

本发明提出了一种基于量子鸽群优化的无人机自主空中加油目标检测方法，其目的是提供一种目标检测的方法，以实现无人机的自主空中加油。

该方法通过Matlab编写相应程序，实现无人机上标志点的准确检测，为空中加油的实现提供有效的保障。

2、技术方案：

本发明利用群智能优化算法全局搜索能力强，应用性广等特点，开发一种基于量子鸽群优化的无人机自主空中加油目标检测方法，该方法的步骤如下：

步骤一：获取处理图像

用相机，获取无人机的相关图像。

步骤二：初始化量子鸽群优化算法参数

(1)初始化优化参数维数D

本方法中用群体智能算法在二维灰度图像中寻找目标区域，所以D为2。

(2)初始化收缩扩张系数ω(t)的参数

初始化收缩扩张系数ω(t)的最大值ω_max和最小值ω_min，这两个值的确定影响控制算法的收敛速度。

(3)初始化种群数量N_p

群智能优化算法的种群数量N_p对优化效果影响很大，选择一个适当的种群数量，保证算法的准确性和快速性。

(4)初始化种群位置和速度

在搜索空间没设定群体的位置上限P_max和位置下限P_min，以及速度上限V_max和速度下限V_min。给种群中的每个粒子都初始化一个初始的位置X_i和初始的速度V_i。

$\{\begin{array}{c}{X}_i=P_{\min }+rand\·\left(P_{\max }-P_{\min }\right)\\ V_i=V_{\min }+rand\·\left(V_{\max }-V_{\min }\right)\end{array}---\left(9\right)$

(5)设置算法代数

鸽群优化算法有两个算子，分别是地图罗盘算子和地标算子，算法运算前需要分别设定两个算法运行的最大代数NC_1max和NC_2max。

步骤三：设计代价函数

代价函数的确定是智能优化算法的核心，决定目标检测的准确性。本方法中，采用最简单有效的累加计数方法，判断整幅图像中的各分区域的像素值与目标图像像素的大小关系，然后累加计数，得到在整幅图像中得到最优的区域。

步骤四：利用QPIO地图罗盘算子进行寻优

利用初始化的群体位置和速度，根据初始的个体的代价函数值选取全局最优位置X_g。根据公式

$m_{best}(t+1)=\frac{1}{N_p}\underset{i=1}{\overset{N_p}{\Σ}}{P}_i\left(t\right)---\left(1\right)$

P_iP_g(t+1)＝f(t+1)×P_i(t)+(1-f(t+1))×P_g(t)(2)

$\mathrm{\ω}\left(t\right)={\mathrm{\ω}}_{max}-({\mathrm{\ω}}_{\max }-{\mathrm{\ω}}_{\min })\×\frac{t}{t_{max}}---\left(3\right)$

如果f(t+1)≥0.5，那么

$X_i(t+1)=P_i{P}_g+\mathrm{\ω}(t+1)\×|m_{best}(t+1)-X_i\left(t\right)|\×\ln \frac{1}{u(t+1)}---\left(4\right)$

如果f(t+1)＜0.5，那么

$X_i(t+1)=P_i{P}_g+\mathrm{\ω}(t+1)\×|m_{best}(t+1)-X_i\left(t\right)|\×\ln \frac{1}{u(t+1)}---\left(5\right)$

更新每个个体的位置X_i，计算新生成鸽子的代价函数值，如果新鸽子的代价函数值比全局最优位置的代价函数值更高，则把新生成的鸽子位置定义为新的全局最优位置X_g。反复应用地图罗盘算子进行寻优，直到运行代数大于地图罗盘算子最大代数NC_1max时停止。

公式中，m_best(t+1)为t+1代所有鸽子最佳位置的平均值，P_i(t)、P_g(t)分别为第i只鸽子的最优位置和所有鸽子的全局最优位置，P_iP_g(t+1)为鸽子个体最优值P_i(t)和群体全局最优值P_g(t)之间的随机点，ω(t)为收缩扩张系数，调节它的值能控制算法的收敛速度，较大的ω(t)有利于算法跳出局部最优值，而较小的ω(t)有利于算法的收敛，f(t+1)、u(t+1)是一个从0到1之间随机产生的一个随机数。

步骤五：利用QPIO地标算子进行寻优

利用地图罗盘算子寻优的结果作为地标算子的初始群体，根据公式

$N_p\left(t\right)=\frac{N_p(t-1)}{2}---\left(6\right)$

$X_c\left(t\right)=\frac{{\mathrm{\ΣX}}_i\left(t\right)\·fitness\left(X_i\left(t\right)\right)}{N_p\·\mathrm{\Σ}fitness\left(X_i\left(t\right)\right)}---\left(7\right)$

X_i(t)＝X_i(t-1)+rand·(X_c(t)-X_i(t-1))(8)

更新每个个体的速度V_i和位置X_i，计算新生成鸽子的代价函数值，如果新鸽子的代价函数值比全局最优位置的代价函数值更高，则把新生成的鸽子位置定义为新的全局最优位置X_g。根据公式(6)计算新种群的群体数量，根据公式(6)计算的结果舍弃群体中代价函数较小的一部分个体，选择当前群体中较优的群体作为保留群体进行下一轮寻优，反复应用地标算子进行寻优，直到运行代数大于地标算子最大代数NC_2max时停止。

公式中，N_p为鸽群的数目，fitness是鸽子位置信息的代价函数，为了求得代价函数的最小值，可以取f_min作为目标函数，X_c是鸽群的加权位置中心。

步骤六：储存结果并验证

地标算子优化的结果被视为最终的目标检测结果，将此结果保存，并保存下寻优过程的进化曲线。

3、优点及效果：

本发明提出了一种基于量子鸽群优化的无人机自主空中加油目标检测方法，其目的是提供一种目标检测方法。本方法可以准确的找到无人机的目标区域，具有较强的准确性和鲁棒性，对实现无人机自主空中加油是简单有效的一步。

附图说明

图1鸽群优化算法地图罗盘算子示意图。

图2鸽群优化算法地标算子示意图。

图3量子鸽群优化算法整体流程图。

图4优化迭代曲线。

图中标号及符号说明如下：

Nc——优化算法迭代次数

N——不满足条件(否)

Y——满足条件(是)

具体实施方式

下面通过一个具体的无人机目标检测实例来验证本发明所提出的设计方法的有效性。本实验计算机配置为i7-4710MQ处理器，2.50Ghz主频，4G内存，软件为MATLAB2014a版本。

见图1—图4，本实例的具体实现步骤如下：

步骤一：获取处理图像

用相机，获取无人机的相关图像大小为1040╳1092╳3。

步骤二：初始化量子鸽群优化算法参数

(1)初始化优化参数维数D

本方法中用群体智能算法在二维灰度图像中寻找目标区域，所以D为2。

(2)初始化收缩扩张系数ω(t)的参数

初始化收缩扩张系数ω(t)的最大值ω_max＝1.0和最小值ω_min＝0.3，这两个值的确定影响控制算法的收敛速度。

(3)初始化种群数量N_p

群智能优化算法的种群数量N_p对优化效果影响很大，选择一个适当的种群数量，保证算法的准确性和快速性。本方法去N_p为200。

(4)初始化种群位置和速度

在搜索空间没设定群体的位置上限P_1max＝1040和位置下限P_1min＝0，位置上限P_2max＝1092和位置下限P_2min＝0，以及速度上限V_max＝0.2(P_max-P_min)和速度下限V_min＝0.2(P_min-P_max)。给种群中的每个粒子都初始化一个初始的位置X_i和初始的速度V_i。

$\{\begin{array}{c}{X}_i=P_{\min }+rand\·\left(P_{\max }-P_{\min }\right)\\ V_i=V_{\min }+rand\·\left(V_{\max }-V_{\min }\right)\end{array}---\left(9\right)$

(5)设置算法代数

鸽群优化算法有两个算子，分别是地图罗盘算子和地标算子，算法运算前需要分别设定两个算法运行的最大代数NC_1max＝100和NC_2max＝50。

步骤三：设计代价函数

代价函数的确定是智能优化算法的核心，决定目标检测的准确性。本方法中，采用最简单有效的累加计数方法，判断整幅图像中的各分区域的像素值与目标图像像素的大小关系，然后累加计数，得到在整幅图像中得到最优的区域。

步骤四：利用QPIO地图罗盘算子进行寻优

利用初始化的群体位置和速度，根据初始的个体的代价函数值选取全局最优位置X_g。根据公式

$m_{best}(t+1)=\frac{1}{N_p}\underset{i=1}{\overset{N_p}{\Σ}}{P}_i\left(t\right)---\left(1\right)$

P_iP_g(t+1)＝f(t+1)×P_i(t)+(1-f(t+1))×P_g(t)(2)

$\mathrm{\ω}\left(t\right)={\mathrm{\ω}}_{max}-({\mathrm{\ω}}_{\max }-{\mathrm{\ω}}_{\min })\×\frac{t}{t_{max}}---\left(3\right)$

如果f(t+1)≥0.5，那么

$X_i(t+1)=P_i{P}_g+\mathrm{\ω}(t+1)\×|m_{best}(t+1)-X_i\left(t\right)|\×\ln \frac{1}{u(t+1)}---\left(4\right)$

如果f(t+1)＜0.5，那么

$X_i(t+1)=P_i{P}_g+\mathrm{\ω}(t+1)\×|m_{best}(t+1)-X_i\left(t\right)|\×\ln \frac{1}{u(t+1)}---\left(5\right)$

更新每个个体的位置X_i，计算新生成鸽子的代价函数值，如果新鸽子的代价函数值比全局最优位置的代价函数值更高，则把新生成的鸽子位置定义为新的全局最优位置X_g。反复应用地图罗盘算子进行寻优，直到运行代数大于地图罗盘算子最大代数NC_1max时停止。

公式中，m_best(t+1)为t+1代所有鸽子最佳位置的平均值，P_i(t)、P_g(t)分别为第i只鸽子的最优位置和所有鸽子的全局最优位置，P_iP_g(t+1)为鸽子个体最优值P_i(t)和群体全局最优值P_g(t)之间的随机点，ω(t)为收缩扩张系数，调节它的值能控制算法的收敛速度，较大的ω(t)有利于算法跳出局部最优值，而较小的ω(t)有利于算法的收敛，f(t+1)、u(t+1)是一个从0到1之间随机产生的一个随机数。

步骤五：利用QPIO地标算子进行寻优

利用地图罗盘算子寻优的结果作为地标算子的初始群体，根据公式

$N_p\left(t\right)=\frac{N_p(t-1)}{2}---\left(6\right)$

$X_c\left(t\right)=\frac{{\mathrm{\ΣX}}_i\left(t\right)\·fitness\left(X_i\left(t\right)\right)}{N_p\·\mathrm{\Σ}fitness\left(X_i\left(t\right)\right)}---\left(7\right)$

X_i(t)＝X_i(t-1)+rand·(X_c(t)-X_i(t-1))(8)

更新每个个体的速度V_i和位置X_i，计算新生成鸽子的代价函数值，如果新鸽子的代价函数值比全局最优位置的代价函数值更高，则把新生成的鸽子位置定义为新的全局最优位置X_g。根据公式(6)计算新种群的群体数量，根据公式(6)计算的结果舍弃群体中代价函数较小的一部分个体，选择当前群体中较优的群体作为保留群体进行下一轮寻优，反复应用地标算子进行寻优，直到运行代数大于地标算子最大代数NC_2max时停止。

公式中，N_p为鸽群的数目，fitness是鸽子位置信息的代价函数，为了求得代价函数的最小值，可以取f_min作为目标函数，X_c是鸽群的加权位置中心。

步骤六：储存结果并验证

地标算子优化的结果被视为最终的目标检测结果，将此结果保存，并保存下寻优过程的进化曲线如附图4所示。

Claims (1)

1.一种基于量子鸽群优化的无人机自主空中加油目标检测方法，其特征在于：该方法的步骤如下：

步骤一：获取处理图像

用相机，获取无人机的相关图像；

步骤二：初始化量子鸽群优化算法参数

(1)初始化优化参数维数D

用群体智能算法在二维灰度图像中寻找目标区域，所以D为2；

(2)初始化收缩扩张系数ω(t)的参数

初始化收缩扩张系数ω(t)的最大值ω_max和最小值ω_min，这两个值的确定影响控制算法的收敛速度；

(3)初始化种群数量N_p

群智能优化算法的种群数量N_p对优化效果影响很大，选择一个适当的种群数量，保证算法的准确性和快速性；

(4)初始化种群位置和速度

在搜索空间没设定群体的位置上限P_max和位置下限P_min，以及速度上限V_max和速度下限V_min；给种群中的每个粒子都初始化一个初始的位置X_i和初始的速度V_i；

$\{\begin{array}{c}{X}_i=P_{\min }+rand\·\left(P_{\max }-P_{\min }\right)\\ V_i=V_{\min }+rand\·\left(V_{\max }-V_{\min }\right)\end{array}---\left(9\right)$

(5)设置算法代数

鸽群优化算法有两个算子，分别是地图罗盘算子和地标算子，算法运算前需要分别设定两个算法运行的最大代数NC_1max和NC_2max；

步骤三：设计代价函数

代价函数的确定是智能优化算法的核心，决定目标检测的准确性；采用最简单有效的累加计数方法，判断整幅图像中的各分区域的像素值与目标图像像素的大小关系，然后累加计数，得到在整幅图像中得到最优的区域；

步骤四：利用QPIO地图罗盘算子进行寻优

利用初始化的群体位置和速度，根据初始的个体的代价函数值选取全局最优位置X_g；根据公式

$m_{best}(t+1)=\frac{1}{N_p}\underset{i=1}{\overset{N_p}{\Σ}}{P}_i\left(t\right)---\left(1\right)$

P_iP_g(t+1)＝f(t+1)×P_i(t)+(1-f(t+1))×P_g(t)(2)

$\mathrm{\ω}\left(t\right)={\mathrm{\ω}}_{max}-({\mathrm{\ω}}_{\max }-{\mathrm{\ω}}_{\min })\×\frac{t}{t_{max}}---\left(3\right)$

如果f(t+1)≥0.5，那么

$X_i(t+1)=P_i{P}_g+\mathrm{\ω}(t+1)\×|m_{best}(t+1)-X_i\left(t\right)|\×\ln \frac{1}{u(t+1)}---\left(4\right)$

如果f(t+1)＜0.5，那么

$X_i(t+1)=P_i{P}_g-\mathrm{\ω}(t+1)\×|m_{best}(t+1)-X_i\left(t\right)|\×\ln \frac{1}{u(t+1)}---\left(5\right)$

更新每个个体的位置X_i，计算新生成鸽子的代价函数值，如果新鸽子的代价函数值比全局最优位置的代价函数值更高，则把新生成的鸽子位置定义为新的全局最优位置X_g；反复应用地图罗盘算子进行寻优，直到运行代数大于地图罗盘算子最大代数NC_1max时停止；

公式中，m_best(t+1)为t+1代所有鸽子最佳位置的平均值，P_i(t)、P_g(t)分别为第i只鸽子的最优位置和所有鸽子的全局最优位置，P_iP_g(t+1)为鸽子个体最优值P_i(t)和群体全局最优值P_g(t)之间的随机点，ω(t)为收缩扩张系数，调节它的值能控制算法的收敛速度，较大的ω(t)有利于算法跳出局部最优值，而较小的ω(t)有利于算法的收敛，f(t+1)、u(t+1)是一个从0到1之间随机产生的一个随机数；

步骤五：利用QPIO地标算子进行寻优

利用地图罗盘算子寻优的结果作为地标算子的初始群体，根据公式

$\left(N_p\right(t)=\frac{N_p(t-1)}{2}---\left(6\right)$

$X_c\left(t\right)=\frac{{\mathrm{\ΣX}}_i\left(t\right)\·fitness\left(X_i\left(t\right)\right)}{N_p\·\mathrm{\Σ}fitness\left(X_i\left(t\right)\right)}---\left(7\right)$

X_i(t)＝X_i(t-1)+rand·(X_c(t)-X_i(t-1))(8)

更新每个个体的速度V_i和位置X_i，计算新生成鸽子的代价函数值，如果新鸽子的代价函数值比全局最优位置的代价函数值更高，则把新生成的鸽子位置定义为新的全局最优位置X_g；根据公式(6)计算新种群的群体数量，根据公式(6)计算的结果舍弃群体中代价函数较小的一部分个体，选择当前群体中较优的群体作为保留群体进行下一轮寻优，反复应用地标算子进行寻优，直到运行代数大于地标算子最大代数NC_2max时停止；

公式中，N_p为鸽群的数目，fitness是鸽子位置信息的代价函数，为了求得代价函数的最小值，取f_min作为目标函数，X_c是鸽群的加权位置中心；

步骤六：储存结果并验证

地标算子优化的结果被视为最终的目标检测结果，将此结果保存，并保存下寻优过程的进化曲线。