CN106295674B - 一种基于多粒子群算法的图像目标匹配检测方法及系统 - Google Patents
一种基于多粒子群算法的图像目标匹配检测方法及系统 Download PDFInfo
- Publication number
- CN106295674B CN106295674B CN201610590061.7A CN201610590061A CN106295674B CN 106295674 B CN106295674 B CN 106295674B CN 201610590061 A CN201610590061 A CN 201610590061A CN 106295674 B CN106295674 B CN 106295674B
- Authority
- CN
- China
- Prior art keywords
- population
- feature space
- particle
- common feature
- traversal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于多粒子群算法的图像目标匹配检测的方法,包括输入待测图像及目标图像,并通过预设的方式,计算出与输入的待测图像及目标图像二者之间相关联的共性特征空间,且进一步构造出共性特征空间对应的能量函数;基于多粒子群算法,获取共性特征空间对应能量函数上的每一局部极值点;其中,局部极值点的数量由待测图像与目标图像之间匹配检测的数量决定;根据获取到的每一局部极值点,通过共性特征空间对应能量函数在待测图像中确定出与每一局部极值点分别对应的区域,并将确定的每一区域分别作为待测图像与所述目标图像匹配检测的最终结果输出。实施本发明,能够降低计算量,提高计算速度,达到图像匹配的可靠性高及精度高的目的。
Description
技术领域
本发明涉及图像目标匹配检测技术领域,尤其涉及一种基于多粒子群算法的图像目标匹配检测的方法及系统。
背景技术
众所周知,图像含有丰富的信息,它可以提供目标,诸如形状、尺寸、灰度及其分布等信息,而这些信息对于在复杂环境中检测、识别和跟踪目标具有重要的意义。
图像目标匹配是指通过一定的匹配算法在两幅或多幅图像之间识别同名点,如二维图像匹配中通过比较目标区和搜索区中相同大小的窗口的相关系数,取搜索区中相关系数最大所对应的窗口中心点作为同名点,其实质是在基元相似性的条件下,运用匹配准则的最佳搜索问题。
图像目标匹配主要可分为以灰度为基础的匹配和以特征为基础的匹配。为了追求图像目标匹配的高精确性,常常采用特征匹配技术,但是存在计算量大,计算速度慢的缺点,而且在光照条件不均匀的情况下,出现图像匹配的可靠性低及精度不高等问题。
发明内容
本发明实施例所要解决的技术问题在于,提供一种基于多粒子群算法的图像目标匹配检测的方法及系统,能够降低计算量,提高计算速度,达到图像匹配的可靠性高及精度高的目的。
为了解决上述技术问题,本发明实施例提供了一种基于多粒子群算法的图像目标匹配检测的方法,所述方法包括:
S1、输入待测图像及目标图像,并通过预设的方式,计算出与所述输入的待测图像及目标图像二者之间相关联的共性特征空间,且进一步构造出所述共性特征空间对应的能量函数;
S2、基于多粒子群算法,获取所述共性特征空间对应能量函数上的每一局部极值点;其中,所述局部极值点的数量由所述待测图像与所述目标图像之间匹配检测的数量决定;
S3、根据获取到的所述每一局部极值点,通过所述共性特征空间对应能量函数在所述待测图像中确定出与每一局部极值点分别对应的区域,并将确定的每一所述区域分别作为所述待测图像与所述目标图像匹配检测的最终结果输出;
其中,所述步骤S1具体包括:
输入所述待测图像及目标图像,并根据所述输入的待测图像及目标图像二者之间的相关联性,构建出方向梯度图;其中,所述方向梯度图为二维梯度图,其由水平方向梯度图与垂直方向梯度图形成;
对构建的所述方向梯度图进行正则化处理,得到所述共性特征空间,使得得到的所述共性特征空间的计算值位于[0,1)之间;
基于相似性距离测度与得到的所述共性特征空间之间的关联性,构造出所述共性特征空间具有多种分量函数相组合的能量函数;其中,所述多种分量函数包括去均值的归一化相关系数测量能量函数、基于Hausdorff距离的能量函数和基于局部极大值掩模统计量的能量函数。
其中,所述对构建的所述方向梯度图进行正则化处理,得到所述共性特征空间的步骤具体为:
所述得到的共性特征空间通过公式来实现;其中,G(x,y)为所述得到的共性特征空间;为所述方向梯度图的梯度模值;W(x,y)为所述方向梯度图内具有一定面积大小的中心窗口;K为固定常数,可取值为100。
其中,所述步骤S2具体包括:
S21、确定粒子群的参数;其中,所述参数包括与所述匹配检测的数量相等的初始粒子群数量,以及还包括粒子群收敛半径、粒子群排斥半径、个体学习因子、种群学习因子和惯性权重;
S22、初始化粒子群,其包括设置最大迭代次数和初始迭代次数为0,以及随机设定每一粒子群的速度及其对应的速度方向,随机设定每一粒子群中每一粒子的空间位置;
S23、获取当前迭代次数,并判断所述获取到的当前迭代次数是否小于所述最大迭代次数;
S24、如果是,则所述获取到的当前迭代次数加一,且对各粒子群内的每一粒子进行遍历更新,并根据所述预设的个体学习因子、种群学习因子和惯性权重,以及根据单个粒子群内粒子在当前遍历进化轨迹中的最优值以及所有粒子群内粒子在当前遍历进化轨迹中的最优值,得到遍历更新后的各粒子群速度;以及
根据所述得到的遍历更新后的各粒子群速度,对各粒子群的位置进行更新,并依序对更新位置后的所述粒子群进行排斥判定处理和收敛判定处理后,返回步骤S23;
S25、如果否,则终止对各粒子群内的每一粒子进行遍历更新,并筛选出各粒子群内粒子在终止遍历的前一进化轨迹中的最优值,且进一步将筛选的所述各粒子群内粒子的最优值作为相应的局部极值点输出。
其中,所述遍历更新后的各粒子群速度通过公式vi,d=wvi,d+c1r1(pbesti,d-pi,d)+c2r2(gbesti,d-pi,d),来实现;其中,vi,d为第i个粒子群在遍历更新前的速度;w为惯性权重,取值为0.5;c1为个体学习因子,取值为0.5;c2为种群学习因子,取值为0.5;r1和r2均为区间(0,1)内的随机数;pbesti,d为第i个粒子群内粒子在当前遍历进化轨迹中的最优值;gbesti,d为所有粒子群内粒子在当前遍历进化轨迹中的最优值;pi,d为第i个粒子群在遍历更新前的位置。
其中,所述根据所述得到的遍历更新后的各粒子群速度,对各粒子群的位置进行更新,并依序对更新位置后的所述粒子群进行排斥判定处理和收敛判定处理的具体步骤包括:
获取各粒子群在遍历更新前的位置,将所述获取到的各粒子群在遍历更新前的位置分别与其对应得到的遍历更新后的粒子群速度相加,所得到的和值分别作为各粒子群遍历更新后的位置;
在所述遍历更新位置后的粒子群中,当获取到存在至少二个粒子群满足第一判定条件时,在所述满足第一判定条件的粒子群中解散粒子群内粒子在当前遍历进化轨迹中的最优值为最差的粒子群,并进一步初始化所述解散的满足第一判定条件的粒子群;其中,所述第一判断条件为任意两粒子群之间最优粒子间距小于所述粒子群排斥半径的条件;
在除所述解散的满足第一判定条件的粒子群之外的遍历更新位置后的粒子群中,当获取到任一粒子群中满足第二判定条件时,将所述获取到的满足第二判定条件的粒子群均解散,并进一步对所述解散的满足第二判定条件的粒子群分别进行初始化;其中,所述第二判定条件为任一粒子群中任意两个粒子间距小于所述粒子群收敛半径。
本发明实施例还提供了一种基于多粒子群算法的图像目标匹配检测的系统,所述系统包括:
特征空间提取及函数构造单元,用于输入待测图像及目标图像,并通过预设的方式,计算出与所述输入的待测图像及目标图像二者之间相关联的共性特征空间,且进一步构造出所述共性特征空间对应的能量函数;
函数计算单元,用于基于多粒子群算法,获取所述共性特征空间对应能量函数上的每一局部极值点;其中,所述局部极值点的数量由所述待测图像与所述目标图像之间匹配检测的数量决定;
图像匹配检测结果输出单元,用于根据获取到的所述每一局部极值点,通过所述共性特征空间对应能量函数在所述待测图像中确定出与每一局部极值点分别对应的区域,并将确定的每一所述区域分别作为所述待测图像与所述目标图像匹配检测的最终结果输出;
其中,所述特征空间提取及函数构造单元包括:
方向梯度图构造模块,用于输入所述待测图像及目标图像,并根据所述输入的待测图像及目标图像二者之间的相关联性,构建出方向梯度图;其中,所述方向梯度图为二维梯度图,其由水平方向梯度图与垂直方向梯度图形成;
正则化处理共性特征空间模块,用于对构建的所述方向梯度图进行正则化处理,得到所述共性特征空间,使得得到的所述共性特征空间的计算值位于[0,1)之间;
能量函数变形模块,用于基于相似性距离测度与得到的所述共性特征空间之间的关联性,构造出所述共性特征空间具有多种分量函数相组合的能量函数;其中,所述多种分量函数包括去均值的归一化相关系数测量能量函数、基于Hausdorff距离的能量函数和基于局部极大值掩模统计量的能量函数。
其中,所述函数计算单元包括:
粒子群参数设定模块,用于确定粒子群的参数;其中,所述参数包括与所述匹配检测的数量相等的初始粒子群数量,以及还包括粒子群收敛半径、粒子群排斥半径、个体学习因子、种群学习因子和惯性权重;
粒子群初始化模块,用于初始化粒子群,其包括设置最大迭代次数和初始迭代次数为0,以及随机设定每一粒子群的速度及其对应的速度方向,随机设定每一粒子群中每一粒子的空间位置;
判断模块,用于获取当前迭代次数,并判断所述获取到的当前迭代次数是否小于所述最大迭代次数;
迭代遍历及判定模块,用于所述获取到的当前迭代次数加一,且对各粒子群内的每一粒子进行遍历更新,并根据所述预设的个体学习因子、种群学习因子和惯性权重,以及根据单个粒子群内粒子在当前遍历进化轨迹中的最优值以及所有粒子群内粒子在当前遍历进化轨迹中的最优值,得到遍历更新后的各粒子群速度;以及
根据所述得到的遍历更新后的各粒子群速度,对各粒子群的位置进行更新,并依序对更新位置后的所述粒子群进行排斥判定处理和收敛判定处理;
结果输出模块,用于终止对各粒子群内的每一粒子进行遍历更新,并筛选出各粒子群内粒子在终止遍历的前一进化轨迹中的最优值,且进一步将筛选的所述各粒子群内粒子的最优值作为相应的局部极值点输出。
实施本发明实施例,具有如下有益效果:
1、在本发明实施例中,由于采用比遍历搜索有更大速度优势的多粒子群算法,其在收敛性的作用下,拥有传统算法无法比拟的效果和优势,同时加入收敛性以及排斥性的判断,增加了粒子群之间的互动,可抓住及利用更多的搜索信息,从而达到更准确和效率的算法结果,并且可动态的生成或者消除粒子群,减少不必要的计算量,从而达到实现图像匹配的可靠性高及精度高的目的;
2、在本发明实施例中,由于能够一次扫描完成所有目标的检测,并在检测的同时完成目标变形参数的估计,解决图像中多目标(同一目标在不同观测几何下的成像表现)快速、高检测率、低虚警检测等难题,能够提高大图像下的目标快速筛选性能。
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性的前提下,根据这些附图获得其他的附图仍属于本发明的范畴。
图1为本发明实施例提供的一种基于多粒子群算法的图像目标匹配检测的方法的流程图;
图2为本发明实施例提供的一种基于多粒子群算法的图像目标匹配检测的系统的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述。
如图1所示,为本发明实施例中,提供的一种基于多粒子群算法的图像目标匹配检测的方法,所述方法包括:
步骤S1、输入待测图像及目标图像,并通过预设的方式,计算出与所述输入的待测图像及目标图像二者之间相关联的共性特征空间,且进一步构造出所述共性特征空间对应的能量函数;
具体过程为,为了排除背景噪声与成像光照条件对目标检测的影响,设计了一种新颖的特征空间:正则化梯度的特征空间。该特征空间通过计算水平与垂直方向的梯度模值来实现,能有效克服光照,不同的背景对目标检测的影响,其具体包括以下步骤:
(a)、输入待测图像及目标图像,并根据输入的待测图像及目标图像二者之间的相关联性,构建出方向梯度图;其中,方向梯度图为二维梯度图,其由水平方向梯度图与垂直方向梯度图形成;
(b)、对构建的方向梯度图进行正则化处理,得到共性特征空间,使得得到的共性特征空间的计算值位于[0,1)之间。
在本发明实施例中,步骤(a)中方向梯度图的构造,可通过公式(1)来实现:
式(1)中,分别表示x与y向的梯度图;其中,
由于是一个复数,则可计算其幅度值及其梯度方向(梯度方向角),其计算公式(1)变形如下:
在本发明实施例中,步骤(b)中对构建的方向梯度图进行正则化处理,得到的共性特征空间可通过公式(4)来实现:
式(4)中,G(x,y)为共性特征空间;为方向梯度图的梯度模值;W(x,y)为方向梯度图内具有一定面积大小的中心窗口,通常取5X5或者7X7;K为固定常数,可取值为100,主要是防止被零除。
在本发明实施例中,待共性特征空间构造完成后,考虑到成像退化,目标图像常常受到噪声污染或者部分被遮挡,单一的相似性度量难以准确的刻画目标的全部信息,因此基于变分原理,以及基于相似性距离测度与得到的共性特征空间之间的关联性,构造出共性特征空间具有多种分量函数相组合的能量函数;其中,多种分量函数包括去均值的归一化相关系数测量能量函数、基于Hausdorff距离的能量函数和基于局部极大值掩模统计量的能量函数。
在本发明实施例中,共性特征空间为包含图像变形参数P的能量函数,可通过公式(5)表示:
E(p,x,y)=-EN(p,x,y)+λ1EH(p,x,y)-λ2EG(p,x,y)(5);
式(5)中,E(p,x,y)为共性特征空间的能量函数;EN(p,x,y),EH(p,x,y),EG(p,x,y)分别表示基于去均值的归一化相关系数测量能量函数、基于Hausdorff距离的能量函数和基于局部极大值掩模统计量的能量函数;λ1,λ2表示拉格朗日乘子(正实数),这些参数矢量平衡了各个能量项的权重;p表示图像变形参数。
仿射条件下,图像的变形模型如公式(6):
这时p=(a,b,c,d,Δx,Δy)T。
当满足一定的条件时,图像的变形模型公式(6)可以简化为公式(7):
其中p=(a,b,c,d,Δx,Δy)T。
综上可知,图像变形参数P的获取,则代表共性特征空间中目标值的确认,使得每一个图像变形参数P均表示为待测图像中的一个检测目标,因此可通过共性特征空间的能量函数上的每一个局部极值点的快速定位(即每一个局部极值点对应于一个检测目标),并根据每一个局部极值点在待测图像中确定出与每一局部极值点分别对应的区域,从而实现待测图像与目标图像之间的多目标匹配检测。
步骤S2、基于多粒子群算法,获取所述共性特征空间对应能量函数上的每一局部极值点;其中,所述局部极值点的数量由所述待测图像与所述目标图像之间匹配检测的数量决定;
具体过程为,采用多粒子群算法对共性特征空间的能量函数进行优化,求得共性特征空间的能量函数中图像变形参数P的最优值,从而拥有传统算法无法比拟的效果和优势;同时为了达到更准确和效率的算法结果,并且可动态的生成或者消除粒子群,减少不必要的计算量,从而达到实现图像匹配的可靠性高及精度高的目的,加入收敛性以及排斥性的判断,增加了粒子群之间的互动。
共性特征空间的能量函数采用多粒子群算法的具体实现步骤如下:
步骤S21、确定粒子群的参数;其中,参数包括与匹配检测的数量相等的初始粒子群数量,以及还包括粒子群收敛半径、粒子群排斥半径、个体学习因子、种群学习因子和惯性权重;
步骤S22、初始化粒子群,其包括设置最大迭代次数和初始迭代次数为0,以及随机设定每一粒子群的速度及其对应的速度方向,随机设定每一粒子群中每一粒子的空间位置;
步骤S23、获取当前迭代次数,并判断获取到的当前迭代次数是否小于最大迭代次数;如果是,则执行下一步骤S24;如果否,则跳转执行步骤S25;
步骤S24、获取到的当前迭代次数加一,且对各粒子群内的每一粒子进行遍历更新,并根据所述预设的个体学习因子、种群学习因子和惯性权重,以及根据单个粒子群内粒子在当前遍历进化轨迹中的最优值以及所有粒子群内粒子在当前遍历进化轨迹中的最优值,得到遍历更新后的各粒子群速度;以及
根据得到的遍历更新后的各粒子群速度,对各粒子群的位置进行更新,并依序对更新位置后的粒子群进行排斥判定处理和收敛判定处理后,返回步骤S23;
步骤S25、终止对各粒子群内的每一粒子进行遍历更新,并筛选出各粒子群内粒子在终止遍历的前一进化轨迹中的最优值,且进一步将筛选的各粒子群内粒子的最优值作为相应的局部极值点输出。
在本发明实施例中,步骤S21中的粒子群数量根据任务目标数量(该任务目标数量可进行实际估测)规模来进行设定;粒子群收敛半径根据共性特征空间大小进行设定,一般为共性特征空间大小的0.5~2倍;排斥半径根据共性特征空间大小进行设定,为共性特征空间大小的0.5倍;(当目标不涉及尺度和仿射变换时,收敛半径与排斥半径均为共性特征空间相同大小);个体学习因子和种群学习因子均为0.5;惯性权重为0.5;
在本发明实施例中,步骤S24中的遍历更新后的各粒子群速度通过公式(8)来实现:
vi,d=wvi,d+c1r1(pbesti,d-pi,d)+c2r2(gbesti,d-pi,d), (8);
式(8)中,vi,d为第i个粒子群在遍历更新前的速度;w为惯性权重,取值为0.5;c1为个体学习因子,取值为0.5;c2为种群学习因子,取值为0.5;r1和r2均为区间(0,1)内的随机数;pbesti,d为第i个粒子群内粒子在当前遍历进化轨迹中的最优值;gbesti,d为所有粒子群内粒子在当前遍历进化轨迹中的最优值;pi,d为第i个粒子群在遍历更新前的位置。
在本发明实施例中,步骤S24中的根据得到的遍历更新后的各粒子群速度,对各粒子群的位置进行更新,并依序对所述更新位置后的粒子群进行排斥判定处理和收敛判定处理的具体步骤包括:
获取各粒子群在遍历更新前的位置pi,d,将获取到的各粒子群在遍历更新前的位置pi,d分别与其对应得到的遍历更新后的粒子群速度vi,d相加,所得到的和值分别作为各粒子群遍历更新后的位置,即pi,d=pi,d+Vi,d;
在遍历更新位置后的粒子群中,当获取到存在至少二个粒子群满足第一判定条件时,在满足第一判定条件的粒子群中解散粒子群内粒子在当前遍历进化轨迹中的最优值为最差的粒子群,并进一步初始化解散的满足第一判定条件的粒子群;其中,第一判断条件为任意两粒子群之间最优粒子间距小于粒子群排斥半径的条件;
在除解散的满足第一判定条件的粒子群之外的遍历更新位置后的粒子群中,当获取到任一粒子群中满足第二判定条件时,将获取到的满足第二判定条件的粒子群均解散,并进一步对解散的满足第二判定条件的粒子群分别进行初始化;其中,第二判定条件为任一粒子群中任意两个粒子间距小于所述粒子群收敛半径。
应当说明的是,初始化解散的满足第一判定条件的粒子群以及对解散的满足第二判定条件的粒子群分别进行初始化的过程相同,并且与步骤S22中粒子种群的初始化过程均相同,在此不再一一赘述。
步骤S3、根据所述获取到的每一局部极值点,通过所述共性特征空间对应能量函数在所述待测图像中确定出与每一局部极值点分别对应的区域,并将所述确定的每一区域分别作为所述待测图像与所述目标图像匹配检测的最终结果输出。
具体过程为,通过公式(5)至(7),将优化后的共性特征空间进行局部极值点的快速定位,并根据公式(9)进行求解:
式(9)中:Ω表示共性特征空间的局部窗口。
根据公式(9)的求解值,在待测图像中确定出与每一局部极值点分别对应的区域,并将确定的每一区域分别作为待测图像与目标图像匹配检测的最终结果输出。
如图2所示,为本发明实施例中,提供的一种基于多粒子群算法的图像目标匹配检测的系统,所述系统包括:
特征空间提取及函数构造单元210,用于输入待测图像及目标图像,并通过预设的方式,计算出与所述输入的待测图像及目标图像二者之间相关联的共性特征空间,且进一步构造出所述共性特征空间对应的能量函数;
函数计算单元220,用于基于多粒子群算法,获取所述共性特征空间对应能量函数上的每一局部极值点;其中,所述局部极值点的数量由所述待测图像与所述目标图像之间匹配检测的数量决定;
图像匹配检测结果输出单元230,用于根据所述获取到的每一局部极值点,通过所述共性特征空间对应能量函数在所述待测图像中确定出与每一局部极值点分别对应的区域,并将所述确定的每一区域分别作为所述待测图像与所述目标图像匹配检测的最终结果输出。
其中,特征空间提取及函数构造单元210包括:
方向梯度图构造模块2101,用于输入所述待测图像及目标图像,并根据所述输入的待测图像及目标图像二者之间的相关联性,构建出方向梯度图;其中,所述方向梯度图为二维梯度图,其由水平方向梯度图与垂直方向梯度图形成;
正则化处理共性特征空间模块2102,用于对所述构建的方向梯度图进行正则化处理,得到所述共性特征空间,使得所述得到的共性特征空间的计算值位于[0,1)之间;
能量函数变形模块2103,用于基于相似性距离测度与所述得到的共性特征空间之间的关联性,构造出所述共性特征空间具有多种分量函数相组合的能量函数;其中,所述多种分量函数包括去均值的归一化相关系数测量能量函数、基于Hausdorff距离的能量函数和基于局部极大值掩模统计量的能量函数。
其中,函数计算单元220包括:
粒子群参数设定模块2201,用于确定粒子群的参数;其中,所述参数包括与所述匹配检测的数量相等的初始粒子群数量,以及还包括粒子群收敛半径、粒子群排斥半径、个体学习因子、种群学习因子和惯性权重;
粒子群初始化模块2202,用于初始化粒子群,其包括设置最大迭代次数和初始迭代次数为0,以及随机设定每一粒子群的速度及其对应的速度方向,随机设定每一粒子群中每一粒子的空间位置;
判断模块2203,用于获取当前迭代次数,并判断所述获取到的当前迭代次数是否小于所述最大迭代次数;
迭代遍历及判定模块2204,用于所述获取到的当前迭代次数加一,且对各粒子群内的每一粒子进行遍历更新,并根据所述预设的个体学习因子、种群学习因子和惯性权重,以及根据单个粒子群内粒子在当前遍历进化轨迹中的最优值以及所有粒子群内粒子在当前遍历进化轨迹中的最优值,得到遍历更新后的各粒子群速度;以及
根据所述得到的遍历更新后的各粒子群速度,对各粒子群的位置进行更新,并依序对所述更新位置后的粒子群进行排斥判定处理和收敛判定处理;
结果输出模块2205,用于终止对各粒子群内的每一粒子进行遍历更新,并筛选出各粒子群内粒子在终止遍历的前一进化轨迹中的最优值,且进一步将所述筛选的各粒子群内粒子的最优值作为相应的局部极值点输出
实施本发明实施例,具有如下有益效果:
1、在本发明实施例中,由于采用比遍历搜索有更大速度优势的多粒子群算法,其在收敛性的作用下,拥有传统算法无法比拟的效果和优势,同时加入收敛性以及排斥性的判断,增加了粒子群之间的互动,可抓住及利用更多的搜索信息,从而达到更准确和效率的算法结果,并且可动态的生成或者消除粒子群,减少不必要的计算量,从而达到实现图像匹配的可靠性高及精度高的目的;
2、在本发明实施例中,由于能够一次扫描完成所有目标的检测,并在检测的同时完成目标变形参数的估计,解决图像中多目标(同一目标在不同观测几何下的成像表现)快速、高检测率、低虚警检测等难题,能够提高大图像下的目标快速筛选性能。
值得注意的是,上述系统实施例中,所包括的各个系统单元只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,所述的程序可以存储于一计算机可读取存储介质中,所述的存储介质,如ROM/RAM、磁盘、光盘等。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (7)
1.一种基于多粒子群算法的图像目标匹配检测的方法,其特征在于,所述方法包括:
S1、输入待测图像及目标图像,并通过预设的方式,计算出与所述输入的待测图像及目标图像二者之间相关联的共性特征空间,且进一步构造出所述共性特征空间对应的能量函数;
S2、基于多粒子群算法,获取所述共性特征空间对应能量函数上的每一局部极值点;其中,所述局部极值点的数量由所述待测图像与所述目标图像之间匹配检测的数量决定;
S3、根据获取到的所述每一局部极值点,通过所述共性特征空间对应能量函数在所述待测图像中确定出与每一局部极值点分别对应的区域,并将确定的每一所述区域分别作为所述待测图像与所述目标图像匹配检测的最终结果输出;
其中,所述步骤S1具体包括:
输入所述待测图像及目标图像,并根据所述输入的待测图像及目标图像二者之间的相关联性,构建出方向梯度图;其中,所述方向梯度图为二维梯度图,其由水平方向梯度图与垂直方向梯度图形成;
对构建的所述方向梯度图进行正则化处理,得到所述共性特征空间,使得得到的所述共性特征空间的计算值位于[0,1)之间;
基于相似性距离测度与得到的所述共性特征空间之间的关联性,构造出所述共性特征空间具有多种分量函数相组合的能量函数;其中,所述多种分量函数包括去均值的归一化相关系数测量能量函数、基于Hausdorff距离的能量函数和基于局部极大值掩模统计量的能量函数。
2.如权利要求1所述的方法,其特征在于,所述对构建的所述方向梯度图进行正则化处理,得到所述共性特征空间的步骤具体为:
所述得到的共性特征空间通过公式来实现;其中,G(x,y)为所述得到的共性特征空间;|▽I(x,y)|为所述方向梯度图的梯度模值;W(x,y)为所述方向梯度图内具有一定面积大小的中心窗口;K为固定常数,可取值为100。
3.如权利要求1所述的方法,其特征在于,所述步骤S2具体包括:
S21、确定粒子群的参数;其中,所述参数包括与所述匹配检测的数量相等的初始粒子群数量,以及还包括粒子群收敛半径、粒子群排斥半径、个体学习因子、种群学习因子和惯性权重;
S22、初始化粒子群,其包括设置最大迭代次数和初始迭代次数为0,以及随机设定每一粒子群的速度及其对应的速度方向,随机设定每一粒子群中每一粒子的空间位置;
S23、获取当前迭代次数,并判断所述获取到的当前迭代次数是否小于所述最大迭代次数;
S24、如果是,则所述获取到的当前迭代次数加一,且对各粒子群内的每一粒子进行遍历更新,并根据所述预设的个体学习因子、种群学习因子和惯性权重,以及根据单个粒子群内粒子在当前遍历进化轨迹中的最优值以及所有粒子群内粒子在当前遍历进化轨迹中的最优值,得到遍历更新后的各粒子群速度;以及
根据所述得到的遍历更新后的各粒子群速度,对各粒子群的位置进行更新,并依序对更新位置后的所述粒子群进行排斥判定处理和收敛判定处理后,返回步骤S23;
S25、如果否,则终止对各粒子群内的每一粒子进行遍历更新,并筛选出各粒子群内粒子在终止遍历的前一进化轨迹中的最优值,且进一步将筛选的所述各粒子群内粒子的最优值作为相应的局部极值点输出。
4.如权利要求3所述的方法,其特征在于,所述遍历更新后的各粒子群速度通过公式vi,d=wvi,d+c1r1(pbesti,d-pi,d)+c2r2(gbesti,d-pi,d),来实现;其中,vi,d为第i个粒子群在遍历更新前的速度;w为惯性权重,取值为0.5;c1为个体学习因子,取值为0.5;c2为种群学习因子,取值为0.5;r1和r2均为区间(0,1)内的随机数;pbesti,d为第i个粒子群内粒子在当前遍历进化轨迹中的最优值;gbesti,d为所有粒子群内粒子在当前遍历进化轨迹中的最优值;pi,d为第i个粒子群在遍历更新前的位置。
5.如权利要求3所述的方法,其特征在于,所述根据所述得到的遍历更新后的各粒子群速度,对各粒子群的位置进行更新,并依序对更新位置后的所述粒子群进行排斥判定处理和收敛判定处理的具体步骤包括:
获取各粒子群在遍历更新前的位置,将所述获取到的各粒子群在遍历更新前的位置分别与其对应得到的遍历更新后的粒子群速度相加,所得到的和值分别作为各粒子群遍历更新后的位置;
在所述遍历更新位置后的粒子群中,当获取到存在至少二个粒子群满足第一判定条件时,在所述满足第一判定条件的粒子群中解散粒子群内粒子在当前遍历进化轨迹中的最优值为最差的粒子群,并进一步初始化所述解散的满足第一判定条件的粒子群;其中,所述第一判断条件为任意两粒子群之间最优粒子间距小于所述粒子群排斥半径的条件;
在除所述解散的满足第一判定条件的粒子群之外的遍历更新位置后的粒子群中,当获取到任一粒子群中满足第二判定条件时,将所述获取到的满足第二判定条件的粒子群均解散,并进一步对所述解散的满足第二判定条件的粒子群分别进行初始化;其中,所述第二判定条件为任一粒子群中任意两个粒子间距小于所述粒子群收敛半径。
6.一种基于多粒子群算法的图像目标匹配检测的系统,其特征在于,所述系统包括:
特征空间提取及函数构造单元,用于输入待测图像及目标图像,并通过预设的方式,计算出与所述输入的待测图像及目标图像二者之间相关联的共性特征空间,且进一步构造出所述共性特征空间对应的能量函数;
函数计算单元,用于基于多粒子群算法,获取所述共性特征空间对应能量函数上的每一局部极值点;其中,所述局部极值点的数量由所述待测图像与所述目标图像之间匹配检测的数量决定;
图像匹配检测结果输出单元,用于根据获取到的所述每一局部极值点,通过所述共性特征空间对应能量函数在所述待测图像中确定出与每一局部极值点分别对应的区域,并将确定的每一所述区域分别作为所述待测图像与所述目标图像匹配检测的最终结果输出;
其中,所述特征空间提取及函数构造单元包括:
方向梯度图构造模块,用于输入所述待测图像及目标图像,并根据所述输入的待测图像及目标图像二者之间的相关联性,构建出方向梯度图;其中,所述方向梯度图为二维梯度图,其由水平方向梯度图与垂直方向梯度图形成;
正则化处理共性特征空间模块,用于对构建的所述方向梯度图进行正则化处理,得到所述共性特征空间,使得得到的所述共性特征空间的计算值位于[0,1)之间;
能量函数变形模块,用于基于相似性距离测度与得到的所述共性特征空间之间的关联性,构造出所述共性特征空间具有多种分量函数相组合的能量函数;其中,所述多种分量函数包括去均值的归一化相关系数测量能量函数、基于Hausdorff距离的能量函数和基于局部极大值掩模统计量的能量函数。
7.如权利要求6所述的系统,其特征在于,所述函数计算单元包括:
粒子群参数设定模块,用于确定粒子群的参数;其中,所述参数包括与所述匹配检测的数量相等的初始粒子群数量,以及还包括粒子群收敛半径、粒子群排斥半径、个体学习因子、种群学习因子和惯性权重;
粒子群初始化模块,用于初始化粒子群,其包括设置最大迭代次数和初始迭代次数为0,以及随机设定每一粒子群的速度及其对应的速度方向,随机设定每一粒子群中每一粒子的空间位置;
判断模块,用于获取当前迭代次数,并判断所述获取到的当前迭代次数是否小于所述最大迭代次数;
迭代遍历及判定模块,用于所述获取到的当前迭代次数加一,且对各粒子群内的每一粒子进行遍历更新,并根据所述预设的个体学习因子、种群学习因子和惯性权重,以及根据单个粒子群内粒子在当前遍历进化轨迹中的最优值以及所有粒子群内粒子在当前遍历进化轨迹中的最优值,得到遍历更新后的各粒子群速度;以及
根据所述得到的遍历更新后的各粒子群速度,对各粒子群的位置进行更新,并依序对更新位置后的所述粒子群进行排斥判定处理和收敛判定处理;
结果输出模块,用于终止对各粒子群内的每一粒子进行遍历更新,并筛选出各粒子群内粒子在终止遍历的前一进化轨迹中的最优值,且进一步将筛选的所述各粒子群内粒子的最优值作为相应的局部极值点输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610590061.7A CN106295674B (zh) | 2016-07-22 | 2016-07-22 | 一种基于多粒子群算法的图像目标匹配检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610590061.7A CN106295674B (zh) | 2016-07-22 | 2016-07-22 | 一种基于多粒子群算法的图像目标匹配检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106295674A CN106295674A (zh) | 2017-01-04 |
CN106295674B true CN106295674B (zh) | 2019-10-11 |
Family
ID=57652556
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610590061.7A Active CN106295674B (zh) | 2016-07-22 | 2016-07-22 | 一种基于多粒子群算法的图像目标匹配检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106295674B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108280509A (zh) * | 2018-02-12 | 2018-07-13 | 武汉大学深圳研究院 | 基于粒子多群优化的多目标检测方法 |
CN108876829B (zh) * | 2018-05-29 | 2021-12-17 | 武汉大学 | 基于非线性尺度空间及径向基函数的sar高精度配准方法 |
CN109146922B (zh) * | 2018-07-11 | 2021-07-06 | 哈尔滨工程大学 | 一种基于自适应粒子群优化的前视声纳水下目标跟踪方法 |
CN111583311B (zh) * | 2020-05-14 | 2023-04-18 | 重庆理工大学 | 一种pcba快速图像匹配方法 |
CN111667508B (zh) * | 2020-06-10 | 2023-10-24 | 北京爱笔科技有限公司 | 一种检测方法和相关装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102201672A (zh) * | 2010-03-26 | 2011-09-28 | 长沙理工大学 | 改进的模拟退火-粒子群优化算法 |
CN103761710B (zh) * | 2014-01-08 | 2016-07-06 | 西安电子科技大学 | 基于边缘自适应的高效图像盲去模糊方法 |
CN104915969B (zh) * | 2015-05-21 | 2019-01-18 | 云南大学 | 一种基于粒子群优化的模版匹配跟踪方法 |
-
2016
- 2016-07-22 CN CN201610590061.7A patent/CN106295674B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN106295674A (zh) | 2017-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106295674B (zh) | 一种基于多粒子群算法的图像目标匹配检测方法及系统 | |
CN103810699B (zh) | 基于无监督深度神经网络的sar图像变化检测方法 | |
CN108802722B (zh) | 一种基于虚拟谱的弱目标检测前跟踪方法 | |
CN103400152B (zh) | 基于分层聚类的滑动窗口多数据流异常检测方法 | |
CN110533722A (zh) | 一种基于视觉词典的机器人快速重定位方法及系统 | |
Bronstein et al. | SHREC 2010: robust correspondence benchmark | |
CN104599286B (zh) | 一种基于光流的特征跟踪方法及装置 | |
CN105787901B (zh) | 一种用于太阳高分辨图像序列中相邻两帧间的多尺度速度场测量方法 | |
CN109141364A (zh) | 障碍物检测方法、系统及机器人 | |
CN108986126A (zh) | 基于高斯拟合亚像素边缘检测及改进ransac算法的圆心检测法 | |
CN106023298A (zh) | 基于局部泊松曲面重建的点云刚性配准方法 | |
CN107066806B (zh) | 航迹关联方法及装置 | |
CN109671174A (zh) | 一种电塔巡检方法及装置 | |
CN106780551B (zh) | 一种三维运动目标检测方法和系统 | |
CN108492298A (zh) | 基于生成对抗网络的多光谱图像变化检测方法 | |
CN109446894A (zh) | 基于概率分割及高斯混合聚类的多光谱图像变化检测方法 | |
CN105445699B (zh) | 一种非视距误差消除的测距方法及系统 | |
CN105279769A (zh) | 一种联合多特征的层次粒子滤波跟踪方法 | |
CN109858526A (zh) | 一种目标跟踪中基于传感器的多目标轨迹融合方法 | |
CN108153979A (zh) | 基于InSAR的形变信息提取方法、终端及存储介质 | |
CN107610155B (zh) | Sar影像变化检测方法及装置 | |
CN103700109B (zh) | 基于多目标优化moea/d和模糊聚类的sar图像变化检测方法 | |
CN105184829B (zh) | 一种紧密空间目标检测和高精度质心定位方法 | |
CN107392863A (zh) | 基于亲和矩阵融合谱聚类方法的sar图像变化检测方法 | |
CN109579827A (zh) | 一种基于弧形阵列的磁性目标探测和定位方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |