專(zhuān)利名稱(chēng):一種基于自適應(yīng)蟻群智能的空中機(jī)器人視覺(jué)分層匹配方法
技術(shù)領(lǐng)域:
本發(fā)明涉及一種基于自適應(yīng)蟻群智能(Improved Adaptive Ant ColonyOptimization)的空中機(jī)器人視覺(jué)分層匹配方法,屬于計(jì)算機(jī)視覺(jué)信息處理領(lǐng)域。
背景技術(shù):
空中機(jī)器人在偵察巡邏、電子干擾、通信中繼、自然災(zāi)害的監(jiān)視與支援等很多軍事及民用領(lǐng)域具有廣泛的應(yīng)用價(jià)值,一直受到世界各國(guó)的普遍重視。其中視覺(jué)匹配系統(tǒng)是空中機(jī)器人系統(tǒng)組成中極其重要的一部分,在空中機(jī)器人完成目標(biāo)檢測(cè)、定位導(dǎo)航等任務(wù)過(guò)程中起著不可或缺的關(guān)鍵作用,是空中機(jī)器人研究的熱點(diǎn)之一。
視覺(jué)匹配中對(duì)于尺寸很大的搜索圖,圖像相關(guān)匹配的數(shù)據(jù)量和計(jì)算量很大,而圖像相關(guān)匹配的計(jì)算實(shí)時(shí)性在一定程度上又決定了該技術(shù)的實(shí)用性。因此,和可靠性、精度一樣,圖像匹配的速度也是性能的重要體現(xiàn)。為了加快圖像匹配速度,常用的快速匹配方法主要有兩種一種是減少在非匹配點(diǎn)上的相關(guān)計(jì)算總量,如序貫相似性檢測(cè)算法;另一種是改進(jìn)搜索策略以避免不必要的計(jì)算,如多分辨率塔形結(jié)構(gòu)算法。研究表明,圖像匹配的速度主要取決于匹配算法的搜索策略。由于傳統(tǒng)匹配算法的基本搜索策略是遍歷性的,為了找到最優(yōu)匹配點(diǎn),傳統(tǒng)方法均必須在搜索區(qū)域內(nèi)的每一個(gè)像素點(diǎn)上進(jìn)行區(qū)域相關(guān)匹配計(jì)算,但除了一個(gè)最優(yōu)匹配點(diǎn)外,絕大部分時(shí)間都是在非最優(yōu)匹配點(diǎn)上作匹配計(jì)算。因此,如果能找到一種有效的搜索策略實(shí)現(xiàn)非遍歷性搜索,則圖像匹配速度將大大提高。
蟻群優(yōu)化(Ant Colony Optimization)算法是一種最新發(fā)展的模擬昆蟲(chóng)王國(guó)中螞蟻群體覓食行為的仿生優(yōu)化算法,該算法采用了正反饋并行自催化機(jī)制,具有較強(qiáng)的魯棒性、優(yōu)良的分布式計(jì)算機(jī)制、易于與其他方法結(jié)合等優(yōu)點(diǎn),在解決許多復(fù)雜優(yōu)化問(wèn)題方面已經(jīng)展現(xiàn)出其優(yōu)異的性能和巨大的發(fā)展?jié)摿Α?br>
蟻群優(yōu)化算法是由螞蟻覓食行為演化來(lái)的優(yōu)化算法,螞蟻個(gè)體之間是通過(guò)一種稱(chēng)之為信息素(Pheromone)的物質(zhì)進(jìn)行信息傳遞,從而能相互協(xié)作,完成復(fù)雜的任務(wù)。螞蟻在運(yùn)動(dòng)過(guò)程中,在它所經(jīng)過(guò)的路徑上會(huì)留下一定量的信息素,信息素的強(qiáng)度與路徑長(zhǎng)度有關(guān)。并且螞蟻在運(yùn)動(dòng)過(guò)程中能夠感知路徑上信息素的存在及其強(qiáng)度,并以此指導(dǎo)自己的對(duì)路徑的選擇,螞蟻傾向于朝著信息素強(qiáng)度較高的方向移動(dòng)。因此,由大量螞蟻組成的蟻群的集體行為便表現(xiàn)出一種信息正反饋現(xiàn)象某一路徑上走過(guò)的螞蟻越多,則后來(lái)者選擇該路徑的概率就越大。螞蟻個(gè)體之間就是通過(guò)這種信息的交流達(dá)到搜索食物的目的。蟻群算法采用了正反饋并行自催化機(jī)制,該算法具有較強(qiáng)的魯棒性、優(yōu)良的分布式計(jì)算機(jī)制、易于與其他方法結(jié)合等優(yōu)點(diǎn),在解決其他許多復(fù)雜優(yōu)化問(wèn)題方面也已經(jīng)展現(xiàn)出了優(yōu)異的性能和巨大的發(fā)展?jié)摿Α?br>
自然界中,像螞蟻這類(lèi)社會(huì)性動(dòng)物,單只螞蟻的能力和智力非常簡(jiǎn)單,但它們通過(guò)相互協(xié)調(diào)、分工、合作完成不論工蟻還是蟻后都不可能有足夠能力來(lái)指揮完成的筑巢、覓食、遷徙、清掃蟻穴等復(fù)雜行為。螞蟻的食物源總是隨機(jī)散布于蟻巢周?chē)?,我們只要仔?xì)觀察就可以發(fā)現(xiàn),經(jīng)過(guò)一段時(shí)間后,螞蟻總能找到一條從蟻巢到食物源的最短路徑。科學(xué)家曾經(jīng)通過(guò)“雙橋?qū)嶒?yàn)”對(duì)蟻群的覓食行為進(jìn)行了研究。發(fā)現(xiàn)除了能找到巢穴和食物源之間的最短路徑之外,蟻群對(duì)環(huán)境有著極強(qiáng)的適應(yīng)能力。例如當(dāng)原有的最短路徑由于一個(gè)新的障礙物的出現(xiàn)而變得不可行時(shí),蟻群能迅速找到一條新的最短路徑。因此,在現(xiàn)實(shí)生活中,我們總可以觀察到大量螞蟻在巢穴與食物源之間形成近乎直線(xiàn)的路徑,而不是曲線(xiàn)或者圓等其它形狀,如圖1(a)所示。螞蟻群體不僅能完成復(fù)雜的任務(wù),而且還能適應(yīng)環(huán)境的變化,如在蟻群運(yùn)動(dòng)路線(xiàn)上突然出現(xiàn)障礙物時(shí),一開(kāi)始各只螞蟻分布是均勻的,不管路徑是否長(zhǎng)短,螞蟻總是先按同等概率選擇各條路徑,如圖1(b)所示。螞蟻在運(yùn)動(dòng)過(guò)程中,能夠在其經(jīng)過(guò)的路徑上留下信息素,而且能感知這種物質(zhì)的存在及其強(qiáng)度,并以此指導(dǎo)自己運(yùn)動(dòng)的方向,螞蟻傾向于信息素濃度高的方向移動(dòng)。相等時(shí)間內(nèi)較短路徑上的信息量就遺留得比較多,則選擇較短路徑的螞蟻也隨之增多,如圖1(c)所示。不難看出,由于大量螞蟻組成的蟻群集體行為表現(xiàn)出了一種信息正反饋現(xiàn)象,即某一路徑上走過(guò)的螞蟻越多,則后來(lái)者選擇該路徑的概率就越大,螞蟻個(gè)體之間就是通過(guò)這種信息交流機(jī)制來(lái)搜索食物,并最終沿著最短路徑行進(jìn),如圖1(d)所示。
蟻群是如何完成這些復(fù)雜任務(wù)的呢?仿生學(xué)家經(jīng)過(guò)大量的觀察、研究發(fā)現(xiàn),螞蟻在尋找食物時(shí),能在其經(jīng)過(guò)的路徑上釋放一種螞蟻特有的信息素,使得一定范圍內(nèi)的其他螞蟻能夠感覺(jué)到這種物質(zhì),且傾向于朝該物質(zhì)強(qiáng)度高的方向移動(dòng)。因此,蟻群的集體行為表現(xiàn)為一種信息正反饋現(xiàn)象某條路徑上經(jīng)過(guò)的螞蟻數(shù)越多,其上留下的信息素也就越多(當(dāng)然,隨時(shí)間的推移會(huì)逐漸蒸發(fā)),后來(lái)螞蟻選擇該路徑的概率也越高,從而更增加了該路徑上信息素的強(qiáng)度。隨著時(shí)間的推移,整個(gè)蟻群最終會(huì)收斂到最短的遍歷路徑上。
蟻群算法最初是用于解決旅行商問(wèn)題,旅行商問(wèn)題的簡(jiǎn)單形象描述是給定n個(gè)城市,有一個(gè)旅行商從某一城市出發(fā),訪(fǎng)問(wèn)各城市一次且僅有一次后再回到原出發(fā)城市,要求找出一條最短的巡回路徑。
作為一種新興的啟發(fā)式仿生智能優(yōu)化算法,目前人們對(duì)蟻群優(yōu)化算法的研究已經(jīng)由當(dāng)初單一的旅行商問(wèn)題領(lǐng)域滲透到了多個(gè)應(yīng)用領(lǐng)域,由解決一維靜態(tài)優(yōu)化問(wèn)題發(fā)展到解決多維動(dòng)態(tài)組合優(yōu)化問(wèn)題,由離散域范圍內(nèi)的研究逐漸拓展到了連續(xù)域范圍內(nèi)的研究,而且在蟻群優(yōu)化算法的硬件實(shí)現(xiàn)上也取得了很多突破性進(jìn)展,從而使這種新興的仿生優(yōu)化算法展現(xiàn)出勃勃生機(jī)和廣闊的發(fā)展前景。
發(fā)明內(nèi)容
本發(fā)明的目的在于提出一種基于自適應(yīng)蟻群智能的空中機(jī)器人視覺(jué)分層匹配方法,以提供一種解決空中機(jī)器人視覺(jué)匹配問(wèn)題的有效途徑,也可應(yīng)用于其它復(fù)雜的智能優(yōu)化問(wèn)題。
該方法利用改進(jìn)的自適應(yīng)蟻群算法與歸一化積相關(guān)結(jié)合進(jìn)行圖像的快速粗匹配,然后進(jìn)行圖像的精確匹配,從而實(shí)現(xiàn)空中機(jī)器人的視覺(jué)匹配。該方法充分利用了蟻群算法能快速找到準(zhǔn)最優(yōu)匹配點(diǎn)的特點(diǎn)。
蟻群算法最初是用于解決旅行商問(wèn)題(Traveling Salesman Problem,TSP),旅行商問(wèn)題的簡(jiǎn)單形象描述是給定n個(gè)城市,有一個(gè)旅行商從某一城市出發(fā),訪(fǎng)問(wèn)各城市一次且僅有一次后再回到原出發(fā)城市,要求找出一條最短的巡回路徑。
基本蟻群算法的數(shù)學(xué)模型如下 設(shè)bi(t)表示t時(shí)刻位于元素i的螞蟻數(shù)目,τij(t)為t時(shí)刻路徑(i,j)上的信息量,n表示TSP規(guī)模,即城市總數(shù)目,m為蟻群中螞蟻的總數(shù)目,則是t時(shí)刻集合C中元素(城市)兩兩連接lij上殘留信息量的集合。在初始時(shí)刻各條路徑上信息量相等,并設(shè)初始信息量為τij(0)=const。
螞蟻k(k=1,2,.....,m)在運(yùn)動(dòng)過(guò)程中,根據(jù)各條路徑上的信息量決定其轉(zhuǎn)移方向。這里用禁忌表tabuk(k=1,2,....,m)來(lái)記錄螞蟻k當(dāng)前所走過(guò)的城市,集合tabuk隨著進(jìn)化過(guò)程作動(dòng)態(tài)調(diào)整。
搜索過(guò)程中,螞蟻根據(jù)各條路徑上的信息量及路徑的啟發(fā)信息來(lái)計(jì)算狀態(tài)轉(zhuǎn)移概率。
表示在t時(shí)刻螞蟻k由元素(城市)i轉(zhuǎn)移到元素(城市)j的狀態(tài)轉(zhuǎn)移概率 式中,allowedk={C-tabuk}表示螞蟻k下一步允許選擇的城市。
α為信息啟發(fā)式因子,表示軌跡的相對(duì)重要性,反映了螞蟻在運(yùn)動(dòng)過(guò)程中所積累的信息在螞蟻運(yùn)動(dòng)時(shí)所起的作用,其值越大,則該螞蟻越傾向于選擇其它螞蟻經(jīng)過(guò)的路徑,螞蟻之間協(xié)作性越強(qiáng); β為期望啟發(fā)式因子,表示能見(jiàn)度的相對(duì)重要性,反映了螞蟻在運(yùn)動(dòng)過(guò)程中啟發(fā)信息在螞蟻選擇路徑中的受重視程度,其值越大,則該狀態(tài)轉(zhuǎn)移概率越接近于貪心規(guī)則。
ηij(t)為啟發(fā)函數(shù),其表達(dá)式如下 式中,dij表示相鄰兩個(gè)城市之間的距離。對(duì)螞蟻k而言,dij越小,則ηij(t)越大,
也就越大。顯然,該啟發(fā)函數(shù)表示螞蟻從元素(城市)i轉(zhuǎn)移到元素(城市)j的期望程度。
為了避免殘留信息素過(guò)多引起殘留信息淹沒(méi)啟發(fā)信息,在每只螞蟻?zhàn)咄暌徊交蛘咄瓿蓪?duì)所有n個(gè)城市的遍歷(也即一個(gè)循環(huán)結(jié)束)后,要對(duì)殘留信息進(jìn)行更新處理。這種更新策略模仿了人類(lèi)大腦記憶的特點(diǎn),在新信息不斷存入大腦的同時(shí),存貯在大腦中的舊信息隨著時(shí)間的推移逐漸淡化,甚至忘記。
由此,t+n時(shí)刻在路徑(i,j)上的信息量可按如下規(guī)則進(jìn)行調(diào)整 τij(t+n)=(1-ρ)·τij(t)+Δτij(t) (3) 式中,ρ表示信息素?fù)]發(fā)系數(shù),則1-ρ表示信息素殘留因子,為了防止信息的無(wú)限積累,ρ的取值范圍為 Δτij(t)表示本次循環(huán)中路徑(i,j)上的信息素增量,初始時(shí)刻,
表示第k只螞蟻在本次循環(huán)中留在路徑(i,j)上的信息量。
在Ant-Cycle模型中
式中,Q表示信息素強(qiáng)度,它在一定程度上影響算法的收斂速度; Lk表示第k只螞蟻在本次循環(huán)中所走過(guò)路徑的總長(zhǎng)度。
本發(fā)明是一種基于自適應(yīng)性蟻群智能的空中機(jī)器人視覺(jué)分層匹配方法,其具體實(shí)現(xiàn)步驟如下(可參見(jiàn)圖2) 步驟一確定搜索單元。
首先,將待匹配圖像兩次分割成與目標(biāo)圖像大小相同的一塊塊的小圖像第一次,將分割的起始坐標(biāo)放在待匹配圖像的(1,1)點(diǎn),如圖3;第二次,將起始坐標(biāo)放在第一次分割的第一個(gè)小圖像的中心坐標(biāo)處,如圖4。
其次,計(jì)算各小塊圖像與目標(biāo)圖像的相似度。本發(fā)明的相似度計(jì)算采用歸一化積相關(guān)匹配算法,歸一化積相關(guān)匹配算法的公式如下 式中,t(x,y)是目標(biāo)圖像在其坐標(biāo)為(x,y)的像素點(diǎn)的灰度值,而(u,v)則是待匹配圖像中分割的一個(gè)小圖像的左上角的坐標(biāo),f(u+x,v+y)是待匹配圖像中相應(yīng)坐標(biāo)的像素點(diǎn)的灰度值; 經(jīng)過(guò)計(jì)算,每一次分割得到的每個(gè)小圖像都具有一個(gè)自己的與目標(biāo)圖像的相似度。
顯然,從圖4中可以看到,第二次分割的成的每塊小圖像都和第一次分割出來(lái)的四塊相鄰的小圖像有重疊的部分,把這樣的五塊小圖像記為一個(gè)單元。再將每個(gè)單元中五個(gè)小圖像中的最大的相似度作為此單元的相似度。如此,就可以用較少的計(jì)算量得到較多的相關(guān)圖像匹配的信息。
步驟二初始化參數(shù)。
使本代的迭代次數(shù)Nc=1,最大的迭代次數(shù)為Nc_max;本次的螞蟻數(shù)目為m=1,螞蟻總數(shù)為M(根據(jù)目標(biāo)圖像的大小來(lái)定);使初始信息素濃度τij=const,const是一個(gè)常數(shù)。
計(jì)算全局最優(yōu)的相似度F_max和全局的平均相似度F_mean,如下所示 F_max=max(F(i,j))(7) F_mean=mean(F(i,j))(8) 式中,F(xiàn)(i,j)為每個(gè)單元的相似度。
步驟三根據(jù)信息素濃度,依據(jù)概率選擇公式 當(dāng)Nc=1時(shí),Pij=1; 當(dāng)Nc≠1時(shí),則Pij的值如下
其中,randm為隨機(jī)數(shù);τmax,τmin分別是信息素濃度的最大值和最小值。
通過(guò)概率選擇公式,確定是否把某個(gè)單元?dú)w到這次搜索之中,即是否成為搜索單元;當(dāng)Pij=1時(shí),就認(rèn)為這個(gè)單元為搜索單元,在搜索的范圍之內(nèi);這樣M只螞蟻可以在各個(gè)搜索單元中隨機(jī)搜索,即每只螞蟻隨機(jī)地在搜索單元中尋找一個(gè)與目標(biāo)圖像大小相等的小圖像并計(jì)算該小圖像與目標(biāo)圖像的相似度,記為Fm(i,j),其中下標(biāo)m表示是此相似度是第m只螞蟻搜索的。從而得到M種結(jié)果,即M個(gè)小圖像。
此次搜索完畢后,更新每個(gè)搜索單元的相似度F(i,j),其公式如下 F(i,j)=max(F(i,j),F(xiàn)m(i,j)) (10) 式中,分別計(jì)算此次搜索中的每個(gè)搜索單元的M個(gè)小圖像與目標(biāo)圖像的相似度,記為Fm(i,j),其中下標(biāo)m表示是此相似度是第m只螞蟻搜索的;如果搜索單元中有Fm(i,j)大于這個(gè)搜索單元的相似度F(i,j),則讓這個(gè)相似度Fm(i,j)作為此單元這一代的相似度F(i,j)。
步驟四更新信息素濃度 本次迭代結(jié)束后,進(jìn)行信息素更新,其更新規(guī)則如下 τ(t+1)=ρ·τ(t)+Δτ(t) (11) 其中,ρ是信息素殘留系數(shù),即每一代過(guò)后信息素的殘留。Δτ是信息素濃度增量矩陣,其值用下式進(jìn)行計(jì)算。
其中,F(xiàn)_max為全局最優(yōu)的相似度; F_mean為全局的平均相似度; const1和const2是兩個(gè)常數(shù),且const1>const2>0。
當(dāng)計(jì)算得到的Δτij=0時(shí),就把相應(yīng)的單元暫時(shí)排除在精匹配范圍之外;Δτij≠0時(shí),就把相應(yīng)的單元納入精匹配范圍之內(nèi)。這樣,隨著迭代次數(shù)的增加,在精匹配范圍內(nèi)的單元就會(huì)減小,即把相似度小的單元淘汰掉,記在精匹配范圍內(nèi)的單元數(shù)目為Ng。
步驟五更新全局最優(yōu)相似度F_max,以及全局的平均相似度F_mean。公式如下 F_max=max(F(i,j))(13) F_mean=(1/K)×∑F(i,j)(14) 其中,K為得到的精匹配范圍中的單元的數(shù)目,F(xiàn)(i,j)是相應(yīng)單元的相似度 步驟六Nc=Nc+1,返回步驟三,直到完成預(yù)定的算法循環(huán)次數(shù)NCmax,或者精匹配中的單元數(shù)目Ng小于設(shè)定閾值T,或者全局最優(yōu)相似度達(dá)到或超過(guò)設(shè)定的相似度F_t。
一般來(lái)說(shuō),精匹配中的單元越少,精匹配時(shí)計(jì)算量越小,但是這樣容易進(jìn)入局部最優(yōu),所以限定Ng要大于一個(gè)數(shù)這是必要的。
步驟七進(jìn)行精匹配,尋找最佳匹配位置。
計(jì)算待匹配圖像中的精匹配區(qū)域的所有像素點(diǎn)的相似度,公式為式(6)。其中,t(x,y)是目標(biāo)圖像在其坐標(biāo)為(x,y)的灰度值,而(u,v)則是待匹配圖像中精匹配區(qū)域中像素的坐標(biāo),f(u+x,v+y)是待匹配圖像中相應(yīng)坐標(biāo)點(diǎn)的灰度值。
所有像素點(diǎn)都對(duì)應(yīng)一個(gè)相似度,找到其中最大的相似度值對(duì)應(yīng)的那個(gè)像素點(diǎn),以這個(gè)像素點(diǎn)為左上角像素點(diǎn),大小和目標(biāo)圖像一樣的矩形區(qū)域就是最佳的匹配位置。
步驟八算法結(jié)束,并輸出最優(yōu)結(jié)果。
本發(fā)明一種基于自適應(yīng)蟻群智能的空中機(jī)器人視覺(jué)分層匹配方法,其優(yōu)點(diǎn)及功效在于應(yīng)用于空中機(jī)器人視覺(jué)系統(tǒng)中,能夠快速及準(zhǔn)確地在待匹配圖像中找到目標(biāo)圖像的位置,從而更好地使機(jī)器人完成它的任務(wù)。
圖1現(xiàn)實(shí)中蟻群尋找食物的過(guò)程 圖2基于自適應(yīng)蟻群智能的空中機(jī)器人視覺(jué)分層匹配的流程 圖3待匹配圖像的第一次分割圖 圖4待匹配圖像的第二次分割圖 圖5蟻群聚類(lèi)進(jìn)化曲線(xiàn) 圖中標(biāo)號(hào)及符號(hào)說(shuō)明如下 F_max——本代最高的相似度 F_t——粗匹配階段設(shè)定的最高相似度 Ng——本代得到精匹配范圍內(nèi)的搜索單元數(shù)目 T——設(shè)定的精匹配的最小的搜索單元數(shù)目 Nc——算法循環(huán)次數(shù) Nc_max——算法最大循環(huán)次數(shù) Y——滿(mǎn)足條件(是) N——不滿(mǎn)足條件(否) 具體實(shí)施例方式 下面通過(guò)一個(gè)具體實(shí)施例來(lái)驗(yàn)證本發(fā)明所提出的基于自適應(yīng)蟻群智能的空中機(jī)器人視覺(jué)分層匹配方法的性能,所采用的是空中機(jī)器人視覺(jué)系統(tǒng)所采集的一幅464×956png格式的待匹配圖像和一幅需要空中機(jī)器人尋找的目標(biāo)圖像,其為49×42png格式的圖像,以此作為驗(yàn)證對(duì)象。實(shí)驗(yàn)環(huán)境為1.8Ghz,2G內(nèi)存,MATLAB 7.0版本,其具體實(shí)現(xiàn)步驟如下 步驟一將待匹配圖像兩次分割成與目標(biāo)圖像大小相同的一塊塊的小圖像第一次,將分割的起始坐標(biāo)放在待匹配圖像的(1,1)點(diǎn);第二次,將起始坐標(biāo)放在(25,21)。第一次分割的小圖像中的每四小塊和第二次分割的一塊小圖像作為一個(gè)單元,再計(jì)算待匹配圖像中各小塊圖像與目標(biāo)圖像的相似度,公式如下 式中,t(x,y)是目標(biāo)圖像在其坐標(biāo)為(x,y)的像素點(diǎn)的灰度值,而(u,v)則是待匹配圖像中分割的一個(gè)小圖像的左上角的坐標(biāo),f(u+x,v+y)是待匹配圖像中相應(yīng)坐標(biāo)的像素點(diǎn)的灰度值; 每個(gè)單元中五個(gè)小圖像中的最大的相似度作為此單元的相似度。如此,得到了168個(gè)單元及其相似度。
步驟二初始化參數(shù)。
使本代的迭代次數(shù)Nc=1,最大的迭代次數(shù)為Nc_max=10;螞蟻數(shù)目為m=1,螞蟻總數(shù)為M=40;使初始信息素濃度τij=0.95。
計(jì)算全局最優(yōu)的相似度F_max和全局的平均相似度F_mean,如下所示 F_max=max(F(i,j)) F_mean=mean(F(i,j)) 式中,F(xiàn)(i,j)為每個(gè)單元的相似度。
步驟三根據(jù)信息素濃度,依據(jù)概率選擇公式 當(dāng)Nc=1時(shí),Pij=1; 當(dāng)Nc≠1時(shí),則Pij的值如下
其中,randm為隨機(jī)數(shù);τmax,τmin分別是信息素濃度的最大值和最小值。
通過(guò)概率選擇公式,確定是否把某個(gè)單元?dú)w到這次搜索之中,即是否成為搜索單元。當(dāng)Pij=1時(shí),就認(rèn)為這個(gè)單元為搜索單元,在搜索的范圍之內(nèi)。這樣40只螞蟻可以在各個(gè)搜索單元中隨機(jī)搜索,即每只螞蟻隨機(jī)地在搜索單元中尋找一個(gè)與目標(biāo)圖像大小相等的小圖像并計(jì)算該小圖像與目標(biāo)圖像的相似度,記為Fm(i,j),其中下標(biāo)m表示是此相似度是第m只螞蟻搜索的。從而得到40種結(jié)果。
此次搜索完畢后,更新每個(gè)搜索單元的相似度F(i,j),其公式如下 F(i,j)=max(F(i,j),F(xiàn)m(i,j)) 式中,分別計(jì)算此次搜索中的每個(gè)搜索單元的40個(gè)小圖像與目標(biāo)圖像的相似度,記為Fm(i,j),其中下標(biāo)m表示是此相似度是第m只螞蟻搜索的;如果搜索單元中有Fm(i,j)大于這個(gè)搜索單元的相似度F(i,j),則讓這個(gè)相似度Fm(i,j)作為此單元這一代的相似度F(i,j) 步驟四更新信息素濃度 本次迭代結(jié)束后,進(jìn)行信息素更新,其更新規(guī)則如下 τ(t+1)=0.9×τ(t)+Δτ(t) 其中,Δτ是信息素濃度增量矩陣,其值用下式進(jìn)行計(jì)算。
其中,F(xiàn)_max為全局最優(yōu)的相似度; F_mean為全局的平均相似度; 當(dāng)計(jì)算得到的Δτij=0時(shí),就把相應(yīng)的單元暫時(shí)排除在精匹配范圍之外;Δτij≠0時(shí),就把相應(yīng)的單元納入精匹配范圍之內(nèi)。記在精匹配范圍內(nèi)的單元數(shù)目為Ng。
步驟五更新全局最優(yōu)相似度F_max,以及全局的平均相似度F_mean。
公式如下 F_max=max(F(i,j)) F_mean=(1/K)×∑F(i,j) 其中,K為得到的精匹配范圍中的單元的數(shù)目,F(xiàn)(i,j)是相應(yīng)單元的相似度 步驟六Nc=Nc+1,返回步驟三,直到完成預(yù)定的算法循環(huán)次數(shù)10,或者精匹配中的單元數(shù)目Ng小于設(shè)定閾值T=[168/6]=22,或者全局最優(yōu)相似度達(dá)到或超過(guò)設(shè)定的相似度F_t=0.99。
步驟七進(jìn)行精匹配。在上述的粗匹配中,得到精匹配單元的數(shù)目為27個(gè)。將精匹配區(qū)域,即這27個(gè)精匹單元中的像素逐點(diǎn)進(jìn)行匹配計(jì)算,從而得到最大的相似度值為0.995,其相對(duì)應(yīng)的坐標(biāo)為(101,348)。所以,從(101,348)到(149,389)的矩形區(qū)域是最佳匹配位置。
步驟八算法結(jié)束,并輸出最優(yōu)結(jié)果。
實(shí)驗(yàn)運(yùn)行結(jié)果分析圖5所給出的F_max進(jìn)化過(guò)程較為平穩(wěn)地趨于一個(gè)較優(yōu)值,最后達(dá)到穩(wěn)態(tài)收斂,這使得在粗匹配時(shí)被納入精匹配搜索的單元都且有較高的相似度,從而提高了匹配的精準(zhǔn)性;在精匹配時(shí),從原本要搜索的168個(gè)單元到使用本發(fā)明的方法后只要搜索的27個(gè)單元,顯然計(jì)算量大大減少了由此可見(jiàn),本發(fā)明的方法的快速性和精準(zhǔn)性。
該方法是解決空中機(jī)器人視覺(jué)匹配問(wèn)題的有效途徑,可廣泛應(yīng)用于航空、航天、工業(yè)生產(chǎn)等涉及圖像信息處理的領(lǐng)域。
權(quán)利要求
1、一種基于自適應(yīng)蟻群智能的空中機(jī)器人視覺(jué)分層匹配方法,其特征在于該方法具體實(shí)現(xiàn)步驟如下
步驟一確定搜索單元;
首先,將待匹配圖像兩次分割成與目標(biāo)圖像大小相同的一塊塊的小圖像第一次,將分割的起始坐標(biāo)放在待匹配圖像的(1,1)點(diǎn);第二次,將起始坐標(biāo)放在第一次分割的第一個(gè)小圖像的中心坐標(biāo)處;
其次,計(jì)算各小塊圖像與目標(biāo)圖像的相似度;本發(fā)明的相似度計(jì)算采用歸一化積相關(guān)匹配算法,歸一化積相關(guān)匹配算法的公式如下
式中,t(x,y)是目標(biāo)圖像在其坐標(biāo)為(x,y)的像素點(diǎn)的灰度值,而(u,v)則是待匹配圖像中分割的一個(gè)小圖像的左上角的坐標(biāo),f(u+x,v+y)是待匹配圖像中相應(yīng)坐標(biāo)的像素點(diǎn)的灰度值;
經(jīng)過(guò)計(jì)算,每一次分割得到的每個(gè)小圖像都具有一個(gè)自己的與目標(biāo)圖像的相似度;
第二次分割成的每塊小圖像都和第一次分割出來(lái)的四塊相鄰的小圖像有重疊的部分,把這樣的五塊小圖像記為一個(gè)單元;再將每個(gè)單元中五個(gè)小圖像中的最大的相似度作為此單元的相似度,記為F(i,j),其中,(i,j)表示每個(gè)單元中心位置的小圖像左上角的坐標(biāo);
步驟二初始化參數(shù);
使本代的迭代次數(shù)Nc=1,最大的迭代次數(shù)為Nc_max;本次的螞蟻數(shù)目為m=1,螞蟻總數(shù)為M;使初始信息素濃度τij=const,const是一個(gè)常數(shù);
計(jì)算全局最優(yōu)的相似度F_max和全局的平均相似度F_mean,如下所示
F_max=max(F(i,j)) (7)
F_mean=mean(F(i,j)) (8)
式中,F(xiàn)(i,j)為每個(gè)單元的相似度;
步驟三根據(jù)信息素濃度,依據(jù)概率選擇公式
當(dāng)Nc=1時(shí),Pij=1;
當(dāng)Nc≠1時(shí),則Pij的值如下
其中,randm為隨機(jī)數(shù);τmax,τmin分別是信息素濃度的最大值和最小值;
通過(guò)概率選擇公式,確定是否把某個(gè)單元?dú)w到這次搜索之中,即是否成為搜索單元;當(dāng)Pij=1時(shí),就認(rèn)為這個(gè)單元為搜索單元,在搜索的范圍之內(nèi);這樣M只螞蟻可以在各個(gè)搜索單元中隨機(jī)搜索,即每只螞蟻隨機(jī)地在搜索單元中尋找一個(gè)與目標(biāo)圖像大小相等的小圖像并計(jì)算該小圖像與目標(biāo)圖像的相似度,記為Fm(i,j),其中下標(biāo)m表示是此相似度是第m只螞蟻搜索的;從而得到M種結(jié)果,即M個(gè)小圖像;
此次搜索完畢后,更新每個(gè)搜索單元的相似度F(i,j),其公式如下
F(i,j)=max(F(i,j),F(xiàn)m(i,j)) (10)
式中,分別計(jì)算此次搜索中的每個(gè)搜索單元的M個(gè)小圖像與目標(biāo)圖像的相似度,記為Fm(i,j),其中下標(biāo)m表示是此相似度是第m只螞蟻搜索的;如果搜索單元中有Fm(i,j)大于這個(gè)搜索單元的相似度F(i,j),則讓這個(gè)相似度Fm(i,j)作為此單元這一代的相似度F(i,j);
步驟四更新信息素濃度
本次迭代結(jié)束后,進(jìn)行信息素更新,其更新規(guī)則如下
τ(t+1)=ρ·τ(t)+Δτ(t) (11)
其中,ρ是信息素殘留系數(shù),即每一代過(guò)后信息素的殘留;Δτ是信息素濃度增量矩陣,其值用下式進(jìn)行計(jì)算
其中,F(xiàn)_max為全局最優(yōu)的相似度;
F_mean為全局的平均相似度;
const1和const2是兩個(gè)常數(shù),且const1>const2>0;
當(dāng)計(jì)算得到的Δτij=0時(shí),就把相應(yīng)的單元暫時(shí)排除在精匹配范圍之外;Δτij≠0時(shí),就把相應(yīng)的單元納入精匹配范圍之內(nèi);這樣,隨著迭代次數(shù)的增加,在精匹配范圍內(nèi)的單元就會(huì)減小,即把相似度小的單元淘汰掉,記在精匹配范圍內(nèi)的單元數(shù)目為Ng;
步驟五更新全局最優(yōu)相似度F_max,以及全局的平均相似度F_mean;公式如下
F_max=max(F(i,j)) (13)
F_mean=(1/K)×∑F(i,j) (14)
其中,K為得到的精匹配范圍中的單元的數(shù)目,F(xiàn)(i,j)是相應(yīng)單元的相似度
步驟六Nc=Nc+1,返回步驟三,直到完成預(yù)定的算法循環(huán)次數(shù)NCmax,或者精匹配中的單元數(shù)目Ng小于設(shè)定閾值T,或者全局最優(yōu)相似度達(dá)到或超過(guò)設(shè)定的相似度F_t;
步驟七進(jìn)行精匹配,尋找最佳匹配位置;
計(jì)算待匹配圖像中的精匹配區(qū)域的所有像素點(diǎn)的相似度,公式為式(6);其中,t(x,y)是目標(biāo)圖像在其坐標(biāo)為(x,y)的灰度值,而(u,v)則是待匹配圖像中精匹配區(qū)域中像素的坐標(biāo),f(u+x,v+y)是待匹配圖像中相應(yīng)坐標(biāo)點(diǎn)的灰度值;
所有像素點(diǎn)都對(duì)應(yīng)一個(gè)相似度,找到其中最大的相似度值對(duì)應(yīng)的那個(gè)像素點(diǎn),以這個(gè)像素點(diǎn)為左上角像素點(diǎn),大小和目標(biāo)圖像一樣的矩形區(qū)域就是最佳的匹配位置;
步驟八結(jié)束,并輸出最優(yōu)結(jié)果。
全文摘要
一種基于自適應(yīng)蟻群智能的空中機(jī)器人視覺(jué)分層匹配方法,步驟如下步驟一確定搜索單元;首先,將待匹配圖像兩次分割成與目標(biāo)圖像大小相同的一塊塊的小圖像其次,計(jì)算各小塊圖像與目標(biāo)圖像的相似度;步驟二初始化參數(shù);步驟三根據(jù)信息素濃度,通過(guò)概率選擇公式,確定是否把某個(gè)單元?dú)w到這次搜索之中;步驟四更新信息素濃度;步驟五更新全局最優(yōu)相似度F_max,以及全局的平均相似度F_mean;步驟六Nc=Nc+1,返回步驟三,直到完成預(yù)定的算法循環(huán)次數(shù)NCmax,或者精匹配中的單元數(shù)目Ng小于設(shè)定閾值T,或者全局最優(yōu)相似度達(dá)到或超過(guò)設(shè)定的相似度F_t;步驟七進(jìn)行精匹配,尋找最佳匹配位置;步驟八結(jié)束,并輸出最優(yōu)結(jié)果。
文檔編號(hào)G06T7/00GK101477689SQ20091007714
公開(kāi)日2009年7月8日 申請(qǐng)日期2009年1月16日 優(yōu)先權(quán)日2009年1月16日
發(fā)明者姚連梅, 段海濱, 帥 邵 申請(qǐng)人:北京航空航天大學(xué)