基于粒子多群优化的多目标检测方法技术

本发明专利技术公开了一种基于粒子多群优化的多目标检测方法，包括以下步骤：设置粒子群参数、粒子多群初始化、粒子多群循环迭代更新，得到多目标匹配的所有解。本发明专利技术设计一个多粒子群并行优化方案，每一个粒子群在解空间中围绕着某个单一的局部极值点，该局部极值点对应于某单个目标；为了防止粒子群的聚齐与过早收敛，在发明专利技术中还引入多粒子群的排斥策略算法与防过早收敛策略。本方法能够在一次求解循环中可以有效、快速地对多目标图像进行目标检测与定位，能够达到99％的检测概率与很低的虚警率。

Multiobjective detection method based on particle multigroup optimization

The invention discloses a multi-objective detection method based on particle multigroup optimization, which includes the following steps: setting particle swarm optimization, initialization of particle multigroup and iterative updating of particle multigroup cycle, all solutions of multi target matching are obtained. In this invention, a multi particle swarm optimization scheme is designed. Each particle swarm surrounds a single local extreme point in the solution space. The local extreme point corresponds to a single target. In order to prevent the aggregation and premature convergence of the particle swarm, the multiple particle swarm optimization algorithm and the premature convergence strategy are introduced in the invention. A little. This method can detect and locate multi-target images effectively and quickly in a solution cycle, and can reach 99% detection probability and low false alarm rate.

【技术实现步骤摘要】
基于粒子多群优化的多目标检测方法
本专利技术涉及工业检测图像处理、遥感图像处理、模式识别技术、智能优化及其应用领域，特别是涉及一种基于粒子多群优化的多目标检测方法。
技术介绍
对于海量遥感图像与工业图像，多目标同时检测与定位是遥感图像处理与解译及模式识别的关键技术。是有效利用海量遥感图像的重要应用。这里的多目标是指多个仿射变换下的类似目标(如：工业图像中的多目标、机场中的排列的飞机目标、港口中的排列的油罐、装甲集群等等)。这里的仿射变换条件包括4参数(平移、旋转、尺度、)描述的刚体变换模型(RIGIDTRANSFORM)。传统的图像检测算法分为两类：一类是没有先验知识的目标检测算法，另一类基于模型(模板)先验知识的目标检测算法。但目前算法一般只能检测单一目标，且效率及性能无法满足高维(3维及3维以上)复杂情况，并且满足低计算量的情况下同时检测多目标。在基于模板的目标检测中，有全搜索算法，如基于模板的图像遍历搜索，虽然可以解决多目标的图像检测，但是对于三维或者三维以上(例如刚体变换的四参数平移、角度、尺度；仿射变换的六参数等)的目标检测与定位任务而言进行遍历匹配是不切实际的，因为庞大的计算量，导致了该方法的低性能与适应性差。也有加速算法。在目前的加速目标检测技术(如：传统的FFT快速算法)中，主要目的是解决单一目标的检测，技术上无法适用于多目标的检测与定位。进化优化计算，如：遗传算法，蚁群算法、粒子群(ParticleSwarmOptimization，PSO)算法等是一类新的算法。这类算法建立在随机搜索与多个体协作的基础上。在基于进化算法中，粒子群算法是近年来新的进化算法，它被广泛地应用于多目标方程优化、图像处理、模式识别等领域。作为一种随机性算法，它是一种模仿鸟群或者鱼群搜索食物的生态活动来模拟目标解在解空间的搜索。该方法最早提出于1995年，相比于其它的进化算法，粒子群算法规则，较容易实现；并且粒子群算法收敛速度容易调控，适应性高，多用于复杂动态优化问题求解。。粒子群算法与遗传算法都属于随机搜索算法，通过随机优化来更新种群和搜索最优解，但所不同的是粒子群算法拥有个体和种群的记忆，从而使得每一代的更新不会破坏以前的个体和种群知识。对于单目标粒子群算法可以有效迅速的实现目标识别。对于多目标，单一粒子群并不能有效的进行匹配，并且会重复陷入于一个或多个局部最值。抑制了重复搜索多个最优值的效率和进展。并且单一种群只有群内互动，无法有效储存并行的多目标的知识。
技术实现思路
为了解决上述技术问题，本专利技术提供了一种基于粒子多群优化的多目标检测方法。本专利技术的技术方案如下：一种基于粒子多群优化的多目标检测方法，包括以下步骤，a、设置粒子群参数，具体包括：根据目标检测任务情况设定粒子群维数、粒子群规模、最大粒子群数量、粒子群更新速度向量以及最大迭代次数；根据待检测目标的大小设定粒子群排斥以及收敛半径；b、粒子多群初始化：根据最大粒子群数量及粒子群规模，将各个粒子群粒子随机分布于目标检测的搜索空间内，根据最大速度标量设置各个粒子的初始速度向量；c、粒子多群循环迭代更新，得到多目标匹配的所有解，具体包括以下步骤：c1根据每个粒子群最优粒子位置，以及每个群中单个粒子的最优遍历位置权重更新每个粒子的速度向量；c2粒子群排斥判决：当两个或两个以上的种群内的最优粒子间距离小于粒子群排斥半径时，筛选最差的种群，进行解散并返回步骤b重新初始化；c3粒子群收敛判定：根据收敛半径，对每一个粒子群中任意两个粒子间距离均小于收敛半径时，则对该粒子群返回步骤b重新初始化；c4终止条件：当达到最大迭代次数时，终止迭代更新粒子群，并输出各个粒子群的最优粒子，对各个最优粒子进行筛选，得到多目标匹配的所有解。优选地，构造步骤a中待检测目标正则化的梯度特征空间，具体包括以下步骤：d、构造方向梯度图其中：分别表示x与y向的梯度图，是一个复数，可以计算其幅度值及其梯度方向，其计算公式如下：e、构造正则化梯度特征空间其中：W表示以(x,y)为中心的窗口，通常取55或者7X7，K是一个常数，主要是防止被零除,通常取K＝100。优选地，对步骤a中待检测目标图像进行多距离测度，构成一种新的能量函数，这个能量函数表示为：其中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、基于局部极大值掩模统计量的能量函数,λ1，λ2表示为正实数的拉格朗日乘子，这些参数矢量平衡了各个能量项的权重，在能量函数中，p表示图像变形参数；仿射条件下，图像的变形模型如下：这时p＝(a,b,c,d,Δx,Δy)T。优选地，Rigid变形条件下，图像的的变形模型可以简化为：其中p＝(a,b,c,d,Δx,Δy)T。优选地，对能量函数的局部极值点快速定位，及求解如下优化问题：其中：Ω表示解空间的局部窗口。优选地，步骤c1中更新每个粒子的速度向量具体包括以下步骤：遍历每个粒子群内的每个个体粒子，进行速度更新：其中w为惯性权重，c1和c2分别为粒子群和个体学习因子和种群学习因子，决定了个体学习的，r1和r2为区间为(0,1)的随机数，vi,d为当前粒子群速度，pbest为个体最优解，gbest为种群最优解，pi,d为当前粒子群位置；进行位置更新：本专利技术的有益效果是：1)本专利技术设计一个多粒子群并行优化方案，每一个粒子群在解空间中围绕着某个单一的局部极值点(该局部极值点对应于某单个目标)；为了防止粒子群的聚齐与过早收敛，在专利技术中还引入多粒子群的排斥策略算法与防过早收敛策略。本方法能够在一次求解循环中可以有效、快速地对多目标图像进行目标检测与定位，能够达到99％的检测概率与很低的虚警率。该技术完成全部的目标检测时间复杂性为：总的粒子群的个数与循环次数的乘积；2)相较于传统多目标检测算法，随机性特征让粒子群算法比遍历搜索有更大的速度优势，并且在收敛性的作用下，拥有传统模板匹配算法无法比拟的效果和优势；3)一次扫描能够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；4)本专利技术加入了收敛性以及排斥性的判断，增加了种群之间的互动，相较于单一粒子群，可以抓住并利用更多的搜索信息，从而达到更准确和效率的算法结果；多群粒子群算法可以动态的生成或者消除种群，能够减少不必要的计算量。下面结合附图和具体实施例对本专利技术作进一步描述。附图说明图1为本专利技术优选实施例的流程图；图2为本专利技术优选实施例中步骤c1的流程图；图3为本专利技术优选实施例的目标检测结果图。具体实施方式为了更充分理解本专利技术的
技术实现思路
，下面结合具体实施例对本专利技术的技术方案进一步介绍和说明。如图1至3所示，实验图像包含多个包含平移、角度旋转的晶片作为目标图像，在本例中，目标搜索空间属于三维搜索。搜索图像尺寸为512×768，目标模板尺寸为20×12。一种基于粒子多群优化的多目标检测方法，包含以下具体步骤：a、设置粒子群参数，根据匹配任务，可知搜索空间为三维，由目标个数，最大粒子群数量设定为10，根据图像和模板大小，每个粒子群粒子数量为250，排斥半径为16，收敛半径为32，学习因子c1为1.5，学习因子c2为3，惯性权重w为0.5，最大迭代步数为1000。b、根据本文档来自技高网...

【技术保护点】
1.一种基于粒子多群优化的多目标检测方法，其特征在于，包括以下步骤，a、设置粒子群参数，具体包括：根据目标检测任务情况设定粒子群维数、粒子群规模、最大粒子群数量、粒子群更新速度向量以及最大迭代次数；根据待检测目标的大小设定粒子群排斥以及收敛半径；b、粒子多群初始化：根据最大粒子群数量及粒子群规模，将各个粒子群粒子随机分布于目标检测的搜索空间内，根据最大速度标量设置各个粒子的初始速度向量；c、粒子多群循环迭代更新，得到多目标匹配的所有解，具体包括以下步骤：c1根据每个粒子群最优粒子位置，以及每个群中单个粒子的最优遍历位置权重更新每个粒子的速度向量；c2粒子群排斥判决：当两个或两个以上的种群内的最优粒子间距离小于粒子群排斥半径时，筛选最差的种群，进行解散并返回步骤b重新初始化；c3粒子群收敛判定：根据收敛半径，对每一个粒子群中任意两个粒子间距离均小于收敛半径时，则对该粒子群返回步骤b重新初始化；c4终止条件：当达到最大迭代次数时，终止迭代更新粒子群，并输出各个粒子群的最优粒子，对各个最优粒子进行筛选，得到多目标匹配的所有解。

【技术特征摘要】
1.一种基于粒子多群优化的多目标检测方法，其特征在于，包括以下步骤，a、设置粒子群参数，具体包括：根据目标检测任务情况设定粒子群维数、粒子群规模、最大粒子群数量、粒子群更新速度向量以及最大迭代次数；根据待检测目标的大小设定粒子群排斥以及收敛半径；b、粒子多群初始化：根据最大粒子群数量及粒子群规模，将各个粒子群粒子随机分布于目标检测的搜索空间内，根据最大速度标量设置各个粒子的初始速度向量；c、粒子多群循环迭代更新，得到多目标匹配的所有解，具体包括以下步骤：c1根据每个粒子群最优粒子位置，以及每个群中单个粒子的最优遍历位置权重更新每个粒子的速度向量；c2粒子群排斥判决：当两个或两个以上的种群内的最优粒子间距离小于粒子群排斥半径时，筛选最差的种群，进行解散并返回步骤b重新初始化；c3粒子群收敛判定：根据收敛半径，对每一个粒子群中任意两个粒子间距离均小于收敛半径时，则对该粒子群返回步骤b重新初始化；c4终止条件：当达到最大迭代次数时，终止迭代更新粒子群，并输出各个粒子群的最优粒子，对各个最优粒子进行筛选，得到多目标匹配的所有解。2.根据权利要求1所述基于粒子多群优化的多目标检测方法，其特征在于，构造步骤a中待检测目标正则化的梯度特征空间，具体包括以下步骤：d、构造方向梯度图其中：分别表示x与y向的梯度图，是一个复数，可以计算其幅度值及其梯度方向，其计算公式如下：e、构造正则化梯度特征空间其中：W表示以(x,y)为中心的窗口，通常取55或者7X7，K是一个常...

【专利技术属性】
技术研发人员：于秋则，
申请(专利权)人：武汉大学深圳研究院，
类型：发明
国别省市：广东,44