一种基于多粒子群算法的图像目标匹配检测方法及系统技术方案

本发明专利技术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。实施本发明专利技术，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。

【技术实现步骤摘要】

本专利技术涉及图像目标匹配检测
，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。
技术介绍
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。
技术实现思路
本专利技术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，本专利技术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，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；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，所述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。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。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，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。本专利技术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，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，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本文档来自技高网...

【技术保护点】
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。

【技术特征摘要】
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。2.如权利要求1所述的方法，其特征在于，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；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。3.如权利要求2所述的方法，其特征在于，所述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。4.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。5.如权利要求4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。6.如权利要求4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，并依序对所述更新位置后...

【专利技术属性】
技术研发人员：黄荣辉，张欣，裴慧坤，李勋，姚森敬，周伟才，于秋则，王红雨，张燕，
申请(专利权)人：深圳供电局有限公司，武汉大学，上海交通大学，
类型：发明
国别省市：广东;44