基于改进PSO算法的隧道目标区域精准匹配方法和系统技术方案

本发明专利技术提供了一种基于改进PSO算法的隧道目标区域精准匹配方法和系统，通过采用SSIM模板匹配技术评估模板与目标图像的相似性，以此从大尺寸的图像中得到精准匹配的目标区域，并采用一个改进的PSO算法，在保证目标区域精准匹配的同时，实现对目标区域的快速处理。并且本发明专利技术所采用的改进PSO算法能够降低PSO算法的早收敛和易陷入局部最优的不足，提高算法的自适应性，时变的认知和社会学习因子能动态调整各学习项在整个搜索过程中幅度；基于自身最优粒子性能的新学习机制丰富了算法的学习策略。略。略。

【技术实现步骤摘要】
基于改进PSO算法的隧道目标区域精准匹配方法和系统


[0001]本专利技术属于隧道机器人巡检
，具体涉及一种基于改进PSO算法的隧道目标区域精准匹配方法和系统。

技术介绍

[0002]模板匹配技术可以用于检测特定物品的有无、是否损坏、位置的偏移，或是检测控制箱的开闭状态、设备运行的状态等。机器人巡检与模板匹配技术相结合，大大减少了工作人员的工作量，同时具备非常高的精确度与可靠性，能及时发现机器人巡检过程中的异常并传输给后台。基于视觉的模板匹配技术可以广泛的应用于生产生活的各行各业。
[0003]在隧道机器人巡检领域，基于模板匹配的方法同样适用。但由于隧道内环境光线、背景复杂，机器人为获取较为清晰的设备、环境图像，采用了高清摄像头。在高分辨率图像上进行基于模板匹配的目标定位，除了需要有良好的匹配准确度之外，目标搜索匹配往往还需要耗费大量的时间。
[0004]近年深度学习逐渐应用于多个领域下的目标检测，不过深度学习方法对图像样本量的需求巨大，且要求图像的特征尽量丰富，以满足算法泛化能力的要求。然而，在许多业务领域或应用场景下，往往无法获取到满足深度学习算法训练要求的数据样本，用少量样本训练得到的模型经常过拟合。

技术实现思路

[0005]有鉴于此，本专利技术旨在解决现有模板匹配或深度学习的方法应用于隧道机器人巡检领域的目标检测时，所存在的上述技术问题。
[0006]为了解决上述技术问题，本专利技术提供以下技术方案：
[0007]本专利技术第一方面提供了一种基于改进PSO算法的隧道目标区域精准匹配方法，包括：
[0008]获取原始图像中的初始粒子坐标；
[0009]计算初始粒子的结构相似性值；
[0010]将根据初始粒子在原始图像中的坐标位置求得的最大的结构相似性值作为最优值，依据改进的PSO算法更新粒子的位置信息，其中，在改进的PSO算法中，采用时变策略调控PSO算法中的学习因子的变化幅度；
[0011]统计适应度大于设定阈值的粒子数目，并记录满足要求的粒子在原始图像中的位置；
[0012]当所统计的粒子数目满足特征点数目时，判断是否找到所有的特征点或是否达到了设定的最大运行步数，若满足条件，则进行后续步骤，否则，则进行计算初始粒子的结构相似性值及其后续步骤；
[0013]将匹配到的特征点在原始图像中进行标记，从而匹配到目标的位置。
[0014]进一步的，依据改进的PSO算法更新粒子的位置信息，具体按照下式进行：
[0015]V
i
(t+1)＝w(t)
×
V
i
(t)+c1(t)
×
r1×
(rand
×
Pbest
i
(t)
‑
X
i
(t))
[0016]+c2(t)
×
r2×
(rand
×
Gbest(t)
‑
X
i
(t))
[0017]其中，w(t)为模板图像，V
i
(t)，V
i
(t+1)分别是第i个粒子在t次迭代和t+1次迭代的速度，c1(t)为自我认知学习因子，c2(t)为社会学习因子，rand为一个随机数，Pbest
i
(t)是粒子的自身最优，Gbest(t)为全局最优。
[0018]进一步的，采用时变策略调控PSO算法中的学习因子的变化幅度，具体按照下式进行：
[0019]c1(t)＝2.5
‑
2*t/maxT
[0020]c2(t)＝0.5+2*t/maxT
[0021]式中，T为最大运行步数。
[0022]进一步的，在改进的PSO算法中，当计数器达到设定阈值时，将对第i个粒子进行重新初始化，其初始化公式为：
[0023]X
i
＝min(Gbest)+rand(1,Dim)*(max(Gbest)
‑
min(Gbest))
[0024]式中，X
i
为第i个粒子。
[0025]进一步的，在改进的PSO算法中，通过随机机制来动态的确定r1和r2是用随机数还是用随用向量，具体公式如下：
[0026][0027][0028]式中，r1和r2为随机变量或向量。
[0029]第二方面，本专利技术提供了一种基于改进PSO算法的隧道目标区域精准匹配系统，包括：
[0030]计算单元，用于获取原始图像中的初始粒子坐标，并计算初始粒子的结构相似性值；
[0031]识别单元，用于将根据初始粒子在原始图像中的坐标位置求得的最大的结构相似性值作为最优值，依据改进的PSO算法更新粒子的位置信息，其中，在改进的PSO算法中，采用时变策略调控PSO算法中的学习因子的变化幅度；
[0032]统计单元，用于统计适应度大于设定阈值的粒子数目，并记录满足要求的粒子在原始图像中的位置；
[0033]判断单元，用于当所统计的粒子数目满足特征点数目时，判断是否找到所有的特征点或是否达到了设定的最大运行步数，若满足条件，则进行后续步骤，否则，则进行计算初始粒子的结构相似性值及其后续步骤；
[0034]标记单元，用于将匹配到的特征点在原始图像中进行标记，从而匹配到目标的位置。
[0035]进一步的，在识别单元中，依据改进的PSO算法更新粒子的位置信息，具体按照下式进行：
[0036]V
i
(t+1)＝w(t)
×
V
i
(t)+c1(t)
×
r1×
(rand
×
Pbest
i
(t)
‑
X
i
(t))
[0037]+c2(t)
×
r2×
(rand
×
Gbest(t)
‑
X
i
(t))
[0038]其中，w(t)为模板图像，V
i
(t)，V
i
(t+1)分别是第i个粒子在t次迭代和t+1次迭代的速度，c1(t)为自我认知学习因子，c2(t)为社会学习因子，rand为一个随机数，Pbest
i
(t)是粒子的自身最优，Gbest(t)为全局最优。
[0039]进一步的，在识别单元中，采用时变策略调控PSO算法中的学习因子的变化幅度，具体按照下式进行：
[0040]c1(t)＝2.5
‑
2*t/maxT
[0041]c2(t)＝0.5+2*t/maxT
[0042]式中，T为最大运行步数。
[0043]进一步的，在改进的PSO算法中，当计数器达到设定阈值时，将对第i个粒子进行重新初始化，其初始化公式为：
[0044]X
i...

【技术保护点】

【技术特征摘要】
1.基于改进PSO算法的隧道目标区域精准匹配方法，其特征在于，包括：获取原始图像中的初始粒子坐标；计算所述初始粒子的结构相似性值；将根据所述初始粒子在原始图像中的坐标位置求得的最大的结构相似性值作为最优值，依据改进的PSO算法更新粒子的位置信息，其中，在所述改进的PSO算法中，采用时变策略调控PSO算法中的学习因子的变化幅度；统计适应度大于设定阈值的粒子数目，并记录满足要求的粒子在原始图像中的位置；当所统计的粒子数目满足特征点数目时，判断是否找到所有的特征点或是否达到了设定的最大运行步数，若满足条件，则进行后续步骤，否则，则进行计算所述初始粒子的结构相似性值及其后续步骤；将匹配到的特征点在原始图像中进行标记，从而匹配到目标的位置。2.根据权利要求1所述的基于改进PSO算法的隧道目标区域精准匹配方法，其特征在于，依据改进的PSO算法更新粒子的位置信息，具体按照下式进行：V
i
(t+1)＝w(t)
×
V
i
(t)+c1(t)
×
r1×
(rand
×
Pbest
i
(t)
‑
X
i
(t))+c2(t)
×
r2×
(rand
×
Gbest(t)
‑
X
i
(t))其中，w(t)为模板图像，V
i
(t)，V
i
(t+1)分别是第i个粒子在t次迭代和t+1次迭代的速度，c1(t)为自我认知学习因子，c2(t)为社会学习因子，rand为一个随机数，Pbest
i
(t)是粒子的自身最优，Gbest(t)为全局最优。3.根据权利要求2所述的基于改进PSO算法的隧道目标区域精准匹配方法，其特征在于，采用时变策略调控PSO算法中的学习因子的变化幅度，具体按照下式进行：c1(t)＝2.5
‑
2*t/maxTc2(t)＝0.5+2*t/maxT式中，T为所述最大运行步数。4.根据权利要求2所述的基于改进PSO算法的隧道目标区域精准匹配方法，其特征在于，在所述改进的PSO算法中，当计数器达到设定阈值时，将对第i个粒子进行重新初始化，其初始化公式为：X
i
＝min(Gbest)+rand(1,Dim)*(max(Gbest)
‑
min(Gbest))式中，X
i
为第i个粒子。5.根据权利要求2所述的基于改进PSO算法的隧道目标区域精准匹配方法，其特征在于，在所述改进的PSO算法中，通过随机机制来动态的确定r1和r2是用随机数还是用随用向量，具体公式如下：量，具体公式如下：式中，r1和r2为随机变量或向量。6.基于改进PSO算法的隧道目标区域精准匹配系统，其特征在于，包括：...

【专利技术属性】
技术研发人员：杨英仪，
申请(专利权)人：南方电网电力科技股份有限公司，
类型：发明
国别省市：