申请/专利权人：合肥工业大学

申请日：2020-06-17

公开（公告）日：2023-09-01

公开（公告）号：CN111814839B

主分类号：G06V10/75

分类号：G06V10/75;G06V10/74;G06N3/006

优先权：

专利状态码：有效-授权

法律状态：2023.09.01#授权;2020.11.10#实质审查的生效;2020.10.23#公开

摘要：本发明公开了基于自适应变异的天牛群优化算法的模板匹配方法，属于计算机图像处理技术领域。本发明方法先获取待测图像和目标模板图像的灰度值信息；再将最佳匹配的候选模板图像的可能位置用自适应变异的天牛群优化算法中的个体位置表示，并设定算法参数，在搜索空间内随机初始化天牛群；最后运用自适应变异的天牛群优化算法，寻找搜索空间中最佳匹配的候选模板图像作为模板匹配结果。本发明利用基于自适应变异的天牛群优化算法将历史信息与粒子当前周围信息结合，并引入基于种群聚集度和迭代次数的自适应多维扰动变异方式的特点，提高了模板匹配过程中的收敛速度和匹配精度。

主权项：1.基于自适应变异的天牛群优化算法的模板匹配方法，其特征在于，包括以下具体步骤：S1，获取待测图像和目标模板图像的灰度值信息，根据目标模板图像到待测图像中搜索对应的相匹配的候选模板图像；S2，将相匹配的候选模板图像的位置用自适应变异的天牛群优化算法中的个体位置表示，并设定自适应变异的天牛群优化算法的参数，在搜索空间内随机初始化天牛群；将待测图像的像素大小记为H,W；将目标模板图像的像素大小记为M,N；待测图像和目标模板图像的左上角均记为起点0,0；第t次迭代时，将天牛群中第i个个体的坐标位置用向量表示为第i个个体的速度用向量表示为其中，表示第t次迭代时第i个个体在第1维度的位置信息，表示第t次迭代时第i个个体在第2维度的位置信息，表示第t次迭代时第i个个体在第1维度的速度信息，表示第t次迭代时第i个个体在第2维度的速度信息；每个个体所对应的候选模板图像均从待测图像中截取而得，且候选模板图像与目标模板图像像素大小相同，将第i个个体所对应的候选模板图像的左上角记为起点round·表示四舍五入的取整函数；搜索空间满足下式： 第i个个体的坐标位置和速度的初始化分别为： W-N·rand； 其中，rand为[0，1]之间的随机数；S3，运用自适应变异的天牛群优化算法，寻找搜索空间中最佳匹配的候选模板图像作为模板匹配结果；步骤S3中，包括以下具体步骤：S31，第t次迭代时，群体的最优位置为第i个个体的最优位置为其中，表示第t次迭代时群体最优位置的第1维度信息，表示第t次迭代时群体最优位置的第2维度信息，表示第t次迭代时第i个个体最优位置的第1维度信息，表示第t次迭代时第i个个体最优位置的第2维度信息；下标g表示群体，下标i表示第i个个体，上标表示迭代次数；计算初始时即迭代次数t＝0时的群体最优位置为第i个个体最优位置为其中，f·为待优化函数；I为种群规模；为取得最小值时对应的目标模板图像与待测图像中裁剪得到的候选模板图像之间的归一化相似度为γ，建立待优化函数f·与的归一化相似度γ之间的函数关系为： 其中，Sm,n和Tm,n分别为位置坐标m,n在待测图像和目标模板图像中对应的像素点灰度值；f·∈[0,1]，当候选模板图像和目标模板图像越相似时，待优化函数f·的值越小，反之越大；S32，判断自适应变异的天牛群优化算法是否满足收敛条件，即判断自适应变异的天牛群优化算法是否结束迭代；若最优解Xbest对应的待优化函数值fXbest小于设定阈值或迭代次数t达到最大迭代次数T时，即满足收敛条件，则结束迭代，输出匹配值最优解，自适应变异的天牛群优化算法结束；若最优解Xbest对应的待优化函数值fXbest未小于设定阈值且迭代次数t未达到最大迭代次数T时，即未满足收敛条件，则执行步骤S33；S33，更新个体速度和位置：随机生成第i个个体的标准化方向向量为： 其中，rand1,2为[0,1]的随机数构成的二维向量；将群体最优位置和个体最优位置之间的间距与须长建立函数关系，计算第t次迭代时的第i个个体的须长为： 其中，β为缩放因子；第t次迭代时的第i个个体的左右须长均为计算该第i个个体的左须坐标右须坐标分别为： 第i个个体的速度和位置的更新方法如下所示： 其中，ω为惯性权重；c1、c2均为学习因子，*符号表示具有相同形的两个矩阵的对应元素逐个相乘；速度更新方法中参数即惯性权重ω、缩放因子β的计算方式如下所示： S34，更新个体最优位置和群体最优位置，个体最优位置和群体最优位置的更新方法如下所示： S35，待优化函数最优解Xbest，匹配值最优解Xbest的更新方法如下所示： S36，计算种群标准差σ与变异概率p，种群标准差σ与变异概率p的计算方式如下所示： 其中，σ0为归一化因子，σ0的取值为粒子群初始化时未归一化的种群标准差；ωpσ为变异概率标准差权重；ωpt为变异概率迭代次数权重；b为变异概率偏移常数；为群体质心，的计算方式如下所示： S37，判断是否进行变异操作，若rand＜p时，则执行步骤S38，否则，返回执行步骤S32；S38，对群体最优位置进行扰动变异，随机选取群体最优位置的α％个维度进行随机扰动，第k维度的随机扰动方式如下所示： 其中，A为扰动幅值；randn为服从标准正态分布的随机变量；群体最优位置扰动变异后，返回执行步骤S32。

全文数据：

权利要求：

百度查询： 合肥工业大学 基于自适应变异的天牛群优化算法的模板匹配方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD