[發明專利]一種基于植物枝根演化行為的無人機目標檢測方法

在審

• 申請號: 201610034597.0
• 申請日: 2016-01-19
• 公開（公告）號: CN105760813A
• 公開（公告）日: 2016-07-13
• 發明（設計）人: 段海濱;李聰;張聰
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G06K9/00
• 分類號: G06K9/00
• 代理公司: 北京慧泉知識產權代理有限公司 11232
• 代理人: 王順榮;唐愛華

1.一種基于植物枝根演化行為的無人機自主目標檢測方法，該方法的步驟如下：

步驟1：獲取航拍圖像

將無人機搭載工業相機，進行實時采集，獲取航拍圖像；

步驟2：計算圖像邊緣勢場

讀取工業相機采集到的圖像，將圖像先轉化為灰度圖并進行中值濾波，再利用sobel算子提取圖像邊緣，最后計算出圖像的邊緣勢場，如式(1)所示：

EPF(x,y)=Qeq(xi,yi)4πϵeqΣ(xi,yi)∈W1(x-xi)2+(y-yi)2---(1)]]>

式(1)中ε_eq的取值與圖片背景環境相關，Q_eq(x_i,y_i)為每個邊緣點的等效電荷數，x_i和y_i分別代表每個邊緣點在圖像中的橫坐標和縱坐標；EPF(x,y)為原圖像坐標為(x,y)處的邊緣勢函數值；因此，圖像中每個像素點的邊緣勢場由圖像的邊緣圖按式(1)得到；

步驟3：初始化枝根搜索優化方法參數

步驟3.1初始化優化參數維數D

用枝根搜索優化方法在二維圖像中尋找目標，利用matlab程序對目標進行尺度為0.8-1.2倍的縮放操作和0-360度的旋轉操作，再將目標圖像的左上角像素點代入到邊緣勢場函數中，找到邊緣勢場函數值最大的地方，即目標在圖像中所處的位置；

步驟3.2初始化種群數量N_pop

種群數量N_pop對群智能優化算法的優化效果有影響；當種群數量超過100時，枝根搜索優化方法收斂速度快但計算代價高；當種群數量少于100時枝根搜索優化方法陷入局部收斂；通過設置不同的種群數量，對比試驗結果，選擇出合適的種群數量；

步驟3.3初始化種群位置

需要隨機初始化種群在解空間中的位置；設X_l為解空間的下限集合，X_u為解空間的上限集合，則種群中的每個個體按下式進行初始化：

X_i＝X_l+rand·(X_u-X_l)(2)

式中，rand為0到1之間的隨機數；

步驟3.4設置枝根搜索優化方法固定參數

枝根搜索優化方法由匍匐枝搜索算子與根部搜索算子組成；在匍匐枝搜索算子中，植物通過生長出新的匍匐枝進行繁殖生長，在D維空間里，第i個植物的位置信息X_i每一代更新一次，具體的更新準則如下式所示：

X_daughter(t)＝X_mother(t)+d_runner×r₁(3)

d_runner＝x_u-x_l(4)

式中，X_mother(t)代表經過第t次迭代過程后中第i個植物在D維空間中的位置，d_runner代表母株與子株的最大距離，取自變量的變換范圍，r₁代表0到1的隨機數，X_daughter(t)為植物經過匍匐枝繁殖生成的子代個體，x_u為自變量的上界值，x_l為自變量的下界值；為了減少算法的計算代價，當第t代子株的適應度函數好于第t-1代子株的適應度函數時，不用進行根部局部搜索，對于函數最小值優化問題，判斷準則如公式(3)所示：

|minf(xdaughter(t))-minf(xdaughter(t-1))minf(xdaughter(t-1))|≥tol---(5)]]>

式中，tol為枝根搜索優化方法提前設置好的一個閾值，設置為一個小于1的數；minf(x_daughter(t))為第t次迭代的最佳子株，minf(x_daughter(t-1))為第t-1次迭代的最佳子株，若不滿足式(5)則進行匍匐枝局部搜索；

x_perturbed,k＝diag(1,1,...,1+d_runnern_k,1,...,1)*x_{daughter,best}(t)(6)

由式(6)看出，匍匐枝局部搜索方式為對子株的一維進行擾到后得到擾動子株，其中n_k為均值為0，方差為1的隨機數；x_perturbed,k為擾到子株，x_{daughter,best}(t)為經過t次迭代后最優子株值，若擾動子株適應度函數值優于最優子株的適應度函數值，則最優子株為擾動子株；

由式(3)看出，母株與子株的最大距離d_runner的大小直接控制了匍匐枝搜索算子的搜索幅度，將d_runner取為自變量的范圍；

在植物生長出子株后，每個子株的根部會對當前區域進行局部搜索，找到水資源與礦物質最豐富的位置，根部搜索公式如(7)所示：

x_perturbed,k＝diag(1,1,...,1+d_rootn_k,1,...,1)*x_{daughter,best}(t)(7)

在式(7)中，d_root為根搜索范圍，設為小于1的數，若局部搜索后的擾動個體的適應度函數值優于最佳子株的適應度函數值，則將最佳子株替換為擾動子株；

進行完上述兩個基本算子后，枝根搜索優化方法將這一代的最佳子株作為下一代第一個母株，下一輪迭代過程中的其余母株由當前子株通過輪盤賭方式生成；通過不斷地進行迭代更新，直到滿足停止迭代的條件，枝根搜索優化方法得到目標在采集圖像中的最佳位置；

步驟3.5設置枝根搜索優化方法迭代次數

當枝根搜索優化方法迭代次數少，會使枝根搜索優化方法沒有達到最佳值則停止；當迭代次數大時，枝根搜索優化方法早已收斂；所以應先分析其平均收斂速度，再設置枝根搜索方法的迭代次數；

步驟4：設計代價函數

計算出目標圖像邊緣在采集圖像產生的邊緣勢場中產生的勢函數值，計算公式如下式(8)所示：

fitness(Xi)=1NΣi=1N{EPF(xi,yi)}---(8)]]>

式中N為目標邊緣與采集圖像邊緣重合的像素總數，通過式(1)與式(8)求得代價函數值；

步驟5：利用匍匐枝搜索算子與根部搜索算子尋優

利用初始化的群體和歷史群體的位置，根據式(3)和式(4)對當前群體進行匍匐枝搜索算子進行尋優操作；為了減少枝根搜索優化方法的計算代價，當第t代子株的代價函數滿足式(5)，則不進行匍匐枝局部搜索，反之則根據式(6)進行匍匐枝局部搜索得到擾動子株，若擾動子株代價函數值優于最優子株的代價函數值，則將最優子株替換為擾動子株；

根據式(7)對進行根部局部搜索，若局部搜索后的擾動個體的代價函數值優于最佳子株的代價函數值，則將最佳子株替換為擾動子株；

進行完匍匐枝搜索算子與根部搜索算子尋優后，枝根搜索優化方法將這一代的最佳子株作為下一代第一個母株，下一輪迭代過程中的母株由當前子株通過輪盤賭方式生成；整個算法不斷地進行迭代更新，當運行次數大于算法設定的最大迭代次數時，停止尋優過程；

步驟6：儲存優化結果并驗證

當枝根搜索優化方法停止尋優后，選取出全局最優值對應的個體，將此結果保存，得到最終的目標檢測結果，并保存下尋優過程的迭代曲線。