[發(fā)明專利]一種側(cè)抑制的隨機(jī)分形搜索模板匹配方法

在審

• 申請?zhí)枺?/td>: 201611239306.8
• 申請日: 2016-12-28
• 公開（公告）號: CN106651924A
• 公開（公告）日: 2017-05-10
• 發(fā)明（設(shè)計(jì)）人: 周永權(quán);張森;羅淇方;黃華娟
• 申請（專利權(quán)）人: 廣西民族大學(xué)
• 主分類號: G06T7/30
• 分類號: G06T7/30;G06T5/00;G06T7/13;G06K9/62
• 代理公司: 北京國坤專利代理事務(wù)所(普通合伙)11491
• 代理人: 姜彥

技術(shù)領(lǐng)域

本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，尤其涉及一種側(cè)抑制的隨機(jī)分形搜索模板匹配方法。

背景技術(shù)

模板匹配是指在目標(biāo)圖像中尋找與給定模板相同或相似區(qū)域的過程，是計(jì)算機(jī)視覺基礎(chǔ)方法之一，并且在面部識別，肺結(jié)節(jié)檢測，筆跡識別和道路檢測等多個領(lǐng)域等到了廣泛的應(yīng)用。模板匹配技術(shù)涉及將模板翻譯成原始圖像中的每個可能的位置，以及評估模板和該位置處的原圖像之間的匹配。模板匹配方法主要分為兩類：基于灰度方法的匹配和基于特征方法的匹配。基于灰度方法的匹配是基于灰度值，通過不同準(zhǔn)則檢測模板與目標(biāo)圖像部分相似性。基于特征方法的匹配通過提取兩幅或多幅圖像的顏色、紋理、形狀等特征，并進(jìn)行描述，然后根據(jù)描述參數(shù)匹配。通過和基于特征方法匹配的比較，基于灰度方法的匹配能夠提供更好的性能，并且有更好的抑制噪聲的能力。在近些年，研究者已經(jīng)轉(zhuǎn)變他們的研究興趣朝向智能算法的應(yīng)用，例如人工蜂群算法(Artificial bee colony,ABC)，和它的變體(internal-feedback artificial bee colony,IFABC)(balance-evolution artificial bee colony,BEABC)，物質(zhì)狀態(tài)搜索算法(States of matter search algorithm,SMS)，和帝國主義競爭算法(imperialist competitive algorithm,ICA)已經(jīng)被提出為模板匹配問題。雖然這些算法旨在減少全局優(yōu)化搜索的計(jì)算量，但它們都不能完全保證推導(dǎo)出次優(yōu)匹配結(jié)果。值得注意的是大多數(shù)群智能算法普遍適應(yīng)于凸函數(shù)或接近凸函數(shù)的優(yōu)化。然而，模板匹配領(lǐng)域包含許多有限的可行的匹配位置。這樣一個離散的函數(shù)是不光滑的，但事實(shí)上它是極端病態(tài)的。換句話說，沿著這個域的解的表面可能出現(xiàn)大幅度的擺動，它嚴(yán)重制約了智能算法的優(yōu)勢。隨機(jī)分形搜索算法(Stochastic fractal search algorithm,SFS)是由H.Salimi提出的一種新的全局優(yōu)化算法，它源于對隨機(jī)分形的模擬。由于SFS算法具有快的收斂速度和高的搜索精度，受到了越來越多的關(guān)注。SFS算法已經(jīng)成功的用于框架結(jié)構(gòu)優(yōu)化問題，目標(biāo)識別，精確軌道優(yōu)化，分布式數(shù)據(jù)庫查詢優(yōu)化等。因此，在基于灰度的模板匹配中為了更好地適應(yīng)匹配過程中可行域搜索空間的離散性和振蕩，同時，為避免在搜索最優(yōu)匹配解的過程中陷入局部最優(yōu)而導(dǎo)致整個群體出現(xiàn)搜索停滯，采用SFS算法搜索匹配的最優(yōu)解。在7個測試圖像上將SFS算法與其他優(yōu)化算法進(jìn)行對比，實(shí)驗(yàn)結(jié)果表明SFS算法能夠更好地解決模板匹配問題。

綜上所述，搜索最優(yōu)匹配解時所帶來的技術(shù)問題是匹配過程中可行域搜索空間的離散性和振蕩，從而使搜索算法易陷入局部最優(yōu)而導(dǎo)致整個群體出現(xiàn)搜索停滯。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種側(cè)抑制的隨機(jī)分形搜索模板匹配方法，旨在解決在搜索最優(yōu)匹配解的過程中陷入局部最優(yōu)而導(dǎo)致整個群體出現(xiàn)搜索停滯，匹配過程中可行域搜索空間的離散性和振蕩，從而使搜索算法易陷入局部最優(yōu)而導(dǎo)致整個群體出現(xiàn)搜索停滯的問題。

本發(fā)明是這樣實(shí)現(xiàn)的，一種側(cè)抑制的隨機(jī)分形搜索模板匹配方法，所述側(cè)抑制的隨機(jī)分形搜索模板匹配方法包括以下步驟：

步驟一，圖像預(yù)處理，導(dǎo)入原圖像和模板圖像(均為RGB形式)，用rgb2gray將它們轉(zhuǎn)化為灰度圖像；運(yùn)用側(cè)抑制機(jī)制對圖像進(jìn)行預(yù)處理，該機(jī)制能有效進(jìn)行背景抑制和目標(biāo)增強(qiáng)，從而減少圖像噪聲，提高信噪比。

步驟二，LI-SFS參數(shù)初始化，初始化種群的規(guī)模N，問題的維度D，最大的迭代次數(shù)MaxFEs，D表示圖像的維度等于2；

步驟三，最大的擴(kuò)散次數(shù)設(shè)置為1；

步驟四，應(yīng)用高斯游走方法解決模板匹配問題；

步驟五，更新搜索個體的位置；在經(jīng)過兩次更新過程之后，獲得最優(yōu)個體。

進(jìn)一步，所述高斯游走過程如下：

GW₁＝Gaussian(μ_BP,σ)+(ε×BP-ε′×P_i)；

GW₂＝Gaussian(μ_P,σ)；

ε和ε'是[0,1]之間的隨機(jī)數(shù)，BP是最優(yōu)粒子的位置；P_i是第i個粒子點(diǎn)。μ_BP，μ_P，σ是高斯參數(shù)，μ_BP等于BP，μ_P等于P_i；標(biāo)準(zhǔn)偏差如下：