[發(fā)明專利]基于粒子多群優(yōu)化的多目標(biāo)檢測方法

在審

• 申請?zhí)枺?/td>: 201810147606.6
• 申請日: 2018-02-12
• 公開（公告）號: CN108280509A
• 公開（公告）日: 2018-07-13
• 發(fā)明（設(shè)計）人: 于秋則
• 申請（專利權(quán)）人: 武漢大學(xué)深圳研究院
• 主分類號: G06N3/00
• 分類號: G06N3/00;G06T7/00
• 代理公司: 廣東德而賽律師事務(wù)所 44322
• 代理人: 葉秀進(jìn)

本發(fā)明公開了一種基于粒子多群優(yōu)化的多目標(biāo)檢測方法，包括以下步驟：設(shè)置粒子群參數(shù)、粒子多群初始化、粒子多群循環(huán)迭代更新，得到多目標(biāo)匹配的所有解。本發(fā)明設(shè)計一個多粒子群并行優(yōu)化方案，每一個粒子群在解空間中圍繞著某個單一的局部極值點(diǎn)，該局部極值點(diǎn)對應(yīng)于某單個目標(biāo)；為了防止粒子群的聚齊與過早收斂，在發(fā)明中還引入多粒子群的排斥策略算法與防過早收斂策略。本方法能夠在一次求解循環(huán)中可以有效、快速地對多目標(biāo)圖像進(jìn)行目標(biāo)檢測與定位，能夠達(dá)到99％的檢測概率與很低的虛警率。

技術(shù)領(lǐng)域

本發(fā)明涉及工業(yè)檢測圖像處理、遙感圖像處理、模式識別技術(shù)、智能優(yōu)化及其應(yīng)用領(lǐng)域，特別是涉及一種基于粒子多群優(yōu)化的多目標(biāo)檢測方法。

背景技術(shù)

對于海量遙感圖像與工業(yè)圖像，多目標(biāo)同時檢測與定位是遙感圖像處理與解譯及模式識別的關(guān)鍵技術(shù)。是有效利用海量遙感圖像的重要應(yīng)用。這里的多目標(biāo)是指多個仿射變換下的類似目標(biāo)(如：工業(yè)圖像中的多目標(biāo)、機(jī)場中的排列的飛機(jī)目標(biāo)、港口中的排列的油罐、裝甲集群等等)。這里的仿射變換條件包括4參數(shù)(平移、旋轉(zhuǎn)、尺度、)描述的剛體變換模型(RIGID TRANSFORM)。傳統(tǒng)的圖像檢測算法分為兩類：一類是沒有先驗(yàn)知識的目標(biāo)檢測算法，另一類基于模型(模板)先驗(yàn)知識的目標(biāo)檢測算法。但目前算法一般只能檢測單一目標(biāo)，且效率及性能無法滿足高維(3維及3維以上)復(fù)雜情況，并且滿足低計算量的情況下同時檢測多目標(biāo)。

在基于模板的目標(biāo)檢測中，有全搜索算法，如基于模板的圖像遍歷搜索，雖然可以解決多目標(biāo)的圖像檢測，但是對于三維或者三維以上(例如剛體變換的四參數(shù)平移、角度、尺度；仿射變換的六參數(shù)等)的目標(biāo)檢測與定位任務(wù)而言進(jìn)行遍歷匹配是不切實(shí)際的，因?yàn)辇嫶蟮挠嬎懔浚瑢?dǎo)致了該方法的低性能與適應(yīng)性差。也有加速算法。在目前的加速目標(biāo)檢測技術(shù)(如：傳統(tǒng)的FFT快速算法)中，主要目的是解決單一目標(biāo)的檢測，技術(shù)上無法適用于多目標(biāo)的檢測與定位。

進(jìn)化優(yōu)化計算，如：遺傳算法，蟻群算法、粒子群(Particle Swarm Optimization，PSO)算法等是一類新的算法。這類算法建立在隨機(jī)搜索與多個體協(xié)作的基礎(chǔ)上。在基于進(jìn)化算法中，粒子群算法是近年來新的進(jìn)化算法，它被廣泛地應(yīng)用于多目標(biāo)方程優(yōu)化、圖像處理、模式識別等領(lǐng)域。作為一種隨機(jī)性算法，它是一種模仿鳥群或者魚群搜索食物的生態(tài)活動來模擬目標(biāo)解在解空間的搜索。該方法最早提出于1995年，相比于其它的進(jìn)化算法，粒子群算法規(guī)則，較容易實(shí)現(xiàn)；并且粒子群算法收斂速度容易調(diào)控，適應(yīng)性高，多用于復(fù)雜動態(tài)優(yōu)化問題求解。。粒子群算法與遺傳算法都屬于隨機(jī)搜索算法，通過隨機(jī)優(yōu)化來更新種群和搜索最優(yōu)解，但所不同的是粒子群算法擁有個體和種群的記憶，從而使得每一代的更新不會破壞以前的個體和種群知識。對于單目標(biāo)粒子群算法可以有效迅速的實(shí)現(xiàn)目標(biāo)識別。

對于多目標(biāo)，單一粒子群并不能有效的進(jìn)行匹配，并且會重復(fù)陷入于一個或多個局部最值。抑制了重復(fù)搜索多個最優(yōu)值的效率和進(jìn)展。并且單一種群只有群內(nèi)互動，無法有效儲存并行的多目標(biāo)的知識。

發(fā)明內(nèi)容

為了解決上述技術(shù)問題，本發(fā)明提供了一種基于粒子多群優(yōu)化的多目標(biāo)檢測方法。

本發(fā)明的技術(shù)方案如下：一種基于粒子多群優(yōu)化的多目標(biāo)檢測方法，包括以下步驟，

a、設(shè)置粒子群參數(shù)，具體包括：根據(jù)目標(biāo)檢測任務(wù)情況設(shè)定粒子群維數(shù)、粒子群規(guī)模、最大粒子群數(shù)量、粒子群更新速度向量以及最大迭代次數(shù)；根據(jù)待檢測目標(biāo)的大小設(shè)定粒子群排斥以及收斂半徑；

b、粒子多群初始化：根據(jù)最大粒子群數(shù)量及粒子群規(guī)模，將各個粒子群粒子隨機(jī)分布于目標(biāo)檢測的搜索空間內(nèi)，根據(jù)最大速度標(biāo)量設(shè)置各個粒子的初始速度向量；

c、粒子多群循環(huán)迭代更新，得到多目標(biāo)匹配的所有解，具體包括以下步驟：

c1根據(jù)每個粒子群最優(yōu)粒子位置，以及每個群中單個粒子的最優(yōu)遍歷位置權(quán)重更新每個粒子的速度向量；