一种基于自适应蚁群智能的空中机器人视觉分层匹配方法

摘要

一种基于自适应蚁群智能的空中机器人视觉分层匹配方法，步骤如下：步骤一：确定搜索单元；首先，将待匹配图像两次分割成与目标图像大小相同的一块块的小图像：其次，计算各小块图像与目标图像的相似度；步骤二：初始化参数；步骤三：根据信息素浓度，通过概率选择公式，确定是否把某个单元归到这次搜索之中；步骤四：更新信息素浓度；步骤五：更新全局最优相似度F_max，以及全局的平均相似度F_mean；步骤六：Nc＝Nc+1，返回步骤三，直到完成预定的算法循环次数N_Cmax，或者精匹配中的单元数目Ng小于设定阈值T，或者全局最优相似度达到或超过设定的相似度F_t；步骤七：进行精匹配，寻找最佳匹配位置；步骤八：结束，并输出最优结果。

主权项

1、一种基于自适应蚁群智能的空中机器人视觉分层匹配方法，其特征在于：该方法具体实现步骤如下：步骤一：确定搜索单元；首先，将待匹配图像两次分割成与目标图像大小相同的一块块的小图像：第一次，将分割的起始坐标放在待匹配图像的(1，1)点；第二次，将起始坐标放在第一次分割的第一个小图像的中心坐标处；其次，计算各小块图像与目标图像的相似度；本发明的相似度计算采用归一化积相关匹配算法，归一化积相关匹配算法的公式如下：$F(u,v)=\frac{\underset{x,y}{\Sigma }f(u+x,v+y)t(x,y)}{\sqrt{\underset{x,y}{\Sigma }{f}^2(u+x,v+y)}\sqrt{\underset{x,y}{\Sigma }{t}^2(x,y)}}---\left(6\right)$式中，t(x，y)是目标图像在其坐标为(x，y)的像素点的灰度值，而(u，v)则是待匹配图像中分割的一个小图像的左上角的坐标，f(u+x，v+y)是待匹配图像中相应坐标的像素点的灰度值；经过计算，每一次分割得到的每个小图像都具有一个自己的与目标图像的相似度；第二次分割成的每块小图像都和第一次分割出来的四块相邻的小图像有重叠的部分，把这样的五块小图像记为一个单元；再将每个单元中五个小图像中的最大的相似度作为此单元的相似度，记为F(i，j)，其中，(i，j)表示每个单元中心位置的小图像左上角的坐标；步骤二：初始化参数；使本代的迭代次数Nc＝1，最大的迭代次数为Nc_max；本次的蚂蚁数目为m＝1，蚂蚁总数为M；使初始信息素浓度τ_ij＝const，const是一个常数；计算全局最优的相似度F_max和全局的平均相似度F_mean，如下所示：F_max＝max(F(i，j))              (7)F_mean＝mean(F(i，j))             (8)式中，F(i，j)为每个单元的相似度；步骤三：根据信息素浓度，依据概率选择公式当Nc＝1时，P_ij＝1；当Nc≠1时，则P_ij的值如下：其中，randm为随机数；τ_max，τ_min分别是信息素浓度的最大值和最小值；通过概率选择公式，确定是否把某个单元归到这次搜索之中，即是否成为搜索单元；当P_ij＝1时，就认为这个单元为搜索单元，在搜索的范围之内；这样M只蚂蚁可以在各个搜索单元中随机搜索，即每只蚂蚁随机地在搜索单元中寻找一个与目标图像大小相等的小图像并计算该小图像与目标图像的相似度，记为F_m(i，j)，其中下标m表示是此相似度是第m只蚂蚁搜索的；从而得到M种结果，即M个小图像；此次搜索完毕后，更新每个搜索单元的相似度F(i，j)，其公式如下：F(i，j)＝max(F(i，j)，F_m(i，j))           (10)式中，分别计算此次搜索中的每个搜索单元的M个小图像与目标图像的相似度，记为F_m(i，j)，其中下标m表示是此相似度是第m只蚂蚁搜索的；如果搜索单元中有F_m(i，j)大于这个搜索单元的相似度F(i，j)，则让这个相似度F_m(i,j)作为此单元这一代的相似度F(i，j)；步骤四：更新信息素浓度本次迭代结束后，进行信息素更新，其更新规则如下：τ(t+1)＝ρ·τ(t)+Δτ(t)               (11)其中，ρ是信息素残留系数，即每一代过后信息素的残留；Δτ是信息素浓度增量矩阵，其值用下式进行计算：${\mathrm{\Delta \tau }}_{\mathrm{ij}}=\left\{\begin{array}{cc}\mathrm{const}1& \mathrm{if\; F}(i,j)\ge F\_\max \\ \mathrm{const}2& \mathrm{if\; F}\_\mathrm{mean}\le F(i,j)<F\_\max \\ 0& \mathrm{else}\end{array}\right.---\left(12\right)$其中，F_max为全局最优的相似度；F_mean为全局的平均相似度；const1和const2是两个常数，且const1>const2>0；当计算得到的Δτ_ij＝0时，就把相应的单元暂时排除在精匹配范围之外；Δτ_ij≠0时，就把相应的单元纳入精匹配范围之内；这样，随着迭代次数的增加，在精匹配范围内的单元就会减小，即把相似度小的单元淘汰掉，记在精匹配范围内的单元数目为Ng；步骤五：更新全局最优相似度F_max，以及全局的平均相似度F_mean；公式如下：F_max＝max(F(i，j))         (13)F_mean＝(1/K)×∑F(i，j)               (14)其中，K为得到的精匹配范围中的单元的数目，F(i，j)是相应单元的相似度步骤六：Nc＝Nc+1，返回步骤三，直到完成预定的算法循环次数N_Cmax，或者精匹配中的单元数目Ng小于设定阈值T，或者全局最优相似度达到或超过设定的相似度F_t；步骤七：进行精匹配，寻找最佳匹配位置；计算待匹配图像中的精匹配区域的所有像素点的相似度，公式为式(6)；其中，t(x，y)是目标图像在其坐标为(x，y)的灰度值，而(u，v)则是待匹配图像中精匹配区域中像素的坐标，f(u+x，v+y)是待匹配图像中相应坐标点的灰度值；所有像素点都对应一个相似度，找到其中最大的相似度值对应的那个像素点，以这个像素点为左上角像素点，大小和目标图像一样的矩形区域就是最佳的匹配位置；步骤八：结束，并输出最优结果。