專利名稱：一種基于自適應蟻群智能的空中機器人視覺分層匹配方法
技術(shù)領域：
本發(fā)明涉及一種基于自適應蟻群智能(Improved Adaptive Ant ColonyOptimization)的空中機器人視覺分層匹配方法，屬于計算機視覺信息處理領域。
背景技術(shù)：
空中機器人在偵察巡邏、電子干擾、通信中繼、自然災害的監(jiān)視與支援等很多軍事及民用領域具有廣泛的應用價值，一直受到世界各國的普遍重視。其中視覺匹配系統(tǒng)是空中機器人系統(tǒng)組成中極其重要的一部分，在空中機器人完成目標檢測、定位導航等任務過程中起著不可或缺的關(guān)鍵作用，是空中機器人研究的熱點之一。
視覺匹配中對于尺寸很大的搜索圖，圖像相關(guān)匹配的數(shù)據(jù)量和計算量很大，而圖像相關(guān)匹配的計算實時性在一定程度上又決定了該技術(shù)的實用性。因此，和可靠性、精度一樣，圖像匹配的速度也是性能的重要體現(xiàn)。為了加快圖像匹配速度，常用的快速匹配方法主要有兩種一種是減少在非匹配點上的相關(guān)計算總量，如序貫相似性檢測算法；另一種是改進搜索策略以避免不必要的計算，如多分辨率塔形結(jié)構(gòu)算法。研究表明，圖像匹配的速度主要取決于匹配算法的搜索策略。由于傳統(tǒng)匹配算法的基本搜索策略是遍歷性的，為了找到最優(yōu)匹配點，傳統(tǒng)方法均必須在搜索區(qū)域內(nèi)的每一個像素點上進行區(qū)域相關(guān)匹配計算，但除了一個最優(yōu)匹配點外，絕大部分時間都是在非最優(yōu)匹配點上作匹配計算。因此，如果能找到一種有效的搜索策略實現(xiàn)非遍歷性搜索，則圖像匹配速度將大大提高。
蟻群優(yōu)化(Ant Colony Optimization)算法是一種最新發(fā)展的模擬昆蟲王國中螞蟻群體覓食行為的仿生優(yōu)化算法，該算法采用了正反饋并行自催化機制，具有較強的魯棒性、優(yōu)良的分布式計算機制、易于與其他方法結(jié)合等優(yōu)點，在解決許多復雜優(yōu)化問題方面已經(jīng)展現(xiàn)出其優(yōu)異的性能和巨大的發(fā)展?jié)摿Α?br> 蟻群優(yōu)化算法是由螞蟻覓食行為演化來的優(yōu)化算法，螞蟻個體之間是通過一種稱之為信息素(Pheromone)的物質(zhì)進行信息傳遞，從而能相互協(xié)作，完成復雜的任務。螞蟻在運動過程中，在它所經(jīng)過的路徑上會留下一定量的信息素，信息素的強度與路徑長度有關(guān)。并且螞蟻在運動過程中能夠感知路徑上信息素的存在及其強度，并以此指導自己的對路徑的選擇，螞蟻傾向于朝著信息素強度較高的方向移動。因此，由大量螞蟻組成的蟻群的集體行為便表現(xiàn)出一種信息正反饋現(xiàn)象某一路徑上走過的螞蟻越多，則后來者選擇該路徑的概率就越大。螞蟻個體之間就是通過這種信息的交流達到搜索食物的目的。蟻群算法采用了正反饋并行自催化機制，該算法具有較強的魯棒性、優(yōu)良的分布式計算機制、易于與其他方法結(jié)合等優(yōu)點，在解決其他許多復雜優(yōu)化問題方面也已經(jīng)展現(xiàn)出了優(yōu)異的性能和巨大的發(fā)展?jié)摿Α?br> 自然界中，像螞蟻這類社會性動物，單只螞蟻的能力和智力非常簡單，但它們通過相互協(xié)調(diào)、分工、合作完成不論工蟻還是蟻后都不可能有足夠能力來指揮完成的筑巢、覓食、遷徙、清掃蟻穴等復雜行為。螞蟻的食物源總是隨機散布于蟻巢周圍，我們只要仔細觀察就可以發(fā)現(xiàn)，經(jīng)過一段時間后，螞蟻總能找到一條從蟻巢到食物源的最短路徑?？茖W家曾經(jīng)通過“雙橋?qū)嶒灐睂ο伻旱囊捠承袨檫M行了研究。發(fā)現(xiàn)除了能找到巢穴和食物源之間的最短路徑之外，蟻群對環(huán)境有著極強的適應能力。例如當原有的最短路徑由于一個新的障礙物的出現(xiàn)而變得不可行時，蟻群能迅速找到一條新的最短路徑。因此，在現(xiàn)實生活中，我們總可以觀察到大量螞蟻在巢穴與食物源之間形成近乎直線的路徑，而不是曲線或者圓等其它形狀，如圖1(a)所示。螞蟻群體不僅能完成復雜的任務，而且還能適應環(huán)境的變化，如在蟻群運動路線上突然出現(xiàn)障礙物時，一開始各只螞蟻分布是均勻的，不管路徑是否長短，螞蟻總是先按同等概率選擇各條路徑，如圖1(b)所示。螞蟻在運動過程中，能夠在其經(jīng)過的路徑上留下信息素，而且能感知這種物質(zhì)的存在及其強度，并以此指導自己運動的方向，螞蟻傾向于信息素濃度高的方向移動。相等時間內(nèi)較短路徑上的信息量就遺留得比較多，則選擇較短路徑的螞蟻也隨之增多，如圖1(c)所示。不難看出，由于大量螞蟻組成的蟻群集體行為表現(xiàn)出了一種信息正反饋現(xiàn)象，即某一路徑上走過的螞蟻越多，則后來者選擇該路徑的概率就越大，螞蟻個體之間就是通過這種信息交流機制來搜索食物，并最終沿著最短路徑行進，如圖1(d)所示。
蟻群是如何完成這些復雜任務的呢？仿生學家經(jīng)過大量的觀察、研究發(fā)現(xiàn)，螞蟻在尋找食物時，能在其經(jīng)過的路徑上釋放一種螞蟻特有的信息素，使得一定范圍內(nèi)的其他螞蟻能夠感覺到這種物質(zhì)，且傾向于朝該物質(zhì)強度高的方向移動。因此，蟻群的集體行為表現(xiàn)為一種信息正反饋現(xiàn)象某條路徑上經(jīng)過的螞蟻數(shù)越多，其上留下的信息素也就越多(當然，隨時間的推移會逐漸蒸發(fā))，后來螞蟻選擇該路徑的概率也越高，從而更增加了該路徑上信息素的強度。隨著時間的推移，整個蟻群最終會收斂到最短的遍歷路徑上。
蟻群算法最初是用于解決旅行商問題，旅行商問題的簡單形象描述是給定n個城市，有一個旅行商從某一城市出發(fā)，訪問各城市一次且僅有一次后再回到原出發(fā)城市，要求找出一條最短的巡回路徑。
作為一種新興的啟發(fā)式仿生智能優(yōu)化算法，目前人們對蟻群優(yōu)化算法的研究已經(jīng)由當初單一的旅行商問題領域滲透到了多個應用領域，由解決一維靜態(tài)優(yōu)化問題發(fā)展到解決多維動態(tài)組合優(yōu)化問題，由離散域范圍內(nèi)的研究逐漸拓展到了連續(xù)域范圍內(nèi)的研究，而且在蟻群優(yōu)化算法的硬件實現(xiàn)上也取得了很多突破性進展，從而使這種新興的仿生優(yōu)化算法展現(xiàn)出勃勃生機和廣闊的發(fā)展前景。

發(fā)明內(nèi)容
本發(fā)明的目的在于提出一種基于自適應蟻群智能的空中機器人視覺分層匹配方法，以提供一種解決空中機器人視覺匹配問題的有效途徑，也可應用于其它復雜的智能優(yōu)化問題。
該方法利用改進的自適應蟻群算法與歸一化積相關(guān)結(jié)合進行圖像的快速粗匹配，然后進行圖像的精確匹配，從而實現(xiàn)空中機器人的視覺匹配。該方法充分利用了蟻群算法能快速找到準最優(yōu)匹配點的特點。
蟻群算法最初是用于解決旅行商問題(Traveling Salesman Problem，TSP)，旅行商問題的簡單形象描述是給定n個城市，有一個旅行商從某一城市出發(fā)，訪問各城市一次且僅有一次后再回到原出發(fā)城市，要求找出一條最短的巡回路徑。
基本蟻群算法的數(shù)學模型如下 設bi(t)表示t時刻位于元素i的螞蟻數(shù)目，τij(t)為t時刻路徑(i，j)上的信息量，n表示TSP規(guī)模，即城市總數(shù)目，m為蟻群中螞蟻的總數(shù)目，則是t時刻集合C中元素(城市)兩兩連接lij上殘留信息量的集合。在初始時刻各條路徑上信息量相等，并設初始信息量為τij(0)＝const。
螞蟻k(k＝1，2，.....，m)在運動過程中，根據(jù)各條路徑上的信息量決定其轉(zhuǎn)移方向。這里用禁忌表tabuk(k＝1，2，....，m)來記錄螞蟻k當前所走過的城市，集合tabuk隨著進化過程作動態(tài)調(diào)整。
搜索過程中，螞蟻根據(jù)各條路徑上的信息量及路徑的啟發(fā)信息來計算狀態(tài)轉(zhuǎn)移概率。


表示在t時刻螞蟻k由元素(城市)i轉(zhuǎn)移到元素(城市)j的狀態(tài)轉(zhuǎn)移概率 式中，allowedk＝{C-tabuk}表示螞蟻k下一步允許選擇的城市。
α為信息啟發(fā)式因子，表示軌跡的相對重要性，反映了螞蟻在運動過程中所積累的信息在螞蟻運動時所起的作用，其值越大，則該螞蟻越傾向于選擇其它螞蟻經(jīng)過的路徑，螞蟻之間協(xié)作性越強； β為期望啟發(fā)式因子，表示能見度的相對重要性，反映了螞蟻在運動過程中啟發(fā)信息在螞蟻選擇路徑中的受重視程度，其值越大，則該狀態(tài)轉(zhuǎn)移概率越接近于貪心規(guī)則。
ηij(t)為啟發(fā)函數(shù)，其表達式如下 式中，dij表示相鄰兩個城市之間的距離。對螞蟻k而言，dij越小，則ηij(t)越大，

也就越大。顯然，該啟發(fā)函數(shù)表示螞蟻從元素(城市)i轉(zhuǎn)移到元素(城市)j的期望程度。
為了避免殘留信息素過多引起殘留信息淹沒啟發(fā)信息，在每只螞蟻走完一步或者完成對所有n個城市的遍歷(也即一個循環(huán)結(jié)束)后，要對殘留信息進行更新處理。這種更新策略模仿了人類大腦記憶的特點，在新信息不斷存入大腦的同時，存貯在大腦中的舊信息隨著時間的推移逐漸淡化，甚至忘記。
由此，t+n時刻在路徑(i，j)上的信息量可按如下規(guī)則進行調(diào)整 τij(t+n)＝(1-ρ)·τij(t)+Δτij(t) (3) 式中，ρ表示信息素揮發(fā)系數(shù)，則1-ρ表示信息素殘留因子，為了防止信息的無限積累，ρ的取值范圍為 Δτij(t)表示本次循環(huán)中路徑(i，j)上的信息素增量，初始時刻，

表示第k只螞蟻在本次循環(huán)中留在路徑(i，j)上的信息量。
在Ant-Cycle模型中
式中，Q表示信息素強度，它在一定程度上影響算法的收斂速度； Lk表示第k只螞蟻在本次循環(huán)中所走過路徑的總長度。
本發(fā)明是一種基于自適應性蟻群智能的空中機器人視覺分層匹配方法，其具體實現(xiàn)步驟如下(可參見圖2) 步驟一確定搜索單元。
首先，將待匹配圖像兩次分割成與目標圖像大小相同的一塊塊的小圖像第一次，將分割的起始坐標放在待匹配圖像的(1，1)點，如圖3；第二次，將起始坐標放在第一次分割的第一個小圖像的中心坐標處，如圖4。
其次，計算各小塊圖像與目標圖像的相似度。本發(fā)明的相似度計算采用歸一化積相關(guān)匹配算法，歸一化積相關(guān)匹配算法的公式如下 式中，t(x，y)是目標圖像在其坐標為(x，y)的像素點的灰度值，而(u，v)則是待匹配圖像中分割的一個小圖像的左上角的坐標，f(u+x，v+y)是待匹配圖像中相應坐標的像素點的灰度值； 經(jīng)過計算，每一次分割得到的每個小圖像都具有一個自己的與目標圖像的相似度。
顯然，從圖4中可以看到，第二次分割的成的每塊小圖像都和第一次分割出來的四塊相鄰的小圖像有重疊的部分，把這樣的五塊小圖像記為一個單元。再將每個單元中五個小圖像中的最大的相似度作為此單元的相似度。如此，就可以用較少的計算量得到較多的相關(guān)圖像匹配的信息。
步驟二初始化參數(shù)。
使本代的迭代次數(shù)Nc＝1，最大的迭代次數(shù)為Nc_max；本次的螞蟻數(shù)目為m＝1，螞蟻總數(shù)為M(根據(jù)目標圖像的大小來定)；使初始信息素濃度τij＝const，const是一個常數(shù)。
計算全局最優(yōu)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(xiàn)(i，j)為每個單元的相似度。
步驟三根據(jù)信息素濃度，依據(jù)概率選擇公式 當Nc＝1時，Pij＝1； 當Nc≠1時，則Pij的值如下
其中，randm為隨機數(shù)；τmax，τmin分別是信息素濃度的最大值和最小值。
通過概率選擇公式，確定是否把某個單元歸到這次搜索之中，即是否成為搜索單元；當Pij＝1時，就認為這個單元為搜索單元，在搜索的范圍之內(nèi)；這樣M只螞蟻可以在各個搜索單元中隨機搜索，即每只螞蟻隨機地在搜索單元中尋找一個與目標圖像大小相等的小圖像并計算該小圖像與目標圖像的相似度，記為Fm(i，j)，其中下標m表示是此相似度是第m只螞蟻搜索的。從而得到M種結(jié)果，即M個小圖像。
此次搜索完畢后，更新每個搜索單元的相似度F(i，j)，其公式如下 F(i，j)＝max(F(i，j)，F(xiàn)m(i，j)) (10) 式中，分別計算此次搜索中的每個搜索單元的M個小圖像與目標圖像的相似度，記為Fm(i，j)，其中下標m表示是此相似度是第m只螞蟻搜索的；如果搜索單元中有Fm(i，j)大于這個搜索單元的相似度F(i，j)，則讓這個相似度Fm(i，j)作為此單元這一代的相似度F(i，j)。
步驟四更新信息素濃度 本次迭代結(jié)束后，進行信息素更新，其更新規(guī)則如下 τ(t+1)＝ρ·τ(t)+Δτ(t) (11) 其中，ρ是信息素殘留系數(shù)，即每一代過后信息素的殘留。Δτ是信息素濃度增量矩陣，其值用下式進行計算。
其中，F(xiàn)_max為全局最優(yōu)的相似度； F_mean為全局的平均相似度； const1和const2是兩個常數(shù)，且const1>const2>0。
當計算得到的Δτij＝0時，就把相應的單元暫時排除在精匹配范圍之外；Δτij≠0時，就把相應的單元納入精匹配范圍之內(nèi)。這樣，隨著迭代次數(shù)的增加，在精匹配范圍內(nèi)的單元就會減小，即把相似度小的單元淘汰掉，記在精匹配范圍內(nèi)的單元數(shù)目為Ng。
步驟五更新全局最優(yōu)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為得到的精匹配范圍中的單元的數(shù)目，F(xiàn)(i，j)是相應單元的相似度 步驟六Nc＝Nc+1，返回步驟三，直到完成預定的算法循環(huán)次數(shù)NCmax，或者精匹配中的單元數(shù)目Ng小于設定閾值T，或者全局最優(yōu)相似度達到或超過設定的相似度F_t。
一般來說，精匹配中的單元越少，精匹配時計算量越小，但是這樣容易進入局部最優(yōu)，所以限定Ng要大于一個數(shù)這是必要的。
步驟七進行精匹配，尋找最佳匹配位置。
計算待匹配圖像中的精匹配區(qū)域的所有像素點的相似度，公式為式(6)。其中，t(x，y)是目標圖像在其坐標為(x，y)的灰度值，而(u，v)則是待匹配圖像中精匹配區(qū)域中像素的坐標，f(u+x，v+y)是待匹配圖像中相應坐標點的灰度值。
所有像素點都對應一個相似度，找到其中最大的相似度值對應的那個像素點，以這個像素點為左上角像素點，大小和目標圖像一樣的矩形區(qū)域就是最佳的匹配位置。
步驟八算法結(jié)束，并輸出最優(yōu)結(jié)果。
本發(fā)明一種基于自適應蟻群智能的空中機器人視覺分層匹配方法，其優(yōu)點及功效在于應用于空中機器人視覺系統(tǒng)中，能夠快速及準確地在待匹配圖像中找到目標圖像的位置，從而更好地使機器人完成它的任務。


圖1現(xiàn)實中蟻群尋找食物的過程 圖2基于自適應蟻群智能的空中機器人視覺分層匹配的流程 圖3待匹配圖像的第一次分割圖 圖4待匹配圖像的第二次分割圖 圖5蟻群聚類進化曲線 圖中標號及符號說明如下 F_max——本代最高的相似度 F_t——粗匹配階段設定的最高相似度 Ng——本代得到精匹配范圍內(nèi)的搜索單元數(shù)目 T——設定的精匹配的最小的搜索單元數(shù)目 Nc——算法循環(huán)次數(shù) Nc_max——算法最大循環(huán)次數(shù) Y——滿足條件(是) N——不滿足條件(否) 具體實施例方式 下面通過一個具體實施例來驗證本發(fā)明所提出的基于自適應蟻群智能的空中機器人視覺分層匹配方法的性能，所采用的是空中機器人視覺系統(tǒng)所采集的一幅464×956png格式的待匹配圖像和一幅需要空中機器人尋找的目標圖像，其為49×42png格式的圖像，以此作為驗證對象。實驗環(huán)境為1.8Ghz，2G內(nèi)存，MATLAB 7.0版本，其具體實現(xiàn)步驟如下 步驟一將待匹配圖像兩次分割成與目標圖像大小相同的一塊塊的小圖像第一次，將分割的起始坐標放在待匹配圖像的(1，1)點；第二次，將起始坐標放在(25，21)。第一次分割的小圖像中的每四小塊和第二次分割的一塊小圖像作為一個單元，再計算待匹配圖像中各小塊圖像與目標圖像的相似度，公式如下 式中，t(x，y)是目標圖像在其坐標為(x，y)的像素點的灰度值，而(u，v)則是待匹配圖像中分割的一個小圖像的左上角的坐標，f(u+x，v+y)是待匹配圖像中相應坐標的像素點的灰度值； 每個單元中五個小圖像中的最大的相似度作為此單元的相似度。如此，得到了168個單元及其相似度。
步驟二初始化參數(shù)。
使本代的迭代次數(shù)Nc＝1，最大的迭代次數(shù)為Nc_max＝10；螞蟻數(shù)目為m＝1，螞蟻總數(shù)為M＝40；使初始信息素濃度τij＝0.95。
計算全局最優(yōu)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)) F_mean＝mean(F(i，j)) 式中，F(xiàn)(i，j)為每個單元的相似度。
步驟三根據(jù)信息素濃度，依據(jù)概率選擇公式 當Nc＝1時，Pij＝1； 當Nc≠1時，則Pij的值如下
其中，randm為隨機數(shù)；τmax，τmin分別是信息素濃度的最大值和最小值。
通過概率選擇公式，確定是否把某個單元歸到這次搜索之中，即是否成為搜索單元。當Pij＝1時，就認為這個單元為搜索單元，在搜索的范圍之內(nèi)。這樣40只螞蟻可以在各個搜索單元中隨機搜索，即每只螞蟻隨機地在搜索單元中尋找一個與目標圖像大小相等的小圖像并計算該小圖像與目標圖像的相似度，記為Fm(i，j)，其中下標m表示是此相似度是第m只螞蟻搜索的。從而得到40種結(jié)果。
此次搜索完畢后，更新每個搜索單元的相似度F(i，j)，其公式如下 F(i，j)＝max(F(i，j)，F(xiàn)m(i，j)) 式中，分別計算此次搜索中的每個搜索單元的40個小圖像與目標圖像的相似度，記為Fm(i，j)，其中下標m表示是此相似度是第m只螞蟻搜索的；如果搜索單元中有Fm(i，j)大于這個搜索單元的相似度F(i，j)，則讓這個相似度Fm(i，j)作為此單元這一代的相似度F(i，j) 步驟四更新信息素濃度 本次迭代結(jié)束后，進行信息素更新，其更新規(guī)則如下 τ(t+1)＝0.9×τ(t)+Δτ(t) 其中，Δτ是信息素濃度增量矩陣，其值用下式進行計算。
其中，F(xiàn)_max為全局最優(yōu)的相似度； F_mean為全局的平均相似度； 當計算得到的Δτij＝0時，就把相應的單元暫時排除在精匹配范圍之外；Δτij≠0時，就把相應的單元納入精匹配范圍之內(nèi)。記在精匹配范圍內(nèi)的單元數(shù)目為Ng。
步驟五更新全局最優(yōu)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)) F_mean＝(1/K)×∑F(i，j) 其中，K為得到的精匹配范圍中的單元的數(shù)目，F(xiàn)(i，j)是相應單元的相似度 步驟六Nc＝Nc+1，返回步驟三，直到完成預定的算法循環(huán)次數(shù)10，或者精匹配中的單元數(shù)目Ng小于設定閾值T＝[168/6]＝22，或者全局最優(yōu)相似度達到或超過設定的相似度F_t＝0.99。
步驟七進行精匹配。在上述的粗匹配中，得到精匹配單元的數(shù)目為27個。將精匹配區(qū)域，即這27個精匹單元中的像素逐點進行匹配計算，從而得到最大的相似度值為0.995，其相對應的坐標為(101，348)。所以，從(101，348)到(149，389)的矩形區(qū)域是最佳匹配位置。
步驟八算法結(jié)束，并輸出最優(yōu)結(jié)果。
實驗運行結(jié)果分析圖5所給出的F_max進化過程較為平穩(wěn)地趨于一個較優(yōu)值，最后達到穩(wěn)態(tài)收斂，這使得在粗匹配時被納入精匹配搜索的單元都且有較高的相似度，從而提高了匹配的精準性；在精匹配時，從原本要搜索的168個單元到使用本發(fā)明的方法后只要搜索的27個單元，顯然計算量大大減少了由此可見，本發(fā)明的方法的快速性和精準性。
該方法是解決空中機器人視覺匹配問題的有效途徑，可廣泛應用于航空、航天、工業(yè)生產(chǎn)等涉及圖像信息處理的領域。
權(quán)利要求
1、一種基于自適應蟻群智能的空中機器人視覺分層匹配方法，其特征在于該方法具體實現(xiàn)步驟如下
步驟一確定搜索單元；
首先，將待匹配圖像兩次分割成與目標圖像大小相同的一塊塊的小圖像第一次，將分割的起始坐標放在待匹配圖像的(1，1)點；第二次，將起始坐標放在第一次分割的第一個小圖像的中心坐標處；
其次，計算各小塊圖像與目標圖像的相似度；本發(fā)明的相似度計算采用歸一化積相關(guān)匹配算法，歸一化積相關(guān)匹配算法的公式如下
式中，t(x，y)是目標圖像在其坐標為(x，y)的像素點的灰度值，而(u，v)則是待匹配圖像中分割的一個小圖像的左上角的坐標，f(u+x，v+y)是待匹配圖像中相應坐標的像素點的灰度值；
經(jīng)過計算，每一次分割得到的每個小圖像都具有一個自己的與目標圖像的相似度；
第二次分割成的每塊小圖像都和第一次分割出來的四塊相鄰的小圖像有重疊的部分，把這樣的五塊小圖像記為一個單元；再將每個單元中五個小圖像中的最大的相似度作為此單元的相似度，記為F(i，j)，其中，(i，j)表示每個單元中心位置的小圖像左上角的坐標；
步驟二初始化參數(shù)；
使本代的迭代次數(shù)Nc＝1，最大的迭代次數(shù)為Nc_max；本次的螞蟻數(shù)目為m＝1，螞蟻總數(shù)為M；使初始信息素濃度τij＝const，const是一個常數(shù)；
計算全局最優(yōu)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(xiàn)(i，j)為每個單元的相似度；
步驟三根據(jù)信息素濃度，依據(jù)概率選擇公式
當Nc＝1時，Pij＝1；
當Nc≠1時，則Pij的值如下
其中，randm為隨機數(shù)；τmax，τmin分別是信息素濃度的最大值和最小值；
通過概率選擇公式，確定是否把某個單元歸到這次搜索之中，即是否成為搜索單元；當Pij＝1時，就認為這個單元為搜索單元，在搜索的范圍之內(nèi)；這樣M只螞蟻可以在各個搜索單元中隨機搜索，即每只螞蟻隨機地在搜索單元中尋找一個與目標圖像大小相等的小圖像并計算該小圖像與目標圖像的相似度，記為Fm(i，j)，其中下標m表示是此相似度是第m只螞蟻搜索的；從而得到M種結(jié)果，即M個小圖像；
此次搜索完畢后，更新每個搜索單元的相似度F(i，j)，其公式如下
F(i，j)＝max(F(i，j)，F(xiàn)m(i，j)) (10)
式中，分別計算此次搜索中的每個搜索單元的M個小圖像與目標圖像的相似度，記為Fm(i，j)，其中下標m表示是此相似度是第m只螞蟻搜索的；如果搜索單元中有Fm(i，j)大于這個搜索單元的相似度F(i，j)，則讓這個相似度Fm(i,j)作為此單元這一代的相似度F(i，j)；
步驟四更新信息素濃度
本次迭代結(jié)束后，進行信息素更新，其更新規(guī)則如下
τ(t+1)＝ρ·τ(t)+Δτ(t) (11)
其中，ρ是信息素殘留系數(shù)，即每一代過后信息素的殘留；Δτ是信息素濃度增量矩陣，其值用下式進行計算
其中，F(xiàn)_max為全局最優(yōu)的相似度；
F_mean為全局的平均相似度；
const1和const2是兩個常數(shù)，且const1>const2>0；
當計算得到的Δτij＝0時，就把相應的單元暫時排除在精匹配范圍之外；Δτij≠0時，就把相應的單元納入精匹配范圍之內(nèi)；這樣，隨著迭代次數(shù)的增加，在精匹配范圍內(nèi)的單元就會減小，即把相似度小的單元淘汰掉，記在精匹配范圍內(nèi)的單元數(shù)目為Ng；
步驟五更新全局最優(yōu)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為得到的精匹配范圍中的單元的數(shù)目，F(xiàn)(i，j)是相應單元的相似度
步驟六Nc＝Nc+1，返回步驟三，直到完成預定的算法循環(huán)次數(shù)NCmax，或者精匹配中的單元數(shù)目Ng小于設定閾值T，或者全局最優(yōu)相似度達到或超過設定的相似度F_t；
步驟七進行精匹配，尋找最佳匹配位置；
計算待匹配圖像中的精匹配區(qū)域的所有像素點的相似度，公式為式(6)；其中，t(x，y)是目標圖像在其坐標為(x，y)的灰度值，而(u，v)則是待匹配圖像中精匹配區(qū)域中像素的坐標，f(u+x，v+y)是待匹配圖像中相應坐標點的灰度值；
所有像素點都對應一個相似度，找到其中最大的相似度值對應的那個像素點，以這個像素點為左上角像素點，大小和目標圖像一樣的矩形區(qū)域就是最佳的匹配位置；
步驟八結(jié)束，并輸出最優(yōu)結(jié)果。
全文摘要
一種基于自適應蟻群智能的空中機器人視覺分層匹配方法，步驟如下步驟一確定搜索單元；首先，將待匹配圖像兩次分割成與目標圖像大小相同的一塊塊的小圖像其次，計算各小塊圖像與目標圖像的相似度；步驟二初始化參數(shù)；步驟三根據(jù)信息素濃度，通過概率選擇公式，確定是否把某個單元歸到這次搜索之中；步驟四更新信息素濃度；步驟五更新全局最優(yōu)相似度F_max，以及全局的平均相似度F_mean；步驟六Nc＝Nc+1，返回步驟三，直到完成預定的算法循環(huán)次數(shù)NCmax，或者精匹配中的單元數(shù)目Ng小于設定閾值T，或者全局最優(yōu)相似度達到或超過設定的相似度F_t；步驟七進行精匹配，尋找最佳匹配位置；步驟八結(jié)束，并輸出最優(yōu)結(jié)果。
文檔編號G06T7/00GK101477689SQ20091007714
公開日2009年7月8日 申請日期2009年1月16日 優(yōu)先權(quán)日2009年1月16日
發(fā)明者姚連梅, 段海濱, 帥 邵 申請人:北京航空航天大學