[发明专利]基于自适应变异的天牛群优化算法的模板匹配方法

权利要求书

1.基于自适应变异的天牛群优化算法的模板匹配方法，其特征在于，包括以下具体步骤：

S1，获取待测图像和目标模板图像的灰度值信息，根据目标模板图像到待测图像中搜索对应的相匹配的候选模板图像；

S2，将相匹配的候选模板图像的位置用自适应变异的天牛群优化算法中的个体位置表示，并设定自适应变异的天牛群优化算法的参数，在搜索空间内随机初始化天牛群；

将待测图像的像素大小记为(H,W)；将目标模板图像的像素大小记为(M,N)；待测图像和目标模板图像的左上角均记为起点(0,0)；

第t次迭代时，将天牛群中第i个个体的坐标位置用向量表示为第i个个体的速度用向量表示为其中，表示第t次迭代时第i个个体在第1维度的位置信息，表示第t次迭代时第i个个体在第2维度的位置信息，表示第t次迭代时第i个个体在第1维度的速度信息，表示第t次迭代时第i个个体在第2维度的速度信息；

每个个体所对应的候选模板图像均从待测图像中截取而得，且候选模板图像与目标模板图像像素大小相同，将第i个个体所对应的候选模板图像的左上角记为起点round(·)表示四舍五入的取整函数；

搜索空间满足下式：

第i个个体的坐标位置和速度的初始化分别为：

(W-N)·rand)；

其中，rand为[0，1]之间的随机数；

S3，运用自适应变异的天牛群优化算法，寻找搜索空间中最佳匹配的候选模板图像作为模板匹配结果；

步骤S3中，包括以下具体步骤：

S31，第t次迭代时，群体的最优位置为第i个个体的最优位置为其中，表示第t次迭代时群体最优位置的第1维度信息，表示第t次迭代时群体最优位置的第2维度信息，表示第t次迭代时第i个个体最优位置的第1维度信息，表示第t次迭代时第i个个体最优位置的第2维度信息；下标g表示群体，下标i表示第i个个体，上标表示迭代次数；

计算初始时即迭代次数t＝0时的群体最优位置为第i个个体最优位置为

其中，f(·)为待优化函数；I为种群规模；为取得最小值时对应的

目标模板图像与待测图像中裁剪得到的候选模板图像之间的归一化相似度为γ，建立待优化函数f(·)与的归一化相似度γ之间的函数关系为：

其中，S(m,n)和T(m,n)分别为位置坐标(m,n)在待测图像和目标模板图像中对应的像素点灰度值；f(·)∈[0,1]，当候选模板图像和目标模板图像越相似时，待优化函数f(·)的值越小，反之越大；

S32，判断自适应变异的天牛群优化算法是否满足收敛条件，即判断自适应变异的天牛群优化算法是否结束迭代；

若最优解X_best对应的待优化函数值f(X_best)小于设定阈值或迭代次数t达到最大迭代次数T时，即满足收敛条件，则结束迭代，输出匹配值最优解，自适应变异的天牛群优化算法结束；

若最优解X_best对应的待优化函数值f(X_best)未小于设定阈值且迭代次数t未达到最大迭代次数T时，即未满足收敛条件，则执行步骤S33；

S33，更新个体速度和位置：

随机生成第i个个体的标准化方向向量为：

其中，rand(1,2)为[0,1]的随机数构成的二维向量；

将群体最优位置和个体最优位置之间的间距与须长建立函数关系，计算第t次迭代时的第i个个体的须长为：

其中，β为缩放因子；第t次迭代时的第i个个体的左右须长均为

计算该第i个个体的左须坐标右须坐标分别为：

第i个个体的速度和位置的更新方法如下所示：

其中，ω为惯性权重；c₁、c₂均为学习因子，*符号表示具有相同形的两个矩阵的对应元素逐个相乘；

速度更新方法中参数即惯性权重ω、缩放因子β的计算方式如下所示：

S34，更新个体最优位置和群体最优位置，个体最优位置和群体最优位置的更新方法如下所示：

S35，待优化函数最优解X_best，匹配值最优解X_best的更新方法如下所示：

S36，计算种群标准差σ与变异概率p，种群标准差σ与变异概率p的计算方式如下所示：

其中，σ₀为归一化因子，σ₀的取值为粒子群初始化时未归一化的种群标准差；ω_pσ为变异概率标准差权重；ω_pt为变异概率迭代次数权重；b为变异概率偏移常数；为群体质心，的计算方式如下所示：

S37，判断是否进行变异操作，若rand＜p时，则执行步骤S38，否则，返回执行步骤S32；

S38，对群体最优位置进行扰动变异，随机选取群体最优位置的α％个维度进行随机扰动，第k维度的随机扰动方式如下所示：

其中，A为扰动幅值；randn为服从标准正态分布的随机变量；

群体最优位置扰动变异后，返回执行步骤S32。