[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

说明书

本发明公开了基于自适应变异的天牛群优化算法的模板匹配方法，属于计算机图像处理技术领域。本发明方法先获取待测图像和目标模板图像的灰度值信息；再将最佳匹配的候选模板图像的可能位置用自适应变异的天牛群优化算法中的个体位置表示，并设定算法参数，在搜索空间内随机初始化天牛群；最后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。本发明利用基于自适应变异的天牛群优化算法将历史信息与粒子当前周围信息结合，并引入基于种群聚集度和迭代次数的自适应多维扰动变异方式的特点，提高了模板匹配过程中的收敛速度和匹配精度。

技术领域

本发明涉及计算机图像处理技术领域，尤其是基于自适应变异的天牛群优化算法的模板匹配方法。

背景技术

根据确认的目标模板图像到待测图像中搜索对应的最佳匹配的候选模板图像的处理过程称为模板匹配，即模板匹配是指根据已知模板图到另一幅图中搜索相匹配的子图像的过程，模板匹配是计算机图像处理技术领域的一项重要技术。模板匹配在智能机器人环境感知、目标跟踪、医学影像分析等众多领域得到广泛应用。随着现代电子信息技术的发展，对模板匹配技术的准确性、快速性提出了越来越高的要求。

近年来，许多研究者针对模板匹配技术性能的提高做了大量的研究。采用逐点遍历的策略计算每一点的相似度固然能保证匹配的高准确度，但是其计算量过大，运行时间长，难以保证实时性，在实时图像处理中不便于运用。部分研究者针对其实时性做出改进，提出了粗精搜索[朱永松,国澄明.基于相关系数的相关匹配算法的研究[J].信号处理,2003(06):531-534.]、乱序匹配[向卫军,韩根甲.基于模板匹配的目标跟踪算法在红外热成像跟踪技术上的应用[J].电子技术应用,2003(05):12-14.]等方法。但是这些方法在运行速度和准确性上仍有较大的提高空间。目前针对模板匹配的改进主要在减少算法运算量和提高匹配精度上。因此，出现了将优化算法运用于模板匹配方法中，例如基于粒子群优化的模板匹配方法[李杰,周浩,张晋,等.基于粒子群优化的模板匹配跟踪算法[J].计算机应用,2015,35(09):2656-2660.]，将优化算法与模板匹配结合能够极大地提高算法的运行速度，但是在寻优过程中容易陷入局部最优，导致无法匹配到最优解。

发明内容

为了克服上述现有技术中的缺陷，本发明提供基于自适应变异的天牛群优化算法的模板匹配方法，利用基于自适应变异的天牛群优化算法将历史信息与粒子当前周围信息结合，并引入基于种群聚集度和迭代次数的自适应多维扰动变异方式的特点，提高了模板匹配过程中的收敛速度和匹配精度。

为实现上述目的，本发明采用以下技术方案，包括：

基于自适应变异的天牛群优化算法的模板匹配方法，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：