[发明专利]一种基于植物枝根演化行为的无人机目标检测方法

摘要

一种基于植物枝根演化行为的无人机自主目标检测方法，该方法的步骤如下：步骤一：获取航拍图像；步骤二：计算图像边缘势场；步骤三：初始化枝根搜索优化方法参数；步骤四：设计代价函数；步骤五：利用匍匐枝搜索算子与根部搜索算子寻优；步骤六：储存优化结果并验证。在给定目标图像的前提下，可以利用本方法找出目标图像在采集图像中的位置。本具有较强的准确性和鲁棒性，对实现无人机的态势评估和自主决策提供基础。

主权项

一种基于植物枝根演化行为的无人机自主目标检测方法，该方法的步骤如下：步骤1：获取航拍图像将无人机搭载工业相机，进行实时采集，获取航拍图像；步骤2：计算图像边缘势场读取工业相机采集到的图像，将图像先转化为灰度图并进行中值滤波，再利用sobel算子提取图像边缘，最后计算出图像的边缘势场，如式(1)所示：$EPF(x,y)=\frac{Q_{eq}(x_i,y_i)}{4{\mathrm{\π\ϵ}}_{eq}}\underset{(x_i,y_i)\∈W}{\Σ}\frac{1}{\sqrt{{(x-x_i)}^2+{(y-y_i)}^2}}---\left(1\right)$式(1)中ε_eq的取值与图片背景环境相关，Q_eq(x_i,y_i)为每个边缘点的等效电荷数，x_i和y_i分别代表每个边缘点在图像中的横坐标和纵坐标；EPF(x,y)为原图像坐标为(x,y)处的边缘势函数值；因此，图像中每个像素点的边缘势场由图像的边缘图按式(1)得到；步骤3：初始化枝根搜索优化方法参数步骤3.1初始化优化参数维数D用枝根搜索优化方法在二维图像中寻找目标，利用matlab程序对目标进行尺度为0.8‑1.2倍的缩放操作和0‑360度的旋转操作，再将目标图像的左上角像素点代入到边缘势场函数中，找到边缘势场函数值最大的地方，即目标在图像中所处的位置；步骤3.2初始化种群数量N_pop种群数量N_pop对群智能优化算法的优化效果有影响；当种群数量超过100时，枝根搜索优化方法收敛速度快但计算代价高；当种群数量少于100时枝根搜索优化方法陷入局部收敛；通过设置不同的种群数量，对比试验结果，选择出合适的种群数量；步骤3.3初始化种群位置需要随机初始化种群在解空间中的位置；设X_l为解空间的下限集合，X_u为解空间的上限集合，则种群中的每个个体按下式进行初始化：X_i＝X_l+rand·(X_u‑X_l)      (2)式中，rand为0到1之间的随机数；步骤3.4设置枝根搜索优化方法固定参数枝根搜索优化方法由匍匐枝搜索算子与根部搜索算子组成；在匍匐枝搜索算子中，植物通过生长出新的匍匐枝进行繁殖生长，在D维空间里，第i个植物的位置信息X_i每一代更新一次，具体的更新准则如下式所示：X_daughter(t)＝X_mother(t)+d_runner×r₁     (3)d_runner＝x_u‑x_l        (4)式中，X_mother(t)代表经过第t次迭代过程后中第i个植物在D维空间中的位置，d_runner代表母株与子株的最大距离，取自变量的变换范围，r₁代表0到1的随机数，X_daughter(t)为植物经过匍匐枝繁殖生成的子代个体，x_u为自变量的上界值，x_l为自变量的下界值；为了减少算法的计算代价，当第t代子株的适应度函数好于第t‑1代子株的适应度函数时，不用进行根部局部搜索，对于函数最小值优化问题，判断准则如公式(3)所示：$\left|\frac{\min f\left(x_{daughter}\right(t\left)\right)-\min f\left(x_{daughter}\right(t-1\left)\right)}{\min f\left(x_{daughter}\right(t-1\left)\right)}\right|\≥tol---\left(5\right)$式中，tol为枝根搜索优化方法提前设置好的一个阈值，设置为一个小于1的数；min f(x_daughter(t))为第t次迭代的最佳子株，min f(x_daughter(t‑1))为第t‑1次迭代的最佳子株，若不满足式(5)则进行匍匐枝局部搜索；x_perturbed,k＝diag(1,1,...,1+d_runnern_k,1,...,1)*x_{daughter,best}(t)      (6)由式(6)看出，匍匐枝局部搜索方式为对子株的一维进行扰到后得到扰动子株，其中n_k为均值为0，方差为1的随机数；x_perturbed,k为扰到子株，x_{daughter,best}(t)为经过t次迭代后最优子株值，若扰动子株适应度函数值优于最优子株的适应度函数值，则最优子株为扰动子株；由式(3)看出，母株与子株的最大距离d_runner的大小直接控制了匍匐枝搜索算子的搜索幅度，将d_runner取为自变量的范围；在植物生长出子株后，每个子株的根部会对当前区域进行局部搜索，找到水资源与矿物质最丰富的位置，根部搜索公式如(7)所示：x_perturbed,k＝diag(1,1,...,1+d_rootn_k,1,...,1)*x_{daughter,best}(t)     (7)在式(7)中，d_root为根搜索范围，设为小于1的数，若局部搜索后的扰动个体的适应度函数值优于最佳子株的适应度函数值，则将最佳子株替换为扰动子株；进行完上述两个基本算子后，枝根搜索优化方法将这一代的最佳子株作为下一代第一个母株，下一轮迭代过程中的其余母株由当前子株通过轮盘赌方式生成；通过不断地进行迭代更新，直到满足停止迭代的条件，枝根搜索优化方法得到目标在采集图像中的最佳位置；步骤3.5设置枝根搜索优化方法迭代次数当枝根搜索优化方法迭代次数少，会使枝根搜索优化方法没有达到最佳值则停止；当迭代次数大时，枝根搜索优化方法早已收敛；所以应先分析其平均收敛速度，再设置枝根搜索方法的迭代次数；步骤4：设计代价函数计算出目标图像边缘在采集图像产生的边缘势场中产生的势函数值，计算公式如下式(8)所示：$fitness\left(X_i\right)=\frac{1}{N}\underset{i=1}{\overset{N}{\Σ}}\left\{EPF(x_i,y_i)\right\}---\left(8\right)$式中N为目标边缘与采集图像边缘重合的像素总数，通过式(1)与式(8)求得代价函数值；步骤5：利用匍匐枝搜索算子与根部搜索算子寻优利用初始化的群体和历史群体的位置，根据式(3)和式(4)对当前群体进行匍匐枝搜索算子进行寻优操作；为了减少枝根搜索优化方法的计算代价，当第t代子株的代价函数满足式(5)，则不进行匍匐枝局部搜索，反之则根据式(6)进行匍匐枝局部搜索得到扰动子株，若扰动子株代价函数值优于最优子株的代价函数值，则将最优子株替换为扰动子株；根据式(7)对进行根部局部搜索，若局部搜索后的扰动个体的代价函数值优于最佳子株的代价函数值，则将最佳子株替换为扰动子株；进行完匍匐枝搜索算子与根部搜索算子寻优后，枝根搜索优化方法将这一代的最佳子株作为下一代第一个母株，下一轮迭代过程中的母株由当前子株通过轮盘赌方式生成；整个算法不断地进行迭代更新，当运行次数大于算法设定的最大迭代次数时，停止寻优过程；步骤6：储存优化结果并验证当枝根搜索优化方法停止寻优后，选取出全局最优值对应的个体，将此结果保存，得到最终的目标检测结果，并保存下寻优过程的迭代曲线。