[发明专利]基于粒子多群优化的多目标检测方法

权利要求书

1.一种基于粒子多群优化的多目标检测方法，其特征在于，包括以下步骤，

a、设置粒子群参数，具体包括：根据目标检测任务情况设定粒子群维数、粒子群规模、最大粒子群数量、粒子群更新速度向量以及最大迭代次数；根据待检测目标的大小设定粒子群排斥以及收敛半径；

b、粒子多群初始化：根据最大粒子群数量及粒子群规模，将各个粒子群粒子随机分布于目标检测的搜索空间内，根据最大速度标量设置各个粒子的初始速度向量；

c、粒子多群循环迭代更新，得到多目标匹配的所有解，具体包括以下步骤：

c1根据每个粒子群最优粒子位置，以及每个群中单个粒子的最优遍历位置权重更新每个粒子的速度向量；

c2粒子群排斥判决：当两个或两个以上的种群内的最优粒子间距离小于粒子群排斥半径时，筛选最差的种群，进行解散并返回步骤b重新初始化；

c3粒子群收敛判定：根据收敛半径，对每一个粒子群中任意两个粒子间距离均小于收敛半径时，则对该粒子群返回步骤b重新初始化；

c4终止条件：当达到最大迭代次数时，终止迭代更新粒子群，并输出各个粒子群的最优粒子，对各个最优粒子进行筛选，得到多目标匹配的所有解。

2.根据权利要求1所述基于粒子多群优化的多目标检测方法，其特征在于，构造步骤a中待检测目标正则化的梯度特征空间，具体包括以下步骤：

d、构造方向梯度图

其中：分别表示x与y向的梯度图，

是一个复数，可以计算其幅度值及其梯度方向，其计算公式如下：

e、构造正则化梯度特征空间

其中：W表示以(x,y)为中心的窗口，通常取55或者7X7，K是一个常数，主要是防止被零除,通常取K＝100。

3.根据权利要求1所述基于粒子多群优化的多目标检测方法，其特征在于，对步骤a中待检测目标图像进行多距离测度，构成一种新的能量函数，这个能量函数表示为：

其中E_N(p,x,y)，E_H(p,x,y)，E_G(p,x,y)分别表示基于去均值的归一化相关系数测量能量函数、基于Hausdorff距离的能量函数、基于局部极大值掩模统计量的能量函数,λ₁，λ₂表示为正实数的拉格朗日乘子，这些参数矢量平衡了各个能量项的权重，在能量函数中，p表示图像变形参数；

仿射条件下，图像的变形模型如下：

这时p＝(a,b,c,d,Δx,Δy)^T。

4.根据权利要求3所述基于粒子多群优化的多目标检测方法，其特征在于，Rigid变形条件下，图像的的变形模型可以简化为：

其中p＝(a,b,c,d,Δx,Δy)^T。

5.根据权利要求3所述基于粒子多群优化的多目标检测方法，其特征在于，对能量函数的局部极值点快速定位，及求解如下优化问题：

其中：_Ω表示解空间的局部窗口。

6.根据权利要求1所述基于粒子多群优化的多目标检测方法，其特征在于，

步骤c1中更新每个粒子的速度向量具体包括以下步骤：

遍历每个粒子群内的每个个体粒子，进行速度更新：

其中w为惯性权重，c1和c2分别为粒子群和个体学习因子和种群学习因子，决定了个体学习的，r1和r2为区间为(0,1)的随机数，vi,d为当前粒子群速度，pbest为个体最优解，gbest为种群最优解，pi,d为当前粒子群位置；

进行位置更新：