[发明专利]一种基于改进蚁群优化算法的运动估计方法

摘要

本发明公开了一种基于改进蚁群优化的运动估计方法，其特征是，包括如下步骤：步骤S1初始化；步骤S2检测禁忌表；步骤S3计算当前点对应的适应度值；步骤S4判断当前点是否为最优点；步骤S5更新残留信息素浓度；步骤S6依据贪婪准则更新解集；步骤S7最差蚂蚁向最优蚂蚁的“翻”操作并依据贪婪准则更新解集；步骤S8检查当前迭代次数是否达到最大迭代次数Tmax；骤S9迭代终止。这种方法能在搜索精度和运算复杂度中达到良好的动态平衡，收敛速度快、运算复杂度低、运动估计精度高。

主权项

1.一种基于改进蚁群优化的运动估计方法，其特征是，包括如下步骤：步骤S1：初始化搜索种群，初始搜索种群由5个固定点和2个随机点组成，随机搜索点i由公式(1)产生：Xij＝xmin+(xmax‑xmin+1)·rand   (1)式中，下标j代表维数，j＝1,2，(xmin,xmax)为搜索区域，xmin为最小搜索边界，xmax为最大搜索边界，rand为[0,1]之间的均匀随机数；步骤S2：以蚂蚁i当前所在位置或邻域点作为当前搜索点并对当前搜索点进行相同点排查，若在禁忌表中已有当前搜索点的记录，则直接获取该点的适应度值，否则，转向步骤S3；步骤S3：计算当前搜索点的适应度值，更新禁忌表并判断当前搜索点的适应度值是否小于阈值ηH，若小于阈值ηH，则提前终止搜索，否则，转向步骤S4，采用绝对误差和(Sum of Absolute Difference,简称SAD)作为块匹配准则，适应度函数CF如公式(2)所示：式中，(x’,y’)为运动矢量，N为宏块的宽和高，fk(m,n)为第k帧图像中点(m,n)的像素值；当SAD≤512时，认为宏块是相似或静止的，以此作为临界点，设阈值ηH为512值，在每轮迭代中将每个搜索点的适应度值与阈值ηH对比，若任一适应度值小于阈值ηH，则提前终止迭代，否则继续搜索；步骤S4：确定蚂蚁i的下一个移动点，首先判断蚂蚁i的当前位置是否自身邻域中的最优点，若是邻域中的最优点，则对蚂蚁i的当前位置进行随机的二维扰动并依据贪婪准则选择下一个移动点，否则，依据公式(3)选取最佳移动点：式中，是蚂蚁i从当前点a移动到点b的转移概率，v为蚂蚁i的搜索邻域，U为当前块的搜索范围，的计算公式如公式(4)所示：式中，为第t轮迭代中所有蚂蚁走过路径(a,b)的残留信息素浓度，η_b(v)是一个启发式因子，表示蚂蚁从当前点a转移到点b的期望程度，η_H为提前终止迭代阈值，α和β分别表示信息素和期望程度的相对重要程度，期望程度η_b(v)可以将候选块与当前块之间的相似性联系起来，将期望程度η_b(v)设为像素点b的适应度值CF_b的倒数，如公式(5)所示：式中，(x’,y’)为点b对应宏块与当前块之间的运动矢量；步骤S5：确定本轮迭代中是否已转移了所有的蚂蚁，若是，则更新残留的信息素浓度，否则转向步骤S2转移下一只蚂蚁，两点间的信息素量是指在某一邻域内中心点与任一邻域点的信息素量，设两点间的起始信息素量残留信息素量在第t+1轮迭代的更新如公式(6)所示：式中，v为蚂蚁i的搜索邻域；ρ(0＜ρ＜1)表示路径上信息素的蒸发系数；Δτab表示第t轮迭代中路径(a,b)的信息素增量，Δτab如公式(7)所示：式中，I为蚂蚁的总量，表示蚂蚁i在第t轮迭代中留在路径(a,b)的信息素量，如果第t轮迭代中蚂蚁i没有经过路径(a,b)，则的值为零，如公式(8)所示：式中，CFa表示蚂蚁i当前所在点的适应度值，CFb表示蚂蚁i下一个移动点的适应度值；步骤S6：对当前全局最优蚂蚁进行一次随机的二维扰动并依据贪婪准则更新解集；步骤S7：对当前全局最差蚂蚁进行一次向最优蚂蚁的“翻”操作并依据贪婪准则更新解集；步骤S8：检查当前迭代次数是否达到最大迭代次数Tmax，如满足，则终止迭代，否则转向步骤S2；步骤S9：迭代终止，最终的全局最优蚂蚁的位置即为最佳运动矢量的位置。