[发明专利]一种基于改进猫群算法的目标提取与分类的方法

说明书

本发明提供了一种基于改进猫群算法的目标提取与分类的方法。传统的群体智能算法在图像目标提取和分类中复杂度过高，又容易陷入局部最优，产生“早熟”。例如，猫群算法是一种典型的群体智能算法，但是它在大数据的图像处理中，出现运行时间过长，精确性不高的缺点。为此，本发明针对猫群算法的不足，提出了一种改进的猫群算法，我们在算法的跟踪模式中增加了惯性权重系数和加速系数，提高了算法的运行速度，缩短了运行时间。并且将改进的猫群算法应用到目标对象的提取与分类，即：首先输入图像，对图像进行预处理，并将其阈值化为二值图像，提取感兴趣的目标图像，计算目标对象的四个特征，形成新的特征向量，最后运用改进猫群算法进行分类，该方法不仅可以提升运算速度，而且提高目标对象提取与分类的准确性。

技术领域

本发明涉及群体智能与仿生计算和模式识别技术，特别涉及一种基于改进猫群算法的目标提取与分类的方法。该方法在图像识别、模式分类、目标跟踪等领域中有着广泛的应用前景。

背景技术

基于聚类方法的目标对象提取和分类在图像处理与模式识别等领域中的热点和难点。因此，很多学者致力于研究这一热点和难点，同时提出了一系列的聚类算法。例如众所周知的k均值算法(Terada Yoshikazu.Strong Consistency of Reduced K-meansClustering[J].Scandinavian journal of statistics,41(4),2014)等传统聚类算法。但是这样算法有很大的不足，那就是对聚类中心选择敏感，容易过早成熟陷入局部最优。为了克服传统聚类算法的不足，很多模拟动物行为的群体智能算法产生也被用来研究这个问题，比如模拟蚂蚁行为的蚁群算法(Xiong Zi-Yuan,Xu Zhen-Hai.An Innovativesubarray partitioning method for clutter suppression by space-time adaptiveprocessing based on the ant colony optimization[J].IET radar sonar andnavigation,8(9),2014)，模拟鸟行为的粒子群算法(Fan Qin-qin,Yan Xue-feng.Self-adaptive particle swarm optimization with multiple velocity strategies andits application for p-Xylene oxidation reaction process optimization[J].Chemometrics and intelligent laboratory system,139,2014)，模拟蜂群采蜜行为的蜂群算法(Runkler Thomas A.Wasp swarm optimization of the c-means clusteringmodel[J]International journal of intelligent systems,23(3),2008)、模拟鱼群觅食行为的人工鱼群算法(Neshat Mehdi,Sepidnam Ghodrat.Artificial fish swarmalgorithm:a survey of the state-of-the-art,hybridization,combinatorial andindicative applications[J].Artificial intelligent review,42(4),2014)和模拟猫日常行为的猫群算法(P.M.Pradhan.G.Panda.Solving Multi-Objective Problems UsingCat Swarm Optimization[J].Expert Systems with Applications,3(39),2012)等。但是这些算法都存在自身的不足，例如：蚁群算法引入了信息素，加大了算法的时间复杂度，需要较长的搜索时间，并且在搜索过程中容易出现停滞现象；粒子群算在算法后期有可能不能很好地跳出局部最优；猫群算法虽然在函数优化中能取得很好的效果，但是在图像处理中出现速度慢、时间过长的问题。为了解决在图像目标提取和分类中的问题，发明了一种基于改进猫群算法的目标提取与分类的方法。