[发明专利]基于粒子多群优化的多目标检测方法

说明书

本发明公开了一种基于粒子多群优化的多目标检测方法，包括以下步骤：设置粒子群参数、粒子多群初始化、粒子多群循环迭代更新，得到多目标匹配的所有解。本发明设计一个多粒子群并行优化方案，每一个粒子群在解空间中围绕着某个单一的局部极值点，该局部极值点对应于某单个目标；为了防止粒子群的聚齐与过早收敛，在发明中还引入多粒子群的排斥策略算法与防过早收敛策略。本方法能够在一次求解循环中可以有效、快速地对多目标图像进行目标检测与定位，能够达到99％的检测概率与很低的虚警率。

技术领域

本发明涉及工业检测图像处理、遥感图像处理、模式识别技术、智能优化及其应用领域，特别是涉及一种基于粒子多群优化的多目标检测方法。

背景技术

对于海量遥感图像与工业图像，多目标同时检测与定位是遥感图像处理与解译及模式识别的关键技术。是有效利用海量遥感图像的重要应用。这里的多目标是指多个仿射变换下的类似目标(如：工业图像中的多目标、机场中的排列的飞机目标、港口中的排列的油罐、装甲集群等等)。这里的仿射变换条件包括4参数(平移、旋转、尺度、)描述的刚体变换模型(RIGID TRANSFORM)。传统的图像检测算法分为两类：一类是没有先验知识的目标检测算法，另一类基于模型(模板)先验知识的目标检测算法。但目前算法一般只能检测单一目标，且效率及性能无法满足高维(3维及3维以上)复杂情况，并且满足低计算量的情况下同时检测多目标。

在基于模板的目标检测中，有全搜索算法，如基于模板的图像遍历搜索，虽然可以解决多目标的图像检测，但是对于三维或者三维以上(例如刚体变换的四参数平移、角度、尺度；仿射变换的六参数等)的目标检测与定位任务而言进行遍历匹配是不切实际的，因为庞大的计算量，导致了该方法的低性能与适应性差。也有加速算法。在目前的加速目标检测技术(如：传统的FFT快速算法)中，主要目的是解决单一目标的检测，技术上无法适用于多目标的检测与定位。

进化优化计算，如：遗传算法，蚁群算法、粒子群(Particle Swarm Optimization，PSO)算法等是一类新的算法。这类算法建立在随机搜索与多个体协作的基础上。在基于进化算法中，粒子群算法是近年来新的进化算法，它被广泛地应用于多目标方程优化、图像处理、模式识别等领域。作为一种随机性算法，它是一种模仿鸟群或者鱼群搜索食物的生态活动来模拟目标解在解空间的搜索。该方法最早提出于1995年，相比于其它的进化算法，粒子群算法规则，较容易实现；并且粒子群算法收敛速度容易调控，适应性高，多用于复杂动态优化问题求解。。粒子群算法与遗传算法都属于随机搜索算法，通过随机优化来更新种群和搜索最优解，但所不同的是粒子群算法拥有个体和种群的记忆，从而使得每一代的更新不会破坏以前的个体和种群知识。对于单目标粒子群算法可以有效迅速的实现目标识别。

对于多目标，单一粒子群并不能有效的进行匹配，并且会重复陷入于一个或多个局部最值。抑制了重复搜索多个最优值的效率和进展。并且单一种群只有群内互动，无法有效储存并行的多目标的知识。

发明内容

为了解决上述技术问题，本发明提供了一种基于粒子多群优化的多目标检测方法。

本发明的技术方案如下：一种基于粒子多群优化的多目标检测方法，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；