[发明专利]一种基于人工蜂群优化边缘势场函数无人机目标识别方法

摘要

一种基于人工蜂群优化边缘势场函数无人机目标识别方法，其实施步骤为：步骤一：图像预处理；步骤二：计算待匹配图像的边缘势场分布；步骤三：初始化人工蜂群算法参数；步骤四：根据待匹配图像的边缘势场分布，计算各雇佣蜂个体的适应度函数值；步骤五：待工蜂按照概率选择有较优适应度值的雇佣蜂作为引领蜂，并在其周围空间搜索蜜源，并计算相应的适应度值；步骤六：按照贪婪选择法，更新雇佣蜂的位置；步骤七：雇佣蜂在其周围重新寻找新的蜜源；步骤八：迭代次数加1，跳转至步骤4继续运行，直到达到所设定的最大迭代次数，算法结束，并输出最优结果。该方法有效地提高了无人机目标识别的可靠度和精确度。

主权项

1.一种基于人工蜂群优化边缘势场函数无人机目标识别方法，其特征在于：该方法的实现步骤如下：步骤一：图像预处理，主要包括：(1)图像的读取并转换为灰度图像对于不同格式的图像先都转换为灰度图像再进行边缘检测；(2)中值滤波去噪声采用中值滤波方法，对得到的灰度图进行滤波操作，从而滤去噪声，减轻图像边缘检测时噪声的影响，中值滤波经验证对于椒盐噪声和高斯噪声均能有很好的抑制效果；(3)利用canny算子对待匹配图像进行边缘检测步骤二：根据预处理得到的待匹配目标图像的二值分布，利用边缘势场函数模型，图像中某个像素点的边缘势场等于各个边缘点对这一点产生的边缘势场之和，EPF(x,y)=14πϵeqΣiQeq(xi,yi)(x-xi)2+(y-yi)2---(1)]]>计算得到待匹配图像各点的边缘势场分布；其中，(x，y)为图像中的某个像素点的坐标，(x_i，y_i)为图像边缘中第i点的坐标，ε_eq是与图像背景有关的常量，Q_eq(x_i，y_i)表示第i个边缘点所带的等价电荷，在本方法中，我们定义各个边缘点所带电荷相等，为一常量；步骤三：初始化人工蜂群算法参数；蜂群的总数为Popsize，其中采蜜蜂的总数为Num_employed，待工蜂的总数为Num_unemployed，满足条件Popsize＝Num_employed+Num_unemployed，最大搜索次数Limit，本次迭代次数为T，最大迭代次数为Tmax，初始化几何变换参数的雇佣蜂种群，几何变换参数包括：水平平移t_x、垂直平移t_y、旋转角度angle和缩放比例scale，初始化各蜜蜂搜索次数Bas＝0；步骤四：根据雇佣蜂种群中的各几何参数数值，计算出各雇佣蜂个体根据给定相似度函数得到的适应度值，给定相似度函数为：f(ck)=1N(ck)Σn(ck)=1N(ck){EPF(xnck,ynck)}---(2)]]>其中，c_k表示第k代的几何参数，几何操作向量c＝(t_x，t_y，angle，scale)，为了简化操作操作，令水平和垂直缩放比例相等，均为scale；表示掩膜图像边缘在几何操作算子c_k的情况下，图像轮廓所包含的边缘点总数；表示第n个边缘点；由上述函数的表达式可知，f(c_k)表示在目标图像中沿掩膜图像的边缘轮廓计算总边缘势场的平均值；当适应度函数f(c_k)取得最大值时，表示在所有可能的几何操作下，得到匹配度最高一种解；步骤五：待工蜂根据雇佣蜂各适应度值，按照轮盘赌选择方法法，依照概率从雇佣蜂种群中选出具有较优适应度值的蜜蜂个体作为引领蜂，雇佣蜂i被选为引领蜂的概率表达式为Pi=fitness(i)sum(fitness)---(3)]]>各待工蜂在其引领蜂解空间附近继续搜寻蜜源，并计算其适应度值；若搜索到得蜜源适应度值大于原适应度值，则待工蜂转变成雇佣蜂，继续进行采蜜，否则，继续在附近进行搜索，并且其Bas值加1；步骤六：若搜索次数Bas值大于一定值Limit仍未找到更优的蜜源时，雇佣蜂放弃该蜜源，重新寻找新蜜源，即重新初始化参数值；步骤七：采用贪婪选择法，选择适应度值较大的结果更新雇佣蜂的位置，继续在解空间周围进行搜索；步骤八：跳转至步骤四，重复运行，直至迭代次数T＞Tmax，结束运行，并输出最优参数以及最优适应度值。