[发明专利]一种基于混沌差分进化粒子群的运动估计算法

摘要

本发明公开了一种基于混沌差分进化粒子群的运动估计算法，针对视频序列运动矢量的分布具有中心偏置性，对部分固定点进行搜索将更有利于提高搜索速度，为保留粒子群算法的随机搜索特性，种群的初始搜索位置具体由13个固定点和2个随机点组成；在迭代过程中将对影响速度更新的惯性权重因子进行动态调整；另外，为提高算法的运行速度，加入了相同点检测方案；最后由混沌差分进化搜索协同迭代进化寻找全局最优解，同时通过恰当的终止策略以降低算法的运算复杂度。本发明该算法能在搜索精度和运算复杂度中实现动态平衡。在运动状态较为平缓的序列中能实现快速的运动估计，在运动状态较为剧烈的序列中能适应性地搜寻更多的宏块以得到更佳的匹配块。

主权项

1.一种基于混沌差分进化粒子群的运动估计算法，其特征在于，该算法包括如下步骤：S1、初始化参数和粒子种群初始搜索位置，初始搜索种群位置由部分固定点和随机点组成，具体由13个固定点和2个随机点组成随机搜索点Pij由下式(1)产生；Pij＝xmin+(xmax‑xmin+1)·rand    (1)式中，下标j代表维数，(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；所有粒子的初始速度随机产生，粒子i的初始速度vij由下式(2)产生；vij＝vmin+(vmax‑vmin+1)·rand    (2)式中，下标j代表维数，(vmin,vmax)为速度范围，vmin为最小速度值，vmax为最大速度值，rand为[0,1]之间的均匀随机数；S2、相同点检测，在计算粒子的适应度前，对本粒子的坐标进行相同点排查，若本轮迭代中已有粒子早于本粒子达到当前位置，则直接获取当前位置所对应的适应度值；否则，转向步骤3；S3、计算所有粒子对应宏块的适应度值，确立个体极值和全局极值；采用绝对误差和SAD作为块匹配准则，如下式(3)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；从上式(3)中可以看出，求最佳匹配块也就是求最小SAD值；将适应度函数CF设为与SAD值相关的函数，如下式(4)所示：CF＝Cmax‑SAD(x',y')     (4)式中，Cmax是一个能保证CF始终为非负数的正数，由于两个搜索点的像素值之差最大为255，当宏块大小设为(16*16)时，SAD值最大为255*16*16＝65280，因此，为保证CF始终为非负数，Cmax取65280值；S4、根据公式更新粒子的速度v以及位置x，惯性权重因子ω；粒子的速度和位置的更新依据来自个体经验和种群信息，粒子i在(t+1)轮搜索中通过公式(5)和(6)更新本体的速度和位置，vij(t+1)＝ω·vij(t)+c1r1[pbestij(t)‑xij(t)]+c2r2[gbestj(t)‑xij(t)]  (5)xij(t+1)＝xij(t)+vij(t+1)   (6)式中，下标j代表维数，r1和r2是[0,1]之间的均匀随机数，参数c1和c2为学习因子，pbest代表个体极值位置，gbest代表全局极值位置；采用线性递减权值策略对ω作动态调整，如下式(7)所示，ω＝(ωmin‑ωmax)·(Tmax‑t)/Tmax+ωmax   (7)式中，ωmin表示最小惯性权重，ωmax表示最大惯性权重，Tmax表示最大迭代次数，t为当前迭代次数；S5、对本轮迭代中的全局极值进行一次混沌差分进化搜索，计算其对应宏块的适应度值并根据贪婪准则更新解集；所述的差分进化变异操作，如下式(8)所示：u(t)＝gbest(t)+F·(xd1(t)‑xd2(t))    (8)式中，u为变异向量；t为当前迭代次数；gbest为全局极值位置；d1和d2为粒子群中互不相同的2个随机粒子；F为变异算子；采用分段Logistic混沌映射对变异算子F进行动态调整，如下式(9)，产生混沌序列完成搜索，式中，μ为Logistic控制参数，由任意初始值y0∈[0,1]，可迭代产生序列y1，y2，y3...；为更充分利用全局极值gbest，第t轮混沌差分进化搜索的初始向量y0由下式(10)产生，式中，gbest为全局极值位置，xmin为最小搜索边界，xmax为最大搜索边界；由式(9)、式(10)产生混沌序列，最后通过式(11)将混沌变量变换到变异算子F中，F＝yi·exp(‑t/Tmax)   (11)式中，t为当前迭代次数，Tmax表示最大迭代次数；然后，将变异向量u与全局极值通过差分算法的交叉操作产生试验向量，最后根据贪婪准则在试验向量与当前全局极值间选取更优解；S6、检查是否符合任一终止条件；若符合，则终止迭代，最终的全局极值位置即为最佳运动矢量的位置；否则转向步骤2。