[发明专利]一种基于自适应粒子群优化的前视声纳水下目标跟踪方法

摘要

本发明涉及的图像处理技术领域，具体地说是一种基于自适应粒子群优化的前视声纳水下目标跟踪方法，本发明提出由迭代次数与适应度值自适应调整惯性权重，平衡粒子的探索与开发能力，使粒子能快速搜索到全局最优解；选择种群中的随机粒子与当前粒子的个体最优值进行比较，采用两者中个体最优值较大的粒子，更新粒子的速度，解决粒子陷入局部最优的问题。当水下目标被遮挡时，根据目标遮挡情况，提出利用新的自适应离散群优化算法的更新机制更新粒子，最终完成前视声纳水下目标跟踪。本发明对水下目标跟踪具有较好的跟踪精度和较快的跟踪速度，并且当目标存在遮挡、对比度变化较大、弱小目标、受噪声影响严重等情况仍然具有一定的有效性和适应性。

主权项

1.一种基于自适应粒子群优化的前视声纳水下目标跟踪方法,其特征在于：包括以下步骤：步骤1：读入前视声纳图像序列，设置种群规模、解空间的维数、最大迭代次数It、初始惯性权重wini、最小惯性权重wmin、第一遮挡阈值Fmin1、第二遮挡阈值Fmin2；步骤2：从前视声纳图像中选择目标图像，计算目标图像的不变矩特征H1(k)；步骤3：初始化粒子群，粒子群中粒子数量为步骤1中所述的种群规模，根据步骤2中目标图像的不变矩特征H1(k)，利用相关系数法计算粒子群中每个粒子的适应度值f步骤4：选取粒子群中的一个粒子，作为当前粒子i，选取种群中的随机粒子r，取随机粒子r在本次以及之前迭代次数中的最优适应度值fitness(r)、当前粒子i在本次以及之前迭代次数中的最优适应度值fitness(i)，计算当前粒子个体最优适应度值fit1，具体为：全局最优粒子的适应度值fit2，具体为：fit2＝max{fitness(1),fitness(2),...,fitness(N)}；随机粒子的个体最优适应度值fit3，具体为：比较fit1和fit3，取其中数值较大的粒子作为新的当前粒子i；步骤5：计算当前迭代次数中全局最优粒子的适应度值fmax：fmax＝max(f)，若当前迭代次数小于或等于最大迭代次数，则由下式计算当前迭代次数中当前粒子i的惯性权重：式中t为当前迭代次数；步骤6：由下式计算用于下次迭代次数中，当前粒子i的新粒子速度式中，j为粒子的当前维数，为当前迭代次数、当前粒子i的速度，为当前迭代次数、当前粒子i的位置，是当前以及之前迭代次数中当前粒子i的个体最优位置，是当前迭代次数中全局最优粒子的位置，是当前以及之前迭代次数中随机粒子的个体最优位置，r₁、r₂、r₃为[0,1]范围内的随机数；c1具体表示为：c1＝2.8·fit1/(fit1+fit2+fit3)c2具体表示为：c2＝2.8·fit2/(fit1+fit2+fit3)c3具体表示为：c3＝2.8·fit3/(fit1+fit2+fit3)步骤7：比较设定的第一遮挡阈值和第二遮挡阈值与当前迭代次数中当前粒子的适应度值，根据遮挡程度调整概率参数H(f)；步骤8：若图像序列还未结束，重复步骤3，按照相应的概率重新生成粒子，对粒子位置进行更新，进行下一次迭代，完成前视声纳水下目标跟踪；若图像序列已结束，则输出跟踪结果并结束。