專利名稱：一種基于人工蜂群優(yōu)化邊緣勢場函數(shù)無人機目標識別方法
技術領域：
本發(fā)明涉及一種基于人工蜂群(Artificial Bee Colony，ABC)優(yōu)化邊緣勢場函數(shù) (Edge Potential Function, EPF)無人機目標識別方法，屬于航空航天和計算機視覺信息 處理交叉領域。
背景技術：
無人機(UnmarmedAir Vehicle, UAV)是一種有動力、可控制、能攜帶多種任務設 備、執(zhí)行多種任務，并能重復使用的無人飛行器。隨著無人機性能的不斷提高，以及其所具 有的體積小、機動靈活、不易被發(fā)現(xiàn)等優(yōu)點，使得無人機在偵察和巡邏、建筑物勘察、航空地 圖繪制、危險環(huán)境下的清障等軍事和民用特殊領域顯示出了巨大的應用潛力，因此一直受 到世界各國的普遍重視。目標識別歷來是無人機一個很重要的任務。對目標的識別常用的一種方法是建立目標的顏色特征信息庫，通過顏色匹配進行 目標識別。然而理想的顏色特征信息庫實際上是很難建立的，這主要是由于目標顏色的相 似性與多樣性、環(huán)境光照的不穩(wěn)定性、目標存在部分遮擋或陰影等原因造成的。因此，實際 應用中，也常利用物體的形狀特征來實現(xiàn)對目標的識別。在計算機中目標的形狀可以理解 為目標的輪廓或者輪廓所包圍的區(qū)域，基于不同的理解，許多形狀識別方法已經(jīng)被提出，如 基于HausdorfT距離的特征模板匹配、傅立葉描述子、不變矩等，但都有一些局限性，到目 前為止，對計算機來說，自動識別目標的形狀仍然相當復雜，當發(fā)生平移、旋轉(zhuǎn)、尺度變化甚 至仿射、遮擋時，要使計算機快速、準確的識別出目標的形狀，仍然是困難的事。邊緣勢場函數(shù)是最新提出的一種可以作為目標形狀識別的度量，它考慮物理學上 帶電粒子產(chǎn)生電勢場的概念，引入圖像中的物體邊緣點可以產(chǎn)生邊緣勢場的思想。通過在 解空間內(nèi)尋找旋轉(zhuǎn)、平移、縮放等參數(shù)，使得產(chǎn)生的邊緣區(qū)域總的吸引力值達到最高，從而 獲得最佳匹配結(jié)果。經(jīng)試驗驗證，邊緣勢場函數(shù)度量相比于HausdorfT距離等其它特征匹 配度量，在形狀識別中，尤其是在圖像背景復雜、存在噪聲的情況下的形狀識別中，具有更 好的準確性和穩(wěn)定性，可以有效地利用復雜結(jié)構(gòu)中單邊緣點的聯(lián)合效應，來實現(xiàn)更好的全 局匹配。人工蜂群算法是一種最新發(fā)展的模擬昆蟲王國中蜜蜂群體尋找優(yōu)良蜜源的仿生 優(yōu)化算法。它是建立在蜜蜂自組織模型和群體智能基礎上的一種計算方法，它主要從蜜蜂 實現(xiàn)采蜜的群體智能行為中得到啟發(fā)。蜜蜂個體之間通過跳搖擺舞，交流彼此掌握的蜜源 的距離等信息，通過蜜蜂角色的轉(zhuǎn)變來進行采蜜以及尋找更優(yōu)的蜜源。在自然界中，雖然各社會階層的蜜蜂只能完成單一的任務，但是蜜蜂通過搖擺舞、 氣味等多種信息交流方式，使得整個蜂群可以協(xié)同完成如構(gòu)建蜂巢、收獲花粉等多種工作。 蜜蜂沿直線爬行，然后再向左這樣一種舞蹈，其動線呈8字型，并搖擺其腹部，舞蹈的中軸 線與地心引力的夾角正好表示蜜源方向和太陽方向的夾角。此外，蜜蜂搖擺舞還可以傳達 更詳細的距離和方位信息。蜜蜂跳舞時頭向上，則表明找尋蜜源位置必須朝向著太陽的方 向飛行，頭向下，則必須朝背著太陽的方向飛。蜜蜂跳舞的快慢與蜂巢距離蜜源的遠近同樣也有關系，蜜源距離愈遠，蜜蜂擺尾的時間愈長，并且在擺尾時發(fā)出的嗡嗡聲也會愈久。在 蜂巢內(nèi)的蜜蜂根據(jù)搖擺舞得到的信息，選擇蜜源去采蜜或者在附近重新尋找新的蜜源。蜜 蜂之間通過這種相互之間的信息交流、學習，使得整個蜂群總能找到比較優(yōu)的蜜源進行采蜜。人工蜂群算法最初被用于解決連續(xù)多峰值函數(shù)求極值問題。作為一種新興的啟發(fā) 式仿生智能優(yōu)化算法，目前人們對人工蜂群算法的研究已經(jīng)拓展到了車間調(diào)度等組合優(yōu)化 問題，取得了許多新的進展，同時這要那個新興的仿生優(yōu)化算法許多其它的應用還有待我 們進一步深入挖掘。
發(fā)明內(nèi)容
1、發(fā)明目的本發(fā)明提出了一種基于人工蜂群優(yōu)化邊緣勢場函數(shù)無人機目標識別方法，其目的 是提供一種解決無人機形狀特征匹配的有效途徑，也可應用于其它復雜的智能優(yōu)化問題。該方法利用人工蜂群算法與邊緣勢場函數(shù)相結(jié)合進行圖形形狀特征的匹配，從而 實現(xiàn)目標的識別。該方法充分利用了邊緣勢場函數(shù)在目標形狀識別中的準確性、穩(wěn)定性，以 及人工蜂群算法能找到最優(yōu)匹配參數(shù)的特點。2、技術方案在物理學中，電場中某點的電勢等于空間各個帶電粒子對這一點的產(chǎn)生電勢的矢 量之和。電荷產(chǎn)生電場的數(shù)學模型 其中，ε為電介常數(shù)，Qi表示第i個電荷的電量，;分別表示被測點和電荷的相 對位置。類比上述模型，在邊緣勢場的模型中，(X，y)為圖像中的某個像素點的坐標，(Xi， Yi)為圖像邊緣中第i點的坐標。圖像中某個像素點的邊緣勢場等于各個邊緣點對這一點 產(chǎn)生的邊緣勢場之和，這里的邊緣勢場是標量。其數(shù)學模型如下
(2)其中，ε M是與圖像背景有關的常量，Qeq(xi; Yi)表示第i個邊緣點所帶的等價電 荷。在目標識別中，若在原圖中存在與目標模板或是用戶繪出的草圖相似的形狀時， 產(chǎn)生的邊緣區(qū)域的總的吸引力就越高。通過在解空間內(nèi)尋找旋轉(zhuǎn)、平移、縮放等參數(shù)，使得 產(chǎn)生的邊緣區(qū)域總的吸引力值達到最高，從而獲得最佳匹配結(jié)果。經(jīng)試驗驗證，邊緣勢場函 數(shù)度量相比于Hausdorff距離等其它特征匹配度量，在形狀識別中，尤其是在目標圖像背 景復雜、存在噪聲的情況下的形狀識別中，具有更好的準確度和穩(wěn)定性。人工蜂群算法最初是用于解決多峰函數(shù)求極值的問題，為了用人工蜂群算法解決 這個問題，首先引入以下3個基本部分蜜源(food sources)
代表解空間范圍內(nèi)各種可能的解，蜜源值取決于多種因素，在多峰函數(shù)求極值中， 與函數(shù)值有關，用數(shù)字量“收益度”衡量蜜源。采蜜蜂(employed foragers)采蜜蜂同具體的蜜源聯(lián)系在一起，這些蜜源是它們當前正在采集的蜜源。采蜜蜂 通過搖擺舞與其它蜜蜂分享這些信息，并按照收益度等因素，一部分成為引領蜂。待工蜂(unemployed foragers)正在尋找蜜源采集，可以分為兩種偵查蜂和跟隨蜂；偵查蜂搜索新蜜源，跟隨蜂在 巢內(nèi)等待，通過分享EF的信息，來找到蜜源。此外，引入3種基本的行為模式搜索蜜源(search)、為蜜源招募(recruit)、放棄蜜源(abandon)初始時刻，所有蜜蜂沒有任何先驗知識，其角色都是偵查蜂。隨機搜索到蜜源后， 根據(jù)蜜源收益度相對大小，偵查蜂可以轉(zhuǎn)換為上述任何一種蜜蜂。如圖1所示，其轉(zhuǎn)變原則 如下當所采集食物源收益度排名高于臨界時，成為引領蜂，繼續(xù)采蜜，并招募更多蜜蜂采 蜜；食物源收益度相對很低時，放棄該食物源，再次成為偵查蜂搜尋食物源；所采集食物源 收益度排名小于臨界值時，可以成為跟隨蜂，前往相應的食物源采蜜；當在蜜源周圍搜索次 數(shù)超過一極限，但仍未找到較優(yōu)的蜜源時，放棄該蜜源，并去尋找新的蜜源。相對于其它諸如遺傳算法、粒子群算法，人工蜂群算法最大的優(yōu)點是它在每次迭 代都進行局部搜索，因此找到最優(yōu)參數(shù)的概率也大大增加。綜上所述，一種基于人工蜂群優(yōu)化邊緣勢場函數(shù)無人機目標識別方法，該方法的 具體步驟如下步驟一圖像預處理(1)圖像的讀取并轉(zhuǎn)換為灰度圖像對于不同格式的圖像先都先轉(zhuǎn)換為灰度圖像再進行邊緣檢測；(2)中值濾波去噪聲采用中值濾波方法，對得到的灰度圖進行濾波操作，從而濾去噪聲，減輕圖像邊緣 檢測時噪聲的影響。中值濾波經(jīng)驗證對于椒鹽噪聲和高斯噪聲均能有很好的抑制效果。(3)利用canny算子對待匹配圖像進行邊緣檢測，從而得到待匹配圖像的二值圖像。步驟二 根據(jù)待匹配目標圖像的二值分布，利用邊緣勢場函數(shù)模型，圖像中某個像 素點的邊緣勢場等于各個邊緣點對這一點產(chǎn)生的邊緣勢場之和。 計算得到待匹配圖像各點的邊緣勢場分布。其中，(x,y)為圖像中的某個像素點的坐標，(X^yi)為圖像邊緣中第i點的坐標， ε μ是與圖像背景有關的常量，QwiO^yi)表示第i個邊緣點所帶的等價電荷，在本方法中， 我們定義各個邊緣點所帶電荷相等，為一常量。步驟三初始化人工蜂群算法參數(shù)以及雇傭蜂種群，蜂群的總數(shù)為Popsize，其中 采蜜蜂的總數(shù)為Num_employed，待工蜂的總數(shù)為Num_unemployed，滿足條件Popsize = Num_employed+Num_unemployed,最大搜索次數(shù)Limit，本次迭代次數(shù)為T，最大迭代次數(shù)為Tmax，根據(jù)圖像搜索范圍初始化幾何變換參數(shù)的種群，幾何變換參數(shù)包括水平平移tx、垂 直平移ty、旋轉(zhuǎn)角度angle和縮放比例scale，初始化各蜜蜂搜索次數(shù)Bas = 0。
步驟四根據(jù)雇傭蜂種群中的各幾何參數(shù)數(shù)值，計算出各雇傭蜂個體根據(jù)給定相 似度函數(shù)得到的函數(shù)值。給定相似度函數(shù)為 其中ck表示第k代的幾何參數(shù)，幾何操作向量c = (tx，ty，angle, scale)，為了簡 化操作操作，令水平和垂直縮放比例相等，均為scale。TV(Q)表示掩膜圖像邊緣在幾何操 作算子Ck的情況下，圖像輪廓所包含的邊緣點總數(shù)。表示第η個邊緣點。由上述函數(shù)的 表達式可知，f(ck)表示在目標圖像中沿掩膜圖像的邊緣輪廓計算總邊緣勢場的平均值。當 適應度函數(shù)f (Ck)取得最大值時，表示在所有可能的幾何操作下，得到匹配度最高一種解。步驟五待工蜂根據(jù)雇傭蜂各適應度值，按照輪盤賭選擇方法法，依照概率從雇傭 蜂種群中選出具有較優(yōu)適應度值的蜜蜂個體作為引領蜂，雇傭蜂i被選為引領蜂的概率表 達式為 各待工蜂在其引領蜂解空間附近繼續(xù)搜尋蜜源，并計算其適應度值。若搜索到得 蜜源適應度值大于原適應度值，則待工蜂轉(zhuǎn)變成雇傭蜂，繼續(xù)進行采蜜，否則，繼續(xù)在附近 進行搜索，并且其Bas值加1。步驟六若搜索次數(shù)Bas值大于所設定的閾值Limit時，雇傭蜂放棄該蜜源，重新 尋找新蜜源，即重新初始化參數(shù)值。步驟七采用貪婪選擇法，選擇適應度值較大的值更新雇傭蜂的位置，繼續(xù)在解空 間周圍搜索。步驟八跳轉(zhuǎn)至步驟四，重復運行，直至迭代次數(shù)大于最大迭代次數(shù)(即T > Tmax)，則結(jié)束運行，并輸出最優(yōu)參數(shù)以及最優(yōu)適應度值。3、優(yōu)點及效果本發(fā)明提出了一種基于人工蜂群算法優(yōu)化邊緣勢場函數(shù)無人機目標識別方法，該 方法充分利用了邊緣勢場函數(shù)在目標形狀識別中的準確性、穩(wěn)定性，以及人工蜂群算法能 找到最優(yōu)匹配參數(shù)的特點，提供了一種解決無人機形狀特征匹配的有效途徑，從而實現(xiàn)目 標的識別。它也可以廣泛應用于機器人、航空、航天、工業(yè)生產(chǎn)等涉及圖像信息處理的領域 及其它復雜的智能優(yōu)化問題。
圖1蜂群尋找優(yōu)良蜜源示意2基于人工蜂群優(yōu)化邊緣勢場函數(shù)目標識別方法的程序流程方框示意3人工蜂群聚類進化曲線中標號及符號說明如下
α—蜜源與太陽之間的夾角A——已發(fā)現(xiàn)的蜜源AB——已發(fā)現(xiàn)的蜜源BR——在觀察到其它蜜蜂的搖擺舞之后，分享信息并被招募，按照獲得的信息去尋 找蜜源。S——待工蜂作為偵查蜂，自發(fā)尋找蜂巢附近的蜜源UF——放棄蜜源，成為跟隨蜂EFl——雇傭蜂1，跳搖擺舞招募蜂巢其它伙伴EF2——雇傭蜂2，不招募蜜蜂，繼續(xù)采蜜fitness——各蜜蜂適應度值fitnessbest——最佳適應度值T——算法循環(huán)次數(shù)Tmax——算法最大循環(huán)次數(shù)Y——滿足條件(是)N——不滿足條件(否)
具體實施例方式下面通過一個具體實施例來驗證本發(fā)明所提出的基于人工蜂群算法優(yōu)化邊緣 勢場函數(shù)的無人機目標識別算法的性能，所采用的是空中機器人視覺系統(tǒng)所采集的一幅 149X128png格式的待匹配圖像和一幅需要空中機器人尋找的目標圖像，其為67X66png 格式的圖像，以此作為驗證對象。實驗環(huán)境為1.6Ghz，512M內(nèi)存，MATLAB 7.0版本，一種基 于人工蜂群優(yōu)化邊緣勢場函數(shù)無人機目標識別方法，其具體實現(xiàn)步驟如下步驟一、將待匹配圖像進行預處理。對目標圖像進行中值濾波去噪，并利用carmy 算子提取邊緣，從而得到待匹配圖像的二值圖像。步驟二、根據(jù)待匹配圖像的二值分布，利用邊緣勢場函數(shù)模型(2)計算得到待匹 配圖像的邊緣勢場分布圖。步驟三、初始化人工蜂群算法參數(shù)。蜂群的總數(shù)為Popsize = 200，其中采蜜蜂 的總數(shù)為Num_employed = 100，待工蜂的總數(shù)為Num_unempIoyed = 100，最大迭代次數(shù)為 Tmax = 600，最大搜索次數(shù)Limit = 50。初始化雇傭蜂種群的幾何變換參數(shù)水平平移tx =
、垂直平移 ty =
、旋轉(zhuǎn)角度 angle =
和縮放比例 scale =
，并初始化搜索次數(shù)Bas = 0。步驟四、根據(jù)種群中的各幾何參數(shù)數(shù)值，按照給定相似度函數(shù)式(3)計算出各雇 傭蜂個體根據(jù)給定相似度函數(shù)得到的適應度值。當適應度值取得最大值時，表示在所有可 能的幾何操作下，得到匹配度最高一種解。步驟五、待工蜂根據(jù)雇傭蜂各適應度值，按照輪盤賭選擇方法法，依照概率從雇傭 蜂種群中選出具有較優(yōu)適應度值的蜜蜂個體作為引領蜂，雇傭蜂i被選為引領蜂的概率如 式(4)所示。在引領蜂解空間附近繼續(xù)搜尋蜜源，并計算其適應度值。若搜索到得蜜源適應 度值大于原適應度值，則待工蜂轉(zhuǎn)變成雇傭蜂，繼續(xù)進行采蜜，否則，繼續(xù)在附近進行搜索， 并且其Bas值加1。
8
步驟六、若搜索次數(shù)Bas值大于設定閾值Limit = 50時，雇傭蜂放棄該蜜源，重新 尋找新蜜源，即重新初始化參數(shù)值。步驟七、采用貪婪選擇法，將適應度值相對較大的結(jié)果被重新選為雇傭蜂，繼續(xù)在 解空間周圍搜索新的蜜源。步驟八、T = T+1，返回步驟四，直至迭代次數(shù)T > 600，結(jié)束運行，并輸出最優(yōu)參數(shù) 以及最優(yōu)適應度值。圖3即為實驗運行結(jié)果。最后，該算法準確的識別出了模板所示無人機在圖像中 的具體方位，匹配正確。該方法為解決無人機目標識別問題提供了一條非常有效的方法途徑，可廣泛應用 于機器人、航空、航天、工業(yè)生產(chǎn)等涉及圖像信息處理的領域。
權(quán)利要求
一種基于人工蜂群優(yōu)化邊緣勢場函數(shù)無人機目標識別方法，其特征在于該方法的實現(xiàn)步驟如下步驟一圖像預處理，主要包括(1)圖像的讀取并轉(zhuǎn)換為灰度圖像對于不同格式的圖像先都轉(zhuǎn)換為灰度圖像再進行邊緣檢測；(2)中值濾波去噪聲采用中值濾波方法，對得到的灰度圖進行濾波操作，從而濾去噪聲，減輕圖像邊緣檢測時噪聲的影響，中值濾波經(jīng)驗證對于椒鹽噪聲和高斯噪聲均能有很好的抑制效果；(3)利用canny算子對待匹配圖像進行邊緣檢測步驟二根據(jù)預處理得到的待匹配目標圖像的二值分布，利用邊緣勢場函數(shù)模型，圖像中某個像素點的邊緣勢場等于各個邊緣點對這一點產(chǎn)生的邊緣勢場之和， <mrow><mi>EPF</mi><mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo></mrow><mo>=</mo><mfrac> <mn>1</mn> <msub><mrow> <mn>4</mn> <mi>πϵ</mi></mrow><mi>eq</mi> </msub></mfrac><munder> <mi>Σ</mi> <mi>i</mi></munder><mfrac> <mrow><msub> <mi>Q</mi> <mi>eq</mi></msub><mrow> <mo>(</mo> <msub><mi>x</mi><mi>i</mi> </msub> <mo>,</mo> <msub><mi>y</mi><mi>i</mi> </msub> <mo>)</mo></mrow> </mrow> <msqrt><msup> <mrow><mo>(</mo><mi>x</mi><mo>-</mo><msub> <mi>x</mi> <mi>i</mi></msub><mo>)</mo> </mrow> <mn>2</mn></msup><mo>+</mo><msup> <mrow><mo>(</mo><mi>y</mi><mo>-</mo><msub> <mi>y</mi> <mi>i</mi></msub><mo>)</mo> </mrow> <mn>2</mn></msup> </msqrt></mfrac><mo>-</mo><mo>-</mo><mo>-</mo><mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo></mrow> </mrow>計算得到待匹配圖像各點的邊緣勢場分布；其中，(x，y)為圖像中的某個像素點的坐標，(xi，yi)為圖像邊緣中第i點的坐標，εeq是與圖像背景有關的常量，Qeq(xi，yi)表示第i個邊緣點所帶的等價電荷，在本方法中，我們定義各個邊緣點所帶電荷相等，為一常量；步驟三初始化人工蜂群算法參數(shù)；蜂群的總數(shù)為Popsize，其中采蜜蜂的總數(shù)為Num_employed，待工蜂的總數(shù)為Num_unemployed，滿足條件Popsize＝Num_employed+Num_unemployed，最大搜索次數(shù)Limit，本次迭代次數(shù)為T，最大迭代次數(shù)為Tmax，初始化幾何變換參數(shù)的雇傭蜂種群，幾何變換參數(shù)包括水平平移tx、垂直平移ty、旋轉(zhuǎn)角度angle和縮放比例scale，初始化各蜜蜂搜索次數(shù)Bas＝0；步驟四根據(jù)雇傭蜂種群中的各幾何參數(shù)數(shù)值，計算出各雇傭蜂個體根據(jù)給定相似度函數(shù)得到的適應度值，給定相似度函數(shù)為 <mrow><mi>f</mi><mrow> <mo>(</mo> <msub><mi>c</mi><mi>k</mi> </msub> <mo>)</mo></mrow><mo>=</mo><mfrac> <mn>1</mn> <msup><mi>N</mi><mrow> <mo>(</mo> <msub><mi>c</mi><mi>k</mi> </msub> <mo>)</mo></mrow> </msup></mfrac><munderover> <mi>Σ</mi> <mrow><msup> <mi>n</mi> <mrow><mo>(</mo><msub> <mi>c</mi> <mi>k</mi></msub><mo>)</mo> </mrow></msup><mo>=</mo><mn>1</mn> </mrow> <msup><mi>N</mi><mrow> <mo>(</mo> <msub><mi>c</mi><mi>k</mi> </msub> <mo>)</mo></mrow> </msup></munderover><mo>{</mo><mi>EPF</mi><mrow> <mo>(</mo> <msubsup><mi>x</mi><mi>n</mi><msub> <mi>c</mi> <mi>k</mi></msub> </msubsup> <mo>,</mo> <msubsup><mi>y</mi><mi>n</mi><msub> <mi>c</mi> <mi>k</mi></msub> </msubsup> <mo>)</mo></mrow><mo>}</mo><mo>-</mo><mo>-</mo><mo>-</mo><mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo></mrow> </mrow>其中，ck表示第k代的幾何參數(shù)，幾何操作向量c＝(tx，ty，angle，scale)，為了簡化操作操作，令水平和垂直縮放比例相等，均為scale；表示掩膜圖像邊緣在幾何操作算子ck的情況下，圖像輪廓所包含的邊緣點總數(shù)；表示第n個邊緣點；由上述函數(shù)的表達式可知，f(ck)表示在目標圖像中沿掩膜圖像的邊緣輪廓計算總邊緣勢場的平均值；當適應度函數(shù)f(ck)取得最大值時，表示在所有可能的幾何操作下，得到匹配度最高一種解；步驟五待工蜂根據(jù)雇傭蜂各適應度值，按照輪盤賭選擇方法法，依照概率從雇傭蜂種群中選出具有較優(yōu)適應度值的蜜蜂個體作為引領蜂，雇傭蜂i被選為引領蜂的概率表達式為 <mrow><msub> <mi>P</mi> <mi>i</mi></msub><mo>=</mo><mfrac> <mrow><mi>fitness</mi><mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo></mrow> </mrow> <mrow><mi>sum</mi><mrow> <mo>(</mo> <mi>fitness</mi> <mo>)</mo></mrow> </mrow></mfrac><mo>-</mo><mo>-</mo><mo>-</mo><mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo></mrow> </mrow>各待工蜂在其引領蜂解空間附近繼續(xù)搜尋蜜源，并計算其適應度值；若搜索到得蜜源適應度值大于原適應度值，則待工蜂轉(zhuǎn)變成雇傭蜂，繼續(xù)進行采蜜，否則，繼續(xù)在附近進行搜索，并且其Bas值加1；步驟六若搜索次數(shù)Bas值大于一定值Limit仍未找到更優(yōu)的蜜源時，雇傭蜂放棄該蜜源，重新尋找新蜜源，即重新初始化參數(shù)值；步驟七采用貪婪選擇法，選擇適應度值較大的結(jié)果更新雇傭蜂的位置，繼續(xù)在解空間周圍進行搜索；步驟八跳轉(zhuǎn)至步驟四，重復運行，直至迭代次數(shù)T＞Tmax，結(jié)束運行，并輸出最優(yōu)參數(shù)以及最優(yōu)適應度值。FSA00000142979000022.tif,FSA00000142979000023.tif
全文摘要
一種基于人工蜂群優(yōu)化邊緣勢場函數(shù)無人機目標識別方法，其實施步驟為步驟一圖像預處理；步驟二計算待匹配圖像的邊緣勢場分布；步驟三初始化人工蜂群算法參數(shù)；步驟四根據(jù)待匹配圖像的邊緣勢場分布，計算各雇傭蜂個體的適應度函數(shù)值；步驟五待工蜂按照概率選擇有較優(yōu)適應度值的雇傭蜂作為引領蜂，并在其周圍空間搜索蜜源，并計算相應的適應度值；步驟六按照貪婪選擇法，更新雇傭蜂的位置；步驟七雇傭蜂在其周圍重新尋找新的蜜源；步驟八迭代次數(shù)加1，跳轉(zhuǎn)至步驟4繼續(xù)運行，直到達到所設定的最大迭代次數(shù)，算法結(jié)束，并輸出最優(yōu)結(jié)果。該方法有效地提高了無人機目標識別的可靠度和精確度。
文檔編號G06N3/00GK101894273SQ20101019146
公開日2010年11月24日 申請日期2010年5月26日 優(yōu)先權(quán)日2010年5月26日
發(fā)明者吳江, 徐春芳, 李 昊, 段海濱 申請人:北京航空航天大學