一种基于改进狼群算法与NCC模板匹配的区域快速定位方法技术

本发明专利技术公开了一种基于改进狼群算法与NCC模板匹配的区域快速定位方法，主要包括：依据不同的应用场景设定算法参数；使用改进的狼群优化算法初始化狼群、更新狼群粒子坐标；将归一化互相关(Normalized Cross Correlation,NCC)值作为改进狼群算法中的目标函数值；记录NCC值满足相似度阈值的狼群头狼在原始图像中的坐标位置和数量；该狼群头狼的坐标位置即为匹配到的目标图像的位置；依据相似度阈值搜索到所有与各模板相匹配目标图像的位置；将搜索到的目标图像输出，在原始图像中标记目标图像的位置。本发明专利技术通过归一化互相关值评估模板与目标图像的相似性，利用改进狼群算法智能选择目标窗口，加快模板图像在原始图像中定位的速度。本发明专利技术提出的方法适用于多区域定位、目标状态分析、有实时性要求的场景。有实时性要求的场景。

【技术实现步骤摘要】
一种基于改进狼群算法与NCC模板匹配的区域快速定位方法


[0001]本专利技术涉及一种计算机图像处理方法，尤其涉及一种基于改进狼群算法与归一化互相关(Normalized Cross Correlation,NCC)模板匹配的区域快速精准定位方法。

技术介绍

[0002]模板匹配是计算机视觉应用中常用的方法之一，可以应用在视频跟踪、字符识别、目标重定位等领域。模板图像和目标图像的筛选窗口之间的相似性度量是模板匹配的核心。通过评估筛选窗口的相似度即可找出目标区域的准确位置。在工业现场室内巡检机器人应用中，模板匹配技术可以用于检测特定物品的有无、是否损坏、位置的偏移，或是检测控制箱的开闭状态、设备运行的状态等。机器人巡检与模板匹配技术相结合，能及时发现作业现场的异常状况并传输给后台，同时具备非常高的精确度与可靠性，这将大大减少工作人员的工作量。
[0003]传统的模板匹配方法通常使用平方差和、模板与目标图像的方差、归一化的模板与目标图像的方差、模板与目标图像的点积等方法计算模板与原始图像之间的相似度得分。在匹配图中，以像素点(i,j)为左上角，取M*N像素大小的筛选窗口，计算其与模板的相似度；遍历整个匹配图，找到与模板图最相似的窗口作为最终匹配结果。

技术实现思路

[0004]针对现有技术在视频跟踪、字符识别、目标重定位应用过程中的模板匹配的实时性问题，在实际处理图像像素较大的图片时，归一化互相关(Normalized CrossCorrelation,NCC)相似度计算过程非常耗时的问题，本专利技术提出一种基于改进狼群算法与归一化互相关模板匹配的多区域快速精准定位方法。该方法利用NCC 相似度值评估模板图像和目标图像筛选窗口之间的相似性，由改进狼群算法智能指定搜索窗口，找到与模板图之间NCC值最高的窗口作为最终匹配结果。
[0005]为了解决上述技术问题，本专利技术提出一种基于改进狼群算法与归一化互相关模板匹配的区域快速定位方法，主要包括：依据不同的应用场景设定算法参数；使用改进的狼群优化算法初始化狼群、更新狼群粒子坐标；将归一化互相关(NCC) 值作为改进狼群算法中的目标函数值；记录NCC值满足相似度阈值的狼群头狼在原始图像中的坐标位置和数量；该狼群头狼的坐标位置即为匹配到的目标图像的位置；依据相似度阈值搜索到所有与各模板相匹配目标图像的位置；将搜索到的目标图像输出，在原始图像中标记目标图像的位置。设匹配模板的数量为z，即原始图像中待匹配的区域数为z。以室内控制柜的模板匹配实验为例，精准定位目标的具体步骤如下：
[0006]步骤一、狼群的混沌反向初始化及相关参数设置。在原始二维图像随机选取像素点(x1,y1)，创建随机狼X1(X1＝(x1,y1))，通过式(1)将X1映射到混沌空间 (
‑
1,1)，再通过式(2)进行Q次迭代(Q>>P，P为初始狼群的总数量)，得到混沌变量序列{Z1,Z2,Z3…
}：
[0007][0008][0009]其中U
b
和L
b
分别代表随机狼的上下边界，U
b
等于原始图像像素长度(宽度)减模板像素长度(宽度)，L
b
等于0；将混沌变量序列按式(3)变换到原解空间中：
[0010]X
i+1
＝0.5
×
(U
b
‑
L
b
)*Z
i+1
+0.5
×
(U
b
+L
b
)i＝1,2,3
…
(3)
[0011]计算随机狼X1和混沌映射狼群{X
i+1
}(i＝1,2,3
…
)的目标函数值(即NCC值)，选取NCC值最优的P匹狼组成初始狼群；初始狼群中NCC值最优的作为头狼，再选取S匹NCC值次优的作为探狼，其中S取之间的整数，α为探狼比例因子，剩余的P
‑
S
‑
1匹狼作为猛狼，完成初始化；
[0012]步骤二、设某匹狼对应原始图像中的像素点坐标为(x,y)，其目标函数值(NCC值)的计算公式为：
[0013][0014]其中，w为模板图像，大小为M*N像素，f为原始图像中大小为M*N像素的筛选窗口；f(x+i,y+j)表示f中(x+i,y+j)点的像素值，为f的平均灰度值；w(i,j)表示w中(i,j)点的像素值，为w的平均灰度值；
[0015]步骤三、根据式(5)
‑
(9)所示的狼群算法更新狼群的位置信息；
[0016]1)探狼游走(自适应干扰侦查行为)：根据式(5)更新探狼位置：
[0017][0018]其中，是探狼向第p个方向侦察一步后的位置，x
i
是探狼更新前的位置，step
a
是探狼侦察步长，h是步行方向，p为某一方向(p＝1,2,3
…
h)；为了增强算法全局搜索能力，加入随机扰动因子δ，δ∈(0,1)；同时，考虑到探狼与头狼的距离，将侦察步长设为式(6)：
[0019]step
a
＝rand
×
norm||x
lead
‑
x
best
||(6)
[0020]其中，x
lead
是头狼的当前位置，x
best
是头狼的最优位置，rand是一个随机数，norm表示范数；探狼的行走位置集合为若探狼的目标函数值大于头狼的目标函数值，即Y
i
>Y
lead
，将该探狼更新为头狼；重复探狼游走行为直到出现Y
i
>Y
lead
或达到最大游走次数T
max
；
[0021]2)头狼召唤：根据式(7)更新猛狼位置：
[0022][0023]其中，是猛狼更新后的位置，x
j
是猛狼更新前的位置，g
lead
为头狼的当前位置，step
b
为猛狼奔袭步长；奔袭途中，若猛狼x
j
的目标函数值大于头狼的目标函数值，即Y
j
>
Y
lead
，则该猛狼更新为头狼并发起召唤行为；若Y
j
<Y
lead
，则猛狼继续奔袭，直到猛狼与头狼间的L
jl
小于L
near
，转入围攻行为；L
near
定义为式(8)：
[0024][0025]其中，ω为距离判定因子，D为待寻优变量的个数，本专利技术中D＝2；max
d
、 min
d
分别为第d(d＝1,2)个寻优变量的取值上下限，max
d
等于原始图像像素长度(宽本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进狼群算法与NCC模板匹配的区域快速定位方法，其特征在于：依据不同的应用场景设定算法参数；使用改进的狼群优化算法初始化狼群、更新狼群粒子坐标；将归一化互相关(NCC)值作为改进狼群算法中的目标函数值；记录NCC值满足相似度阈值的狼群头狼在原始图像中的坐标位置和数量；该狼群头狼的坐标位置即为匹配到的目标图像的位置；依据相似度阈值搜索到所有与各模板相匹配目标图像的位置；将搜索到的目标图像输出，在原始图像中标记目标图像的位置。2.根据权利要求1所述的区域快速定位方法，其特征在于，具体步骤如下：步骤一、狼群的混沌反向初始化及相关参数设置；在原始二维图像随机选取像素点(x1,y1)，创建随机狼X1(X1＝(x1,y1))，通过式(1)将X1映射到混沌空间(
‑
1,1)，再通过式(2)进行Q次迭代(Q>>P，P为初始狼群的总数量)，得到混沌变量序列{Z1,Z2,Z3…
}：}：其中U
b
和L
b
分别代表随机狼的上下边界，U
b
等于原始图像像素长度(宽度)减模板像素长度(宽度)，L
b
等于0；将混沌变量序列按式(3)变换到原解空间中：X
i+1
＝0.5
×
(U
b
‑
L
b
)*Z
i+1
+0.5
×
(U
b
+L
b
)i＝1,2,3
…
(3)计算随机狼X1和混沌映射狼群{X
i+1
}(i＝1,2,3
…
)的目标函数值(即NCC值)，选取NCC值最优的P匹狼组成初始狼群；初始狼群中NCC值最优的作为头狼，再选取S匹NCC值次优的作为探狼，其中S取之间的整数，α为探狼比例因子，剩余的P
‑
S
‑
1匹狼作为猛狼，完成狼群初始化；步骤二、设某匹狼对应原始图像中的像素点坐标为(x,y)，其目标函数值(NCC值)的计算公式为：其中，w为模板图像，大小为M*N像素，f为原始图像中大小为M*N像素的筛选窗口；f(x+i,y+j)表示f中(x+i,y+j)点的像素值，为f的平均灰度值；w(i,j)表示w中(i,j)点的像素值，为w的平均灰度值；步骤三、根据式(5)
‑
(9)所示的改进狼群算法更新狼群的位置信息；1)探狼游走(自适应干扰侦查行为)：根据式(5)更新探狼位置：其中，是探狼向第p个方向侦察一步后的位置，x
i
是探狼更新前的位置，step
a
是探狼侦察步长，h是步行方向，p为某一方向(p＝1,2,3
…
h)；为了增强算法全局搜索能力，加入随机扰动因子δ，δ∈(0,1)；同时，考虑到探狼与头狼的距离，将侦察步长设为式(6)：
step
a
...

【专利技术属性】
技术研发人员：董娜，贺科森，麦晓明，李冬辉，
申请(专利权)人：天津大学，
类型：发明
国别省市：