基于改进自组织迁移算法的模板匹配

合集下载

基于混合迁移行为的自组织迁移算法

０ｉａｉｅ００年发展了一个算法，自组即织迁移算法（ｌＯｇｎｚｇＭｉｒｔｇＡｌｏｉ，称Ｓｅ－Ｓｆｒａｉｎｇａｉｇｒｈ简ｉｎｔｍＯ－
ＭＡ）１新型进化算法。与多数进化算法一样，ＭＡ也是＿的］ＯＳ
ｕａｉｎａｄｓｅｄｐｔｅｐｐｌｔｎｂｓｄｓａｃｒｃｓｎｔｅｍｕｔｍｏａｏｌｘｓａｅＳｍｕａｉｎｒｓｌｓｒｖａｌｔｎｐｅｓｕｈｏｕａｉ－ａｅｅｒｈｐｏｅｓｉｈｌｉｄ１ｃｍｐｅｐｃ．ｉｌｔｏｅｕｔｅｅＩｏｏ－ｔａｈｒｐｓｄａｇｒｔｅｔｒｔａｈｒｉａｅｆｏｇｎｚｎｇａｉｇａｇｒｈｈｔｔｅｐｏｏｅｌｏｉｍｓｈｉｂｔｅｈｎｔｅｏｉｎｌｌｒａｉｉｇｍｉｒｔｎｌｏｉｍ．ｇｓ－ｔＫｅｗｏｄＥｖｌｔｎｒｌｏｉｙｒｓｏｕｉａｙａｇｒｔ，ｅｆｏｇｎｚｎｇａｉｇａｇｒｔｍ，ｂｉｉｒｔｇｂｈｖｏ，ｏｍｈＳｌｒａｉｉｇｍｉｒｔｎｌｏｉ－ｈＨｙｒｄｍｇａｉｅａｉｒＨＢＳｎＯＭＡ
组织迁移算法。关键词进化算法，自组织迁移算法，混合迁移行为，Ｈ；ＭＡ（）・
ＨｙｒｄＭｉｒｔｇＢｈｖｏｓｄＳｌ－ｒａｉｉｇＭｉｒｔｎｇｒｔｍｂｉｇａｉｅａｉｒＢａｅｅｆｏｇｎｚｎｇａｉｇＡｌｏｉｎｈ

基于改进粒子群算法的匹配追踪分解优化研究

基于改进粒子群算法的匹配追踪分解优化研究近年来，随着我国经济的发展，能源市场有大量石油储量和天然气储量的增加，无线传感器网络和智能传感器技术的发展，能源消耗的监测也向智能传感环境的方向发展。

对能源消耗的管理和控制是一项基础性、重要的任务。

能源消耗的管理必须要实现能源质量保证以及精确的追踪，它必须要求能源平衡模型及质量模型的有效实现，这需要运用到数学优化技术。

为了实现上述控制，研究人员提出了基于改进粒子群算法（IPSO）的匹配追踪分解优化（MTDO）方法。

与传统的粒子群算法（PSO）相比，改进的粒子群算法具有较好的搜索和索引能力，能够更有效地挖掘出最优解。

同时，它还具有较强的可扩展性和自适应性，可以更好地适应复杂的环境，并能够实现有效的追踪分解优化目标。

首先，为了更好地实现匹配追踪分解优化技术，需要将不同的优化问题视为一个完整的分解优化问题，并引入基于改进粒子群算法的匹配追踪分解优化算法（MTDO-IPSO）。

解决方案的总体结构包括：粒子群算法，形式化的分解优化算法，监督学习，图像识别和跟踪技术等。

首先，基于改进的粒子群算法，根据目标函数进行搜索，找到优化目标函数的最优解。

然后，根据形式化分解优化技术，将分解优化问题转换为多个子问题，并利用监督学习等技术获取子问题的最优解。

最后，基于图像识别和跟踪技术，将子问题的解综合到一起，最终实现分解优化问题的最优解。

市场经济背景下，不断发展的能源消耗控制带来了巨大挑战，针对这些挑战，基于改进粒子群算法的匹配追踪分解优化（MTDO-IPSO）方法可以有效地实现能源质量保证以及精确的追踪，提高能源消耗控制的效率。

同时，论文也为广大科研工作者提供了一种新的优化技术，可以更好的实现分解优化的目标。

本文的研究成果表明，基于改进粒子群算法的匹配追踪分解优化（MTDO-IPSO）方法具有较好的优化性能，能够更有效地挖掘出最优解，并且可以更好的实现分解优化的目标。

因此，本文的研究为能源消耗管理提供了一种有效的优化策略，为以后的研究工作发展提供了理论基础和应用技术示范。

基于模板匹配的目标跟踪算法研究

基于模板匹配的目标跟踪算法研究1. 引言目标跟踪是计算机视觉领域的一个重要研究方向，它的主要任务是根据先前的观测结果，预测和追踪目标在接下来的时间内的位置、速度和方向等运动状态。

在很多应用中，如视频监控、无人机飞行、汽车驾驶辅助等领域，目标跟踪都扮演着至关重要的角色。

本文主要围绕基于模板匹配的目标跟踪算法展开研究，介绍模板匹配的基本原理和常见算法，分析现有算法的优缺点，并探讨未来的研究方向。

2. 模板匹配原理模板匹配是一种基于相似性度量的图像配准方法，它的基本思想是将已知目标模板与待跟踪的图像进行比对，找到最相似的位置，从而完成目标的定位和跟踪。

模板匹配方法通常包括以下步骤：（1）目标模板的构建：选择一张清晰、具有代表性的目标图像，根据需要对目标进行裁剪或预处理，得到目标模板。

（2）相似性度量：根据不同的相似性度量标准，计算目标模板与图像像素之间的相似度。

通常采用欧式距离、相关系数、相似性度量等方法。

（3）匹配策略：根据相似性度量值，选择最合适的匹配策略，如最小二乘法、局部分割法、马尔可夫随机场等方法。

（4）目标定位：根据匹配到的位置，完成目标的定位和跟踪。

3. 常见的模板匹配算法目前，关于模板匹配的研究方向主要分为两类：第一种是基于灰度信息的传统方法，第二种是基于深度学习的现代方法。

3.1 基于灰度信息的传统方法（1）均值漂移法（Mean Shift Algorithm）均值漂移法是一种典型的平滑直方图的无参数密度估计算法，它主要是通过将概率密度函数进行平滑化，寻找最大值对应的峰值位置作为目标区域的中心点。

优点是对目标尺寸、形状、颜色等参数不敏感，缺点是需要大量的计算量。

（2）相关滤波法（Correlation Filter）相关滤波法是一种基于相关性的滤波器，其主要思想是将目标模板和图像进行自适应的滤波处理，得到相应的响应图，然后通过最大响应值所对应的位置实现目标跟踪。

相较于均值漂移法，相关滤波法具有更高的计算效率和更好的跟踪精度。

基于改进模板匹配的目标跟踪算法

关键词：目标跟踪；板匹配；似度模相中图分类号：Ｐ９．１Ｔ３１４文献标志码：Ａ
ｏｂｅｔｔａｋｎｌｏｉｍａｅｎｉｒｖｄｔｍｐａｅｍａｃｉｇｊｅｃｉｇａｇｒｔｂｓｄｏｒｈｍｐｏｅｅｌｔｔｈｎ
Ｃａｋｏｊｔｔｌｅｅｅｉｓｃｌｓｎｐｓｎ．ｏｅａａｅｐｏｏｅｔｄｑａｔａｖｌ，ｈｔｒｃｍａｄｉｎｒａｔｃｂｃａｙｖｎｓｒｕｃｉｒｅｔＴｖｌｔｔｒｐｓｄｍｅｏｕｉｔｅｔｅａｈｓｏｐｅｅｓｂｏｏｕｏｅｕｅｈｈｎｔｉｙｕｏｒｔ
下，能准确地跟踪到运动目标。将ｍｅｎｓｉ跟踪、于子空间分解的粒子滤波跟踪及基于改进的模板匹配跟踪进仍ａ— ｆｈｔ基
行了比较，实验结果表明改进后的算法实现简单，跟踪性能与其他两种跟踪算法相近。
第３卷增刊２ｌ
２１年１０１２月
计算机应用
ＪｕｎｌｏｏｕｅｐｉａｉｎｏｒａｆＣｍｐｔｒＡｐｌｔｓｃｏ
Ｖ１３ｕｐ．ｏ．１Ｓｐ１２
Ｄｅ．Ｏ１１ｃ２
文章编号：０１０１２１）２— １７— ２１０ —９８（０１ｓ０２０
ｉｒｖｈｅｏｍａｃｆｔｍｐａｅｍａｃｉｇｂｓｄｔｃｅ．Ｂ￣ｌｏｅｌｔｐａｉｇｌｃｌｍａｃｉｇａｄｄｓａｃｍｐｅｔｅｐｒｒｎｅｏｅｌｔｔｈｎ－ａｅｒｋｒｏｆａｙｍｅ￥ｆｔｍｐａｅｕｄｔ，ｏａｔｈｎｎｎｉｔｎｅ

改进自组织迁移算法及其在Bump问题中的应用

ｓｌｅｈｇ — ｉｎｉｎｌｃｎｔａｎｒｂｅ，ｏｖｉｈｄｍｅｓａｏｓｒｉｔｐｏｌｍＢＵＭＰｐｏｌｍ．ｍｅｉａｅｕｔｈＷｈｆｅｔｅｅｓｆＩＯＭＡ．ｏｒｂｅＮｕｒｃｌｒｓｌｓＯｔｅｅｃｉｎｓｏＳｓｖ
Ｋｅｗｏｄ：ｓｌ－ｒａｉｉｇｙｒｓｅｆｏｇｎｚｎｍｉｒｔｇｌｏｉｍ；ｙｒｄｍｉｒｔｇｇａｉａｇｒｔｎｈｈｂｉｇａｉｍｏｅ；ｍｐｐｏｌｍ；ｅｆＯｒａｉｉｇｎｄＢｕｒｂｅＳｌ－ｇｎｚｎＭｉｒｔｎｇｒｈｇａｉｇＡｌｏｉｍｔ
２ＳａｅＫｅａｆＳｆｒｎｉｅｒｎ，ｕａｉｅｓｙ，ｕａ３０２，ｉａ．ｔｔｙＬｂｏｏｔｅＥｇｎｅｉｇＷｈｎＵｎｖｒｉＷｈｎ４０７Ｃｈｎｗａｔ
Ｅｉ：ｙ９ｏｉｔｍｍａｌｌ２＠ｈｔｌｏｚ１１ａｄＡｐｌａｉｎ。００４（９：５２．ｕｅｎｉｅｒｎｎｐｉｔｓ２１，６１）２－６ｃｏ
ＡｂｔａｔｎｉｒｖｄＳｌＯｒａｉｉｇＭｉｒｔｇＡｇｒｈＩＯｓｒｃ：Ａｍｐｏｅｅ－ｇｎｚｎｇａｉｌｏｉｍ（ＳＭＡ）ｉｐｏｏｅｎｔｉｐｐｒｈｅｏｎｓｏｉｉ：ｆｎｔｓｒｐｓｄｉｈｓａｅ．ｅｋｙｐｉｆｉｌｎＴｔｔｅ
ＣｍｕｅＥｇｎｅｉｎＡｐｉａｉｎ计算机工程与应用ｏｐｔｎｉｅｒｇａｄｐｌｔｓｒｎｃｏ

基于SSDA的模板匹配法在指纹识别中的应用

（２）模板的位置要合适，要包括尽可能多的细节特征，由于指纹的中心点附近包含较丰富的细节特征，故实验过程中模板选择在指纹中心点附近．
（ａ）实时采集指纹图像
（ｂ）放大后的模板ｒ（４８Ｘ４８）
图２从实时指纹图像中截取模板
模板选好以后，将模板ｒ与指纹库中待比对指纹图像不同位置的子图ＳｉＪ依次求绝对误差值占（ｉ，ｊ），并与阈值咒相比较，分别记下各个位置处误差值超过阈值时累加的次数ｒ，将累加次数最大的位置点（ｉ＋，歹＋）
摘要：基于细节提取的指纹识剐算法需要进行复杂的预处理，直接Ｆ即求相关系数法计算量很大．提出了一种
结合ＳＳＤＡ和模板匹配法的指纹识别算法．试图简化处理过程，提高处理速度．其基本思想是采用序贯相似性检测
算法（ＳＳＤＡ）快速得到候选匹配子图，再通过求子图与模板的相关系数来判别两幅指纹图像是否匹配．采用指纹库中的指纹图像进行了大量实验．实验表明，该算法简化了处理过程，相对于直接Ｆｎ求相关系数法，运算速度提高了近１０倍．
起来，当累加ｒ次后误差超过瓦时，则停止累加，并记下次数ｒ，定义ＳＳＤＡ的检测曲面为
砌√）＝…。一ｒａｉｎｍ２【∑６（ｉ，Ｊ，％Ｙｋ）≥瓦】）（５）
把，（ｉ√）值大的（ｉ√）点作为匹配点，因为这点上需要很多次累加才使总误差＞１８超过瓦，如图１所示．图中给出了在Ａ、Ｂ、Ｃ三参考点上得到的误差累积增长曲线．Ａ、日反映模板ｒ不在匹配点上，这时＞Ｉ８增长很快，超出阈值，曲线Ｃ中ｙｓ增长很慢，很可能是一套准的候选点．
；
ＬＩＹａｈ—ｆｅｎｇ，ＸＵＫｅ—ｘｉｎ，ＬＩＵＪｉｎ，ＷＥＮＨｕｉ－ｚｈｉ（ＳｔａｔｅＫｅｙＬａｂｏｆＰｒｅｃｉｓｉｏｎＭｅａｓｕｒｉｎｇＴｅｃｈｎｏｌｏｇｙａｎｄＩｎｓｔｒｕｍｅｎｔｓ，ＴｉａｎｊｉｎＵｎｉｖｅｒｃｉｔｙ，Ｔｉａｎｊｉｎ３０００７２，Ｃｈｉｎａ）

基于改进模板匹配算法的靶标图像检测

ｍａｃｉｇｔｈｎ
引言
伴随现代武器系统的突飞猛进发展，靶场测试技术水平不断提高¨ 。目前，靶场所面临的实际问
题是测量目标小、距离远、目标与背景对比度低。为了提高靶场光测设备对低对比度目标的识别能力，
快速、有效的图像识别处理成为影响系统性能的关键技术之一。目前，国内已有的测试设备，都是模拟方式，其检测精度与动态范围都受到其仪器原理的限制，仍然没有打破传统的测试手段，尤其原始数据的保存及后继数据处理都难以满足现代化测试领域的需要。笔者以数字图像处理技术为基础，在靶场测
２ｏｅｅｏｌｔｎｃＳｉｃｎｎｎｅｎ，Ｊ￣ｎｖｒｔＣａｇｈｎ１０１，Ｃｉａ．ＣｌｇｆｅｒｉｃｅｅａｄＥｇｅｒｇｆｎＵｉｅｓｙ，ｈｎｃｕ３０２ｈｎ）ｌＥｃｏｎｉｉｌｉ
Ａｂｔａｔｓｒｃ：Ａｔｐｅｅｔｈｒｃｃｌｔｓｎｉｉｕｔｓｉｅｓｏｔｇｒｎｅａｅｆｍｈｔｈｏｓｓｌ，ｔｅｒｓｎ，ｔｅｐａｔａｅｔｇｄｆｃｌｅｎｔｈｏｉａｇｒｒｔａｅｇａｉｍａｌｈｉｉｉｈｎｏｔｌｄｓｎｅｉｆｒａｄｔｅｃｎｒｓｔｆｏｄｂｃｇｏｎｓｌｗ．Ａｎｖｌｔｏｆａｇｔｅｅｔｎｂｅｎｉｔｃｓａ，ａｎｈｏｔａｔａｉｏａａａｋｒｕｄｉｏｒｏｇｌｎｏｅｈｄｏｒｅｔｃｉａｄｏｍｅｔｄｏｓｄｇｔｌｉｇｒｃｓｉｇｔｃｎｌｇｓｐｏｏｅ．Ｔｅｎｗｍｅｈｄｉｉｒｖｄｂｅｎｔｅｔａｉｏａｅｌｔｉｉｍａｅｐｏｅｓｅｈｏｏｙｉｒｐｓｄａｎｈｅｔｏｓｍｐｏｅａｄｏｈｄｔｎｔｍｐａｅｓｒｉｌｍａｃｉｇ，ｗｉｈｃｎｄｔｃｈｒｓｅｔｒｏｅｔｒｅｒｃｓｌｄｑｉｋｙｉｍａｅｓｒａｉｅａｔｒｄｂｔｈｎｈｃａｅｅｔｔｅｃｏｓｃｎｅｆｔａｇｔｅｉｙａｕｃｌｎｉｇｓｉｅｌｄｃｐｕｅｙｈｐｅｎｚｔｓｎｔｍｅｔｆｓｏｔｇｒｇｅｔｉｓｕｎｈｏｉａｅ，ｔｕｈｅｐｎｙｄｎｍｉｒｏｎｎｈｓｔｅｗａｏｒｙａｃ，ｓｔｎｔｎｔｓ．ｔｉｆｃｉｅｔａｃｕｏ

自组织迁移算法

自组织迁移算法
自组织迁移算法（Self-Organizing Migration Algorithm，简称SOMA）是一种基于人工神经网络的优化算法，它模拟了生物进化的过程，
通过不断地自组织迁移来优化目标函数。

SOMA算法最初是用于解决函数
优化问题，后来被扩展应用到了其他领域，如机器学习、数据挖掘等。

SOMA算法的基本思想是：将一个目标函数空间映射到一个高维的神
经网络空间中，通过对神经网络中的神经元进行自组织迁移，不断优化目
标函数。

具体实现方式为：首先，随机生成一组初始的神经元，然后针对
目标函数的特性，定义一个距离度量函数。

在一次迭代中，根据距离度量
函数，选择一个最佳神经元作为“获胜神经元”，并将其和相邻的神经元
进行更新，使得它们更加接近目标函数的最优解。

然后，按照一定的规则
对所有神经元进行更新，使整个神经网络重新调整结构，达到更优的状态。

这个过程不断重复，直到达到预设的停止条件。

SOMA算法优点是具有较好的全局寻优能力和自适应性。

但是，由于
神经元的数量较大，算法实现复杂度较高，训练时间较长。

此外，对目标
函数特性要求较高，需要有较好的先验知识和经验。

因此，在具体应用中
需要结合具体问题进行调整。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

＝
Ｌ祝ＭＭＬ
收稿日期：１０２０２０— ６— ２
寻优群体在问题空间中的迁移运动，逐步达到或接近最优解。ＳＭ算法描述简单，ＯＡ应用广泛，能应用到所有整数、离散和连续变量问题的优化，同时ＳＭＯＡ算
法所需要调整的参数也比较少，易于并行化。但经典ＳＭ在寻优过程中，ＯＡ很大程度上受早期发现的较好解的影响，这些较好解以极大的概率引导ＳＭＯＡ走向局部最优解【。为了避免陷入局部最优解，２】同时又能
自组织迁移算法相比，有效地提高了匹配精度，穷举方法相比，大地提高了匹配速度。与极
关键词：自组织迁移算法；模板匹配中国分类号：Ｐ７Ｔ２４文献标识码：Ａ文章编号：６４３４２１）＿（珥０ｌ１７－Ｘ（００８ｏ４Ｘ作者简介：杜发启（９４一）男，１５，湖北武汉人，副教授，研究方向为系统结构和图像处理。
ｒｈＳＭ）ｉｍ，ＯＡ是一种新型的基于群体随机优化的演化ｔ算法，它借鉴生物群体中常见的合作与竞争现象，指导
Ⅳ
．
∑ ∑ （，Ｓｍ，）ｍ，）（，１１
ｌＭＮ
兰＝＝一Ｍ｜
Ｎ
＝＝＝
（）１、
√
［（，） √∑ ［（，１ｍｎ］，ｍｎ）２
的相关性进行匹配。穷举方法是匹配精度最高的传统
算法，但是随着待匹配图像和模板规模的增加，其时间复杂度以平方的规模增长，从而导致处理的信息量大，
计算复杂度高，计算时间长等缺点。自组织迁移算法（ｅ — ｒｎｉｉａｎｌ — ＳｌＯｇｉｎＭｇｔｇｓｆａｚｇｒｉＡｏ
常用的模板匹配算法：一类是通过挑选出的图像中的
化互相关系数；３第节给出经典的ＳＭＯＡ算法；４第
节详细描述了结合动态迁移步长和混合迁移策略的改进ＳＭＯＡ算法，并分析其特点；５第节对算法进行了实
验并给出相关结论。特殊点（如拐点和角点）进行匹配模板匹配；另一类是２归一化互相关模板匹配直接对待匹配图像和模板进行操作，通过区域（圆如归一化互相关模板匹配方法通过计算模板图像和
匹配图像ｓ上平移，模板覆盖待匹配图像区域为子图ｓ其中ｉ，Ｊ为子图左上角像素在待匹配图像上的坐
标。当互相关值取最大值时的子图位置，就是模板在待匹配图像中的匹配位置。最常用的计算互相关值的公式如下 ¨：Ｒ）（Ｊ＝
ＪＩｆ
．
一
第二类算法中最经常采用的一种相似性度量是归化互相关系数，它利用像素灰度值等原始数据之间
杜发启
（湖北第二师范学院计算机学院，武汉４００）３２５
摘要：究运用自组织迁移算法进行图像模板匹配，出了一种基于改进的自组织迁移算法的模板匹配方法。通过将研提
动态迁移步长和混合迁移策略引入自组织迁移过程，高匹配寻优精度。实验结果表明，提改进的自组织迁移算法与其它
２１００年８月
湖北第二师范学院学报
ＪｕｎｌｏｂｉＵｉｅｓｔｆＥｕａｉｎｏｒａｆＨｕｅｎｖｒｉｏｄｃｔｙｏ
Ａｕ．００ｇ２１
第２卷第８７期
Ｖ０．７Ｎ．１２ｏ８
基于改进自组织迁移算法的模板匹配
形、矩形）的属性（如灰度信息、频域信息）的比较来反映它们之间的相似性。但是在大多数情况下，收集特殊点非常的困难，以第二种方法的应用更加广所
泛 ¨。
模板（如图１所示）的互相关值确定两者的匹配程度，互相关值越大，它们的匹配度越高。模板Ｔ叠放在待
加快算法的寻优速度，文研究了一种改进的自组织本迁移算法，将动态迁移步长和混合迁移策略引入白组
・
ｄ・
｜
【
幻０其中＿，，・＝，『＝１ … ｎ（）４杂交算子：在标准ＥＡ中“ 杂交” 算子通常基
１ｌ，ｌ
．
于前一代个体的信息来创建新个体。与之对应，在基于对智能生物合作行为模拟的ＳＭＯＡ中，Ｎ维超平在面上个体迁移的新位置序列的生成，以被认为是通可过特殊操作获取的一系列新个体，也就是 “ 杂交 ” 后代。个体迁移行动如下述公式所示：
１引言
织迁移过程，更好地保持寻优过程中的种群多样性，进而获得更好的算法优化性能。本文的结构如下：２节介绍用于模板匹配的归第
一
模板匹配是一类重要的图像处理方法，广泛应用于目标识别、图像检索、虚拟现实等领域。在模板匹配
中， —个待判定的对象，即模板，在一个待匹配图像的区域内被比对，通过待匹配图像和模板之间的相似性度量确定模板在待匹配图像中的位置。目前有两类最
其中，模板的大小为ＭｘＳ（ｎ和（ｎＮ，ｍ，）ｍ，）
分别表示子图Ｓ和模板上坐标为（ｎ处的灰度ｍ，）值。上式中除分母的第一项为模板的能量，始终为常量外，其余两项都随着模板在待匹配图像上的平移后覆盖的子图Ｓ的改变而改变，ｕ每次平移均需重新计算。当模板Ｔ与子图ｓ完全匹配时取得最大值１因，此可以利用归一化互相关方法进行模板匹配，这种方法具有很高的准确性。然而，正如我们前面提到的，这