基于改进遗传算法的图像匹配定位

《基于改进遗传算法的图像匹配定位》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、基于改进遗传算法的图像匹配定位傅超斌南幵来杭州电子科技大学计算机学院为了提高彩色图形匹配效率，提出一种针对大图搜索匹配的改进遗传算法搜索策略。针对图像匹配问题的特点，以及根据遗传算法的优化策略，对苏初始种群及交叉变异操作进行改进，从而加快图形匹配定位速度，提高其结果的可靠性。关键词：遗传算法;优化策略;图像匹配定位;。ImagematchingandlocationbasedonimprovedgeneticalgorithmFuChaobinNanKailaiCollegeofComputer,HangzhouDianziUniversity;Abstract：Inordert

2、oimprovetheefficiencyofcolorimagematching,animprovedgeneticalgorithmsearchstrategyisproposed.Accordingtothecharacteristicsoftheimagematchingproblem,andaccordingtotheoptimizationstrategyofgeneticalgorithm,theinitialpopulationandcrossoverandmutationoperationareimproved,thustospeedupthematchingp

3、ositioningspeedandimprovethereliabilityoftheresults.Keyword：geneticalgorithm;optimizationstrategy;imagematchingandlocalization;0引言遗传算法在边界搜索(BlindSearch)、组合优化(CombineOptimization)、机器学习(MachineLearning)领域有不少的应用U1。图像匹配是计算机视觉的一个关键技术，遗传算法搜索法是图像匹配中一种常用的搜索法，通过图像匹配可以快速确定待匹配大图像屮是否有A标图像，若有则可同时确定其位置。1遗传

4、算法的基本原理[2]1.1遗传算法概念遗俾算法(GeneticAlgorithm,GA)是模拟生物进化过程的遗俾选择和自然淘汰的计算模型，是由美国学者Iblland于1975年首先提出m。其基本思想很简单:一个原始问题的参数被转换成一些基因编码，通常被表示为二进制染色体。初始的染色体个体都是随机生成的，然后根据一些标准来评判其个体的适应度。个体适应度的优劣决定了其染色体继续影响搜索的机会。适应度越优的个体也越有可能被选择作为创建下一代的一部分，通过不同个体间的随机信息交换，使得优秀个体不断被保留遗传，从而不断产生更优的染色体。后代继承了直系祖先的大部分基因信息，且整体优于祖先群体

5、，进而使其种群不断往优发展。1.2理论基础Holland提出的模式定理奠定了遗传算法的数学基础，其数学表达形式为：其中，m(H，t+1)为t+1代中模式H的个体数，m(H，t)为t代中模式H的个体数，f(H)为t代中模式H的个体平均适应度，泖f为t代种群中所有个体的平均适应度，Pf，和Pn分别为交叉和变异概率，S(H)和0(H)分別为模式H的定义矩和模式阶，1为染色体长度。积木块假设：由模式定理可看出，具有低阶、短定义矩以及平均适应度高于群体平均适应度的模式在子代中将以指数级增长。而通过短定义矩、低阶以及高平均适应度的模式，在遗传操作下接近全局最优解，即积木块假设。1.3基本遗传

6、算法基本的遗传算法根据问题选择编码方式，把参数集合域映射到位串空间;确定适成度函数;确定种群规模N、交叉概率P、和变异概率P.等算法参数。主要有以下几个步骤：（1）初始化随机生成的初始种群；（2）根据适应度函数，计算种群个体适应度;若已达最大迭代次数，则跳出结束遗传算法，否则继续执行；（3）执行轮盘赌选择操作；（4）根据交叉算子生成新的后代；（5）根据变异算子对新后代进行变异操作，然后重新执行步骤（2）。图1基本遗传算法流程图算法流程图如图1所示。2算法应用[4-5]2.1匹配问题描述假设搜索图为NXM像素的图像P和nXm像素的模板T，令％为以（i，j）为左顶点坐标的nXm像素的

7、子图。图像匹配搜素即通过在待搜索图P屮移动nXm像素的模板T寻找与T一致的子阁可用类间方差来衡量其模板T和子阁之间的相似度判别函数：采用归一化衡量相似度判别函数:其中0