[发明专利]一种基于蚁群智能的无人机机器视觉图像匹配方法

说明书

(一)技术领域

本发明涉及一种基于蚁群智能的无人机机器视觉图像匹配方法，属于航空技术领域。

(二)背景技术

无人机(Unmanned Aerial Vehicle)是一种有动力、可控制、能携带多种任务设备、执行多种作战任务并能重复使用的无人战术飞行器。由于其零伤亡风险和高机动性等优势引起了各国军方的高度重视。

机器视觉就是用计算机模拟人眼的视觉功能，对“目标图像”进行数字化，从图像或图像序列中提取信息，对客观世界的三维景物和物体进行形态和运动识别，并通过计算机处理进行判断，最终用于实际检测、测量和控制。机器视觉在无人机方面可用于自动监视目标，

自动发现、跟踪运动目标，自动巡航捕获目标和确定距离。

机器视觉在无人机中的应用原理：摄像机被固定在无人机的整流罩上，摄像机利用动态图像识别与跟踪算法，向控制系统反馈目标和自身(无人机)的状态与位置信息，使无人机跟踪静止或运动中的目标，始终保持目标处于视野的正中位置。其工作原理如图1所示。

在机器视觉中，往往需要对从不同传感器获得的同一个物体区域的两幅图像或者是同一个传感器在不同的时间获得的同一个区域的两幅图像进行比较。为了进行这种比较，需要将两幅图像进行空间的一个配准，这就是图像匹配所完成的工作。因此，图像匹配是机器视觉实现过程的核心。

图像匹配问题实际上可以看作一个优化问题，其目的是寻求在参考图和待匹配图像之间的最优相似，因此可以采用优化问题的许多种传统的搜索方法来寻找最优解，包括模拟退火算法、遗传算法、动态规划、神经网络等。国外Meshoul S对图像处理中的点匹配问题作了仿真研究，并与神经网络作了实验对比；国内很多大学采用遗传算法、神经网络等人工智能技术对图像匹配问题进行了一些研究工作：有不少研究人员对利用遗传算法的图像匹配问题进行了有益的探索，还有学者曾研究了基于蚁群行为的影像纹理分类问题；等等，但是这些研究大多存在计算量大、实时性差等问题。

本发明设计了一种基于蚁群智能的无人机机器视觉图像匹配方法，在用蚁群算法对无人机机器视觉图像匹配的过程中采用了蚁群智能的如下特点：

(1)在蚂蚁不断散布生物信息激素的加强作用下，新的信息会很快被加入到环境中。而由于生物信息激素的蒸发更新，旧的信息会不断被丢失，体现出一种动态特性；

(2)由于许多蚂蚁在环境中感受散布的生物信息激素同时自身也散发生物信息激素，这使得不同的蚂蚁会有不同的选择策略，具有分布性；

(3)最优路线是通过众多蚂蚁的合作被搜索得到的，并成为大多数蚂蚁所选择的路线，这一过程具有协同性；

(4)蚂蚁个体之间、群体之间以及与环境之间的相互作用、相互影响、相互协作，可以完成的复杂的任务，这种适应性表现为蚁群算法的鲁棒性；

(5)自组织使得蚂蚁群体的行为趋向结构化，其原因在于包含了一个正反馈的过程。这个过程利用了全局信息作为反馈，正反馈使系统演化过程中较优解的自增强作用，使得问题的解向着全局最优化的方向不断变化，最终能有效地获得相对较优解。

由于传统的图像匹配方法很难做出实时的匹配计算，而蚁群算法的并行性、协同性、自组织性、动态性、强鲁棒性等特点与图像匹配的许多要求是相符的。本发明所提出的基于蚁群智能的图像匹配方法，可有效地解决无人机机器视觉图像匹配技术中计算量大、实时性差等问题，使处理问题更具实时性、适应性和鲁棒性。同时，该方法也可用于解决其它图像处理问题。

(三)发明内容

蚁群算法是一种最新发展的仿生智能优化算法，该算法模拟了自然界蚂蚁的群体觅食行为。自然界中，蚂蚁通过相互协调完成相对其本身来说比较艰巨的任务，科学家发现蚂蚁总能在较短的时间寻找到其巢穴与食物源之间最短的路径。蚁群算法最早用来成功地解决了著名的TSP。目前人们对蚁群算法的研究已经由当初单一的旅行商问题领域渗透到了多个应用领域，由解决一维静态优化问题发展到解决多维动态组合优化问题，由离散域范围内的研究逐渐拓展到了连续域范围内的研究，而且在蚁群算法的硬件实现上也取得了很多突破性进展，从而使这种新兴的仿生优化算法展现出勃勃生机和广阔的发展前景。

蚁群算法的主要特点是：正反馈、并行性及分布式计算。正反馈过程使得该方法能较快地发现问题的较好解；分布式易于并行实现，与启发式算法相结合，使得该方法易于发现更好的解。