视觉伺服控制算法优化综述
视觉伺服控制算法优化综述
摘要：系统论述了视觉伺服控制的应用现状。重点介绍了针对不同的实际情况，提出优化的基于位置的视觉伺服系统和基于图像的视觉伺服系统的控制算法。优化后的算法效率高，具有很强的有效性和可行性。优化后的控制系统功能更强，更精确有效。
关键词：视觉伺服;优化;算法
Survey of Visual Servoing control algorithm
Abstract:The application status of the visual servo control are reviewed . For different realities , we put fortward an improved position-based visual servo systems and image -based visual servo control algorithm of the system. High efficiency of the improved algorithm has strong effectiveness and feasibility. The improved control system functions stronger, and become more precise and effective.
Keywords:Visual Servoing;improve;Algorithm
1 引言
随着科技的快速发展，在现代工业自动化生产过程中,机器视觉正成为一种提高生产效率和保证产品质量的关键技术,如机械零件的自动检测、智能机器人控制及生产线的自动监控等。
基于视觉的伺服策略是采用相机所观察的特征来控制机器人移动的一种灵活有效的方法。视觉伺服主要分为3种：基于位置的视觉伺服(PBVS)、基于图像的视觉伺服(IBVS)和混合控制视觉伺服。早期的研究主要是基于位置的视觉伺服研究，近年来主要是基于图像的视觉伺服研究。
PBVS的反馈偏差在3D笛卡尔空间进行计算，IBVS的反馈偏差在2D图像平面空间进行计算。PBVS 的控制方式直接在笛卡尔空间下进行位姿估计和运动控制，具有很好的直观性和简单有效性。IBVS的控制方式其期望给定值直接以图像特征信息表示，所以不需要将特征信息投影逆变换到工作空间的过程，因此基于图像的控制方式对标定误差和空间模型误差不敏感，具有更高地定位精度，为多数的视觉伺服系统所采用。
2 视觉伺服控制算法
在进行任何一个基于伺服控制的控制系统的分析、综合或设计时，首先应建立该系统的数学模型，确定其控制算法。它反映了系统输入、内部状态和输出之间的数量和逻辑关系，这些关系式为计算机进行运算处理提供了依据。控制算法的正确与否直接影响控制系统的品质，甚至决定整个系统的成败。
2.1 基于位置的视觉伺服算法的优化
对于不同的功能要求，采用传统的基于位置的视觉伺服控制算法，常常造成稳定性不够、精度不够、准确性不足等问题，我们需要对算法进行优化处理，来满足要求。
例如，针对家庭环境中服务机器人物品的抓取问题，提出一种改进的基于位置的视觉伺服抓取算法。该算法主要包括4个部分：
1.基于Naomark 标签的物体识别，根据Naomark的ID确定抓取方式，并利用世界单应分解算法对目标物位姿进行估计。
通过在具有不同形状和特征的各类物品上布置Naomark 标签的方式，可以实现被操作物的快速识别与定位，从而解决家庭环境中物品种类多、操作方式复杂带来的困难。
利用Hough 变换和边缘检测可以得到Naomark 的各特征点。
2.对NAO机器人的五自由度手臂进行运动学建模，计算出运动学正解和逆解。
NAO 手臂具有5个自由度，其结构图如图2-1所示。肩膀处有俯仰和横滚
2个自由度，肘部具有偏转和横滚2个自由度，腕部具有偏转1个自由度。除此
之外，手爪具有1个张合自由度。
根据确定好的各连杆坐标系，可以得到Modified Denavit-Hartenberg 运动学
参数。由此可确定NAO 手臂的运动学模型。如图2-2所示。
图2-1 NAO 手臂的结构图 图2-2 NAO 手臂的各连杆坐标系
3.设计单臂抓取和双臂抓取的PBVS 控制律，并提出双臂抓取在运送物品过程中
需满足的条件；
(1)单臂抓取的PBVS 控制律：
PBVS 控制律是根据摄像机测得的物体位置求出抓取成功时的
可按式计算。
( ( ( (2.1)
根据求得的e r T 和运动学逆解可得到各关节的期望角度值 ，定义误差
*θθ-=e ，设定关节控制量为e 的10%，每次关节移动后，进行实时视觉反馈得到最新的期望角度值和实时关节值采样得到最新的误差，重复此过程让末端执行
器逐步逼近物品完成抓取。
(2)双臂抓取的PBVS 控制律：
由获取到的抓取成功时末端执行器与目标物体坐标系的相对位姿
与R O T ， 可由式算出 R r T 、L r T ， 运动学逆解出左臂和右臂各关节的期望角度值，
控制左臂和右臂逐步逼近目标物体完成抓取。
(2.2)
(2.3)
抓取成功后，左臂、右臂、物体构成一个闭式运动链。
（3）在抓取到物体进行运送的过程中,双臂的位姿需要满足约束关系。
(2.4)
(2.5)
*θ
e r
T L o
T
其中，
1
)
(-
=
O
R
O
L
R
L T
T
T是个常数阵，在物品运送过程中应保持不变。
4.引入路径规划，对原有 PBVS 算法进行改进。在整个抓取控制过程中，利用基于位置的视觉伺服原理设置路径点{ p 1 ，p 2，…，p n} 能很好的解决这个问题，该末端执行器到达各路径点处的位姿通过相对于目标物坐标系的旋转平移关系
Pi
O T确定，PBVS 控制原理图如图2-3所示。
图2-3 增加路径点的PBVS控制原理图
这样控制过程被分成n + 1 段，机械臂末端执行器由初始位置到达各路径点，再由第n个路径点趋近并到达目标位姿完成抓取。控制律为： (((( (2.6)
(2.7) 2.2 基于图像的视觉伺服算法的优化
为了满足不同的功能需求，在基于图像的视觉伺服控制的基础上，必须优化算法，改进方法，更好的实现功能。
2.2.1极线几何与三角几何算法相结合
运用已找到的特征点，如图2-4使用极线几何与三角几何的特点来控制机器人运动，使之到达目标位置。在整个过程可以由两步来实现。
第一步为调整实际视角相机的方向，使之与目标视角相机方向一致；调整初始位置的机器人方向，使之与目标位置机器人方向一致。
第二步为移动机器人，使之到达目标位置。此时平移可以采取上三角形平移与下三角形平移两种方式。
图2-4 全景相机的极线几何模型
2.2.2 立体视觉算法和设备跟踪算法相结合
此类视觉伺服系统是将立体视觉算法和设备跟踪算法相结合，通过目标跟踪算法和卡尔曼滤波算法完成设备区域的提取和跟踪，立体视觉跟踪算法被限定在设备跟踪窗内的有限区域内，有效降低了算法运算量，大大提高了算法的实时性。系统通过双目立体视觉算法实现设备三维信息的准确获取，并将该位置信息反馈机器人控制系统，形成伺服控制系统。
此类算法已经用于高压带电作业机器人视觉伺服系统。
高压带电作业机器人视觉伺服系统由机器人控制单元、高压带电作业机器人、双目相机和视觉定位单元组成。如图2-5所示。
图2-5 高压带电作业机器人视觉伺服系统框图
图2-6为视觉定位方法的流程框图。其中，初始化操作作用是人工指定图像中要操作设备的感兴趣区域；卡尔曼滤波用于消除设备跟踪过程中出现的错误，提高跟踪的准确性。
图2-6 视觉定位流程图
2.2.3 视觉阻抗补偿
随着计算机视觉技术的发展，可以对运动目标进行实时的视觉检测，获取机
器人末端和运动目标的位置，将视觉反馈信息与阻抗控制相结合，使机器人系统跟踪目标阻抗，并保证阻抗跟踪误差的渐近收敛。
基于视觉阻抗补偿的运动目标捕捉系统结构如图2-7所示，其根据视觉阻抗反馈控制机器人末端快速接近运动目标，实现对运动目标的捕捉。
图2-7 视觉阻抗控制系统结构
基于CMAC 网络的视觉阻抗反馈补偿能根据视觉反馈误差，对位置控制器的输出进行补偿，确保得到平稳柔顺的期望阻抗。
2.2.4 基于DSP 系统的视觉伺服
将视觉伺服应用于涂胶过程中，把视觉系统嵌入涂胶机器人系统的反馈回路中，实现机器人高精度控制。在图像信息中进行胶线曲线提取，使用形态学的方法进行胶线曲线细化，得到胶线骨架信息，判断胶线闭合性，检测胶线的质量。
涂胶机器人采用CCD+DSP的架构，系统包括机器视觉伺服和涂胶机器人两个部分。
系统软件模块主要包括工件识别模块、胶线NC 代码生成模块、胶线质量检测报警模块等。
工件识别技术是本文软件模块的重要环节，主要通过零件存在性及相似性判断来识别工件。图像矢量化技术、工件骨架提取和零件骨架拟合是胶线 NC代码生成模块的重要技术。
变速箱的密封性能是靠完整连续的胶线实现的，所以胶线的质量是必须要检测的一个重点。
首先进行图像采集，在该图像中提取胶线信息。
使用直接色彩判断无需过多计算，速度快，适用于嵌入式系统。然后再用形态学腐蚀的方法细化胶线曲线。
再对图像进行阈值分割，提取出胶线信息后，采用拉普拉斯算子对胶线的二值图像进行边缘检测，当拉普拉斯算子输出出现过零点时，就表明有边缘存在。
然后，通过边缘跟踪，来判断提取胶线断点，并做出断点报警。
2.2.5 基于视觉伺服的航天器实际控制算法
在实际飞行控制中，设雅克比矩阵伪逆的估计值为
L?，则我们可以将控制
e
律设计为：
(2.8)
由于相机与航天器固连，其速率可等效为被控对象的速率，这种算法将被控对象作为理想的定位设备，没有考虑运动机构的实际跟踪能力和动力学特性，仅用一个微分环节代替，故算法的速率输出是理论值。在实际控制中应作为控制器的输入连入回路，在设计合理的速度控制律的同时，还应考虑其在空间轨道的相对运动及执行机构的控制能力和控制方案。
考虑一类带动量轮系统的航天器，利用飞轮机构的转动惯量变化产生的反作用力矩来对轨道舱进行姿态机动控制。其设计基于速度偏差的PD 控制律：
(2.9)
相机以及被控对象的笛卡尔路径会出现不期望的运动。其在光轴方向会远离目标，再返回，称为摄像机回退现象。在极端情况下，如大角度机动，z方向的回退会过大而导致系统不稳定。
为了解决这个问题，考虑将z 轴的旋转和平移与其他两个轴的旋转和平移分开控制，即选择不同的特征向量和控制律。用数学形式表示即为:
(2.10)
2.2.6图像矩和矢量积法
针对“眼在手上”六自由度机械臂系统，提出一种基于图像的视觉伺服控
制。通过图像矩和矢量积法，建立机器人正向、逆向运动学模型，引入雅可比矩
阵解决机器人逆运动学解析问题．建立了图像矩特征变化量和笛卡尔空间的关节
角速度之间的映射关系即复合雅可比矩阵，由矩特征变化量得到伺服过程中六自
由度机器人各关节角速度。保证在图像逼近期望图像时，机械臂末端到达期望位
置，并且此时关节角速度将收敛到零。
一般情况下，图像矩的定义为：
(2.11)
假定在任何运动过程中，图像点的像素灰度值是不变的，即 ，于是基于图像矩的视觉伺服控制：
(2.12)
图像矩的重心和面积可以代表物体在三维Euclidean 空间的位置， 因此选取
图像特征向量T g g a y x s ],,[=，期望位置图像特征向量T g g a y x s ],,[***
*=，所以与所
选取特征相关的图像雅可比矩阵表示为:
(2.13)
考虑机械臂运动学方面，由于摄像机固定在机械臂的末端，故机械臂末端坐
标系原点的线性速度与摄像机坐标系原点的线性速度相同。机器人雅可比矩阵
C J 可以反映机械臂末端笛卡尔空间速度与关节空间速度之间关系。
使用DH 表示法确定各个旋转关节坐标系。先需定义机械臂的初始位置， 然
后， 使用DH 方法建立基坐标系以及各个关节坐标系。
建立了关节坐标系后，根据相邻关节坐标系确定关节的DH 参数表。
在矢量积求解机器人雅可比矩阵时，仍然以六自由度机械臂的末端执行器为
分析对象，该执行器的速度可以表示为坐标系6坐标原点的速度矢量及平移运动
矢量，以及坐标系6转动角速度矢量。
由运算可得：
(2.14)
0),(=??t y x I
2.2.7并行分布补偿( PDC) 控制方法
运用张量积( TP) 模型变换将视觉伺服系统模型转换为线性时不变系统的凸组合形式。
将图像特征误差作为系统状态向量，对公式运用有限差分方法，视觉伺服系统可表示为线性参变状态空间模型的形式:
(2.15)
视觉伺服系统可转换为TP模型的形式:
(2.16)
根据并行分布补偿原理将视觉伺服系统的控制变量通过求解线性矩阵不等式的凸优化问题获得，其可行解保证视觉伺服系统的闭环渐进稳定性。
该方法除了能够避免直接求解图像雅可比矩阵的逆而无需考虑图像奇异问题外，还易于处理系统约束，根据执行器的机械限制有效规划控制信号的强度。
2.2.8无标定视觉伺服算法
该算法是基于动态的方差最小化原理控制机械臂，采用动态的拟牛顿法估计图像雅克比矩阵，为改善系统的输出响应也对动态残差项进行了估计，增强了无标定视觉伺服理论的实用性。
此算法已经广泛应用于食品分拣机械臂作业。
系统的控制算法的实现目标是随着目标食品物体的运动，通过安装在分拣机器手上的摄像机所获得的信息，驱动分拣机器手随着目标食品的运动而运动，以使摄像机和目标食品的相对位置保持不变。将针对摄像机固定的控制算法直接应用于“眼在手上”系统中，会导致系统对目标物体的跟踪不精确。在“眼在手上”系统中摄像机要在任务进行过程中随着机器手的运动而运动，所以针对此类系统，需要对摄像机运动而引起的图像雅可比矩阵的变化做出估计，而图像雅克比矩阵关于时间的变化量需要计算。
根据非线性方差最小化原理，推导眼在手上系统的无标定视觉伺服策略。
(2.17)
图像雅克比矩阵仅仅是一个关于机械臂关节角的函数，针对摄像机固定系统
的无标定视觉伺服算法不再适合“眼在手上 ”系统，因此需要估计出由摄像机
运动引起的图像雅克比矩阵的变化量。
(2.18)
当动态残差项较大时，k S 的值可能出现大于k T k J J 的情况，这时如果省略掉
k S ，系统的响应会变坏，严重的还无法完成跟踪任务。因此，提出了对k S 的估
计。
综上所述，这种的摄像机固定系统的动态无标定视觉伺服算法可总结为：
(2.19)
(2.16)
“眼在手上 ” 系统的动态无标定视觉伺服控制的算法可表示为：
(2.20)
2.2.9无源化控制方法
对于手眼机器人双目视觉伺服系统控制对象，提出基于无源化方法的双目视
觉伺服控制器，使得机械手能够渐近收敛到期望位置。同时，证明系统具有全局
渐近稳定性，采用的双目视觉模型无需获取视觉系统的深度信息，改善了系统的
动态性能。
由物体上的n 个特征点构成的视觉伺服系统的状态方程为：
(2.21)
对于给定的控制对象，采用无源化设计方法设计控制器，使得对于任意初始
位置，机械手渐近收敛到期望位置，基于图像误差完成定位任务。
（1）如果存在光滑可微存储函数：
(2.22)
及控制输入u ，使得系统满足如下耗散不等式，其中 Q( m)为正定函数。
(2.23)
那么，就称系统为严格无源的。
当0,0==z u 时，系统有*m m ?→?
，则期望点 m* 是可检测的。 （2）系统如果存在（1）中存储函数V(m) 使系统是严格无源的。
该系统在平衡点 m* 是可检测的。则使闭环系统在期望点 m* 是全局渐近
稳定的控制律为：
(2.24)
可知，，时当0,0*==≤V m m V 又由平衡点 m*是可检测的，所以有
*m m ?→?。
故由LaSalle 不变集原理，该系统的平衡点m 的全局渐近稳定性得证，即机
械手能够稳定地由初始位置运动到期望位置。
2.2.10自抗扰视觉伺服控制及小生境粒子群算法
针对自抗扰控制器需要整定的参数较多，参数间相互影响，整定困难的特点，
可采用小生境粒子群算法对自抗扰控制器参数进行整定优化。
小生境算法能在优化中找到多个解，从多个解中再选出最好的解，就可能使
优化问题达到全局最优或达到更好的局部最优。
根据粒子间的距离划分每个粒子的小生境群体，在每个小生境群体内再利用
PSO 算法的进化机制对群体内的每个粒子进行位置及速度的更新。
采用共享机制对更新后的群体再进行适应值的更新。
图2-8 小生境粒子群和标准粒子群优化工程比较图
小生境PSO算法优化性能较高，适合于自抗扰控制器的多参数优化问题。
ADRC的主导思想：通过简单的TD，对系统的状态及状态的各阶微分进行跟踪控制：通过ESO估计被控对象的状态及模型和外扰的综合扰动项，得到广义状态误差，进而前馈补偿扰动项。典型的二阶自抗扰控制器结构如图2-9所示。
图2-9 自抗扰控制器结构
经分析，TD参数整定具有相对独立性，因此经常需要调节的控制器参数分布在ESO和NLSEF之间。为协调二者之间参数的相互影响，采用粒子群优化算法对主要性能影响参数屈(f=l，2，3，4，5)进行优化。
例如，基于自抗扰的挖掘机器人工作装置控制系统结构如图2-10所示。
图2-10 挖掘机器人自抗扰视觉伺服控制系统
2.2.11 超级扭矩控制算法
对于基于图像的视觉伺服控制，我们可以扩展现有的使用三焦张量（TT)作为源图像进行测量，可以有效的避免出现奇异点问题。
我们可以从虚拟目标中设计一个单控制器，这个虚拟目标是源于真实目标的垂直位移。单控制器能够调节机器人朝着我们所需要的进行配置，不存在局部极小值问题。
基于TT的虚拟目标视觉伺服控制方法如图2-11所示。
图2-11 基于TT的虚拟目标视觉伺服控制方法图
从实际目标，创建虚拟目标图像生成装置如图2-12所示。
图2-12 虚拟目标图像生成装置
引入一种超级扭矩的控制方法，可以保证连续控制的输入，还具有较强的鲁棒性能。
为了缓解传统的滑动模式控制（SMC）的不连续计算控制输入导致的抖动问题，开发出高阶滑模理论（HOSM）。特别是二阶滑模控制，即被称为超扭矩算法（STA）有效的应用于机器人的视觉伺服控制中。这种控制方式具有连续输入的较强的鲁棒性。此外，不需要滑动表面的时间导数来衡量。
使用STA方法有以下两个原因：
（1）为了从一个适当的期望定位轨迹方向校准横向偏差，必须定义为一个未知函数，它从编译时，引入了一个未知扰动。
（2）由于图像噪声所产生的不确定扰动在方程的误差系统中必须被消除。
STA方法应用如下：
(2.25)
3 结论与展望
本文主要论述了针对不同的实际问题，对传统视觉伺服控制系统的算法进行优化，从基于位置视觉伺服和基于图像视觉伺服两个方面分别介绍了不同的优化和改进的具体方法。改进后，算法效率明显提高，有很强的有效性和可行性。系统的控制准确性和稳定性进一步增强。
未来，视觉伺服仍然将是机器人领域研究热点之一，我们还应该进一步结合不同的实际问题，优化算法，解决全局渐进稳定性、图像噪声的抑制、物体的深度信息获取等问题。
4 致谢
在此，我想感谢老师这学期的教学指导。课堂上，他通过很多实际案例，教授了我们很多关于现代控制理论的知识，并让我们懂得怎样把理论知识用于解决实际工程问题中去。同时，我也从他身上学到很多为人处世的道理。
参考文献
[1] 袁丽，田国会，李国栋等.NAO机器人的视觉伺服物品抓取操作[J].山东大学学报：工学版，2014,44（3）:57-63.
[2]杨少平，陈雄，孔庆生等.采用全景相机的移动机器人视觉伺服[J].计算机工程与设计，2010,31（19）：4261-4264.
[3]陈星，郝矿荣，丁永生等.多气囊柔性试衣机器人的视觉伺服控制仿真[J].计算机仿真，2014，31（10）：381-385.
[4]王振利，鲁守银，李健，赵玉良，吕曦晨等.高压带电作业机器人视觉伺服系统[J].制造业自动化，2013,35(7):69-72.
[5]邝宏武，郝矿荣,丁永生等.机器人捕捉运动目标的动力学视觉伺服方法[J].计算机工程，2010,36（18）：232-237.
[6]李永哲，张翰翔，赵延婷，孙艳彬，安逸等.基于 DSP 系统的视觉伺服涂胶机器人设计[J].信息通信，2013（6）：73.
[7]李优新,毛宗源,田联房等.基于人工免疫和图像直接反馈的视觉伺服控制[J].华南理工大学学报：自然科学版，2009,37（5）：54-58.
[8]黄金凤，安福波，李占贤等.基于视觉伺服的AGV小车停车精度[J].河北联合大学学报:自然科学版,2012,34(3):84-88.
[9]张烨，邢超，张科等.基于视觉伺服的飞行器交会对接技术[J].西北大学学报:自然科学版,2013,43（1）：50-54.
[10]曾祥进，黄心汉等.基于视觉伺服的自主微装配方法[J].计算机工程，2011,37（20）：16-20.
[11]董志丹，刘士荣，姜宏超等.基于图像矩和矢量积法的六自由度机械臂视觉伺服控制[J].上海理工大学学报,2013,35(3):221-226.
[12]王婷婷，刘国栋等.基于图像视觉伺服的PDC控制方法[J].控制工程，2013,20(2):334-338.
[13]张立见，田秋红，谢森栋，陈本永等.基于无标定视觉伺服的激光标记自动跟踪视频引伸计控制系统设计[J].浙江理工大学学报:自然科学
版,2014,31(3):292-296.
[14]王福斌，刘杰, 陈至坤,焦春旺等.基于小生境粒子群优化的挖掘机器人自抗扰视觉伺服控制[J].机械工程学报，2012,48（1）：32-38.
[15]庞明,郝艳玲等.食品分拣机械臂无标定视觉伺服控制技术的研究[J].
农机化研究，2010,12:28-31.
[16]梅志立，陈国栋等.消防机器人视觉伺服控制系统研究[J].武警学院学
报,2013,29(10):94-96.
[17]邹立颖，苗凤娟，陶佰睿，朱磊等.一种双目视觉伺服系统的无源化控制方法[J].制造业自动化，2014,36（3）：8-10.
[18]许宏泉,吴定刚,谢红胜等.一种用于航母自动着舰的视觉伺服技术[J].舰船科学技术，2013,35（7）：74-82.
[19]Jorge Pomares , Ivan Perea, Carlos A. Jara, Gabriel J. Garca, Fernando Torres.Dynamic visual servo control of a 4-ax is joint tool to track image trajectories during machining complex shapes[J].Robotics and Computer-Integrated Manufacturing.2013,29:261-270.
[20]H.M. Becerra , J.B. Hayet , C. Sagüés .A single visual-servo controller of mobile robots with super-twisting control[J].Robotics and Autonomous Systems.
2014,62:1623-1635
[21]Florent Le Bras1, Tarek Hamel, Robert Mahony ,Aurelie Treil.Output feedback observation and control for visual servoing of VTOL UA Vs[J].INTERNATIONAL JOURNAL OF ROBUST AND NONLINEAR CONTROL.2011,21:1008-1030. [22]Tassanai Banlue, Pitikhate Sooraksa, and Suthichai Noppanakeepong.A Practical Position-based Visual Servo Design and Implementation for Automated Fault Insertion Test[J].International Journal of Control, Automation, and
Systems.2014,12(5):1090-1101.
[23]Geraldo Silveira.On intensity-based 3D visual servoing[J].Robotics and Autonomous Systems.2014,62:1636-1645.
目标跟踪相关研究综述
Artificial Intelligence and Robotics Research 人工智能与机器人研究, 2015, 4(3), 17-22 Published Online August 2015 in Hans. https://www.wendangku.net/doc/24897743.html,/journal/airr https://www.wendangku.net/doc/24897743.html,/10.12677/airr.2015.43003 A Survey on Object Tracking Jialong Xu Aviation Military Affairs Deputy Office of PLA Navy in Nanjing Zone, Nanjing Jiangsu Email: pugongying_0532@https://www.wendangku.net/doc/24897743.html, Received: Aug. 1st, 2015; accepted: Aug. 17th, 2015; published: Aug. 20th, 2015 Copyright ? 2015 by author and Hans Publishers Inc. This work is licensed under the Creative Commons Attribution International License (CC BY). https://www.wendangku.net/doc/24897743.html,/licenses/by/4.0/ Abstract Object tracking is a process to locate an interested object in a series of image, so as to reconstruct the moving object’s track. This paper presents a summary of related works and analyzes the cha-racteristics of the algorithm. At last, some future directions are suggested. Keywords Object Tracking, Track Alignment, Object Detection 目标跟踪相关研究综述 徐佳龙 海军驻南京地区航空军事代表室，江苏南京 Email: pugongying_0532@https://www.wendangku.net/doc/24897743.html, 收稿日期：2015年8月1日；录用日期：2015年8月17日；发布日期：2015年8月20日 摘要 目标跟踪就是在视频序列的每幅图像中找到所感兴趣的运动目标的位置，建立起运动目标在各幅图像中的联系。本文分类总结了目标跟踪的相关工作，并进行了分析和展望。
群智能优化算法综述
现代智能优化算法课程群智能优化算法综述 学生姓名： 学号： 班级： 2014年6月22日
摘要 工程技术与科学研究中的最优化求解问题十分普遍，在求解过程中，人们创造与发现了许多优秀实用的算法。群智能算法是一种新兴的演化计算技术，已成为越来越多研究者的关注焦点，智能优化算法具有很多优点,如操作简单、收敛速度快、全局收敛性好等。群智能优化是智能优化的一个重要分支，它与人工生命，特别是进化策略以及遗传算法有着极为特殊的联系。群智能优化通过模拟社会性昆虫的各种群体行为，利用群体中个体之间的信息交互和合作实现寻优。本文综述群智能优化算法的原理、主要群智能算法介绍、应用研究及其发展前景。 关键词：群智能；最优化；算法
目录 摘要 (1) 1 概述 (3) 2 定义及原理 (3) 2.1 定义 (3) 2.2 群集智能算法原理 (4) 3 主要群智能算法 (4) 3.1 蚁群算法 (4) 3.2 粒子群算法 (5) 3.3 其他算法 (6) 4 应用研究 (7) 5 发展前景 (7) 6 总结 (8) 参考文献 (9)
1 概述 优化是人们长久以来不断研究与探讨的一个充满活力与挑战的领域。很多实际优化问题往往存 在着难解性,传统的优化方法如牛顿法、共扼梯度法、模式搜索法、单纯形法等己难以满足人们需求。 因此设计高效的优化算法成为众多科研工作者的研究目标。随着人类对生物启发式计算的研究, 一些社会性动物( 如蚁群、蜂群、鸟群) 的自组织行为引起了科学家的广泛关注。这些社会性动物在漫长的进化过程中形成了一个共同的特点: 个体的行为都很简单, 但当它们一起协同工作时, 却能够“突现”出非常复杂的行为特征。基于此,人们设计了许多优化算法,例如蚁群算法、粒子群优化算法、混合蛙跳算法、人工鱼群算法,并在诸多领域得到了成功应用。目前, 群智能理论研究领域主要有两种算法: 蚁群算法(Ant Colony Optimization, ACO) 和粒子群优化算法(ParticleSwarm Optimization, PSO)。 2 定义及原理 2.1 定义 群集智能优化算法源于对自然界的生物进化过程或觅食行为的模拟。它将搜索和优化过程模拟成个体的进化或觅食过程，用搜索空间中的点模拟自然界中的个体；将求解问题的目标函数度量成个体对环境的适应能力；将个体的优胜劣汰过程或觅食过程类比为搜索和优化过程中用好的可行解取代较差可行解的迭代过程。从而，形成了一种以“生成+检验”特征的迭代搜索算法，是一种求解极值问题的自适应人工智能技术。各类优化算法实质上都是建立问题的目标函数，求目标函数的最优解，因而实际工程优化问题均可转化为函数优化问题。其表达形式如下： 求： ,,2,1,0)(..), (min , ,,2,1,),,,(21Lm j X g t s X f n L i x L x x X i T n i =≤== 。Ω∈X 其中， i X 为设计变量；)(X f 为被优化的目标函数；0)(≤X g j 为约束函数；Ω为设计变量的 可行域。
进化计算综述
进化计算综述 1.什么是进化计算 在计算机科学领域，进化计算（Evolutionary Computation）是人工智能（Artificial Intelligence），进一步说是智能计算（Computational Intelligence）中涉及到组合优化问题的一个子域。其算法是受生物进化过程中“优胜劣汰”的自然选择机制和遗传信息的传递规律的影响，通过程序迭代模拟这一过程，把要解决的问题看作环境，在一些可能的解组成的种群中，通过自然演化寻求最优解。 2.进化计算的起源 运用达尔文理论解决问题的思想起源于20世纪50年代。 20世纪60年代，这一想法在三个地方分别被发展起来。美国的Lawrence J. Fogel提出了进化编程（Evolutionary programming），而来自美国Michigan 大学的John Henry Holland则借鉴了达尔文的生物进化论和孟德尔的遗传定律的基本思想，并将其进行提取、简化与抽象提出了遗传算法（Genetic algorithms）。在德国，Ingo Rechenberg 和Hans-Paul Schwefel提出了进化策略（Evolution strategies）。 这些理论大约独自发展了15年。在80年代之前，并没有引起人们太大的关注，因为它本身还不够成熟，而且受到了当时计算机容量小、运算速度慢的限制，并没有发展出实际的应用成果。
到了20世纪90年代初，遗传编程（Genetic programming）这一分支也被提出，进化计算作为一个学科开始正式出现。四个分支交流频繁，取长补短，并融合出了新的进化算法，促进了进化计算的巨大发展。 Nils Aall Barricelli在20世纪六十年代开始进行用进化算法和人工生命模拟进化的工作。Alex Fraser发表的一系列关于模拟人工选择的论文大大发展了这一工作。 [1]Ingo Rechenberg在上世纪60 年代和70 年代初用进化策略来解决复杂的工程问题的工作使人工进化成为广泛认可的优化方法。[2]特别是John Holland的作品让遗传算法变得流行起来。[3]随着学术研究兴趣的增长，计算机能力的急剧增加使包括自动演化的计算机程序等实际的应用程序成为现实。[4]比起人类设计的软件，进化算法可以更有效地解决多维的问题，优化系统的设计。[5] 3.进化计算的分支 进化计算的主要分支有：遗传算法GA ，遗传编程GP、进化策略ES、进化编程EP。下面将对这4个分支依次做简要的介绍。 1遗传算法（Genetic Algorithms）： 遗传算法是一类通过模拟生物界自然选择和自然遗传机制的随机化搜索算法，由美国John HenryHoland教授于1975年在他的专著《Adaptation in Natural and Artificial Systems》中首次提出。[6]它是利用某种编码技术作用于称为染色体的二进制数串，其基本思想是模拟由这些串组成的种群的进化过程，通过有组织地然而是随机地信息交换来重新组合那些适应性好的串。遗传算法对求解问题的本身一无所知，它所需要的仅是对算法所产生的每个染
智能优化算法综述
智能优化算法的统一框架 指导老师：叶晓东教授 姓名：李进阳 学号：2 班级：电磁场与微波技术5班 2011年6月20日
目录 1 概述 (3) 2群体智能优化算法.................................. 错误!未定义书签。 人工鱼群算法 (4) 蚁群算法 (5) 混合蛙跳算法 (9) 3神经网络算法 (10) 神经网络知识点概述 (10) 神经网络在计算机中的应用 (11) 4模拟退火算法 (15) 5遗传算法.......................................... 错误!未定义书签。 遗传算法知识简介 (17) 遗传算法现状 (18) 遗传算法定义 (19) 遗传算法特点和应用 (20) 遗传算法的一般算法 (21) 遗传算法的基本框架 (26) 6总结 (28) 7感谢 (29)
1概述 近年来，随着人工智能应用领域的不断拓广，传统的基于符号处理机制的人工智能方法在知识表示、处理模式信息及解决组合爆炸等方面所碰到的问题已变得越来越突出，这些困难甚至使某些学者对强人工智能提出了强烈批判，对人工智能的可能性提出了质疑。众所周知，在人工智能领域中，有不少问题需要在复杂而庞大的搜索空间中寻找最优解或准优解。像货朗担问题和规划问题等组合优化问题就是典型的例子。在求解此类问题时，若不能利用问题的固有知识来缩小搜索空间则会产生搜索的组合爆炸。因此，研究能在搜索过程中自动获得和积累有关搜索空间的知识，并能自适应地控制搜索过程，从而得到最优解或准有解的通用搜索算法一直是令人瞩目的课题。智能优化算法就是在这种背景下产生并经实践证明特别有效的算法。 2群体智能优化算法 自然界中群体生活的昆虫、动物,大都表现出惊人的完成复杂行为的能力。人们从中得到启发,参考群体生活的昆虫、动物的社会行为,提出了模拟生物系统中群体生活习性的群体智能优化算法。在群体智能优化算法中每一个个体都是具有经验和智慧的智能体 (Agent) ,个体之间存在互相作用机制,通过相互作用形成强大的群体智慧来解决复杂的问题。自 20世纪 90年代模拟蚂蚁行为的蚁群算法(ACO)提出以来,又产生了模拟鸟类行为的微粒群算法 ( PSO)、模拟鱼类生存习性的人工鱼群算法、模拟青蛙觅食的混合蛙跳算法 ( SFLA)等。这些群体智能优化算法的出现,使原来一些复杂的、难于用常规的优化算法进行处理的问题可以得到解决,大大增强了人们解决和处理优化问题的能力,这些算法不断地用于解决工程实际中的问题,使得人们投入更大的精力对其理论和实际应用进行研究。群体智能优化算法本质上是一种概率搜索,它不需要问题的梯度信息具有以下不同于传统优化算法的特点: ①群体中相互作用的个体是分布式的,不存在直接的中心控制,不会因为个别个体出现故障而影响群体对问题的求解,具有较强的鲁棒性; ②每个个体只能感知局部信息,个体的能力或遵循规则非常简单,所以群体智能的实现简单、方便; ③系统用于通信的开销较少,易于扩充; ④自
用于约束多目标优化问题的双群体差分进化算法
用于约束多目标优化问题的双群体差分进化算法 孟红云１ 张小华２ 刘三阳1 (1.西安电子科技大学 应用数学系，西安，71007１; 2.西安电子科技大学 智能信息处理研究所，西安,7１0０７1） 摘 要:首先给出一种改进的差分进化算法,然后提出一种基于双群体搜索机制的求解约束多目标优化问题的差分进化算法．该算法同时使用两个群体，其中一个用于保存搜索过程中找到的可行解，另一个用于记录在搜索过程中得到的部分具有某些优良特性的不可行解，避免了构造罚函数和直接删除不可行解.此外,将本文算法、N ＳGA-Ⅱ和SPEA 的时间复杂度进行比较表明，ＮS ＧA-Ⅱ最优,本文算法与SPE Ａ相当.对经典测试函数的仿真结果表明,与ＮＳGA-Ⅱ相比较，本文算法在均匀性及逼近性方面均具有一定的优势. 关键字: 差分进化算法；约束优化问题；多目标优化问题； 中图分类号：TP18 1 引言 达尔文的自然选择机理和个体的学习能力推动进化算法的出现和发展,用进化算法求解优化问题已成为一个研究的热点[1-3].但目前研究最多的却是无约束优化问题.然而，在科学研究和工程实践中,许多实际问题最终都归结为求解一个带有约束条件的函数优化问题,因此研究基于进化算法求解约束优化问题是非常有必要的.不失一般性，以最小化问题为例,约束优化问题（Constrai ｎｅd Opti ｍｉｚａtio ｎ Prob ｌｅm ，COP )可定义如下： )(COP ()()()()q j x h p i x g t s x f x f x f x F j i k R x n ,,1,0)( ,,1,0)( ..,,,)(min 21 ===≤=∈ (1) 其中)(x F 为目标函数,)(),(x h x g j i 称为约束条件,n n R x x x x ∈=),,,(21 称为n 维决策 向量．将满足所有约束条件的解空间S 称为（1)的可行域.特别的，当1=k 时,（1)为单目标优化问题;当1>k 时，（1）为多目标优化问题.)(x g i 为第i 个不等式约束,)(x h j 是第j 个等式约束.另一方面,对于等式约束0)(=x h j 可通过容许误差（也称容忍度）0>δ将它转化为两个不等式约束: ?????≤--≤-0 )(0)(δδx h x h j j （2） 故在以后讨论问题时,仅考虑带不等式约束的优化问题．进一步，如果x 使得不等式约束0)(=x g i ，则称约束()x g i 在x 处是积极的.在搜索空间S 中,满足约束条件的决策变量x 称为可行解，否则称为不可行解. 定义1(全局最优解）() **2*1*,,,n x x x x =是COP 的全局最优解,是指S x ∈*且)(*x F 不劣于可行域内任意解y 所对应的目标函数)(y F ，表示为)( )(* y F x F ． 对于单目标优化问题,)( )(*y F x F 等价为)()(*y F x F ≤，而对于多目标优化问题是指不存在y ,使得)(y F Pa ｒe ｔo 优于)(*x F . 目前,进化算法用于无约束优化问题的文献居多，与之比较,对约束优化问题的研究相对
智能算法综述
摘要：随着计算机技术的飞速发展，智能计算方法的应用领域也越来越广泛，本文介绍了当前存在的一些智能计算方法，阐述了其工作原理和特点，同时对智能计算方法的发展进行了展望。关键词：人工神经网络遗传算法模拟退火算法群集智能蚁群算法粒子群算1什么是智能算法智能计算也有人称之为“软计算”，是们受自然（生物界）规律的启迪，根据其原理，模仿求解问题的算法。从自然界得到启迪，模仿其结构进行发明创造，这就是仿生学。这是我们向自然界学习的一个方面。另一方面，我们还可以利用仿生原理进行设计(包括设计算法)，这就是智能计算的思想。这方面的内容很多，如人工神经网络技术、遗传算法、模拟退火算法、模拟退火技术和群集智能技术等。 2人工神经网络算法“人工神经网络”(ARTIFICIALNEURALNETWORK，简称ANN)是在对人脑组织结构和运行机制的认识理解基础之上模拟其结构和智能行为的一种工程系统。早在本世纪40年代初期，心理学家McCulloch、数学家Pitts就提出了人工神经网络的第一个数学模型，从此开创了神经科学理论的研究时代。其后，FRosenblatt、Widrow和J.J.Hopfield等学者又先后提出了感知模型，使得人工神经网络技术得以蓬勃发展。神经系统的基本构造是神经元(神经细胞)，它是处理人体内各部分之间相互信息传递的基本单元。据神经生物学家研究的结果表明，人的一个大脑一般有1010～1011个神经元。每个神经元都由一个细胞体，一个连接其他神经元的轴突和一些向外伸出的其它较短分支——树突组成。轴突的功能是将本神经元的输出信号(兴奋)传递给别的神经元。其末端的许多神经末梢使得兴奋可以同时传送给多个神经元。树突的功能是接受来自其它神经元的兴奋。神经元细胞体将接受到的所有信号进行简单处理(如：加权求和，即对所有的输入信号都加以考虑且对每个信号的重视程度——体现在权值上——有所不同)后由轴突输出。神经元的树突与另外的神经元的神经末梢相连的部分称为突触。 2.1人工神经网络的特点人工神经网络是由大量的神经元广泛互连而成的系统，它的这一结构特点决定着人工神经网络具有高速信息处理的能力。人脑的每个神经元大约有103～104个树突及相应的突触，一个人的大脑总计约形成1014～1015个突触。用神经网络的术语来说，即是人脑具有1014～1015个互相连接的存储潜力。虽然每个神经元的运算功能十分简单，且信号传输速率也较低(大约100次/秒)，但由于各神经元之间的极度并行互连功能，最终使得一个普通人的大脑在约1秒内就能完成现行计算机至少需要数10亿次处理步骤才能完成的任务。人工神经网络的知识存储容量很大。在神经网络中，知识与信息的存储表现为神经元之间分布式的物理联系。它分散地表示和存储于整个网络内的各神经元及其连线上。每个神经元及其连线只表示一部分信息，而不是一个完整具体概念。只有通过各神经元的分布式综合效果才能表达出特定的概念和知识。由于人工神经网络中神经元个数众多以及整个网络存储信息容量的巨大，使得它具有很强的不确定性信息处理能力。即使输入信息不完全、不准确或模糊不清，神经网络仍然能够联想思维存在于记忆中的事物的完整图象。只要输入的模式接近于训练样本，系统就能给出正确的推理结论。 [!--empirenews.page--]正是因为人工神经网络的结构特点和其信息存储的分布式特点，使得它相对于其它的判断识别系统，如：专家系统等，具有另一个显著的优点：健壮性。生物神经网络不会因为个别神经元的损失而失去对原有模式的记忆。最有力的证明是，当一个人的大脑因意外事故受轻微损伤之后，并不会失去原有事物的全部记忆。人工神经网络也有类似的情况。因某些原因，无论是网络的硬件实现还是软件实现中的某个或某些神经元失效，整个网络仍然能继续工作。人工神经网络是一种非线性的处理单元。只有当神经元对所有的输入信号的综合处理结果超过某一门限值后才输出一个信号。因此神经网络是一种具有高度非线性的超大规模连续时间动力学系统。它突破了传统的以线性处理为基础的数字电子计算机的局限，标志着人们智能信息处理能力和模拟人脑智能行为能力的一大飞跃。 2.2几种典型神经网络简介 2.2.1多层感知网络(误差逆传播神经网络) 在1986年以Rumelhart和McCelland为首的科学家出版的《ParallelDistributedProcessing》一书中，完整地提出了误差逆传播学习算法，并被广泛
差分进化算法综述概况
差分进化算法（DE）[1]是Storn 和Price 在1995 年提出的一种基于种群差异的进化算法，DE是一种随机的并行搜索算法。差分进化计算和其他进化计算算法一样，都是基于群体智能理论的优化算法，利用群体内个体之间的合作与竞争产生的群体智能模式来指导优化搜索的进行。与其他进化计算不同的是，差分进化计算保留了基于种群的全局搜索策略，采用实数编码、基于差分的简单变异操作和一对一的竞争生存策略，降低了进化操作的复杂性。差分进化计算特有的进化操作使得其具有较强的全局收敛能力和鲁棒性，非常适合求解一些复杂环境中的优化问题。 最初试图使用向量差进行向量种群的混洗，以此来解决切比雪夫多项式适应性问题。DE 通过种群内个体间的合作与竞争来实现对优化问题的求解，其本质上是一种基于实数编码的具有保优思想的进化算法。该算法实现技术简单，在对各种测试问题的实验中表现优异，已经成为近年来进化算法研究中的热点之一。 差分进化算法基本原理 基本的差分进化算法是基于候选方案种群的算法，在整个搜索空间内进行方案的搜索，通过使用简单的数学公式对种群中的现有方案进行组合实现的。如果新的方案有所改进，则被接受，否则被丢弃，重复这一过程直到找到满意的方案。 设 f 是最小化适应度函数，适应度函数以实数向量的形式取一个候选方案作为参数，给出一个实数数值作为候选方案的输出适应值。其目的是在搜索空间的所有方案p 中找到m 使得f(m) ≤f(p)。最大化是找到一个m 使得f(m) ≥f(p)。 设X=(x1, x2,…, xn)∈?n是种群中一个个体，基本的差分进化算法如下所述： ?在搜索空间中随机地初始化所有的个体。 ?重复如下操作直到满足终止条件（最大迭代数或者找到满足适应值的个体） o 对于种群中的每个个体： ●随机地从种群中选择三个彼此不同的个体a，b 和c。 ●选择一个随机索引R ∈{1, ..., n}，n 是被优化问题的维数。 ●通过对每个i ∈{1, ..., n}进行如下的迭代计算可能的新个体Y = [y1, ..., yn] 生成一 个随机数ri~U(0,1)； ●如果(i=R)或者(ri
视频目标跟踪算法综述_蔡荣太
1引言 目标跟踪可分为主动跟踪和被动跟踪。视频目标跟踪属于被动跟踪。与无线电跟踪测量相比，视频目标跟踪测量具有精度高、隐蔽性好和直观性强的优点。这些优点使得视频目标跟踪测量在靶场光电测量、天文观测设备、武器控制系统、激光通信系统、交通监控、场景分析、人群分析、行人计数、步态识别、动作识别等领域得到了广泛的应用[1-2]。 根据被跟踪目标信息使用情况的不同，可将视觉跟踪算法分为基于对比度分析的目标跟踪、基于匹配的目标跟踪和基于运动检测的目标跟踪。基于对比度分析的跟踪算法主要利用目标和背景的对比度差异，实现目标的检测和跟踪。基于匹配的跟踪主要通过前后帧之间的特征匹配实现目标的定位。基于运动检测的跟踪主要根据目标运动和背景运动之间的差异实现目标的检测和跟踪。前两类方法都是对单帧图像进行处理，基于匹配的跟踪方法需要在帧与帧之间传递目标信息，对比度跟踪不需要在帧与帧之间传递目标信息。基于运动检测的跟踪需要对多帧图像进行处理。除此之外，还有一些算法不易归类到以上3类，如工程中的弹转机跟踪算法、多目标跟踪算法或其他一些综合算法。2基于对比度分析的目标跟踪算法基于对比度分析的目标跟踪算法利用目标与背景在对比度上的差异来提取、识别和跟踪目标。这类算法按照跟踪参考点的不同可以分为边缘跟踪、形心跟踪和质心跟踪等。这类算法不适合复杂背景中的目标跟踪，但在空中背景下的目标跟踪中非常有效。边缘跟踪的优点是脱靶量计算简单、响应快，在某些场合（如要求跟踪目标的左上角或右下角等）有其独到之处。缺点是跟踪点易受干扰，跟踪随机误差大。重心跟踪算法计算简便，精度较高，但容易受到目标的剧烈运动或目标被遮挡的影响。重心的计算不需要清楚的轮廓，在均匀背景下可以对整个跟踪窗口进行计算，不影响测量精度。重心跟踪特别适合背景均匀、对比度小的弱小目标跟踪等一些特殊场合。图像二值化之后，按重心公式计算出的是目标图像的形心。一般来说形心与重心略有差别[1-2]。 3基于匹配的目标跟踪算法 3.1特征匹配 特征是目标可区别与其他事物的属性，具有可区分性、可靠性、独立性和稀疏性。基于匹配的目标跟踪算法需要提取目标的特征，并在每一帧中寻找该特征。寻找的 文章编号：1002－8692（2010）12-0135-04 视频目标跟踪算法综述* 蔡荣太1，吴元昊2，王明佳2，吴庆祥1 （1.福建师范大学物理与光电信息科技学院，福建福州350108； 2.中国科学院长春光学精密机械与物理研究所，吉林长春130033） 【摘要】介绍了视频目标跟踪算法及其研究进展，包括基于对比度分析的目标跟踪算法、基于匹配的目标跟踪算法和基于运动检测的目标跟踪算法。重点分析了目标跟踪中特征匹配、贝叶斯滤波、概率图模型和核方法的主要内容及最新进展。此外，还介绍了多特征跟踪、利用上下文信息的目标跟踪和多目标跟踪算法及其进展。 【关键词】目标跟踪；特征匹配；贝叶斯滤波；概率图模型；均值漂移；粒子滤波 【中图分类号】TP391.41；TN911.73【文献标识码】A Survey of Visual Object Tracking Algorithms CAI Rong-tai1,WU Yuan-hao2,WANG Ming-jia2,WU Qing-xiang1 （1.School of Physics,Optics,Electronic Science and Technology,Fujian Normal University,Fuzhou350108,China; 2.Changchun Institute of Optics,Fine Mechanics and Physics,Chinese Academy of Science,Changchun130033,China）【Abstract】The field of visual object tracking algorithms are introduced,including visual tracking based on contrast analysis,visual tracking based on feature matching and visual tracking based on moving detection.Feature matching,Bayesian filtering,probabilistic graphical models,kernel tracking and their recent developments are analyzed.The development of multiple cues based tracking,contexts based tracking and multi-target tracking are also discussed． 【Key words】visual tracking;feature matching;Bayesian filtering;probabilistic graphical models;mean shift;particle filter ·论文·*国家“863”计划项目（2006AA703405F）；福建省自然科学基金项目（2009J05141）；福建省教育厅科技计划项目（JA09040）
群智能优化算法综述
现代智能优化算法课程群智能优化算法综述学生姓名: 学号: 班级: 2014年6月22日
摘要 工程技术与科学研究中的最优化求解问题十分普遍,在求解过程中,人们创造与发现了许多优秀实用的算法。群智能算法就是一种新兴的演化计算技术,已成为越来越多研究者的关注焦点,智能优化算法具有很多优点,如操作简单、收敛速度快、全局收敛性好等。群智能优化就是智能优化的一个重要分支,它与人工生命,特别就是进化策略以及遗传算法有着极为特殊的联系。群智能优化通过模拟社会性昆虫的各种群体行为,利用群体中个体之间的信息交互与合作实现寻优。本文综述群智能优化算法的原理、主要群智能算法介绍、应用研究及其发展前景。 关键词:群智能;最优化;算法
目录 摘要 0 1 概述 (2) 2 定义及原理 (2) 2、1 定义 (2) 2、2 群集智能算法原理 (3) 3 主要群智能算法 (3) 3、1 蚁群算法 (3) 3、2 粒子群算法 (4) 3、3 其她算法 (5) 4 应用研究 (6) 5 发展前景 (6) 6 总结 (7) 参考文献 (8)
1 概述 优化就是人们长久以来不断研究与探讨的一个充满活力与挑战的领域。很多实际优化问题往往存 在着难解性,传统的优化方法如牛顿法、共扼梯度法、模式搜索法、单纯形法等己难以满足人们需求。 因此设计高效的优化算法成为众多科研工作者的研究目标。随着人类对生物启发式计算的研究, 一些社会性动物( 如蚁群、蜂群、鸟群) 的自组织行为引起了科学家的广泛关注。这些社会性动物在漫长的进化过程中形成了一个共同的特点: 个体的行为都很简单, 但当它们一起协同工作时, 却能够“突现”出非常复杂的行为特征。基于此,人们设计了许多优化算法,例如蚁群算法、粒子群优化算法、混合蛙跳算法、人工鱼群算法,并在诸多领域得到了成功应用。目前, 群智能理论研究领域主要有两种算法: 蚁群算法(Ant Colony Optimization, ACO) 与粒子群优化算法(ParticleSwarm Optimization, PSO)。 2 定义及原理 2、1 定义 群集智能优化算法源于对自然界的生物进化过程或觅食行为的模拟。它将搜索与优化过程模拟成个体的进化或觅食过程,用搜索空间中的点模拟自然界中的个体;将求解问题的目标函数度量成个体对环境的适应能力;将个体的优胜劣汰过程或觅食过程类比为搜索与优化过程中用好的可行解取代较差可行解的迭代过程。从而,形成了一种以“生成+检验”特征的迭代搜索算法,就是一种求解极值问题的自适应人工智能技术。各类优化算法实质上都就是建立问题的目标函数,求目标函数的最优解,因而实际工程优化问题均可转化为函数优化问题。其表达形式如下: 求: ,,2,1,0)(..), (min , ,,2,1,),,,(21Lm j X g t s X f n L i x L x x X i T n i =≤== 。Ω∈X 其中,i X 为设计变量;)(X f 为被优化的目标函数;0)(≤X g j 为约束函数;Ω为设计变量的可行
用于约束多目标优化问题的双群体差分进化算法精编
用于约束多目标优化问题的双群体差分进化算 法精编 Document number：WTT-LKK-GBB-08921-EIGG-22986
用于约束多目标优化问题的双群体差分进化算法 孟红云 1 张小华2刘三阳1 (1.西安电子科技大学应用数学系，西安，710071； 2.西安电子科技大学智能信息处理研究所，西安，710071)摘要：首先给出一种改进的差分进化算法，然后提出一 种基于双群体搜索机制的求解约束多目标优化问题的差分 进化算法．该算法同时使用两个群体，其中一个用于保存 搜索过程中找到的可行解，另一个用于记录在搜索过程中 得到的部分具有某些优良特性的不可行解，避免了构造罚 函数和直接删除不可行解．此外，将本文算法、NSGA-Ⅱ和SPEA的时间复杂度进行比较表明，NSGA-Ⅱ最优，本文算法与SPEA相当.对经典测试函数的仿真结果表明，与NSGA-Ⅱ相比较，本文算法在均匀性及逼近性方面均具有一定的优势. 关键字：差分进化算法；约束优化问题；多目标优化问题； 中图分类号：TP18 1 引言 达尔文的自然选择机理和个体的学习能力推动进化算 法的出现和发展，用进化算法求解优化问题已成为一个研 究的热点[1-3]．但目前研究最多的却是无约束优化问题．然而，在科学研究和工程实践中，许多实际问题最终都归结 为求解一个带有约束条件的函数优化问题，因此研究基于 进化算法求解约束优化问题是非常有必要的．不失一般
性，以最小化问题为例，约束优化问题（Constrained Optimization Problem ，COP ）可定义如下： )(COP ()()()()q j x h p i x g t s x f x f x f x F j i k R x n ,,1,0)( ,,1,0)( ..,,,)(min 21 ===≤=∈ （1） 其中)(x F 为目标函数，)(),(x h x g j i 称为约束条件， n n R x x x x ∈=),,,(21 称为n 维决策向量．将满足所有约束条件的 解空间S 称为(1)的可行域．特别的，当1=k 时，(1)为单目 标优化问题；当1>k 时，（1）为多目标优化问题．)(x g i 为 第i 个不等式约束，)(x h j 是第j 个等式约束．另一方面，对于等式约束0)(=x h j 可通过容许误差（也称容忍度）0>δ将它转 化为两个不等式约束： ?????≤--≤-0)(0)(δδx h x h j j （2） 故在以后讨论问题时，仅考虑带不等式约束的优化问题．进一步，如果x 使得不等式约束0)(=x g i ，则称约束() x g i 在x 处是积极的．在搜索空间S 中，满足约束条件的决策变量x 称为可行解，否则称为不可行解． 定义1（全局最优解）()**2 *1*,,,n x x x x =是COP 的全局最优解，是指S x ∈*且)(*x F 不劣于可行域内任意解y 所对应的目标 函数)(y F ，表示为)( )(*y F x F ． 对于单目标优化问题， )( )(*y F x F 等价为)()(*y F x F ≤，而对于多目标优化问题是指不 存在y ，使得)(y F Pareto 优于)(*x F ． 目前，进化算法用于无约束优化问题的文献居多，与 之比较，对约束优化问题的研究相对较少[4-6]。文[7] 对当前基于进化算法的各种约束处理方法进行了较为详细的综述. 对于约束优化问题的约束处理方法基本上分为两类：基于 罚函数的约束处理技术和基于多目标优化技术的约束处理
(完整版)视频目标检测与跟踪算法综述
视频目标检测与跟踪算法综述 1、引言 运动目标的检测与跟踪是机器视觉领域的核心课题之一，目前被广泛应用在视频编码、智能交通、监控、图像检测等众多领域中。本文针对视频监控图像的运动目标检测与跟踪方法，分析了近些年来国内外的研究工作及最新进展。 2、视频监控图像的运动目标检测方法 运动目标检测的目的是把运动目标从背景图像中分割出来。运动目标的有效分割对于目标分类、跟踪和行为理解等后期处理非常重要。目前运动目标检测算法的难点主要体现在背景的复杂性和目标的复杂性两方面。背景的复杂性主要体现在背景中一些噪声对目标的干扰，目标的复杂性主要体现在目标的运动性、突变性以及所提取目标的非单一性等等。所有这些特点使得运动目标的检测成为一项相当困难的事情。目前常用的运动目标检测算法主要有光流法、帧差法、背景相减法，其中背景减除法是目前最常用的方法。 2.1帧差法 帧差法主要是利用视频序列中连续两帧间的变化来检测静态场景下的运动目标，假设f k（x, y）和f（k i）（x, y）分别为图像序列中的第k帧和第k+1帧中象素点（x，y）的象素值,则这两帧图像的差值图像就如公式2-1所示： Diff ki f k（x, y） f（k 1）（x, y）（2-1）2-1式中差值不为0的图像区域代表了由运动目标的运动所经过的区域（背景象素值不变），又因为相邻视频帧间时间间隔很小，目标位置变化也很小，所以运动目标的运动所经过的区域也就代表了当前帧中运动目标所在的区域。利用此原理便可以提取出目标。下图给出了帧差法的基本流程：1、首先利用2-1式得到第k帧和第k+1帧的差值图像Diff k 1；2、对所得到的差值图像Diff k 1二值化（如 式子2-2示）得到Qk+1 ；3、为消除微小噪声的干扰，使得到的运动目标更准 确，对Q k 1进行必要的滤波和去噪处理，后处理结果为M k 1。 1
遗传算法综述
遗传算法综述 史俊杰 摘要：遗传算法来源于进化论和群体遗传学，是计算智能的重要组成部分，正受到众多学科的高度重视。本文主要回顾了遗传算法的起源和发展历程，并对遗传算法的基本原理及特点作了简要阐述。进一步指出了遗传算法存在的问题及相应的改进措施，讨论了遗传算法在实际中的应用，并对遗传算法的未来的发展进行了探讨。 关键字：遗传算法，适应度函数，神经网络 1.遗传算法的起源 遗传算法(Genetic Algorithm，GA)是模拟自然界生物进化机制的一种算法，即遵循适者生存、优胜劣汰的法则，也就是寻优过程中有用的保留，无用的则去除。在科学和生产实践中表现为，在所有可能的解决方法中找出最符合该问题所要求的条件的解决方法，即找出一个最优解。这种算法是1960年由Holland提出来的，其最初的目的是研究自然系统的自适应行为，并设计具有自适应功能的软件系统。 2.遗传算法的发展过程 从二十世纪六十年代开始，密切根大学教授Holland开始研究自然和人工系统的自适应行为，在这些研究中，他试图发展一种用于创造通用程序和机器的理论。在六十年代中期至七十年代末期，Bagly发明“遗传算法”一词并发表了第一篇有关遗传算法应用的论文。1975年竖立了遗传算法发展史上的两块里程碑，一是Holland出版了经典著作“Adaptation in Nature and Artifieial System”，二是Dejong完成了具有指导意义的博士论文“An Analysis of the Behavior of a Class of Genetie Adaptive System”。进入八十年代，随着以符号系统模仿人类智能的传统人工智能暂时陷入困境，神经网络、机器学习和遗传算法等从生物系统底层模拟智能的研究重新复活并获得繁荣。进入九十年代，以不确定性、非线性、时间不可逆为内涵，以复杂问题为对象的科学新范式得到学术界普遍认同，如广义进化综合理论。由于遗传算法能有效地求解属于、NPC类型的组合优化问题及非线性多模型、多目标的函数优化问题，从而得到了多学科的广泛重视。3.遗传算法特点 遗传算法作为具有系统优化、适应和学习的高性能计算和建模方法的研究渐趋成熟。遗传算法具有进化计算的所有特征，同时又具有自身的特点： （1）搜索过程既不受优化函数的连续性约束，也没有优化函数导数必须存在的要
文化算法融合传统智能优化算法的研究综述
龙源期刊网 https://www.wendangku.net/doc/24897743.html, 文化算法融合传统智能优化算法的研究综述 作者：贾丽丽 来源：《计算机光盘软件与应用》2013年第09期 摘要：本文介绍了文化算法的基本原理，总结了文化算法与遗传算法、粒子群算法、差分进化算法、免疫克隆选择算法等智能算法的融合技术及其应用，为进一步深入研究文化算法与其他智能算法融合，以及多个智能算法相结合的研究和应用提供了参考和借鉴。 关键词：文化算法；遗传算法；粒子群算法；差分进化；免疫克隆选择算法 中图分类号：TP301.6 文献标识码：A 文章编号：1007-9599 （2013） 09-0000-02 1 引言 Reynolds于1994年提出文化算法，该算法的双层进化机制为进化计算中的知识引导提供了通用框架，具有许多优良特性。文化算法不仅克服了其他进化算法的局限性，而且还克服了其他进化算法产生的退化现象，文化算法能根据具体情况设计种群空间、信仰空间、接受函数和影响函数，有很强的可扩充性，易于与其他方法结合，能够使其以一定的速度进化和适应环境，并互相弥补各传统算法的不足，提高算法的全局搜索能力、收敛速度、收敛性、计算精度等，适用范围广泛。 文化算法及其与传统智能算法相结合的研究刚刚兴起，本文在介绍文化算法基本原理的基础上，对国内近五年文化算法与遗传算法、粒子群算法、差分进化算法、免疫克隆选择算法等相结合的研究进行了综述，为进一步深入研究文化算法与其他智能算法相融合以及多个智能算法相结合的应用提供了借鉴和参考。 2 文化算法基本原理 文化算法（CA）是由种群空间和信仰空间构成的双层进化机制，主要包括三部分：种群空间、信仰空间和通信协议。文化算法的基本框架如图： 种群空间是生物个体根据一定的行为准则进化而组成的。信仰空间是文化形成、存储、更新、传递的进化过程。两个相对独立的进化过程，但又由通信协议将二者联系在一起，相互影响和促进，通信协议主要包括接受函数和影响函数。 3 文化-遗传算法 遗传算法（GA）是一种基于自然选择和基因遗传学原理的随机并行搜索算法。遗传算法随着算法的进行其种群多样性逐渐消失，很容易于陷入早熟收敛，引入随机种群可以改善种群的多样性问题，但是又影响到算法的效率。目前，一些学者通过文化算法和遗传算法结合，将
多目标跟踪方法研究综述
经过近４０多年的深入研究和发展，多目标跟踪技术在许多方面都有着广泛应用和发展前景，如军事视觉制导、机器人视觉导航、交通管 制、 医疗诊断等［１－２］。目前，虽然基于视频的多运动目标跟踪技术已取得了很大的成就，但由于视频中图像的变化和物体运动的复杂性，使得对多运动目标的检测与跟踪变得异常困难，如多目标在运动过程中互遮挡、监控场景的复杂性等问题，解决上述难题一直是该领域所面临的一个巨大挑战，因此，对视频中多目标跟踪技术研究仍然是近年来一个热门的研究课题［３－５］。 １、多目标跟踪的一般步骤 基于视频的多目标跟踪技术融合了图像处理、模式识别、人工智能、 自动控制以及计算机视觉等众多领域中的先进技术和核心思想。不同的多目标跟踪方法其实现步骤有一定的差异，但多目标跟踪的主要 流程是相同的，如图１所示，其主要包括图像预处理、 运动目标检测、多目标标记与分离、多目标跟踪四个步骤。 图１多目标跟踪基本流程图 ２、多目标跟踪方法 多目标跟踪方法可以根据处理图像或视频获取视点的多少分为两大类，一类是单视点的多目标跟踪，另一类就是多视点的多目标跟踪。 ２．１单视点的方法 单视点方法是针对单一相机获取的图像进行多目标的检测和跟踪。该方法好处在于简单且易于开发，但由于有限的视觉信息的获取，很难处理几个目标被遮挡的情况。 块跟踪（Ｂｌｏｂ－ｔｒａｃｋｉｎｇ）是一种流行的低成本的跟踪方法［６－７］。这种方法需要首先在每一帧中提取块，然后逐帧寻找相关联的块，从而实现跟 踪。 例如ＢｒａＭＢＬｅ系统［８］就是一个基于已知的背景模型和被跟踪的人的外表模型计算出块的似然性的多块跟踪器。这种方法最大的不足之处在于：当由于相似性或者遮挡，多个目标合并在一起时，跟踪将导致失败。因此，可以取而代之的方法是通过位置、外观和形状保留清晰目标的状态。文献［９］利用组合椭圆模拟人的形状，用颜色直方图模拟不同人的外观，用一个增强高斯分布模拟背景以便分割目标，一旦场景中发现对应于运动头部的像素，一个ＭＣＭＣ方法就被用于获取多个人的轮廓的最大后验概率，在单相机的多人跟踪应用中取得了非常有意义的结果。Ｏｋｕｍａ等人提出了一种将Ａｄａｂｏｏｓｔ算法和粒子滤波相结合的方法［１０］。该方法由于充分利用了两种方法的优点，相比于单独使用这两种方法本身，大大降低了跟踪失败的情形，同时也解决了在同一框架下检测和一致跟踪的问题。Ｂｒｏｓｔｏｗ等人提出了一个用于在人群中检测单个行人的特征点轨迹聚类的概率框架［１１］。这个框架有一个基本假设是一起运动的点对可能是同一个个体的一部分，并且把它用于检测和最终的跟踪。对于完全和部分遮挡目标以及外观变化，这些方法和另外一些相似的方法都有很大的局限性。 为了解决遮挡问题，一系列单视点跟踪技术应运而生。典型的方法 是利用块合并来检测遮挡的发生［１２］。当被跟踪的点消失， 跟踪特征点的方法就简单的将其作为一个被遮挡特征点。近年来，基于目标轮廓和外观的跟踪技术利用隐含的目标到相机的深度变化来表示和估计目标间的遮挡关系。但大多数方法都只能解决部分遮挡，不能解决完全被遮挡 的情况。 另外，小的一致运动被假设为是可以从遮挡视点中可以预测运动模式的，这些给没有预测运动的较长时间的遮挡的处理带来问题。尽管这些单视点的方法有较长的研究历史，但这些方法由于不能明锐的 观察目标的隐藏部分，因此不能很好地解决有２或３个目标的遮挡问题。 ２．２多视点的方法 随着复杂环境中对检测和跟踪多个被遮挡的人和计算他们的精确 位置的需要，多视点的方法成为研究的热点。 多视点跟踪技术的目的就是利用不同视点的冗余信息，减少被遮挡的区域，并提供目标和场景的３Ｄ信息。尽管通过相机不能很好地解决目标跟踪问题，但却提出了一些很好的想法，如选择最佳视点，但这些方法都以实际环境模型和相机校正为特征。 ９０年代后半期，在很多文献中给出了多视点相关的多目标跟踪方法。 比如利用一个或多个相机与观察区域相连的状态变化映射，同时给出一系列的行为规则去整合不同相机间的信息。利用颜色在多个视点中进行多目标的跟踪的方法，该方法模拟了从基于颜色直方图技术的 背景提取中获得的连接块并应用其去匹配和跟踪目标。 除此之外，也有在原来的单视点跟踪系统进行扩展的多视点跟踪方法。该方法主要是通过一个预测，当预测当前的相机不在有一个好的视点时，跟踪就从原来凯斯的那个单相机视点的跟踪转换到另外一个相机，从而实现多视点的跟踪。基于点与它对应的极线的欧氏距离的空间匹配方法、贝叶斯网络和立体相对合并的方法都是多目标多视点跟踪的常见方法。尽管这些方法都试图去解决遮挡问题，但由于遮挡的存在，基于特征的方法都不能根本解决，其次，这些方法中的遮挡关系的推理一般都是根据运动模型，卡尔曼滤波或者更普遍的马尔科夫模型的时间一致性来进行的。因此，当这个过程开始发散，这些方法也不能恢复遮挡关系。 最近一种基于几何结构融合多个视点信息的Ｈｏｍｅｇｒａｐｈｉｃｏｃｃｕｐａｎｃｙｃｏｎｓｒｒａｉｎｔ（ＨＯＣ）［１２］方法，可以通过在多场景平台对人的定位来解决遮挡问题。仅采用随时间变化的外表信息用于从背景中检测前景，这使得在拥挤人流的场景中的外表遮挡的解决更健壮。利用多视点中的前景信息，主要是试图找到被人遮挡的场景点的图像位置，然后这些被遮挡的信息用于解决场景中多个人的的遮挡和跟踪问题。在这种思想指导下，Ｍｉｔｔａｌ，Ｌｅｉｂｅ，Ｆｒａｎｃｏ等的研究工作和机器人导航中基于遮挡网格的距离传感器的并行工作是相似的，这些方法在融合３Ｄ空间信息的时候需要进行校正相机。但ＨＯＣ方法是完全基于图像的，仅需要２Ｄ结构信息进行图像平面的融合。当然也有另外一些不需要进行相机校正的算法被提出，但需要学习一个与相机最小相关的信息。在目标跟踪过程中，由于这些方法依赖于单个相机的场景，对于拥挤场景中目标分布密度增加九无能为力了。在ＨＯＣ的多视点的目标跟踪中，对于任何单一相机的场景，或者相机对的场景，都不需要进行定位和跟踪目标，而是从所有相机的场景中收集证据，形成一个统一的框架，由于该方法能够从多个时间帧的场景中进行场景被遮挡概率的全局轨迹优化，因此可以同时进行检测和跟踪。 ３、总结 动态目标检测与跟踪是智能监控系统的重要组成部分，它融合了图像处理、模式识别、自动控制及计算机应用等相关领域的先进技术和研究成果，是计算机视觉和图像编码研究领域的一个重要课题，在军事武器、工业监控、交通管理等领域都有广泛的应用。尤其是对于多目标检测与跟踪中的遮挡与被遮挡的处理，对提高智能监控中目标的行为分析有着重要的意义。随着监控设备的发展和设施的铺设，多视点的场景图像是很容易得到的，因此借助信息融合的思想，充分利用不同角度对目标的描述信息，可以很大地改进目前基于单视点的多目标检测和跟踪的精度，能够很好地解决单视点方法中不能很好解决的遮挡问题。参考文献 ［１］胡斌，何克忠．计算机视觉在室外移动机器人中的应用．自动化学报，２００６，３２（５）：７７４－７８４． ［２］Ａ．Ｏｔｔｌｉｋ，Ｈ．－Ｈ．Ｎａｇｅｌ．ＩｎｉｔｉａｌｉｚａｔｉｏｎｏｆＭｏｄｅｌ－ＢａｓｅｄＶｅｈｉｃｌｅＴｒａｃｋｉｎｇｉｎＶｉｄｅｏＳｅｑｕｅｎｃｅｓｏｆＩｎｎｅｒ－ＣｉｔｙＩｎｔｅｒｓｅｃｔｉｏｎｓ．ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＣｏｍｐｕｔｅｒＶｉｓｉｏｎ，２００８，８０（２）：２１１－２２５．多目标跟踪方法研究综述 苏州联讯图创软件有限责任公司 陈宁强 ［摘要］文章对目前现有的多目标跟踪方法从信息获取的不同角度进行了综述。主要分析比较了目前单视点和多视点目标跟踪方 法对于目标遮挡问题的处理性能，并指出多视点的基于多源信息融合的思想，可以较好地解决场景中目标的遮挡问题。［关键词］单视点多视点目标跟踪信息融合基金项目：本文系江苏省自然科学基金（ＢＫ２００９５９３）。 作者简介：陈宁强（１９７３－），男，江苏苏州人，工程师，主要研究方向：ＧＩＳ、模式识别和图像处理与分析。 目标跟踪多目标标记与分离 匹配 目标模型 运动检测当前帧图像 背景提取 去噪 ＲＯＩ 预处理 视频序列 （下转第２６页）