基於聚類遺傳算法的多目標圖像識別方法
2023-05-09 09:12:41
專利名稱：基於聚類遺傳算法的多目標圖像識別方法
技術領域：
本發明屬於一種機器視覺系統的目標圖像搜索識別方法，特別是一種多目標圖像的定位方法。
背景技術：
傳統的遺傳算法應用於圖像識別，幾乎都是針對單目標圖像進行快速搜索優化的，而對多目標圖像識別問題傳統的算法只是依靠匹配度來簡單的衡量，而實際上這種多模態優化問題，特別是多個局部極值相差不大的多模態優化問題，算法容易在多個局部解之間漂移，因此收斂速度慢，且容易陷入局部極值。導致無法自動確定目標數目，通常的實用軟體需要人工告知其待識別圖像的目標數目，效率較低、準確性不高，且搜索結果對初始群體的依賴性較強，不同的搜索起始點得到的識別結果往往不同，並需要對適應度進行變換，耗費的時間較多，誤識、漏識概率較大，可靠性較低。
發明內容本發明的目的是提供一種基於聚類遺傳算法的多目標圖像識別方法，要解決現有多目標圖像的匹配、自動識別效率較低的問題；還解決自動、迅速確定目標圖像數目、一次準確識別場景圖像中的多幅目標圖像、減少單幅圖像識別時間的問題。
本發明的技術方案這種基於聚類遺傳算法的多目標圖像識別方法，其特徵在於其步驟為a、預先在計算機的存儲器中儲存一組基於灰度的模板圖像；b、將含有多目標子圖像的載體置於CCD視頻圖像採集鏡頭下；c、將取得的視頻信號傳到圖像卡，由計算機的中央處理器對該信號進行處理，應用基於灰度的模板匹配方法和適應度圖景構造聚類規則，用相似度來衡量圖像之間的匹配程度，使這一組子圖像遺傳群體聚類劃分成適應度共享的不同小生境；然後將這些小生境與預存模板圖像的灰度進行比較、歸類；如果兩幅匹配子圖像之間的距離大於模板圖像，則可認為兩幅圖像為不同的目標圖像；否則，則認為兩幅圖像僅是同一目標圖像在不同接近點的響應；選出相似度較大的新一組子圖像；d、循環反覆，直到得出與模板圖像指定灰度值相匹配的各目標子圖像的絕對位置坐標位置。
上述基於灰度的模板匹配方法，公式如下R(Si,j,P)=11+k=1Mi=1M|Si,j(k,l)-P(k,l)|MM(L-1)]]>其中，S為給定的場景圖像；P為模板圖像，大小為M×M；Si，j為S中欲與T匹配的子圖像，(i，j)為Si，j的左上角在S中的坐標；L為圖像灰度級。
上述適應度圖景構造聚類規則的步驟1)、用集合I記錄當前群體中所有未歸類個體；2)、從I中選擇適應度最高的個體c＝{i，j}；3)、若f(c)≥δ-g(t)，則將該個體做為新的聚類中心，對於所有未歸類個體c′＝{i′，j′}，若|i-i′|＜M|j-j′|＜M，則將c′歸為該類，更新I；4)、重複2-3，直到f(c)＜δ-g(t)；5)、將I中所有未歸類個體，按距離就近歸類。
上述適應度圖景構造聚類規則的步驟步驟1檢測是否有聚類個體；若是則進行步驟2；若否，則輸出各聚類中心及聚類中的個體；步驟2、從未聚類個體中選擇適應度最高的個體c；步驟3、若f(c)≥δ-g(t)，則以c為聚類中心，形成新的聚類；若否，將所有未聚類的個體按距離就近歸類；步驟4、按順序遍歷群體中的個體；若遍歷結束，則返回步驟1，若否，得到待遍歷個體c′＝{i′，j′}；步驟5判定c′是否為未聚類個體？若是，則將 加入到以c為中心的聚類中，若否，則重複遍歷。
這種基於聚類遺傳算法的多目標圖像識別方法，其特徵在於步驟如下(1)、設定參數群體規模N；選擇，交叉和變異算子，算子參數；適應度閾值δ；最大最優個體保持世代數Tmax；令T為最優個體保持世代數；B為最高適應度集合；(2)、隨機產生初始群體，計算適應度，令t＝O，B＝φ；(3)、對群體進行聚類；每一類內獨立的進行選擇，交叉，變異，計算新產生個體的適應度，記錄各類的最高適應度，組成集合B′，若B』＝＝B，則T++，否則B＝B′，T＝O；(4)、各類最優個體以概率1進入下一代，其它個體依照賭輪法從新老群體中選取；(5)、若T＞Tmax，則輸出B中所有適應度＞δ的個體，算法終止。否則轉步驟(3)。
這種基於聚類遺傳算法的多目標圖像識別方法的應用，其特徵在於在全自動鍵合機上，用CCD取得視頻信號；將取得的視頻信號傳到圖像卡；由計算機應用基於聚類遺傳算法的多目標圖像識別方法處理，對於每一代群體，首先利用該規則進行聚類形成不同的小生境；然後在各小生境內利用選擇，交叉，變異因子生成新一代個體；整個過程反覆迭代直到得到晶片焊盤的絕對位置坐標；然後發信號給運動控制器；運動控制器再驅動伺服電機控制X-Y工作檯的高速精密運動，形成一個閉環控制系統。
本發明採用基於灰度的模板匹配方法，用相似度來衡量圖像之間的匹配程度。採用這種衡量標準，在正確的或接近正確的位置都會產生很好的響應。因此，區分兩幅匹配子圖像是不同的目標圖像還是同一目標圖像在不同接近點的響應是求解多目標圖像匹配問題的關鍵。
對圖像匹配結果觀察可以發現，模板中蘊涵著如下的語義信息模板大小是區分兩幅匹配子圖像的有效判據。如果兩幅匹配子圖像之間的距離大於模板大小，則可認為兩幅圖像為不同的目標圖像，否則，兩幅圖像僅是同一目標圖像在不同接近點的響應。
本發明利用模板的語義信息，依據模板大小以及進化過程中獲取的適應度信息確定聚類規則。對於每一代群體，首先利用該規則進行聚類形成不同的小生境，然後在各小生境內利用選擇，交叉，變異因子生成新一代個體。整個過程反覆迭代直到滿足設定的中止標準。
應用本發明的效果檢驗在計算機上運行該方法進行測試，測試中，選擇操作採用規模為2的聯賽選擇，交叉操作採用中間重組方法，對於產生的無效個體重新進行中間重組，直到生成合法個體為止，變異操作採用實值變異因子，將算法獨立反覆運行100次，算法均能準確識別場景中的六幅目標圖像，平均耗時23.37ms，識別結果見圖8。
本發明將聚類思想引入遺傳算法的搜索機制中，結合模板語義以及遺傳算法進化過程中形成的適應度圖景構造聚類規則，將遺傳群體有效的劃分為不同的小生境。這種基於適應度共享的小生境技術利用了模板的語義信息以及進化過程中獲得的適應度信息，有效的自動判別場景圖像中存在的目標數目。實際應用表明，本發明有效的解決了自動確定目標圖像數目的問題，一次可以準確識別場景圖像中的多幅目標圖像，減少了單幅圖像的識別時間，提高了系統效率，實現了多目標圖像識別的自動化。
本發明利用模板圖像信息以及進化產生的適應度圖景信息對群體進行聚類，一次運行就能確定聚類數目、聚類中心，算法效率得到了很大的提高，而且，對群體的劃分，將多模態優化問題簡化為多個單模態優化問題，減小了各問題的搜索空間，有利於算法的收斂，提高了定位的可靠性。可以用於半導體設備及其他自動化設備的機器視覺系統中，包括圖像定位及缺陷檢測等應用。
圖1是一幅模板圖像的例子；圖2是實時拍攝的晶片場景圖像的舉例。
圖3是本發明方法的流程圖；圖4是本發明聚類規則的方法步驟框圖；圖5是三種不同的函數曲線。
圖6是本發明應用於鍵合機的系統構成示意圖；圖7是機器視覺系統的軟體構成示意圖；圖8是說明本發明識別定位效果的示意圖。
具體實施方式
實施例參見圖1、圖2，圖1為一幅模板圖像，圖2為實時晶片圖像。全自動鍵合機中晶片圖像識別系統要求定位場景圖像中所有與模板圖像相匹配的目標圖像。採用多目標圖像識別系統，可一次定位多幅目標圖像，從而減少識別單幅目標圖像的時間，提高系統效率，這對提高系統的實時性處理性能是很有必要的。由於在粘片的過程中，不斷有晶片被取出，因此，場景圖像中包含的目標圖像的數目是不確定的。這就要求算法必須能夠自動確定目標圖像的數目。
聚類規則的基本流程參見圖3設定參數群體規模N；選擇，交叉和變異算子，算子參數；適應度閾值δ；最大最優個體保持世代數Tmax。令T為最優個體保持世代數；B為最高適應度集合。
隨機產生初始群體，計算適應度，令T＝O，B＝φ。
對群體進行聚類。每一類內獨立的進行選擇，交叉，變異，計算新產生個體的適應度，記錄各類的最高適應度，組成集合B′，若B』＝＝B，則T++，否則B＝B′，T＝O。
各類最優個體以概率1進入下一代，其他個體依照賭輪法從新老群體中選取。
若T＞Tmax，則輸出B中所有適應度＞δ的個體，算法終止。否則轉3)。
該規則採用實數編碼，以保持所求問題本身的結構特徵，並避免對問題空間與GA空間進行數制轉化所需的計算成本。由於可能產生無效編碼，因此，應引入編碼的有效性檢驗機制。定義染色體為c＝{i，j}。其中(i，j)表示待匹配子圖像Si，j中的(i，j)。定義個體的適應度為個體所代表的子圖像與模板圖像之間的相似度，即。
聚類規則過程參見圖41)用集合I記錄當前群體中所有未歸類個體。
2)從I中選擇適應度最高的個體c＝{i，j}。
3)、若f(c)≥δ-g(t)，則將該個體做為新的聚類中心，對於所有未歸類個體。
權利要求
1.一種基於聚類遺傳算法的多目標圖像識別方法，其特徵在於其步驟為a、預先在計算機的存儲器中儲存一組基於灰度的模板圖像；b、將含有多目標子圖像的載體置於CCD視頻圖像採集鏡頭下；c、將取得的視頻信號傳到圖像卡，由計算機的中央處理器對該信號進行處理，應用基於灰度的模板匹配方法和適應度圖景構造聚類規則，用相似度來衡量圖像之間的匹配程度，使這一組子圖像遺傳群體聚類劃分成適應度共享的不同小生境；然後將這些小生境與預存模板圖像的灰度進行比較、歸類；如果兩幅匹配子圖像之間的距離大於模板圖像，則可認為兩幅圖像為不同的目標圖像；否則，則認為兩幅圖像僅是同一目標圖像在不同接近點的響應；選出相似度較大的新一組子圖像；d、循環反覆，直到得出與模板圖像指定灰度值相匹配的各目標子圖像的絕對位置坐標位置。
2.根據權利要求1的基於聚類遺傳算法的多目標圖像識別方法，其特徵在於上述基於灰度的模板匹配方法，公式如下R(Si,j,P)=11+k=1Ml=1M|Si,j(k,l)-P(k,l)|MM(L-1)]]>其中，S為給定的場景圖像；P為模板圖像，大小為M×M；Si，j為S中欲與T匹配的子圖像，(i，j)為Si，j的左上角在S中的坐標；L為圖像灰度級。
3.根據權利要求1的基於聚類遺傳算法的多目標圖像識別方法，其特徵在於其中適應度圖景構造聚類規則的步驟1)、用集合I記錄當前群體中所有未歸類個體；2)、從II中選擇適應度最高的個體c＝{i，j}c＝{i，j}；3)、若f(c)≥δ-g(t)f(c)≥δ-g(t)，則將該個體做為新的聚類中心，對於所有未歸類個體c′＝{i′，j′}c′＝{i′，j′}，若|i-i′|＜M|j-j′|＜M|i，i′|＜M|j-j′|＜M，則將c′c′歸為該類，更新II；4)、重複2-3，直到f(c)＜δ-g(t)f(c)＜δ-g(t)；5)、將I中所有未歸類個體，按距離就近歸類。
4.根據權利要求1的基於聚類遺傳算法的多目標圖像識別方法，其特徵在於其中適應度圖景構造聚類規則的步驟步驟1檢測是否有聚類個體；若是則進行步驟2；若否，則輸出各聚類中心及聚類中的個體；步驟2、從未聚類個體中選擇適應度最高的個體c；步驟3、若f(c)≥δ-g(t)f(c)≥δ-g(t)f(c)≥δ-g(t)f(c)≥δ-g(t)，則以c為聚類中心，形成新的聚類；若否，將所有未聚類的個體按距離就近歸類；步驟4、按順序遍歷群體中的個體；若遍歷結束，則返回步驟1，若否，得到待遍歷個體c′＝{i′，j′}c′＝{i′，j′}c′＝{i′，j′}c′＝{i′，j′}；步驟5判定c′c′c′c′是否為未聚類個體？若是，則將c′c′c′c′加入到以c為中心的聚類中，若否，則重複遍歷。
5.一種基於聚類遺傳算法的多目標圖像識別方法，其特徵在於步驟如下(1)、設定參數群體規模N；選擇，交叉和變異算子，算子參數；適應度閾值δ；最大最優個體保持世代數Tmax；令T為最優個體保持世代數；B為最高適應度集合；(2)、隨機產生初始群體，計算適應度，令T＝O，B＝φ；(3)、對群體進行聚類；每一類內獨立的進行選擇，交叉，變異，計算新產生個體的適應度，記錄各類的最高適應度，組成集合B′，若B』＝＝B，則T++，否則B＝B，T＝O；(4)、各類最優個體以概率1進入下一代，其它個體依照賭輪法從新老群體中選取；(5)、若T＞Tmax，則輸出B中所有適應度＞δ的個體，算法終止。否則轉步驟(3)。
6.根據權利要求1的基於聚類遺傳算法的多目標圖像識別方法的應用，其特徵在於在全自動鍵合機上，用CCD取得視頻信號；將取得的視頻信號傳到圖像卡；由計算機應用基於聚類遺傳算法的多目標圖像識別方法處理，對於每一代群體，首先利用該規則進行聚類形成不同的小生境；然後在各小生境內利用選擇，交叉，變異因子生成新一代個體；整個過程反覆迭代直到得到晶片焊盤的絕對位置坐標；然後發信號給運動控制器；運動控制器再驅動伺服電機控制X-Y工作檯的高速精密運動，形成一個閉環控制系統。
全文摘要
一種基於聚類遺傳算法的多目標圖像識別方法，其步驟為a.預先在計算機的存儲器中儲存一組基於灰度的模板圖像；b.將含有多目標子圖像的載體置於CCD視頻圖像採集鏡頭下；c.將取得的視頻信號傳到圖像卡，由計算機對該信號進行處理，應用基於灰度的模板匹配方法和適應度圖景構造聚類規則，用相似度來衡量圖像之間的匹配程度，d.循環反覆，直到得出與模板圖像指定灰度值相匹配的各目標子圖像的絕對位置坐標位置。本發明能自動準確確定判別場景圖像中存在的目標圖像數目及中心，減少了單幅圖像的識別時間，提高了識別效率，實現了多目標圖像識別的自動化。可用於半導體設備及其他自動化設備的機器視覺系統中的圖像定位及缺陷檢測。
文檔編號G06K9/68GK1766907SQ20051020063
公開日2006年5月3日 申請日期2005年10月24日 優先權日2005年10月24日
發明者姜凱 申請人:中國電子科技集團公司第四十五研究所