第3章 基于SCA算法的目標跟蹤方法

3.1 引言

正余弦算法（SCA）[150]是Mirjalili在2016年提出的一種基于群體的方法，已被成功應用于很多領域[151-156]。隨后，一些改進方法也被相繼提出。郎春博等人[157]提出了基于改進正余弦算法（Improved Sine Cosine Algorithm）的多閾值圖像分割方法。該方法通過混沌初始化來提高初始種群質量，然后通過自適應調整參數和反向學習策略提高算法性能。郭文艷等人[158]提出了基于精英混沌搜索策略的交替正弦余弦算法。該方法首先采用非線性策略控制參數，然后通過混沌搜索策略及反向學習算法增強了算法的探索性能，從而提高了算法的收斂精度和效率。張校非等人[159]引入動態慣性權重平衡算法的局部與全局搜索能力，通過自適應變異算子提高了種群多樣性，防止了陷入局部最優，并采用指數型遞減函數代替線性遞減函數來提高收斂速度。Yong等人[160]用拋物線遞減函數和指數遞減函數替換SCA算法中線性減少的參數。對基準函數的測試結果表明，指數遞減函數的SCA算法具有較高的計算精度和較快的收斂速度。Li等人[161]提出了一種基于Levy飛行的正余弦算法，該算法根據適應度值標記可能陷入局部最優的粒子，并利用Levy飛行對所標記的粒子進行位置更新，提高了算法在探測期的全局搜索能力和在探測期的局部搜索能力。Chiwen等人[162]提出了一種改進的正余弦算法，采用指數遞減參數和線性遞減慣性權重的方法來平衡算法的全局尋優和局部開發能力，利用最優個體附近的隨機個體代替原算法中的最優個體，使算法容易跳出局部最優，并對最優個體采用Levy飛行策略，提高了算法的局部開發能力。Abd Elaziz等人[163]提出了一種基于反向學習的正余弦算法，將基于反向學習（OBL）作為一種機制來更好地探索搜索空間，生成更精確的解決方案，提高了算法的收斂精度。

目標跟蹤被認為是不同粒子在序列圖像中搜索目標的過程。本章提出了一種基于SCA算法的跟蹤框架，并對其參數靈敏度和調整進行了實驗研究。同時，為了驗證基于SCA算法的跟蹤器的跟蹤能力，對所提出的跟蹤器和其他先進跟蹤器的跟蹤性能進行了比較研究。