第3章 基于SCA算法的目标跟踪方法

3.1 引言

正余弦算法（SCA）[150]是Mirjalili在2016年提出的一种基于群体的方法，已被成功应用于很多领域[151-156]。随后，一些改进方法也被相继提出。郎春博等人[157]提出了基于改进正余弦算法（Improved Sine Cosine Algorithm）的多阈值图像分割方法。该方法通过混沌初始化来提高初始种群质量，然后通过自适应调整参数和反向学习策略提高算法性能。郭文艳等人[158]提出了基于精英混沌搜索策略的交替正弦余弦算法。该方法首先采用非线性策略控制参数，然后通过混沌搜索策略及反向学习算法增强了算法的探索性能，从而提高了算法的收敛精度和效率。张校非等人[159]引入动态惯性权重平衡算法的局部与全局搜索能力，通过自适应变异算子提高了种群多样性，防止了陷入局部最优，并采用指数型递减函数代替线性递减函数来提高收敛速度。Yong等人[160]用抛物线递减函数和指数递减函数替换SCA算法中线性减少的参数。对基准函数的测试结果表明，指数递减函数的SCA算法具有较高的计算精度和较快的收敛速度。Li等人[161]提出了一种基于Levy飞行的正余弦算法，该算法根据适应度值标记可能陷入局部最优的粒子，并利用Levy飞行对所标记的粒子进行位置更新，提高了算法在探测期的全局搜索能力和在探测期的局部搜索能力。Chiwen等人[162]提出了一种改进的正余弦算法，采用指数递减参数和线性递减惯性权重的方法来平衡算法的全局寻优和局部开发能力，利用最优个体附近的随机个体代替原算法中的最优个体，使算法容易跳出局部最优，并对最优个体采用Levy飞行策略，提高了算法的局部开发能力。Abd Elaziz等人[163]提出了一种基于反向学习的正余弦算法，将基于反向学习（OBL）作为一种机制来更好地探索搜索空间，生成更精确的解决方案，提高了算法的收敛精度。

目标跟踪被认为是不同粒子在序列图像中搜索目标的过程。本章提出了一种基于SCA算法的跟踪框架，并对其参数灵敏度和调整进行了实验研究。同时，为了验证基于SCA算法的跟踪器的跟踪能力，对所提出的跟踪器和其他先进跟踪器的跟踪性能进行了比较研究。