- 上一篇：发动机进气调节系统国内外研究现状
- 下一篇：流动儿童教育国内外研究现状
f）SPRING法
Okamoto K[8]等将SPRING法应用在粒子图像测速中，SPRING匹配法就是在颗粒间引入了一个虚拟的弹簧系统，根据颗粒间弹簧的变形程度来求出匹配颗粒。它认为前一帧图像中目标颗粒i附近的弹簧系统弹簧受力为零，也就是处于平衡态。后一帧图像中由于颗粒的运动、旋转等因素会使这个弹簧系统产生一定的内力。只有当目标颗粒与候选颗粒为同一颗粒时，弹簧系统变形才会很小，该内力必然也很小，反之，内力会很大。因此，选择内力最小的候选颗粒作为目标颗粒的配对粒子。内力的求取以及目标颗粒周围颗粒的密度也对算法的精度造成影响。
2 与人工智能算法相结合算法的研究进展及现状
由于图像中颗粒之间的相似性，特征不明显，不易提取，以及提取误差大等缺点，一些与人工智能理论相结合的方法被应用在了粒子匹配上，例如人工神经网络、遗传算法、蚁群算法等。因为基于人工智能理论的自动低错误率、高匹配速度的匹配方法是PTV发展的方向。
a）基于人工神经网络的PTV算法
1）基于Hopfield网络的匹配算法
M Knak[12]等率先将Hopfield网络应用在颗粒的匹配上，Kazuo Ohmi[13]等又在此基础进行了改进。基本思想是将粒子的匹配问题转化为优化问题的优化过程。将颗粒的最近距离原则、颗粒位移以及方向的平滑原则、颗粒间距离的刚性原则和颗粒匹配唯一性原则作为四个约束条件构造出颗粒匹配的能量函数，使用能量函数优化最小值的过程就是粒子匹配的过程。用构造好的能量函数与标准能量函数进行对比，求取权值以及偏值，构建网络求取最优解，就会得到颗粒的正确匹配。
2）基于细胞神经网络的匹配算法
2006年Kazuo Ohmi[14,15]等利用细胞神经网络对颗粒进行匹配，基本原理与Hopfield网络匹配相似，只是在约束条件中将颗粒位移与方向方面的约束替换成了颗粒运动分量约束也就是要求移动距离局部波动之和最小，另外对神经元的状态更新函数进行了改变。利用细胞神经网络在运算方面的特点，提高匹配速度。
3）基于自组织神经网络的匹配算法
自组织神经网络匹配算法的基本原理是将神经网络中的两个层分别对应于前后帧的粒子运动图像，并以图像中粒子的分布作为神经元的分布，其中神经元的权值向量开始于与之相关图像中颗粒的位置，网络使这些权值向量变化趋势遵循近似于两幅图像中颗粒位置的变化轨迹。通过竞争学习规则不断地调整权值向量，最终实现颗粒的正确匹配。Labontc[16,17]首次将SOM神经网络应用在粒子跟踪匹配上，Er.Shashidhar[18]对SOM跟踪算法中权值的更新进行了改进。李木国等将SOM神经网络与互相关法相结合应用在粒子匹配上。
b）基于遗传算法的PTV算法
Ohyama[19]将遗传算法应用在了粒子匹配上，将粒子的约束函数作为适应度函数，通过选择、交叉、变异来实现最终的优化。文献[20]以粒子群的张弛效应设计了新的适应度函数并选用了独特的遗传操作来实现粒子匹配，使遗传算法的粒子匹配更适用于高密度的粒子运动图像。
c）基于蚁群算法的PTV算法
Takagi[21]将蚁群算法用在了粒子跟踪匹配上，使用蚁群算法来优化使第一帧与第二帧图像中颗粒之间的距离最小，进而找到匹配颗粒。但是在颗粒的位置相距比较近的区域和颗粒运动距离较大的情况往往会出现错误匹配。Ohmi[22]对蚁群算法PTV进行了改进，由粒子距离最小化变为求取近邻粒子的松弛长度总和的最小化。
综上所述，与根据特征相似度匹配方法相比，基于人工智能方法的匹配能实现颗粒的自动匹配，并且能获得较大的匹配精度，但是基于这些全局寻优算法本身的特点，将其应用在匹配上能有效地避免局部极优，提高了匹配精度，却不可避免的增加了搜索时间。会影响到粒子的匹配速度，例如Hopfield网络的粒子匹配，随着图像颗粒的增大，运算量会非常大。蚁群算法和遗传算法也存在同样的问题，在PTV算法以后的研究过程中，利用全局寻优算法的全局性避开局部极优，利用局部搜索算法加快了匹配的过程，寻求二者的完善结合，应该是一个值得深入研究的课题。