基于自适应尺度混合海森滤波器的面部皱纹检测及评分.pdf

DOI:10.11991/yykj.202308002网络出版地址：https:/ 81 个面部特征点在滤波结果中去除五官、背景，仅保留面部皱纹，使用不同颜色将不同深度的皱纹检测结果标注在原始图像中，最后计算得分量化皮肤衰老程度。以专业医生标注皱纹为参考，50 名受试者(年龄为 2265 岁)的检测结果表明，相比于传统的固定尺度混合海森滤波器（fixedscalehybridHessianfilter，FSHHF），ASHHF 方法的检测准确率平均提升 68.57%，运行时间平均缩短 26.26%，评分机制结果与检测准确率的变化趋势一致。综上，本文检测方法能够准确、快速检测面部皱纹分布、深度及宽度，所提评分机制能够科学反映受试者皮肤衰老程度，有望为化妆品、医疗美容等抗衰方法提供功效量化评价手段。关键词：皮肤衰老；面部皮肤；皱纹检测；皱纹识别；皱纹评分机制；混合海森滤波器；自适应尺度；年龄中图分类号：R445.1;TH79文献标志码：A文章编号：1009671X(2024)02002407Facial wrinkle detection and scoring mechanism based on adaptive scalehybrid Hessian filterFENGYuebaoping1,HEBingbing1,2,GUOZhenyu2,ZHANGMei2,MAXiao2,ZHANGYufeng11.SchoolofInformationScienceandEngineering,YunnanUniversity,Kunming650091,China2.YunnanBotaneeBio-technologyGroupCo.Ltd.,Kunming650090,ChinaAbstract:AfacialwrinkledetectionmethodandscoringmechanismbasedonadaptivescalehybridHessianfilter(ASHHF)areproposedtosolvetheproblemoflackingquantitativeevaluationmethodforthewholefacewrinkles.Accordingtotheageofthesubject,thesize()rangeandstepparametersoftheHessianfilterwereadaptivelyadjusted,andthehigh-resolutionfacialimageswerefiltered.Basedon81facialfeaturepoints,thefaceandbackgroundfeatureswereremovedfromthefilteringresults,andonlyfacialwrinkleswerekept.Thewrinkledetectionresultsofdifferentdepthsweremarkedintheoriginalimagewithdifferentcolors.Finally,thescorewascalculatedtoquantifythedegreeofskinaging.Takingwrinklesmarkedbyprofessionaldoctorsasareference,thedetectionresultsof50subjects(agedbetween22and65)showthatcomparedwiththetraditionalfixedscalehybridHessianfilter(FSHHF),thedetectionaccuracyoftheASHHFalgorithmwasincreasedby68.57%onaverage,andtherunningtimewasshortenedby26.26%onaverage.Theresultofscoringmechanismisconsistentwiththechangingtrendofdetectionaccuracy.Insummary,thedetectionmethodinthispapercanaccuratelyandquicklydetectthedistribution,depthandwidthinformationoffacialwrinkles,andtheproposedscoringmechanismcanscientificallyreflectthedegreeofskinagingofsubjects.Itisexpectedtoprovideaquantitativeevaluationmeansforanti-agingmethodssuchascosmetics,medicalcosmetology,etc.Keywords:skinaging;facialskin;wrinkledetection;wrinklerecognition;wrinklescoringmechanism;hybridHessianfilter;adaptivescale;age随着人口老龄化现象逐步加剧、生活水平逐渐提高，衰老和抗老成为当今社会的热点话题。皱纹是皮肤老化的典型特征1。在衰老方面，随着年龄的增长、紫外线照射、电离辐射及大气环境中各种有害物质的长期侵袭，皮肤真皮层的弹性逐渐减弱，皮肤有萎缩、松弛、变干、变薄、起收稿日期：20230804.网络出版日期：20240108.基金项目：国家自然科学基金项目（62261057）.作者简介：冯月宝平，女，硕士研究生.张榆锋，男，教授，博士.通信作者：张榆锋，E-mail：.第51卷第2期应用科技Vol.51No.22024年3月AppliedScienceandTechnologyMar.2024皱及色素沉淀的趋势，具体表现为眼周、嘴角和前额等面部部位产生皱纹13。面部皱纹的深度、宽度及分布等信息均是反映面部皮肤质量、衰老程度的重要部分，是生理年龄的直观体现；因此，针对面部皱纹的抗衰治疗成为美容界和医学界深度关注的研究课题48。为了科学地评估各类皮肤抗衰治疗方法的有效性、准确检测面部皱纹信息，制定客观评价标准具有重要意义。512512随着信息技术的发展，图像处理领域提出了众多面部皱纹自动检测算法919。文献 9 利用机器学习方法在像素值大小为的显微镜皮肤图像上进行皱纹检测，准确率高达 99.6%。然而在高清皮肤图片中人工标注皱纹的工作量大、复杂度高，导致基于机器学习的皱纹检测方法更适用于面部的局部区域，难以推广至全面部。相比机器学习，基于滤波器的传统图像处理不依赖数据标注，而是利用滤波器突显皱纹引起的像素梯度变化，在全脸皱纹检测中更具优势1019。文献 12 假设皱纹是随机的空间序列，并基于拉普拉斯滤波器提出了马尔可夫点过程模型，使用高斯拉普拉斯(LaplacianofGaussian,LoG)梯度从图像中提取线条结构的皱纹，但该马尔可夫点过程模型缺乏方向信息。根据给定皱纹线段的方向和长度，使用方向可调滤波器响应的总和来定义数据似然性，能够实现皱纹方向信息的提取13。参考指纹检测的思想，Gabor 滤波器也被证实能够用于皱纹检测，在去除噪声的同时提高图像对比度以捕捉线条结构不规则的皱纹14。结果表明，受到肤色变化、拍摄环境、皱纹宽度信息不一（指纹宽度几乎相等）等不利因素的影响，皱纹检测比指纹检测更具挑战性。Gabor 滤波器结合图像形态学和几何约束定位皱纹的曲线形状，使其能够提取不连续、不规则的皱纹曲线，但该算法需要高达 30 次的迭代，耗时较长15。Frangi 滤波器基于眼底视网膜图像检测血管分布1617，Ng18等在 Frangi 滤波器的基础上提出了更适用于皱纹检测的海森混合滤波器(hybridHessianfilter，HHF)，该方法基于全面部图像的多尺度二阶局部结构，利用皱纹像素和周围像素之间的梯度关系实现皱纹检测18。相比拉普拉斯滤波器、Gabor 滤波器，HHF 能够提取皱纹深度信息，可有效区分深皱纹和浅皱纹，更适用于全面部的皱纹检测19。尽管在 3 种滤波器中 HHF 展现了更好的皱纹检测能力，但当前工作对不同年龄层面部图像均采用同一滤波器尺度，导致面部五官轮廓易被识别成粗皱纹，且算法运行耗时长。目前，已有的皱纹评价方法分为主观评价和客观评价。主观评价由专业医生根据既定标准以目视进行检查，受个人因素影响较大2022。为了克服主观评价的缺点，提出了多种皱纹评价模型进行客观评价，其中皱纹指数模型用于衡量单条皱纹的严重程度14，但不适用于全面部皱纹的整体评价。另一评价模型皱纹密度模型用于衡量单位面积内的皱纹数量23，比指数模型更准确地反应不同人的皱纹严重程度，但该模型未考虑皱纹深度，仍存在一定的局限性。为了解决上述问题，本文提出了自适应尺度混合海森滤波器（adaptivescalehybridHessianfilter，ASHHF）的面部皱纹检测方法，根据受试者年龄自适应调整滤波器尺度以准确、快速地检测全面部皱纹的深度、宽度及分布。并且，针对图像处理技术的皱纹检测结果，提出了一种皱纹评分机制以科学量化面部皮肤衰老程度。为了验证 ASHHF 法的有效性及评分机制的适用性，基于 50 名不同年龄层受试者的面部图像开展实验。以皮肤科医生的皱纹标注及专业评分为标准，对比了 ASHHF 与传统的固定尺度混合海森滤波器（fixedscalehybridHessianfilter，FSHHF）的皱纹检测性能。1检测方法1.1混合梅森滤波器I(x,y)IIxx、Ixy、Iyx、IyyI(x,y)I(x,y)I设是二维图像 中确定的一个像素点，为点4 个方向上的二阶偏微分。根据尺度空间理论2426，点的二阶偏微分可以由高斯函数的二阶偏微分和二维图像 卷积得到，即Ixx(x,y,)=2x2G(x,y,)I(x,y)Ixy(x,y,)=Iyx(x,y,)=2xyG(x,y,)I(x,y)Iyy(x,y,)=2y2G(x,y,)I(x,y)G(x,y,)式中是尺度为的高斯函数：G(x,y,)=12 2e(x2+y2)22尺度 是一个一维数组，=1,2,k，1kK。第2期冯月宝平，等：基于自适应尺度混合海森滤波器的面部皱纹检测及评分25H=IxxIxyIyxIyy(1)Ixx、Ixy、Iyx、Iyy(x,y)I据式（1），由组成的 Hessian矩阵可描述像素点在二维图像 上的二维导数，该矩阵的 2 个特征向量分别为A=12(H(1,1)+H(2,2)+(H(1,1)H(2,2)2+4(H(1,2)2)B=12(H(1,1)+H(2,2)(H(1,1)H(2,2)2+4(H(1,2)2)AB(x,y)1212Rbs特征向量、分别代表像素点在 X、Y 方向上的灰度变化。将绝对值较小的特征值设为，代表灰度变化较小的方向；绝对值较大的特征值设为，代表灰度变化较大的方向。根据特征向量、计算混合海森滤波器的测度和尺度步长：Rb=1222s=12+22则混合海森滤波器增强皱纹线条的相似性函数18为(x,y,)=0,2 0eR2b2211es2222,其他12Rbs式中和为混合海森滤波器的阈值参数，用于控制和 的灵敏度。最后，对不同的皱纹进行尺度匹配：=max()1.2自适应尺度混合海森滤波器传统混合海森滤波器的局限性在于使用固定的滤波器尺度，在不同年龄层的受试者面部图像皱纹检测中适应性不强，对于皱纹较少的年轻受试者来说五官阴影部位被误判为粗皱纹，且算法运行耗时长。为了解决上述问题，本文提出了一种基于自适应尺度混合海森滤波器的面部皱纹检测方法，适用于不同年龄层的全面部高分辨率图像皱纹检测。根据受试者年龄自适应调整混合海森滤波器尺度的范围及步长，减少滤波器不必要的卷积次数，以实现准确、快速的全面部皱纹检测。自适应尺度混合海森滤波器的算法流程如图 1 所示。3 088图像标准化:H=1 024c根据 范围及步长,基于混合海森滤波器对面部图像进行滤波根据受试者年龄自适应调整 范围及步长基于连通域面积阈值去除小面积异常检测结果根据 81 个人脸特征点选取面部区域、去除五官根据检测皱纹的灰度值进行伪彩色赋色将伪彩色赋色后的结果叠加在受试者面部图像上深浅深浅深浅深浅受试者面部图像深浅特征点3 0881 0241 0241 0241 0241 0241 024获取 81 个人脸k1,K,=s图1自适应多尺度混合海森滤波器面部皱纹检测算法流程1,K首先对受试者面部图像进行标准化，将其等比例缩放成高度 H=1024 的图像。一方面，基于81 个面部特征点2728在图像上获取受试者的81 个面部特征点坐标组，定位面部与眉、眼、鼻、唇的轮廓；另一方面，基于受试者年龄自适应地计算混合滤波器尺度的范围及步长 s：K=1+(k1)s,1 k K式中：尺度为等差数组，K 为长度。具体调整策略如表 1。26应用科技第51卷表1基于受试者年龄的滤波器尺度自适应策略实际年龄/岁1,K尺度范围s尺度步长301,20.130,40)1,50.340,50)1,70.550,60)1,80.5601,100.51,Ks然后，基于调整后的尺度范围及步长，使用混合海森滤波器对面部图像进行滤波。将滤波结果转化为二值图像，再使用连通域面积阈值去除小面积异常检测结果。根据受试者的面部特征点，将眉、眼、鼻、唇及面部以外的区域灰度值置零，得到皮肤区域的皱纹检测灰度图，并根据灰度值对皱纹检测结果进行伪彩色处理。最后，将伪彩色处理后的皱纹检测结果叠加在受试者面部图像上。1.3评分机制为了量化面部的皮肤衰老程度，本文提出了一种基于皱纹检测结果灰度值的面部皱纹评分机制，该评分使用皱纹检测结果进行计算。图 2 给出了面部皱纹检测结果及其像素灰度直方图。(a)皱纹检测结果(b)像素灰度直方图1051031011011031051071091011500100150200250像素点灰度值 i像素点个数 n(i)图2面部检测量化结果n(i)设是灰度值为 i 的像素点个数，灰度值越大表示皱纹越深，则P=255i=1n(i)M=255i=1n(i)i式中：P 为皱纹区域所有像素点个数的总和；M 为灰度值与该灰度值下所有像素点的个数的乘积之和，反映皱纹区域中每个像素点对评分的影响，皱纹越深影响越大。则面部皱纹评分为sf=1M255P100sfsf分数在 0100，且面部皮肤的衰老程度与分数成反比，即皱纹区域（反映长度、宽度信息）越小，皱纹深度越浅，评分越高。2实验与结果2.1实验数据与评价方法本文使用的皱纹检测试验数据共 50 张，其中20 张由手机后置摄像头原相机采集自 20 个不同年 龄 层 的 受 试 者，另 外 30 张 取 自 Flickr-Faces-HQ(FFHQ)数据库，该数据库包含 70000 张像素值大小为 10241024 的高质量 PNG 面部图像，并且在年龄、种族和图像背景方面都存在很大差异，最 初 是 作 为 生 成 对 抗 网 络(generativeadversarialnetwork，GAN)的基准而创建29。J(A,B)对于皱纹检测结果的评价采用了目标检测算法评价准确率使用最为广泛的评价指标Jaccard 相似度3031。Jaccard 相似度表示人工标注和算法检测结果之间的重叠程度J(A,B)=|AB|AB|式中：A 为皮肤科专业医生手工标注结果，B 为算法检测结果。2.2实验结果为了说明 ASHHF 法的准确性，本文选取了年龄分别为 25、35、45、55、65 岁的 5 位受试者（序号分别为 a、b、c、d、e）的面部图像进行试验，并与 FSHHF 法22进行对比。2 种方法的皱纹检测结果如图 3 所示，第 1 列（a1、b1、c1、d1、e1）为5 位受试者的面部图像原图，第 2 列（a2、b2、c2、d2、e2）为皮肤科专业医生的手工标注结果，第3 列（a3、b3、c3、d3、e3）为 FSHHF 法的皱纹检测结果，第 4 列（a4、b4、c4、d4、e4）为本文提出的ASHHF 法 的 皱 纹 检 测 结 果。相 比 于 传 统FSHHF 法，基于 ASHHF 法的皱纹检测结果更接近医生手工标注的皱纹，说明基于 ASHHF 法的皱第2期冯月宝平，等：基于自适应尺度混合海森滤波器的面部皱纹检测及评分27纹检测结果能够更好地反映不同年龄受试者面部皱纹的深度、宽度及分布。而 FSHHF 法对 5 位不同年龄的受试者采用了相同的滤波器尺度，对于年轻受试者更易造成误检。例如，如图 3（a3）所示，对于 25 岁的年轻受试者，FSHHF 法出现了过度检测，导致眉、眼、鼻、嘴的轮廓及阴影部位被误识为粗皱纹。a1a2a3a4b1b2b3b4c1c2c3c4d1d2d3d4e1e2e3e4原图人工标注图FSHHF结果图本文 ASHHF结果图深浅图3五位不同年龄受试者面部图像皱纹检测结果为了定量说明 2 种方法的性能差异，图 4 对比了 FSHHF、ASHHF 这 2 种方法的准确率。6.3835.2867.2362.4373.9880.8388.8485.1084.7773.981 167.58%151.79%26.57%35.77%0204060801002535455565准确率/%FSHHFASHHF年龄/岁图4FSHHF 及 ASHHF 算法的皱纹检测准确率通过对比可知，ASHHF 算法的准确率在不同年龄层受试者面部图像上都高于或等于 FSHHF算法准确率，并且在年轻受试者面部图像上区别最大，在 FSHHF 算法准确率仅为 6.38%的情况下，ASHHF 算法准确率却依然稳定在 80.83%。相比 FSHHF 算法的固定滤波器尺度，ASHHF算法使用的自适应滤波器尺度的数组长度更短，减少了不必要，从而减少了算法卷积的运算时长。图 5 为 FSHHF 及 ASHHF 算法运行时长对比。4.924.825.555.155.643.003.703.763.135.6438.97%23.18%32.33%39.25%012345672535455565FSHHFASHHF年龄/岁t/s图5FSHHF 及 ASHHF 算法的运行时长ASHHF 算法运行时长在不同年龄受试者面部图像上都低于或等于 FSHHF 算法运行时长，运行时间平均缩短了 26.26%。表 2 为专业医生、FSHHF 及 ASHHF 检测后利用本文评分机制计算出的评分对比。结果表明，基于 ASHHF 方法的皱纹检测结果的评分与专业医生的评分趋于一致，而基于 FSHHF 方法的皱纹检测结果与专业医生评分出入较大。综上，本文提出的评分机制可以定量评价面部皱纹的衰老程度，且使用 ASHHF 检测结果进行评分更加适合。表2专业医生、FSHHF 及 ASHHF 算法的皱纹评分对比受试者序号受试者年龄/岁专业医生评分FSHHF评分ASHHF评分a259491.8994.47b358886.2488.60c458481.3385.86d558078.3881.93e657575.1875.18表 3 为 50 名受试者皱纹检测的算法运行时间及与专业医生评分的差值，可以看出本文选取的年龄为 25、35、45、55、65 岁的 5 位受试者的面部图像不具有特殊性，即其他 45 张图像均可验证上述结果。28应用科技第51卷表3专业医生、FSHHF 及 ASHHF 算法的皱纹评分对比年龄/岁样本数平均运行时长/s与专业医生评分差FSHHFASHHFFSHHFASHHF30124.910.913.000.3530.335.63.330.130,40)104.950.833.710.5719.834.55.830.340,50)95.501.143.770.4611.142.76.140.350,60)115.191.033.230.6212.033.27.031.26085.641.225.641.2213.223.313.223.33结论本文提出一种基于自适应尺度混合海森滤波器的面部皱纹检测方法 ASHHF 法及评分机制，并进行了对比试验分析。1)相比于传统的 FSHHF 算法，ASHHF 算法的皱纹检测准确率更佳，算法运行时间更短。2)将 2 种算法的皱纹检测结果灰度图代入本文所提评分机制中，发现基于 ASHHF 结果的评分更接近于专业医生的评分。因此，本文提出的 ASHHF 检测方法能够准确、快速检测面部皱纹分布及深度、宽度信息，所提评分机制能够科学量化受试者皮肤衰老程度，有望为化妆品、医疗美容等抗衰方法提供功效验证手段。参考文献：宣敏,程飚.皮肤衰老的分子机制 J.中国老年学杂志,2015,35(15):43754380.1VALACCHI G,STICOZZI C,PECORELLI A,et al.CutaneousresponsestoenvironmentalstressorsJ.Annalsof the New York academy of sciences,2012,1271(1):7581.2王宝玺.皮肤光老化机制及其防治研究进展 J.中华医学杂志,2007,87(20):13751376.3林绵.面部皮肤评测系统的设计与实现 D.广州:华南理工大学,2016.4王鹏,沙欧,郭若曦,等.化妆品延缓皮肤衰老功效人体评价试验方法 J.日用化学品科学,2021,44(9):4244.5谢阳恺.棕榈酰五肽-4 柔性脂质体的制备及其在皮肤抗皱的应用 D.广州:华南理工大学,2021.6王彬,万佳.相控微针射频在面部皮肤年轻化治疗中的临床体会 J.中国医疗美容,2017,7(8):5457.7赵红磊,斯子翔,王松挺.VISIA 对光子嫩肤治疗面部皮肤老化的定量评价 J.中国医疗美容,2020,10(10):8284.8CHOIH,KOJ.Deeplearning-basedautomaticwrinklessegmentation on microscope skin images for skindiagnosisJ.Jadvnavtechnol,2020,24(2):148154.9YAPMH,BATOOLN,NGCC,etal.Asurveyonfacialwrinklesdetectionandinpainting:datasets,methods,andchallengesJ.IEEE transactions on emerging topics incomputationalintelligence,2021,5(4):505519.10周蝶.人脸图像的皱纹检测与定量评价研究 D.重庆:重庆邮电大学,2019.11BATOOLN,CHELLAPPAR.AMarkovPointProcessmodelforwrinklesinhumanfacesC/201219thIEEEInternationalConferenceonImageProcessing.Piscataway:IEEE,2012:18091812.12JEONG S G,TARABALKA Y,ZERUBIA J.MarkedpointprocessmodelforfacialwrinkledetectionC/2014IEEE International Conference on Image Processing.Piscataway:IEEE,2014:13911394.13CULAGO,BARGOPR,NKENGNEA,etal.Assessingfacialwrinkles:automaticdetectionandquantificationJ.Skin research and technology:official journal ofinternational society for bioengineering and the skin(ISBS)andinternationalsocietyfordigitalimagingofskin(ISDIS)andinternationalsocietyforskinimaging(ISSI),2013,19(1):e243-e251.14BATOOLN,CHELLAPPAR.Detectionandinpaintingof facial wrinkles using texture orientation fields andMarkovrandomfieldmodelingJ.IEEEtransactionsonimageprocessing,2014,23(9):37733788.15FRANGI A F,NIESSEN W J,VINCKEN K L,et al.Multiscale vessel enhancement filteringM/MedicalImage Computing and Computer-Assisted Intervention.Heidelberg:Springer,1998:130137.16FRANGIAF.Three-dimensionalmodel-basedanalysisofvascular and cardiac imagesD.Utrecht:UtrechtUniversity,2001.17NGCC,YAPMH,COSTENN,etal.AutomaticwrinkledetectionusinghybridhessianfilterC/AsianConferenceonComputerVision.Cham:Springer,2015:609622.18YAPMH,ALARIFIJ,NGCC,etal.AutomatedfacialwrinklesannotatorC/EuropeanConferenceonComputerVision.Cham:Springer,2019:676680.19LEMPERLEG,HOLMESRE,COHENSR,etal.AclassificationoffacialwrinklesJ.Plasticandreconstructivesurgery,2001,108(6):17351750.20MERINVILLEE,GRENNANGZ,GILLBROJM,etal.Influence of facial skin ageing characteristics on theperceived age in a Russian female populationJ.Internationaljournalofcosmeticscience,2015,37(Suppl1):38.21AZNAR-CASANOVAJ,TORRO-ALVESN,FUKUSIMAS.Howmucholderdoyougetwhenawrinkleappearsonyour face?Modifying age estimates by number of22第2期冯月宝平，等：基于自适应尺度混合海森滤波器的面部皱纹检测及评分29wrinklesJ.Neuropsychology,development,andcognition section B,aging,neuropsychology andcognition,2010,17(4):406421.RAZALLIH,RAHMATRWOK,KHALIDF,etal.Age range estimation based on facial wrinkle analysisusing hessian based filterC/Advanced Computer andCommunicationEngineeringTechnology.Cham:Springer,2016:759769.23LINDEBERG T.Scale-space theory:a basic tool foranalyzing structures at different scalesJ.Journal ofappliedstatistics,1994,21(1/2):225270.24LOWEDG.Objectrecognitionfromlocalscale-invariantfeaturesC/ProceedingsoftheSeventhIEEEInternationalConferenceonComputerVision.Piscataway:IEEE,2002:11501157.25LOWE D G.Distinctive image features from scale-26invariantkeypointsJ.Internationaljournalofcomputervision,2004,60(2):91110.KINGDE.Dlib-ml:amachinelearningtoolkitJ.Journalofmachinelearningresearch,2009,10:17551758.27FIELDMANN.Shape_predictor_81_face_landmarksEB/OL.(20190319)20220905.https:/ K,GIGER M L,HORSCH K,et al.Computerized lesion detection on breast ultrasoundJ.Medicalphysics,2002,29(7):14381446.30REALR.TablesofsignificantvaluesofJaccardsindexofsimilarityJ.Misccerver,1999,22(1):2940.31本文引用格式：冯月宝平,何冰冰,郭振宇,等.基于自适应尺度混合海森滤波器的面部皱纹检测及评分 J.应用科技,2024,51(2):2430.FENGYuebaoping,HEBingbing,GUOZhenyu,etal.FacialwrinkledetectionandscoringmechanismbasedonadaptivescalehybridHessianfilterJ.Appliedscienceandtechnology,2024,51(2):2430.上接第 23 页 FAN Qian,CHEN Zhenjian,XIA Zhanghua.A novelquasi-reflectedHarrisHawksoptimizationalgorithmforglobaloptimizationproblemsJ.Softcomputing-afusionof foundations,methodologies and applications,2020,24(19):1482514843.12ZOU Tingting,WANG Changyu.Adaptive relativereflectionHarrisHawksoptimizationforglobaloptimizationJ.Mathematics,2022,10(7):1145.13雷旭,陈静夷,陈潇阳.改进哈里斯鹰算法的仓储机器人路径规划研究 J/OL.系统仿真学报:113.(20230417)20230525.https:/ second-order PSO algorithmC/2022 IEEEInternationalConferenceonMechatronicsandAutomation.Piscataway:IEEE,2022:17611766.15音凌一,向凤红.基于改进灰狼优化算法的三维路径规划 J.电视技术,2022,46(1):3540.16本文引用格式：陈立伟,马泽华,王桐,等.基于改进哈里斯鹰算法的无人飞行器路径规划 J.应用科技,2024,51(2):1723,30.CHENLiwei,MAZehua,WANGTong,etal.UnmannedaerialvehiclespathplanningbasedonimprovedHarrishawksoptimizationalgorithmJ.Appliedscienceandtechnology,2024,51(2):1723,30.30应用科技第51卷