[发明专利]基于量子以及量子微粒群算法的机器人视觉匹配方法

权利要求书

1.一种基于量子算法的机器人视觉匹配方法，即基于QA算法处理图像匹配，其特征在于：在用纯量子算法处理图像匹配时，将模板图像抽象为左上角的像素坐标点，于是每一个匹配位置可用一个坐标(x，y)来表示；在经典比特表示中，x和y的二进制表示分别由一系列的0和1组成，然而在量子算法中，坐标值应该用量子形式表示，即x表示为即将x看成二进制数，则x的每一位分别由量子状态α_xi和β_xi组成，n为x的总位数；同理，y亦用此种量子坐标形式表示；

步骤一：数据初始化

设整个匹配过程总共使用N个量子，则对于每一个量子n，产生随机数生成其量子状态α_ni和β_ni，其中，n＝1，2，3...N，根据量子归一化原则，可随机产生任意两状态中的任意一个，如α_ni，利用公式 产生对应的β_ni；每一个像素点需要两个量子来表示，即一个量子只能表示一个横坐标或纵坐标；

对于产生的N个量子分别进行量子坍塌，即对于量子i，生成随机数rand，若|α_1i|²＞rand，则量子i的初始值坍塌成0，否则为1；对于所有量子进行量子坍塌运算后，将所得到的二进制数字转化为十进制数字，其所表示的像素点即代表模板左上角在原图像上的像素位置，所有匹配过程的索引号均用此点坐标表示；

步骤二：量子适应值计算

适应值的选取为：根据每一个量子坍塌成的坐标处模板图像与原图像的匹配相关度标定：

F(u，v)＝∑_x，y|f(u+x，v+y)-t(x，y)|                    (4) 

步骤三：根据适应值进行量子旋转

根据当前代的每一个量子坍塌成的像素点的相关度值P_ni以及公式，其中，n＝1，2...N；i为当前代数：

进行量子旋转，旋转产生的新量子作为下一轮迭代所用量子；其中θi根据当前代数的适应度大小动态调整：

θi＝M(αⁱ，βⁱ)×Δθ                                (5)

其中M(αⁱ，βⁱ)表示Δθ的正负，即旋转方向，M(αⁱ，βⁱ)只能取值0或1；每次旋转步长Δθ的大小控制在0.001π～0.05π之间；此处所用Δθ根据P_ni动态调整，令Δθ＝θ_min+n×(θ_max-θ_min)，其中θ_min＝0.001π，θ_max＝0.05π，而 P_max、P_min、P_avg分别表示当代适应度值的最大值、最小值以及平均值；

所述的旋转方向，其值的确定根据如下原则：若本代取到局部最优值的量子所坍塌成的粒子为1，而待旋转量子坍塌成的粒子取值为0，则M(αⁱ，βⁱ)＝1，即需要该量子从0向1旋转；反之，若量子从1向0旋转则M(αⁱ，βⁱ)＝0；

步骤四：更新记录迭代信息

需要更新记录的信息包括：当前代数n；当前代各粒子的自身最优值，即该粒子在n代之中所找到的最优值；迭代n次所找到的全局最优值Pg；新产生的量子状态α_(n+1)i和β_(n+1)i；

步骤五：n＝n+1，从步骤二开始迭代至步骤四； 

步骤六：n＝N，算法结束，输出最优结果，为保证算法收敛到最优解，应使N＞200。

2.一种基于量子微粒群算法的机器人视觉匹配方法，即基于QAPSO算法处理图像匹配，将QA算法与PSO算法结合而产生QAPSO方法，该方法即含有QA算法的优点，即精度高，也含有PSO算法的优点，速度快；其特征在于：该方法步骤如下：

在用纯量子算法处理图像匹配时，将模板图像抽象为左上角的像素坐标点，于是每一个匹配位置可用一个坐标(x，y)来表示；在经典比特表示中，x和y的二进制表示分别由一系列的0和1组成，然而在量子算法中，坐标值应该用量子形式表示，即x表示为即将x看成二进制数，则x的每一位分别由量子状态α_xi和β_xi组成，n为x的总位数；同理，y亦用此种量子坐标形式表示；

步骤一：数据初始化

设整个匹配过程总共使用N个量子，则对于每一个量子n，产生随机数生成其量子状态α_ni和β_ni，其中，n＝1，2，3...N，根据量子归一化原则，可随机产生任意两状态中的任意一个，如α_ni，利用公式 产生对应的β_ni；每一个像素点需要两个量子来表示，即一个量子只能表示一个横坐标或纵坐标；

对于产生的N个量子分别进行量子坍塌，即对于量子i，生成随机数rand，若|α_1i|²＞rand，则量子i的初始值坍塌成0，否则为1；对于所有量子进行量子坍塌运算后，将所得到的二进制数字转化为十进制数字，其所表示的像素点即代表模板左上角在原图像上的像素位置，所有匹配过程的索引号均用此点坐标表示；

步骤二：量子适应值计算

该发明适应值的选取为：根据每一个量子坍塌成的坐标处模板图像与原图像的匹配相关度标定： 

F(u，v)＝∑_x，y|f(u+x，v+y)-t(x，y)|                    (4)

步骤三：根据适应值进行PSO寻优

根据公式(1a)和(1b)

V_id＝ωV_id+C₁ rand×(P_id-X_id)+C₂ Rand×(P_gd-X_id)        (1a)

X_id＝X_id+V_id                                            (1b)

对于当前的微粒进行迭代计算，产生新一代的微粒；其中ω为惯性权重，C₁和C₂为加速常数，rand和Rand为两个在[0，1]范围里变化的随机值；与纯PSO算法不同的是并不马上利用新产生的微粒进行下一代的计算；

产生了新的微粒之后，计算新微粒各自的适应度，并分别与所对应的当前代微粒适应度值进行比较；记录下所有在经历PSO计算后适应度变得更好的微粒索引号；

步骤四：根据PSO判断进行量子旋转

遍历每一个量子，若其坍塌成的粒子的索引号被记录，则对该量子产生旋转变异；若索引号未被记录，则不进行量子旋转；

根据当前代的每一个量子坍塌成的像素点的相关度值P_ni以及公式：其中，n＝1，2...N；i为当前代数；

进行量子旋转，旋转产生的新量子作为下一轮迭代所用量子；其中θi根据当前代数的适应度大小动态调整：

θi＝M(αⁱ，βⁱ)×Δθ                                    (5)

其中M(αⁱ，βⁱ)表示Δθ的正负，即旋转方向，M(αⁱ，βⁱ)只能取值0或1；每次旋转步长Δθ的大小控制在0.001π～0.05π之间；此处所用Δθ根据P_ni动态调整，令Δθ＝θ_min+n×(θ_max-θ_min)，其中θ_min＝0.001π，θ_max＝0.05π，而 P_max、P_min、P_avg分别表示当代适应度值的最大值、最小值以及平均值； 

步骤五：更新记录迭代信息

需要更新记录的信息包括：当前代数n；当前代各粒子的自身最优值，即该粒子在n代之中所找到的最优值；迭代n次所找到的全局最优值Pg；新产生的量子状态α_(n+1)i和β_(n+1)i；

步骤六：n＝n+1，从步骤二开始迭代至步骤五；

步骤七：n＝N，算法结束，输出最优结果，为保证算法收敛到最优解，应使N＞100。