[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

说明书

一、技术领域

本发明涉及一种机器人视觉匹配方法，包括基于量子算法(Quantum Algorithm，以下简称QA)以及该算法与微粒群算法融合后的的基于量子微粒群 优化(Quantum Algorithm with Particle Swarm Optimization，以下简称QAPSO) 的机器人视觉匹配方法，属于计算机视觉信息处理领域。

二、背景技术

机器人视觉是通过光学的装置和非接触的传感器自动地接收和处理一个真 实物体的图像，以获得所需信息或用于控制机器人运动的装置。在现代工业自 动化生产中，涉及到各种各样的检验、生产监视及零件识别应用，例如零配件 批量加工的尺寸检查，自动装配的完整性检查，电子装配线的元件自动定位， IC上的字符识别等。通常人眼无法连续、稳定地完成这些带有高度重复性和智 能性的工作，其它物理量传感器也难有用武之地。于是，利用光电成像系统采 集被控目标的图像，而后经计算机或专用的图像处理模块进行数字化处理，根 据图像的像素分布、亮度和颜色等信息，来进行尺寸、形状、颜色等的判别在 工业生产中占有越来越重要的地位。这样，就把计算机的快速性、可重复性， 与人眼视觉的高度智能化和抽象能力相结合，由此产生了机器视觉的概念。

机器视觉中最重要的环节就是图像匹配环节，一个良好的匹配环节要求精 度高、速度快，这在机器视觉领域中也是至关重要的衡量因素。研究表明，图 像匹配的速度主要取决于匹配算法的搜索策略。一个好的搜索策略不需要遍历 图像上的每一个像素点便可以精确的找到最优匹配位置。可以说，在保证匹配 精度的情况下搜索的像素点越少，算法的效率也就越高。

微粒群优化(Particle Swarm Optimization，PSO)算法是由J.Kennedy和 R.C.Eberhart等于1995年开发的一种演化计算技术，来源于对一个简化社 会模型的模拟。PSO算法最初是为了图形化的模拟鸟群优美而不可预测的 运动。而通过对动物社会行为的观察，发现在群体中对信息的社会共享提 供一个演化的优势，并以此作为开发算法的基础。

PSO算法是基于群体的，根据对环境的适应度将群体中的个体移动到 好的区域。然而它不对个体使用演化算子，而是将每个个体看作是D维搜 索空间中的一个没有体积的微粒(点)，在搜索空间中以一定的速度飞行， 这个速度根据它本身的飞行经验和同伴的飞行经验来动态调整。第i个微 粒表示为X_i＝(X_i1，X_i2，...，X_iD)，它经历过的最好位置(有最好的适应值)记 为P_i＝(P_i1，P_i2，...，P_iD)，也称为P_best。在群体所有微粒经历过的最好位置的 索引号用符号g表示，即P_g，也称为g_best。微粒i的速度用V_i＝(V_i1，V_i2，...，V_iD) 表示。对每一代，它的第d维(1≤d≤D)根据如下方程进行变化：

V_id＝ωV_id+C₁rand×(P_id-X_id)+C_zRand×(P_gd-X_id)                (1a)

X_id＝X_id+V_id                                                  (1b)

其中ω为惯性权重(inertia weight)，C₁和C₂为加速常数(acceleration constants)，rand和Rand为两个在[0，1]范围里变化的随机值。此外，微粒 的速度V_i被一个最大速度V_max所限制。如果当前对微粒的加速导致它的在某 维的速度V_id超过该维的最大速度V_max，d，则该维的速度被限制为该维最大速 度V_max，d。