遗传算法占用计算机空间,遗传算法在机器人视觉上的应用

从计算机诞生开始，人类就希望有朝一日计算机能够像人类那样通过视觉观察和理解世界，具有自动适应环境的能力。本文先是对标准遗传算法进行了详细的讲解，然后简单介绍了机器人视觉与其组成。再介绍了遗传算法和免疫遗传算法在机器人视觉上的简单应用。

1

遗传算法的简单介绍

遗传算法

遗传算法(Genetic Algorithm，GA)起源于对生物系统所进行的计算机模拟研究。在20世纪60年代，美国密西根大学的Holland教授及其学生们受到这种生物模拟技术的启发，创造出了一种基于生物和进化机制的适合于复杂系统优化计算的自适应概率优化技术——遗传算法。随后，由于实践中复杂系统优化计算问题的大量出现和遗传算法本身的优点，国内外有许多学者对遗传算法进行研究，引起了遗传算法研究的热潮。

遗传算法常用术语

(1)基因(gene)

基因是染色体的一个片段，通常为单个参数的编码值。例如个体S=10111，则其中的10111这五个元素分别称为基因。

(2)染色体(chromosome)

染色体是携带着基因信息的数据结构，也叫基因串，简称个体，一般表示为二进制位串或整数数组。

(3)种群(population)

个体的几何称为种群，个体是种群中的元素。

(4)种群大小(population size)

在种群中个体的数量称为种群的大小，也叫群体规模。

(5)搜索空间(search space)

如果问题的解能用N个实值参数集来表示的话，则认为搜索工作是在N维空间进行，这个N维空间称为问题的搜索空间。

(6)适应度(fitness)

反映个体性能的一个数量值，表示某一个体对于生存环境的适应程度，对生存环境适应程度较高的个体将获得更多的繁殖机会，而对生存环境适应程度较低的个体，其繁殖机会就会相对减少，甚至逐渐灭绝。

(7)基因型(genetype)

基因组合的模型叫基因型，它是染色体的内部表现。

(8)表现型(phenotype)

由染色体决定性状的外部表现，或者说，根据基因型形成的个体。

(9)编码(coding)

从表现型到基因型的映射。

(10)解码(decoding)

从基因型到表现型的映射。

遗传算法就是从代表问题的可能潜在解集的一个种群出发，而一个种群则由基因编码的一定数目个体组成。每个个体其实是染色体带有特征的实体。染色体作为遗传物质的主要载体，即多个基因的集合，其内部表现是某种基因的结合，它决定了个体的外部表现形状。

遗传算法基本要素

(1)编码

由于遗传算法不能直接处理空间的数据，因此必须通过编码将它们表示成遗传空间的基因型串结构数据。基本遗传算法使用固定长度的二进制符号串来表示群体中的个体，其基因是由二进制符号{0，1}组成。

(2)初始种群的产生

由于遗传算法的群体操作需要，所以进化开始前必须准备一个由若干初始解组成的初始群体。

(3)遗传算子

基本遗传算法使用三种遗传算子：

A、选择运算：以一定概率从种群中选择若干个体的操作。选择运算的目的是为了从当前群体中选出优良的个体，使它们有机会作为父代繁殖后代子孙。判断个体优劣的准则是个体的适应度值。选择运算模拟了达尔文适者生存、优胜劣汰原则，个体适应度越高，被选择的机会也就越多。

B、 交叉运算：两个染色体之间通过交叉而重组成新的染色体。交叉运算相当于生物进化过程中的有性繁殖的基因重组过程。

C、 变异运算:染色体的某一基因发生变化，产生新的染色体，表现出新的性状。变异运算模拟了生物进化过程中的基因突变方法，将某个基因上的基因变异为其等位基因。

(4)终止条件

终止条件就是遗传进化结束的条件。基本遗传算法的终止条件可以是最大进化代数或最优解所需满足的精度。

(5)运行参数

基本遗传算法主要有群体规模n、交叉概率pc、变异概率pm。

标准遗传算法及流程图

(1)群体初始化：生成一定规模的初始染色体集合P，开始时P中每个个体都是随机生成。

(2)计算个体适应值：群体中的每个个体根据其最优化任务赋予一个称为适应值的数量值。

(3)选择：根据每个个体的适应值和选择原则进行选择复制操作。在此过程中，低适应值的个体将从群体中去除，高适应值的个体将被复制，其目的是使得搜索朝着搜索空间的解空间靠近。

(4)交叉：根据交叉原则和交叉概率进行双亲结合以产生后代。

(5)变异：根据变异原则和变异概率，对个体编码中的部分信息实施变异，从而产生新的个体。

(6)判断终止条件到否，若否转至(2)，否则执行(7)。

(7)输出：最后，群体中的最好个体或整个演化过程中的最好个体作为遗传算法的解输出。

图1.1 标准遗传算法流程图

标准遗传算法有关参数的确定

(1)群体规模n

群体规模影响遗传优化的最终结果，以及遗传算法的执行效率，当群体规模太小时，遗传算法的优化性能一般不会太好，而采用较大的群体规模可以减少遗传算法陷入局部最优解的机会，但较大规模，意味着计算机复杂度提高。一般n=50~200较好。

(2)交叉概率pc

交叉概率pc控制着交叉操作被使用的频度，较大的交叉概率可增强遗传算法开辟新的搜索区域的能力，但高性能的模式遭破坏的可能性较大；若选用交叉概率太低，遗传算法搜索可能陷入迟钝状态，一般选取概率为0.4~0.9。

(3)变异概率pm

变异在遗传算法中属于辅助性搜索操作，其主要目的是增强遗传算法的局部搜索能力，低频度的变异率可防止群体中重要的单一的基因可能丢失，高频度变异将使遗传算法趋于纯粹的随机搜索，通常取变异概率pm=0.001~0.1。

2

机器人视觉

机器视觉系统是指用计算机来实现人的视觉功能，也就是用计算机来实现对客观的三维世界的识别。按现在的理解，人类视觉系统的感受部分是视网膜，它是一个三维采样系统。三维物体的可见部分投影到网膜上，人们按照投影到视网膜上的二维的像来对该物体进行三维理解。所谓三维理解是指对被观察对象的形状、尺寸、离开观察点的距离、质地和运动特征(方向和速度)等的理解。

机器视觉系统的输入装置可以是摄像机、转鼓等，它们都把三维的影像作为输入源，即输入计算机的就是三维管观世界的二维投影。如果把三维客观世界到二维投影像看作是一种正变换的话，则机器视觉系统所要做的是从这种二维投影图像到三维客观世界的逆变换，也就是根据这种二维投影图像去重建三维的客观世界。

机器视觉系统主要由三部分组成：图像的获取、图像的处理和分析、输出或显示。    将近80%的工业视觉系统主要用在检测方面，包括用于提高生产效率、控制生产过程中的产品质量、采集产品数据等。产品的分类和选择也集成于检测功能中。下面通过一个用于生产线上的单摄像机视觉系统，说明系统的组成及功能。

关于图像的获取：实际上是将被测物体的可视化图像和内在特征转换成能被计算机处理的一系列数据，它主要由三部分组成：照明、图像聚焦形成、图像确定和形成摄像机输出信号。

关于图像的处理：机器视觉系统中，视觉信息的处理技术主要依赖于图像处理方法，它包括图像增强、数据编码和传输、平滑、边缘锐化、分割、特征抽取、图像识别与理解等内容。经过这些处理后，输出图像的质量得到相当程度的改善，既改善了图像的视觉效果，又便于计算机对图像进行分析、处理和识别。

3

遗传算法在视觉感知方面的应用

基于视觉感知特性的多聚焦图像融合算法，在对待融合的多聚焦图像进行RGB分块分解的基础上，采用视觉对比度模型以确定融合后图像的选取准则。为了获得最佳图像融合效果，采用免疫遗传算法以指导图像分块，标准熵和标准偏差作为评价图像融合质量的标准。

图像质量以及与之有关的成像系统的性能和图像处理的效果等通常都要靠视觉系统来评判，如果在图像融合等图像处理技术中考虑视觉特性，势必会大大提高图像处理的效率，改善图像的主观视觉质量。人眼对于图像的对比度变化十分敏感,因此根据对比度敏感门限与背景亮度成正比这一关系，提出了一种衡量图像块均匀度的测度，作为判决目标清晰的依据，以有助于分析目标聚焦模糊与目标聚焦清晰之间的成像差异。对于大小为m×n的单色图像M，其均匀度参数为

该均匀度参数模拟人眼的视觉特性，突出了图像的对比度信息，以达到良好的视觉效果。它利用视觉敏感度来测量图像子块内信号变化的可见度，提高了分割过程与视觉系统的匹配程度。根据上述人眼视觉特性中定义的均匀度参数，就可以比较准确地判定多聚焦图像中的清晰目标和模糊目标。基于视觉对比度算法的关键是确定合适的分块数目，以获取最佳融合效果，本文选取免疫遗传算法以确定最佳图像分块。生物免疫系统的主要作用是产生抗体用于对付和消除外来抗原。对于基于视觉感知特性的图像融合问题来说，最佳抗体对应于图像最佳分块数，获取最佳融合图像的过程对应于免疫系统寻找最佳抗体的过程。本文分别选取图像标准熵与标准偏差作为免疫遗传算法的亲和度函数，将随机选取的初始分块值作为抗原，利用免疫遗传算法可以确定最佳分块数。免疫遗传算法的主要步骤如图3.1所示。

图3.1 免疫遗传算法

如图3.2所示，多聚焦图像融合算法步骤为：

(1)将2幅严格配准的彩色三维多聚焦图像C和D分别按R、G、B三通道分解成若干大小为m×n的像素子块。设CN 和DN 分别表示单色图像C和D的第N个子块。

图3.2 基于视觉识别特性的图像融合算法

(2)按照式(1)计算出每个彩色通道中每个子块的均匀度参数。设和分别为子块CN和DN的均匀度参数。

(3)比较2幅图像中对应子块间的均匀度参数，均匀度参数值较大的子块被保留作为融合图像相应子块

式中FN——融合图像第N个子块

(4)对所有的图像子块按R、G、B三通道进行上述合并操作，即在彩色空间中叠加后就得到了一幅彩色融合图。

本文提出了一种基于视觉感知特性的多聚焦图像融合算法。利用视觉识别系统对对比度大的图像敏感的特性，选用视觉对比度作为选择待融合图像子块的依据。同时利用免疫遗传算法适于快速寻优的特性，分别选用标准熵和标准偏差作为免疫遗传算法的亲和度函数。利用免疫遗传算法很好地解决了融合图像子块寻优的问题，而后将所获得的图像子块进行重构以获得最佳融合图像。从实验效果看，本文所提出的融合算法能够达到快速融合的目的，适用于解决多聚焦图像快速融合问题。

来源：【萝卜库】，如有不妥，请联系【机器人2025】微信后台删除。