一種智能垃圾分類裝置的制造方法
【專利摘要】本發(fā)明公開了一種智能垃圾分類裝置，包括垃圾分類裝置和安裝在垃圾分類裝置上的垃圾識別裝置，其中，垃圾識別裝置包括圖像預處理模塊、圖像極值點檢測模塊、圖像特征點定位模塊、主方向確定模塊和特征提取模塊，其中所述圖像特征點定位模塊通過剔除所述各極值點中對噪聲敏感的低對比度點以及不穩(wěn)定的邊緣點來確定作為特征點的極值點，所述主方向確定模塊用于將關于所述特征點的梯度方向直方圖中的任意相鄰兩個峰值連線以形成多個子線段，并將具有相近斜率且相鄰的子線段在長度方向上進行合并形成一條線段后將多條線段中的最優(yōu)線段的方向作為特征點的主方向。本發(fā)明具有分類準確、速度快的優(yōu)點。
【專利說明】
一種智能垃圾分類裝置
技術領域
[0001 ]本發(fā)明涉及清潔領域，具體涉及一種智能垃圾分類裝置。
【背景技術】
[0002]目前在國內外都存在垃圾回收難、分類難等問題，對垃圾分類裝置的研究也從未 間斷。但是，目前的分類裝置存在檢測精度差、速度慢等缺陷，耗費了大量資源。

【發(fā)明內容】

[0003 ]針對上述問題，本發(fā)明提供一種智能垃圾分類裝置。
[0004] 本發(fā)明的目的采用以下技術方案來實現(xiàn)：
[0005] 提供了一種智能垃圾分類裝置，用于對垃圾進行分類，包括垃圾分類裝置和安裝 在垃圾分類裝置上的垃圾識別裝置，其中，垃圾識別裝置包括：
[0006] (1)圖像預處理模塊，其包括用于將彩色圖像轉化為灰度圖像的圖像轉換子模塊 和用于對所述灰度圖像進行濾波的圖像濾波子模塊，所述圖像轉換子模塊的圖像灰度轉換 公式為： i
[0007]
[0008] 其中，1?(1，7)、6(1，7)、8(1，7)分別代表像素點(1，7)處的紅綠藍強度值，1(1，7)代 表像素點(x，y)處的灰度值；
[0009] (2)圖像極值點檢測模塊，其通過由高斯差分算子與圖像進行卷積建立成的圖像 的高斯差分尺度空間來檢測各極值點的位置，當采樣點相對于與它同尺度的8個相鄰點和 上下相鄰尺度對應的18個點的值皆大時，所述采樣點為極大值點，當采樣點相對于與它同 尺度的8個相鄰點和上下相鄰尺度對應的18個點的值皆小時，所述采樣點為極小值點，所述 高斯差分尺度空間的簡化計算公式為：
[0010] -----、---、、丄…----、"m-、--、、丄…---、
[0011]
[0012]
[0013] 其中，D(x，y，〇)表示高斯差分尺度空間函數(shù)，I'（x，y)為由圖像轉化子模塊輸出的 圖像函數(shù)，*表示卷積運算，σ表示尺度空間因子，6(1， 〇)、6(7,〇)為定義的尺度可變的高斯 函數(shù)，k為不變倍增因子；
[0014] (3)圖像特征點定位模塊，其通過剔除所述各極值點中對噪聲敏感的低對比度點 以及不穩(wěn)定的邊緣點來確定作為特征點的極值點，包括依次連接的用于極值點精確定位的 第一定位子模塊、用于去除低對比度點的第二定位子模塊和用于去除不穩(wěn)定邊緣點的第三 定位子模塊，其中：
[0015] a、所述第一定位子模塊通過對所述高斯差分尺度空間函數(shù)進行二次泰勒展開并 求導得到極值點的精確位置，極值點的尺度空間函數(shù)為：
[0016]
[0017] 其中，表示極值點的尺度空間函數(shù)，D(x，y，〇)T為相對于極值點的偏移量，i 表示極值點的精確位置；
[0018] b、所述第二定位子模塊對由圖像轉換子?？燧敵龅膱D像依次進行灰度增強、歸一
[0022] 所述低對比度點的判定公式為：[0023]
化處js曰ai β全靳祙仳甜屮齒占_橫踞曰的*齒佶*.
[0019:
[0020:
[0021：
[0024] 其中，Γ (X，y)表示灰度值增強后的圖像函數(shù)，爐(U)為包含局部信息的校正系 數(shù)，M為像素的最大灰度值，所述最大灰度值M=255，m H為圖像中灰度值高于128的所有像素 的均值，是灰度值低于128的所有像素的均值，!Kx，y)為由圖像濾波子模塊處理后的圖 像，T 1S設定的閾值；
[0025] c、所述第三定位子模塊通過計算極值點的位置尺度為2 X 2的Hessian矩陣H得到 該極值點的主曲率，并通過剔除主曲率比值大于設定的閾值T2的極值點來剔除所述不穩(wěn)定 邊緣點，其中閾值T 2的取值范圍為[10，15 ]，所述主曲率比值通過比較矩陣H的特征值之間 的比值來確定；
[0026]優(yōu)選地，所述垃圾識別裝置還包括：
[0027] (1)主方向確定模塊，包括依次連接的連線子模塊、合并子模塊和處理子模塊，所 述連線在模塊用于將關于所述特征點的梯度方向直方圖中的任意相鄰兩個峰值連線以形 成多個子線段，所述合并子模塊用于將具有相近斜率且相鄰的子線段在長度方向上進行合 并形成一條線段，所述處理子模塊用于將多條線段中的最優(yōu)線段的方向作為特征點的主方 向，所述最優(yōu)線段的判定公式為：
[0028]
[0029] 兵屮，Ly衣不瑯1兀線扠，反俚扠，冢4為所述多條線段中第η 條線段的平均梯度值，gk為所述第η條線段中的第k條子線段，Lu為所述多條線段中線段長度 大于平均線段長度的線段集合；
[0030] (2)特征提取模塊，其根據(jù)所述主方向來旋轉特征點的鄰域，并根據(jù)旋轉后的鄰域 對所述特征點進行描述，從而生成所述特征點的描述符，對垃圾進行識別。
[0031] 進一步地，所述具有相近斜率的子線段為斜率差小于預設閾值T3的子線段，所述 閾值T3的取值范圍為(0,0.1]。
[0032]本發(fā)明的有益效果為：
[0033] 1、設置的圖像預處理模塊考慮了視覺習慣以及人眼對不同色彩的感知度同色彩 強度的非線性關系，能夠更為準確的描述圖像；
[0034] 2、提出了高斯差分尺度空間的簡化計算公式，減少了運算量，提高了運算速度，進 而提高了圖像分析的速度；
[0035] 3、設置的圖像特征點定位模塊對極值點進行低對比度點和不穩(wěn)定邊緣點的去除， 保證特征點的有效性，其中對圖像的灰度值進行增強，能夠大大增加圖像的穩(wěn)定性，更為精 確的對低對比度點進行去除，進而提高圖像分析的準確度；
[0036] 4、設置主方向確定模塊，提出了最優(yōu)線段的判定公式，以特征點梯度方向直方圖 中的任意相鄰兩個峰值連線形成的線段中的最優(yōu)線段的方向作為特征點的主方向，線段相 對于點更加穩(wěn)定，使得圖像對應的特征點的描述符具有可重復性，提高了特征描述符的準 確性，進而能夠更加快速、準確的對圖像進行識別檢測，具有很高的魯棒性。
【附圖說明】
[0037] 利用附圖對本發(fā)明作進一步說明，但附圖中的實施例不構成對本發(fā)明的任何限 制，對于本領域的普通技術人員，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)以下附圖獲得 其它的附圖。
[0038] 圖1是本發(fā)明各模塊的連接示意圖。
【具體實施方式】
[0039] 結合以下實施例對本發(fā)明作進一步描述。
[0040] 實施例1
[0041] 參見圖1，本實施例智能垃圾分類裝置包括垃圾分類裝置和安裝在垃圾分類裝置 上的垃圾識別裝置，其中，垃圾識別裝置包括垃圾分類裝置和安裝在垃圾分類裝置上的垃 圾識別裝置，其中，垃圾識別裝置包括：
[0042] (1)圖像預處理模塊，其包括用于將彩色圖像轉化為灰度圖像的圖像轉換子模塊
和用于對所述灰度圖像進行濾波的圖像濾波子模塊，所述圖像轉換子模塊的圖像灰度轉換 公式為·
[0043]
[0044] 兵屮，尺以，7;山以，7;、^以，7;力、別代衣傢系總以，7;處的2丄球監(jiān)5蟲反俚，1以，7)代 表像素點(x，y)處的灰度值；
[0045] (2)圖像極值點檢測模塊，其通過由高斯差分算子與圖像進行卷積建立成的圖像 的高斯差分尺度空間來檢測各極值點的位置，當采樣點相對于與它同尺度的8個相鄰點和 上下相鄰尺度對應的18個點的值皆大時，所述采樣點為極大值點，當采樣點相對于與它同 尺度的8個相鄰點和上下相鄰尺度對應的18個點的值皆小時，所述采樣點為極小值點，所述 高斯差分尺度空間的簡化計算公式為：
[0046]
[0047]
[0048]
[0049] 其中，D(x，y，〇)表示高斯差分尺度空間函數(shù)，I'（x，y)為由圖像轉化子模塊輸出的 圖像函數(shù)，*表示卷積運算，σ表示尺度空間因子，6(1， 〇)、6(7,〇)為定義的尺度可變的高斯 函數(shù)，k為不變倍增因子；
[0050] (3)圖像特征點定位模塊，其通過剔除所述各極值點中對噪聲敏感的低對比度點 以及不穩(wěn)定的邊緣點來確定作為特征點的極值點，包括依次連接的用于極值點精確定位的 第一定位子模塊、用于去除低對比度點的第二定位子模塊和用于去除不穩(wěn)定邊緣點的第三 定位子模塊，其中：
[0051] a、所述第一定位子模塊通過對所述高斯差分尺度空間函數(shù)進行二次泰勒展開并 求導得到極值點的精確位置，極值點的尺度空間函數(shù)為：
[0052]
[0053] 其中，表示極值點的尺度空間函數(shù)，D(x，y，〇)T為相對于極值點的偏移量，} 表示極值點的精確位置；
[0054] b、所述第二定位子模塊對由圖像轉換子?？燧敵龅膱D像依次進行灰度增強、歸一 化處理后剔除所述低對比度點，增強后的灰度值為：
[0055]
[0056]
[0057]
[0058]所述低對比度點的判定公式為：
[0059] D(X)<T,, 7； g[0.01,0.06]
[0060] 其中，I"（x，y)表示灰度值增強后的圖像函數(shù)，Md·)為包含局部信息的校正系 數(shù)，M為像素的最大灰度值，所述最大灰度值M=255，m H為圖像中灰度值高于128的所有像素 的均值，是灰度值低于128的所有像素的均值，!Kx，y)為由圖像濾波子模塊處理后的圖 像，T 1S設定的閾值；
[0061] C、所述第三定位子模塊通過計算極值點的位置尺度為2 X 2的Hessian矩陣H得到 該極值點的主曲率，并通過剔除主曲率比值大于設定的閾值T2的極值點來剔除所述不穩(wěn)定 邊緣點，其中閾值T 2的取值范圍為[10，15 ]，所述主曲率比值通過比較矩陣H的特征值之間 的比值來確定；
[0062] 優(yōu)選地，所述垃圾識別裝置還包括：
[0063] (1)主方向確定模塊，包括依次連接的連線子模塊、合并子模塊和處理子模塊，所 述連線在模塊用于將關于所述特征點的梯度方向直方圖中的任意相鄰兩個峰值連線以形 成多個子線段，所述合并子模塊用于將具有相近斜率且相鄰的子線段在長度方向上進行合 并形成一條線段，所述處理子模塊用于將多條線段中的最優(yōu)線段的方向作為特征點的主方 向，所述最優(yōu)線段的判定公式為：
[0064]
[0065] 其中，Ly表示最優(yōu)線段，Igltts為平均梯度值為fmax的線段，&"為所述多條線段中第η 條線段的平均梯度值，gk為所述第η條線段中的第k條子線段，Lu為所述多條線段中線段長度 大于平均線段長度的線段集合；
[0066] (2)特征提取模塊，其根據(jù)所述主方向來旋轉特征點的鄰域，并根據(jù)旋轉后的鄰域 對所述特征點進行描述，從而生成所述特征點的描述符，對垃圾進行識別。
[0067] 進一步地，所述具有相近斜率的子線段為斜率差小于預設閾值T3的子線段，所述 閾值T3的取值范圍為(0,0.1]。
[0068]本實施例設置的圖像預處理模塊考慮了視覺習慣以及人眼對不同色彩的感知度 同色彩強度的非線性關系，能夠更為準確的描述圖像;提出了高斯差分尺度空間的簡化計 算公式，減少了運算量，提高了運算速度，進而提高了圖像分析的速度;設置的圖像特征點 定位模塊對極值點進行低對比度點和不穩(wěn)定邊緣點的去除，保證特征點的有效性，其中對 圖像的灰度值進行增強，能夠大大增加圖像的穩(wěn)定性，更為精確的對低對比度點進行去除， 進而提高圖像分析的準確度;設置主方向確定模塊，提出了最優(yōu)線段的判定公式，以特征點 梯度方向直方圖中的任意相鄰兩個峰值連線形成的線段中的最優(yōu)線段的方向作為特征點 的主方向，線段相對于點更加穩(wěn)定，使得圖像對應的特征點的描述符具有可重復性，提高了 特征描述符的準確性，進而能夠更加快速、準確的對圖像進行識別檢測，具有很高的魯棒 性;本實施例取閾值!^ = 0.01，T2 = 10，T3 = 0.1，垃圾分類的精度提高了 2 %，速度提高了 1%〇
[0069] 實施例2
[0070] 參見圖1，本實施例智能垃圾分類裝置包括垃圾分類裝置和安裝在垃圾分類裝置 上的垃圾識別裝置，其中，垃圾識別裝置包括：
[0071] (1)圖像預處理模塊，其包括用于將彩色圖像轉化為灰度圖像的圖像轉換子模塊 和用于對所述灰度圖像進行濾波的圖像濾波子模塊，所述圖像轉換子模塊的圖像灰度轉換 公式為
[0072]
[0073] 具中，以1，7)、(；以，7)、8以，7)分別代表像素點以，7)處的紅綠監(jiān)強度值，1以，7)代 表像素點(x，y)處的灰度值；
[0074] (2)圖像極值點檢測模塊，其通過由高斯差分算子與圖像進行卷積建立成的圖像 的高斯差分尺度空間來檢測各極值點的位置，當采樣點相對于與它同尺度的8個相鄰點和 上下相鄰尺度對應的18個點的值皆大時，所述采樣點為極大值點，當采樣點相對于與它同 尺度的8個相鄰點和上下相鄰尺度對應的18個點的值皆小時，所述采樣點為極小值點，所述 高斯差分尺度空間的簡化計算公式為：
[0075]
[0076]
[0077]
[0078] 其中，D(x，y，〇)表示高斯差分尺度空間函數(shù)，I'（x，y)為由圖像轉化子模塊輸出的 圖像函數(shù)，*表示卷積運算，σ表示尺度空間因子，6(1， 〇)、6(7,〇)為定義的尺度可變的高斯 函數(shù)，k為不變倍增因子；
[0079] (3)圖像特征點定位模塊，其通過剔除所述各極值點中對噪聲敏感的低對比度點 以及不穩(wěn)定的邊緣點來確定作為特征點的極值點，包括依次連接的用于極值點精確定位的 第一定位子模塊、用于去除低對比度點的第二定位子模塊和用于去除不穩(wěn)定邊緣點的第三 定位子模塊，其中：
[0080] a、所述第一定位子模塊通過對所述高斯差分尺度空間函數(shù)進行二次泰勒展開并 求導得到極值點的精確位置，極值點的尺度空間函數(shù)為：
[0081]
[0082]其中，表示極值點的尺度空間函數(shù)，D(x，y，〇)T為相對于極值點的偏移量，f 表示極值點的精確位置；
[0083] b、所述第二定位子模塊對由圖像轉換子?？燧敵龅膱D像依次進行灰度增強、歸一 化處理后剔除所述低對比度點，增強后的灰度值為：
[0084]
[0085]
[0086]
[0087]所述低對比度點的判定公式為：
[0088] D(X)KTr 7： e [0,01,0.06]
[0089] 其中，I"（x，y)表示灰度值增強后的圖像函數(shù)，為包含局部信息的校正系 數(shù)，M為像素的最大灰度值，所述最大灰度值M=255，mH為圖像中灰度值高于128的所有像素 的均值，是灰度值低于128的所有像素的均值，!Kx，y)為由圖像濾波子模塊處理后的圖 像，T 1S設定的閾值；
[0090] C、所述第三定位子模塊通過計算極值點的位置尺度為2 X 2的Hessian矩陣H得到 該極值點的主曲率，并通過剔除主曲率比值大于設定的閾值T2的極值點來剔除所述不穩(wěn)定 邊緣點，其中閾值T 2的取值范圍為[10，15 ]，所述主曲率比值通過比較矩陣H的特征值之間 的比值來確定；
[0091 ]優(yōu)選地，所述垃圾識別裝置還包括：
[0092] (1)主方向確定模塊，包括依次連接的連線子模塊、合并子模塊和處理子模塊，所 述連線在模塊用于將關于所述特征點的梯度方向直方圖中的任意相鄰兩個峰值連線以形 成多個子線段，所述合并子模塊用于將具有相近斜率且相鄰的子線段在長度方向上進行合 并形成一條線段，所述處理子模塊用于將多條線段中的最優(yōu)線段的方向作為特征點的主方 向，所述最優(yōu)線段的判定公式為：
[0093]
[0094] 兵〒，Ly衣不爾1 兀線扠，功柹皮但73容_的線段，歹4為所述多條線段中第η 條線段的平均梯度值，gk為所述第η條線段中的第k條子線段，Lu為所述多條線段中線段長度 大于平均線段長度的線段集合；
[0095] (2)特征提取模塊，其根據(jù)所述主方向來旋轉特征點的鄰域，并根據(jù)旋轉后的鄰域 對所述特征點進行描述，從而生成所述特征點的描述符，對垃圾進行識別。
[0096]進一步地，所述具有相近斜率的子線段為斜率差小于預設閾值T3的子線段，所述 閾值T3的取值范圍為(0,0.1]。
[0097]本實施例設置的圖像預處理模塊考慮了視覺習慣以及人眼對不同色彩的感知度 同色彩強度的非線性關系，能夠更為準確的描述圖像;提出了高斯差分尺度空間的簡化計 算公式，減少了運算量，提高了運算速度，進而提高了圖像分析的速度;設置的圖像特征點 定位模塊對極值點進行低對比度點和不穩(wěn)定邊緣點的去除，保證特征點的有效性，其中對 圖像的灰度值進行增強，能夠大大增加圖像的穩(wěn)定性，更為精確的對低對比度點進行去除， 進而提高圖像分析的準確度;設置主方向確定模塊，提出了最優(yōu)線段的判定公式，以特征點 梯度方向直方圖中的任意相鄰兩個峰值連線形成的線段中的最優(yōu)線段的方向作為特征點 的主方向，線段相對于點更加穩(wěn)定，使得圖像對應的特征點的描述符具有可重復性，提高了 特征描述符的準確性，進而能夠更加快速、準確的對圖像進行識別檢測，具有很高的魯棒 性;本實施例取閾值!^ = 0.02，T2 = 11，T3 = 0.08，垃圾分類的精度提高了 1 %，速度提高了 1.5%〇
[0098] 實施例3
[0099] 參見圖1，本實施例智能垃圾分類裝置包括垃圾分類裝置和安裝在垃圾分類裝置 上的垃圾識別裝置，其中，垃圾識別裝置包括：
[0100] (1)圖像預處理模塊，其包括用于將彩色圖像轉化為灰度圖像的圖像轉換子模塊 和用于對所述灰度圖像進行濾波的圖像濾波子模塊，所述圖像轉換子模塊的圖像灰度轉換 公式為： / \ _ max(/?(.v, r), (7(.r, v), Z?(.x% r)) + miniR(.\\ .r), G'(.v, \'), 8(.\\ \'))
[0101] (切 2 + 2[max(i?：(x, j), G(x, - niin(i?(x, j)s G(x, y), B(x, yf)\
[0102]其中，1?(1，7)、6(1,7)、8(1，7)分別代表像素點(1，7)處的紅綠藍強度值，1(1，7)代 表像素點(x，y)處的灰度值；
[0103] (2)圖像極值點檢測模塊，其通過由高斯差分算子與圖像進行卷積建立成的圖像 的高斯差分尺度空間來檢測各極值點的位置，當采樣點相對于與它同尺度的8個相鄰點和 上下相鄰尺度對應的18個點的值皆大時，所述采樣點為極大值點，當采樣點相對于與它同 尺度的8個相鄰點和上下相鄰尺度對應的18個點的值皆小時，所述采樣點為極小值點，所述 高斯差分尺度空間的簡化計算公式為：
[0104]
[0105]
[0106]
[0107] 其中，D(x，y，〇)表示高斯差分尺度空間函數(shù)，I'（x，y)為由圖像轉化子模塊輸出的 圖像函數(shù)，*表示卷積運算，σ表示尺度空間因子，6(1， 〇)、6(7,〇)為定義的尺度可變的高斯 函數(shù)，k為不變倍增因子；
[0108] (3)圖像特征點定位模塊，其通過剔除所述各極值點中對噪聲敏感的低對比度點 以及不穩(wěn)定的邊緣點來確定作為特征點的極值點，包括依次連接的用于極值點精確定位的 第一定位子模塊、用于去除低對比度點的第二定位子模塊和用于去除不穩(wěn)定邊緣點的第三 定位子模塊，其中：
[0109] a、所述第一定位子模塊通過對所述高斯差分尺度空間函數(shù)進行二次泰勒展開并 求導得到極值點的精確位置，極值點的尺度空間函數(shù)為：
[0110]
[0111]其中，DiAO表示極值點的尺度空間函數(shù)，D(X，y，〇)T為相對于極值點的偏移量，i 表示極值點的精確位置；
[0112] b、所述第二定位子模塊對由圖像轉換子?？燧敵龅膱D像依次進行灰度增強、歸一 化處理后剔除所述低對比度點，增強后的灰度值為：
[0113]
[0114]
[0115]
[0116]
[0117]
[0118] 其中，I"（x，y)表示灰度值增強后的圖像函數(shù)，為包含局部信息的校正系 數(shù)，M為像素的最大灰度值，所述最大灰度值M=255，mH為圖像中灰度值高于128的所有像素 的均值，是灰度值低于128的所有像素的均值，!Kx，y)為由圖像濾波子模塊處理后的圖 像，T 1S設定的閾值；
[0119] c、所述第三定位子模塊通過計算極值點的位置尺度為2 X 2的Hessian矩陣H得到 該極值點的主曲率，并通過剔除主曲率比值大于設定的閾值T2的極值點來剔除所述不穩(wěn)定 邊緣點，其中閾值T 2的取值范圍為[10，15 ]，所述主曲率比值通過比較矩陣H的特征值之間 的比值來確定；
[0120]優(yōu)選地，所述垃圾識別裝置還包括：
[0121] (1)主方向確定模塊，包括依次連接的連線子模塊、合并子模塊和處理子模塊，所 述連線在模塊用于將關于所述特征點的梯度方向直方圖中的任意相鄰兩個峰值連線以形 成多個子線段，所述合并子模塊用于將具有相近斜率且相鄰的子線段在長度方向上進行合 并形成一條線段，所述處理子模塊用于將多條線段中的最優(yōu)線段的方向作為特征點的主方 向，所述最優(yōu)線段的判定公式為：
[0122]
[0123] 其中，Ly表示最優(yōu)線段，~_為平均梯度值為歹_的線段為所述多條線段中第 η條線段的平均梯度值，gk為所述第η條線段中的第k條子線段，Lu為所述多條線段中線段長 度大于平均線段長度的線段集合；
[0124] (2)特征提取模塊，其根據(jù)所述主方向來旋轉特征點的鄰域，并根據(jù)旋轉后的鄰域 對所述特征點進行描述，從而生成所述特征點的描述符，對垃圾進行識別。
[0125] 進一步地，所述具有相近斜率的子線段為斜率差小于預設閾值T3的子線段，所述 閾值T3的取值范圍為(0,0.1]。
[0126] 本實施例設置的圖像預處理模塊考慮了視覺習慣以及人眼對不同色彩的感知度 同色彩強度的非線性關系，能夠更為準確的描述圖像;提出了高斯差分尺度空間的簡化計 算公式，減少了運算量，提高了運算速度，進而提高了圖像分析的速度;設置的圖像特征點 定位模塊對極值點進行低對比度點和不穩(wěn)定邊緣點的去除，保證特征點的有效性，其中對 圖像的灰度值進行增強，能夠大大增加圖像的穩(wěn)定性，更為精確的對低對比度點進行去除， 進而提高圖像分析的準確度;設置主方向確定模塊，提出了最優(yōu)線段的判定公式，以特征點 梯度方向直方圖中的任意相鄰兩個峰值連線形成的線段中的最優(yōu)線段的方向作為特征點 的主方向，線段相對于點更加穩(wěn)定，使得圖像對應的特征點的描述符具有可重復性，提高了 特征描述符的準確性，進而能夠更加快速、準確的對圖像進行識別檢測，具有很高的魯棒 性;本實施例取閾值!^ = 0.03，T2 = 12，T3 = 0.06，垃圾分類的精度提高了 2.5 %，速度提高了 3%〇
[0127] 實施例4
[0128] 參見圖1，本實施例智能垃圾分類裝置包括垃圾分類裝置和安裝在垃圾分類裝置 上的垃圾識別裝置，其中，垃圾識別裝置包括：
[0129] (1)圖像預處理模塊，其包括用于將彩色圖像轉化為灰度圖像的圖像轉換子模塊 和用于對所述灰度圖像進行濾波的圖像濾波子模塊，所述圖像轉換子模塊的圖像灰度轉換 公式為
[0130]
[0131]其中，1?(1，7)、6(1，7)、8(1，7)分別代表像素點(1，7)處的紅綠藍強度值，1(1，7)代 表像素點(x，y)處的灰度值；
[0132] (2)圖像極值點檢測模塊，其通過由高斯差分算子與圖像進行卷積建立成的圖像 的高斯差分尺度空間來檢測各極值點的位置，當采樣點相對于與它同尺度的8個相鄰點和 上下相鄰尺度對應的18個點的值皆大時，所述采樣點為極大值點，當采樣點相對于與它同 尺度的8個相鄰點和上下相鄰尺度對應的18個點的值皆小時，所述采樣點為極小值點，所述 高斯差分尺度空間的簡化計算公式為：
[0133]
[0134]
[0135]
[0136] 其中，D(x，y，〇)表示高斯差分尺度空間函數(shù)，I'（x，y)為由圖像轉化子模塊輸出的 圖像函數(shù)，*表示卷積運算，σ表示尺度空間因子，6(1， 〇)、6(7,〇)為定義的尺度可變的高斯 函數(shù)，k為不變倍增因子；
[0137] (3)圖像特征點定位模塊，其通過剔除所述各極值點中對噪聲敏感的低對比度點 以及不穩(wěn)定的邊緣點來確定作為特征點的極值點，包括依次連接的用于極值點精確定位的 第一定位子模塊、用于去除低對比度點的第二定位子模塊和用于去除不穩(wěn)定邊緣點的第三 定位子模塊，其中：
[0138] a、所述第一定位子模塊通過對所述高斯差分尺度空間函數(shù)進行二次泰勒展開并 求導得到極值點的精確位置，極值點的尺度空間函數(shù)為：
[0139]
[0140] 其中，表示極值點的尺度空間函數(shù)，D(x，y，〇)T為相對于極值點的偏移量，全 表示極值點的精確位置；
[0141] b、所述第二定位子模塊對由圖像轉換子?？燧敵龅膱D像依次進行灰度增強、歸一 化處理后剔除所述低對比度點，增強后的灰度值為：
[0142]
[0143]
[0144]
[0145] 所述低對比度點的判定公式為：
[0146] D(X)KT,, 7； e:[0.0i,0.06]
[0147] 其中，I"（x，y)表示灰度值增強后的圖像函數(shù)，為包含局部信息的校正系數(shù)， M為像素的最大灰度值，所述最大灰度值M = 255，mH為圖像中灰度值高于128的所有像素的 均值，mL是灰度值低于128的所有像素的均值，!Kx，y)為由圖像濾波子模塊處理后的圖像,T 1 為設定的閾值；
[0148] c、所述第三定位子模塊通過計算極值點的位置尺度為2 X 2的Hessian矩陣H得到 該極值點的主曲率，并通過剔除主曲率比值大于設定的閾值T2的極值點來剔除所述不穩(wěn)定 邊緣點，其中閾值T 2的取值范圍為[10，15 ]，所述主曲率比值通過比較矩陣H的特征值之間 的比值來確定；
[0149] 優(yōu)選地，所述垃圾識別裝置還包括：
[0150] (1)主方向確定模塊，包括依次連接的連線子模塊、合并子模塊和處理子模塊，所 述連線在模塊用于將關于所述特征點的梯度方向直方圖中的任意相鄰兩個峰值連線以形 成多個子線段，所述合并子模塊用于將具有相近斜率且相鄰的子線段在長度方向上進行合 并形成一條線段，所述處理子模塊用于將多條線段中的最優(yōu)線段的方向作為特征點的主方 向，所述最優(yōu)線段的判定公式為：
[0151]
[0152] 其中，Ly表示最優(yōu)線段，&_為平均梯度值為的線段，^為所述多條線段中第η 條線段的平均梯度值，gk為所述第η條線段中的第k條子線段，Lu為所述多條線段中線段長度 大于平均線段長度的線段集合；
[0153] (2)特征提取模塊，其根據(jù)所述主方向來旋轉特征點的鄰域，并根據(jù)旋轉后的鄰域 對所述特征點進行描述，從而生成所述特征點的描述符，對垃圾進行識別。
[0154] 進一步地，所述具有相近斜率的子線段為斜率差小于預設閾值T3的子線段，所述 閾值T3的取值范圍為(0,0.1]。
[0155] 本實施例設置的圖像預處理模塊考慮了視覺習慣以及人眼對不同色彩的感知度 同色彩強度的非線性關系，能夠更為準確的描述圖像;提出了高斯差分尺度空間的簡化計 算公式，減少了運算量，提高了運算速度，進而提高了圖像分析的速度;設置的圖像特征點 定位模塊對極值點進行低對比度點和不穩(wěn)定邊緣點的去除，保證特征點的有效性，其中對 圖像的灰度值進行增強，能夠大大增加圖像的穩(wěn)定性，更為精確的對低對比度點進行去除， 進而提高圖像分析的準確度;設置主方向確定模塊，提出了最優(yōu)線段的判定公式，以特征點 梯度方向直方圖中的任意相鄰兩個峰值連線形成的線段中的最優(yōu)線段的方向作為特征點 的主方向，線段相對于點更加穩(wěn)定，使得圖像對應的特征點的描述符具有可重復性，提高了 特征描述符的準確性，進而能夠更加快速、準確的對圖像進行識別檢測，具有很高的魯棒 性;本實施例取閾值!^ = 0.04，T2 = 13，T3 = 0.04，垃圾分類的精度提高了 1.5 %，速度提高了 2%〇
[0156] 實施例5
[0157] 參見圖1，本實施例智能垃圾分類裝置包括垃圾分類裝置和安裝在垃圾分類裝置 上的垃圾識別裝置，其中，垃圾識別裝置包括：
[0158] (1)圖像預處理模塊，其包括用于將彩色圖像轉化為灰度圖像的圖像轉換子模塊 和用于對所述灰度圖像進行濾波的圖像濾波子模塊，所述圖像轉換子模塊的圖像灰度轉換 公式為
[0159]
[0160]其中，1?(1，7)、6(1，7)、8(1，7)分別代表像素點(1，7)處的紅綠藍強度值，1(1，7)代 表像素點(x，y)處的灰度值；
[0161] (2)圖像極值點檢測模塊，其通過由高斯差分算子與圖像進行卷積建立成的圖像 的高斯差分尺度空間來檢測各極值點的位置，當采樣點相對于與它同尺度的8個相鄰點和 上下相鄰尺度對應的18個點的值皆大時，所述采樣點為極大值點，當采樣點相對于與它同 尺度的8個相鄰點和上下相鄰尺度對應的18個點的值皆小時，所述采樣點為極小值點，所述 高斯差分尺度空間的簡化計算公式為：
[0162]
[0163]
[0164]
[0165] 其中，D(x，y，〇)表示高斯差分尺度空間函數(shù)，I'（x，y)為由圖像轉化子模塊輸出的 圖像函數(shù)，*表示卷積運算，σ表示尺度空間因子，6(1， 〇)、6(7,〇)為定義的尺度可變的高斯 函數(shù)，k為不變倍增因子；
[0166] (3)圖像特征點定位模塊，其通過剔除所述各極值點中對噪聲敏感的低對比度點 以及不穩(wěn)定的邊緣點來確定作為特征點的極值點，包括依次連接的用于極值點精確定位的 第一定位子模塊、用于去除低對比度點的第二定位子模塊和用于去除不穩(wěn)定邊緣點的第三 定位子模塊，其中：
[0167] a、所述第一定位子模塊通過對所述高斯差分尺度空間函數(shù)進行二次泰勒展開并 求導得到極值點的精確位置，極值點的尺度空間函數(shù)為：
[0168]
[0169]其中，DUJ表示極值點的尺度空間函數(shù)，D(x，y，〇)T為相對于極值點的偏移量，f 表示極值點的精確位置；
[0170] b、所述第二定位子模塊對由圖像轉換子?？燧敵龅膱D像依次進行灰度增強、歸一 化處理后剔除所述低對比度點，增強后的灰度值為：
[0171]
[0172]
[0173]
[0174]所述低對比度點的判定公式為：
[0175] D{X )<TV 7； e [0.01,0.06]
[0176] 其中，I"（x，y)表示灰度值增強后的圖像函數(shù)，扒x,)〇為包含局部信息的校正系數(shù)， M為像素的最大灰度值，所述最大灰度值M = 255，mH為圖像中灰度值高于128的所有像素的 均值，mL是灰度值低于128的所有像素的均值，!Kx，y)為由圖像濾波子模塊處理后的圖像,T 1 為設定的閾值；
[0177] c、所述第三定位子模塊通過計算極值點的位置尺度為2 X 2的Hessian矩陣H得到 該極值點的主曲率，并通過剔除主曲率比值大于設定的閾值T2的極值點來剔除所述不穩(wěn)定 邊緣點，其中閾值T 2的取值范圍為[10，15 ]，所述主曲率比值通過比較矩陣H的特征值之間 的比值來確定；
[0178]優(yōu)選地，所述垃圾識別裝置還包括：
[0179] (1)主方向確定模塊，包括依次連接的連線子模塊、合并子模塊和處理子模塊，所 述連線在模塊用于將關于所述特征點的梯度方向直方圖中的任意相鄰兩個峰值連線以形 成多個子線段，所述合并子模塊用于將具有相近斜率且相鄰的子線段在長度方向上進行合 并形成一條線段，所述處理子模塊用于將多條線段中的最優(yōu)線段的方向作為特征點的主方 向，所述最優(yōu)線段的判定公式為：
[0180]
[0181] 其中，U表示最優(yōu)線段，&"為平均梯度值為1_的線段為所述多條線段中第η 條線段的平均梯度值，gk為所述第η條線段中的第k條子線段，Lu為所述多條線段中線段長度 大于平均線段長度的線段集合；
[0182] (2)特征提取模塊，其根據(jù)所述主方向來旋轉特征點的鄰域，并根據(jù)旋轉后的鄰域 對所述特征點進行描述，從而生成所述特征點的描述符，對垃圾進行識別。
[0183] 進一步地，所述具有相近斜率的子線段為斜率差小于預設閾值T3的子線段，所述 閾值T3的取值范圍為(0,0.1]。
[0184] 本實施例設置的圖像預處理模塊考慮了視覺習慣以及人眼對不同色彩的感知度 同色彩強度的非線性關系，能夠更為準確的描述圖像;提出了高斯差分尺度空間的簡化計 算公式，減少了運算量，提高了運算速度，進而提高了圖像分析的速度;設置的圖像特征點 定位模塊對極值點進行低對比度點和不穩(wěn)定邊緣點的去除，保證特征點的有效性，其中對 圖像的灰度值進行增強，能夠大大增加圖像的穩(wěn)定性，更為精確的對低對比度點進行去除， 進而提高圖像分析的準確度;設置主方向確定模塊，提出了最優(yōu)線段的判定公式，以特征點 梯度方向直方圖中的任意相鄰兩個峰值連線形成的線段中的最優(yōu)線段的方向作為特征點 的主方向，線段相對于點更加穩(wěn)定，使得圖像對應的特征點的描述符具有可重復性，提高了 特征描述符的準確性，進而能夠更加快速、準確的對圖像進行識別檢測，具有很高的魯棒 性;本實施例取閾值!^ = 0.05，T2 = 14，T3 = 0.02，垃圾分類的精度提高了 1.8 %，速度提高了 1.5%〇
[0185] 最后應當說明的是，以上實施例僅用以說明本發(fā)明的技術方案，而非對本發(fā)明保 護范圍的限制，盡管參照較佳實施例對本發(fā)明作了詳細地說明，本領域的普通技術人員應 當理解，可以對本發(fā)明的技術方案進行修改或者等同替換，而不脫離本發(fā)明技術方案的實 質和范圍。
【主權項】
1. 一種智能垃圾分類裝置，用于對垃圾進行分類，其特征是，包括垃圾分類裝置和安裝 在垃圾分類裝置上的垃圾識別裝置，其中，垃圾識別裝置包括： (1) 圖像預處理模塊，其包括用于將彩色圖像轉化為灰度圖像的圖像轉換子模塊和用 于對所述灰度圖像進行濾波的圖像濾波子模塊，所述圖像轉換子模塊的圖像灰度轉換公式 為：其中，3(^，7)、6(^，7)、8(^，7)分別代表像素點(^，7)處的紅綠藍強度值，1(^，7)代表像 素點(x，y)處的灰度值； (2) 圖像極值點檢測模塊，其通過由高斯差分算子與圖像進行卷積建立成的圖像的高 斯差分尺度空間來檢測各極值點的位置，當采樣點相對于與它同尺度的8個相鄰點和上下 相鄰尺度對應的18個點的值皆大時，所述采樣點為極大值點，當采樣點相對于與它同尺度 的8個相鄰點和上下相鄰尺度對應的18個點的值皆小時，所述采樣點為極小值點，所述高斯 差分尺度空間的簡化計算公式為：其中，D(x，y，〇)表示高斯差分尺度空間函數(shù)，r(x，y)為由圖像轉化子模塊輸出的圖像 函數(shù)，*表示卷積運算，σ表示尺度空間因子，6^，〇)、6(7,〇)為定義的尺度可變的高斯函數(shù)， k為不變倍增因子； (3) 圖像特征點定位模塊，其通過剔除所述各極值點中對噪聲敏感的低對比度點W及 不穩(wěn)定的邊緣點來確定作為特征點的極值點，包括依次連接的用于極值點精確定位的第一 定位子模塊、用于去除低對比度點的第二定位子模塊和用于去除不穩(wěn)定邊緣點的第Ξ定位 子模塊，其中： a、 所述第一定位子模塊通過對所述高斯差分尺度空間函數(shù)進行二次泰勒展開并求導 得到極值點的精確位置，極值點的尺度空間函數(shù)為：其中，乂)表示極值點的尺度空間函數(shù)，D(x，y，〇)T為相對于極值點的偏移量，1表示 極值點的精確位置； b、 所述第二定位子模塊對由圖像轉換子?？燧敵龅膱D像依次進行灰度增強、歸一化處 理后剔除所述低對比度點，增強后的灰度值為： 此處所述低對比度點的判定公式為：其中，I"(x，y)表示灰度值增強后的圖像函數(shù)，抑.Y，y)為包含局部信息的校正系數(shù)，Μ為 像素的最大灰度值，所述最大灰度值Μ = 255，ιμ為圖像中灰度值高于128的所有像素的均 值，mL是灰度值低于128的所有像素的均值，iKx，y)為由圖像濾波子模塊處理后的圖像，Τι為 設定的闊值； C、所述第Ξ定位子模塊通過計算極值點的位置尺度為2X2的化ssian矩陣Η得到該極 值點的主曲率，并通過剔除主曲率比值大于設定的闊值Τ2的極值點來剔除所述不穩(wěn)定邊緣 點，其中闊值Τ2的取值范圍為[10,15]，所述主曲率比值通過比較矩陣Η的特征值之間的比 值來確定。2. 根據(jù)權利要求1所述的一種智能垃圾分類裝置，其特征是，垃圾識別裝置還包括： (1) 主方向確定模塊，包括依次連接的連線子模塊、合并子模塊和處理子模塊，所述連 線在模塊用于將關于所述特征點的梯度方向直方圖中的任意相鄰兩個峰值連線W形成多 個子線段，所述合并子模塊用于將具有相近斜率且相鄰的子線段在長度方向上進行合并形 成一條線段，所述處理子模塊用于將多條線段中的最優(yōu)線段的方向作為特征點的主方向， 所述最優(yōu)線段的判定公式為：其中，Ly表示最優(yōu)線段，苗"<為平均梯度值為夏ma*的線段，拓,,為所述多條線段中第η條線 段的平均梯度值，gk為所述第η條線段中的第k條子線段，L。為所述多條線段中線段長度大于 平均線段長度的線段集合； (2) 特征提取模塊，其根據(jù)所述主方向來旋轉特征點的鄰域，并根據(jù)旋轉后的鄰域對所 述特征點進行描述，從而生成所述特征點的描述符，對垃圾進行識別。3. 根據(jù)權利要求1所述的一種智能垃圾分類裝置，其特征是，所述具有相近斜率的子線 段為斜率差小于預設闊值T3的子線段，所述闊值T3的取值范圍為(0,0.1]。
【文檔編號】G06T5/10GK105844337SQ201610231103
【公開日】2016年8月10日
【申請日】2016年4月14日
【發(fā)明人】吳本剛
【申請人】吳本剛