[發明專利]一種復雜環境下的街道垃圾識別方法

有效

• 申請號: 201710044865.1
• 申請日: 2017-01-21
• 公開（公告）號: CN106845408B
• 公開（公告）日: 2023-09-01
• 發明（設計）人: 黃正;譚敦茂
• 申請（專利權）人: 浙江聯運知慧科技有限公司
• 主分類號: G06V20/52
• 分類號: G06V20/52;G06V10/26;G06V10/46;G06V10/764;G06V10/774;G06V10/82;G06T7/246;G06T7/254
• 代理公司: 杭州豐禾專利事務所有限公司 33214
• 代理人: 柯奇君

1.一種復雜環境下的街道垃圾識別方法，其特征在于步驟如下：(1)首先獲取街道圖片并對有垃圾和沒有垃圾的區域進行裁剪，構建樣本集來訓練深層卷積神經網絡DCNN；(2)對于要檢測的實時街道圖片，將其與干凈街道圖片進行配準以及像素級作差，得到圖像的變化區域，實現目標與背景的分離并縮小檢測范圍；

所述配準是指使用SIFT算法對實時圖像與同一個街道場景的干凈圖像進行特征點檢測，并匹配兩幅圖像中相同的特征點，通過RANSAC算法求得兩幅圖像之間的變換矩陣，利用變換矩陣把兩幅圖像調整到同一基準面上；

采用R-CNN算法框架，在作差后的圖片上使用圖像分割算法獲取局部視覺突出區域，即可能出現垃圾的位置，然后將實時圖像上每一個可能出現垃圾的區域內的圖像數據輸入訓練好的深層卷積神經網絡DCNN進行識別，根據深層卷積神經網絡DCNN的輸出向量來判斷該區域是否為垃圾，如果是垃圾，則在實時圖像上進行標記。

2.根據權利要求1所述的一種復雜環境下的街道垃圾識別方法，其特征在于所述構建樣本集是指將圖像中標記過的垃圾區域裁切出來，在裁切下來的圖像塊中垃圾面積要超過50％，將其作為正樣本，同時裁切圖像中的典型非垃圾區域，作為負樣本，將正負樣本圖片歸一化到相同大小。

3.根據權利要求1所述的一種復雜環境下的街道垃圾識別方法，其特征在于所述作差是指在同一基準面上的兩幅圖像中，對應位置像素的R、G、B三個通道分別進行作差并取絕對值，獲取作差圖片。

4.根據權利要求1所述的一種復雜環境下的街道垃圾識別方法，其特征在于所述圖像分割算法采用的是selective?search，是一種層次化的、多樣化的快速圖像分割策略。

5.根據權利要求1所述的一種復雜環境下的街道垃圾識別方法，其特征在于使用matlab環境下的深度學習工具Matconvnet，進行DCNN模型的構建和訓練。

6.根據權利要求1所述的一種復雜環境下的街道垃圾識別方法，其特征在于訓練DCNN模型的具體步驟如下：

A1：構建DCNN模型，所述DCNN模型由四個卷積層，兩個平均池化層，一個最大池化層以及一個全連接層組成，每個卷積層采用RELU函數作為激活函數；

A2：對DCNN模型的連接權值進行隨機初始化；

A3：將正、負樣本混合在一起，并隨機打亂順序；將混合之后的數據集分成兩份，分別為訓練集和測試集；訓練集數據量占總數據量的80％，測試集數據量占總數據量的20％；

A4：將訓練集輸入DCNN模型，設置學習率和最大迭代次數，使用反向傳播算法，調整網絡中神經元之間的連接權值，使損失函數的值最??；每調整一次網絡權值，使用測試集進行驗證，保留測試精度最高的網絡權值參數，作為DCNN模型最終的連接權值。

7.根據權利要求6所述的一種復雜環境下的街道垃圾識別方法，其特征在于：所述DCNN模型第一、三、五、七層均為卷積層，第二、四層為平均池化層，第六層為最大池化層，第八層為全連接層，第一至八層依次正向級聯。

8.根據權利要求4所述的一種復雜環境下的街道垃圾識別方法，其特征在于：selective?search目標面積參數設置為100至2000之間，目標長寬比閾值設置為3，高斯濾波參數設置為1.0。

9.根據權利要求6所述的一種復雜環境下的街道垃圾識別方法，其特征在于：激活函數表示為f(x)＝max(0,x)。