[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

本發明涉及一種街道垃圾識別方法。一種復雜環境下的街道垃圾識別方法，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，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。本發明能在盡量不遺漏垃圾目標的同時，有效抑制復雜環境以及光照變化等干擾因素所導致的誤檢測，實現復雜環境下的全天候街道垃圾識別。

技術領域

本發明屬于計算機視覺與機器學習領域，尤其涉及一種街道垃圾識別方法。

背景技術

隨著社會經濟水平的迅速發展，居民生活水平明顯提高，商品消費量迅速增加，垃圾的排出量也隨之增加，不僅污染環境，也影響城市美觀。

目前，針對街道垃圾的處理方式主要是環衛工人定時巡視與清掃，由于垃圾的產生沒有固定的時間和空間規律，所以這種方法容易造成清掃不及時或者巡視一番并沒有發現垃圾，從而浪費人力，并且不能保障城市衛生和形象。因此采用一種能夠遠程實時監視街道垃圾情況并實現垃圾定位的方法顯得格外迫切并且有價值。

現有的街道垃圾識別方法，例如中國專利文獻號CN106203498A，公開了一種基于深度學習框架的城市場景垃圾檢測方法：具體包括構建數據集，使用深度學習框架caffe選擇并訓練模型，最后利用訓練好的模型對城市圖像進行自動垃圾識別。該方法實現了全天候地監測和檢測城市無序垃圾情況，但這種方法是對整個圖像進行檢測，由于深度學習網絡錯誤率始終不可能為0，因此檢測非垃圾的對象越多，出現誤檢測的幾率越大，且城市場景極其復雜，經常會有類似垃圾但不是垃圾的靜態物體出現在背景中，無疑會給這種方法帶來大量誤檢測。

因此，在復雜環境下的街道垃圾識別的過程中，有效地分離目標與背景，盡可能縮小檢測范圍，是非常有效且必要的。

發明內容

本發明的目的是公開一種盡量不遺漏垃圾目標的同時，有效抑制復雜環境以及光照變化等干擾因素所導致的誤檢測,實現復雜環境下的全天候街道垃圾識別的方法。

本發明通過以下技術方案來實現上述目的：一種復雜環境下的街道垃圾識別方法，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，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。

進一步地，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％，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。

更進一步地，所述配準做差是指使用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提取、匹配并解出變換矩陣，利用變換矩陣將兩幅圖像調整到同一基準面上，然后將對應位置像素的R、G、B三個通道進行做差，獲取作差圖片。SIFT算法所提取的特征點具有旋轉，縮放，亮度不變性，對視角變化也具有一定的穩定性，保證了圖像抖動時垃圾識別功能的穩定運行。

更進一步地，所述圖像分割算法采用的是selective?search，通過該算法直接得到可能出現垃圾的局部視覺突出區域，大幅縮小了檢測范圍，與傳統的使用滑動窗口對整幅圖像進行檢測的策略相比，本發明中首先通過selective?search獲得可能區域，再對可能區域進行檢測的方法，計算量更小，更節省時間。

更進一步地，訓練DCNN模型的具體步驟如下：