用于垃圾分类的无人车视觉识别方法技术

本发明专利技术提供了一种用于垃圾分类的无人车视觉识别方法，带有智能垃圾分类识别系统的无人车能对个别垃圾进行识别并处理。但是，采集图像时可能会出现了不清晰、有遮挡的情况，故而图像的质量对机器识别的准确度有很大的影响。本发明专利技术利用简单的图像处理和图像融合技术解决低质量垃圾图像严重影响识别准确度的问题，遮挡、光线等多种因素都可能会影响获取图像的重要特征，造成机器识别效率低下。利用python中的tkinder库制作了一个用于垃圾分类的无人车视觉识别系统，给出了算法的数学原理、融合步骤和主要程序。融合步骤和主要程序。融合步骤和主要程序。

【技术实现步骤摘要】
用于垃圾分类的无人车视觉识别方法


[0001]本专利技术涉及一种用于垃圾分类的无人车视觉识别方法。

技术介绍

[0002]现如今，随着垃圾分类的普遍推广，为了节省人工成本，智能垃圾分类识别系统的研究是非常重要。
[0003]目前有的智能垃圾分类系统大多都需要由人工提前进行分类，通过袋子上的二维码等将垃圾自动收入对应的垃圾桶内。但是像一些公共场所可能会出现个别零散的垃圾，就需要带有智能垃圾分类识别系统的无人车，它能对垃圾进行识别，再进行对应的处理。因为同一垃圾可能有不同的形状，或是在采集垃圾图像时出现由于环境等因素出现了不清晰、有遮挡的情况，普通的物体识别系统的识别能力比较有限。

技术实现思路

[0004]本专利技术的目的在于提供一种用于垃圾分类的无人车视觉识别方法。
[0005]为解决上述问题，本专利技术提供一种用于垃圾分类的无人车视觉识别方法，包括：
[0006]采用小波变换融合图像融合算法，对不清晰的垃圾图像数据进行处理和融合，以得到融合后的垃圾图像；
[0007]基于融合后的垃圾图像，确定对应的垃圾类别。
[0008]进一步的，在上述方法中，采用小波变换融合图像融合算法，对不清晰的垃圾图像数据进行处理和融合，以得到融合后的垃圾图像，包括：
[0009]把不清晰的垃圾图像，按照预设的规则分解成若干个小图像,而后将每一个小图像放置于对应的位置上进行融合,待所有的内容完成融合后，最后做一次小波逆变换，得到最终融合后的垃圾图像。
[0010]进一步的，在上述方法中，所述小波逆变换为离散小波变换。
[0011]进一步的，在上述方法中，所述离散小波变换的过程如下：
[0012]将信号x[n]通过具有脉冲响应h[n]的半带低通滤波器；
[0013]根据奈奎斯特定理进行下采样，间隔一个剔除样本点，信号留下一半样本点，尺度翻倍。
[0014]进一步的，在上述方法中，对不清晰的垃圾图像数据进行处理和融合中，包括：使用系数绝对值较大法和加权平均法两种融合规则，对不清晰的垃圾图像数据进行处理和融合。
[0015]进一步的，在上述方法中，采用小波变换融合图像融合算法，对不清晰的垃圾图像数据进行处理和融合，以得到融合后的垃圾图像，包括：
[0016]在python的GUI功能库tkinder编写了一个具有小波变换融合图像融合算法的用于垃圾分类的无人车视觉识别系统，利用无人车视觉识别系统对不清晰的图像数据进行处理和融合，以得到融合后的垃圾图像。
[0017]与现有技术相比，本专利技术可以用于垃圾分类的无人车视觉识别系统，目前的智能垃圾分类系统大多都需要由人工提前进行分类打包，但零散的垃圾如此处理会浪费人工成本。带有智能垃圾分类识别系统的无人车能对个别垃圾进行识别并处理。但是，采集图像时可能会出现了不清晰、有遮挡的情况，故而图像的质量对机器识别的准确度有很大的影响。本专利技术利用简单的图像处理和图像融合技术解决低质量垃圾图像严重影响识别准确度的问题，遮挡、光线等多种因素都可能会影响获取图像的重要特征，造成机器识别效率低下。利用python中的tkinder库制作了一个用于垃圾分类的无人车视觉识别系统，给出了算法的数学原理、融合步骤和主要程序。
附图说明
[0018]图1是本专利技术一实施例的小波变换融合的示意图；
[0019]图2是本专利技术一实施例的用于垃圾分类的无人车视觉识别系统界面设计布局的示意图；
[0020]图3是本专利技术一实施例的用于垃圾分类的无人车视觉识别系统运行示意图；
[0021]图4是本专利技术一实施例的单张图像选择示意图；
[0022]图5是本专利技术一实施例的完成单张图像选择后的示意图；
[0023]图6是本专利技术一实施例的完成两张不清晰图像选择后的示意图；
[0024]图7是本专利技术一实施例的小波变换融合后的系统界面示意图。
具体实施方式
[0025]为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本专利技术作进一步详细的说明。
[0026]如图1所示，本专利技术提供一种用于垃圾分类的无人车视觉识别方法，包括：
[0027]步骤S1，采用小波变换融合图像融合算法，对不清晰的垃圾图像数据进行处理和融合，以得到融合后的垃圾图像；
[0028]步骤S2，基于融合后的垃圾图像，确定对应的垃圾类别。
[0029]本专利技术得到用于垃圾分类的无人车视觉识别方法一实施例中，步骤S1，采用小波变换融合图像融合算法，对不清晰的垃圾图像数据进行处理和融合，以得到融合后的垃圾图像，包括：
[0030]把不清晰的垃圾图像，按照预设的规则分解成若干个小图像,而后将每一个小图像放置于对应的位置上进行融合,待所有的内容完成融合后，最后做一次小波逆变换，得到最终融合后的垃圾图像。
[0031]在此，小波变换融合的思路是会分别把清晰和不清晰的垃圾图像，按照预设的规则分解成若干个小图像,而后将每一个小图像放置于对应的位置上进行融合,待所有的内容完成融合后，最后做一次小波逆变换，就能得到最终融合后的垃圾图像。
[0032]小波变换的数学公式(4.3)如下：
[0033][0034][0035]公式中，a为尺度，τ为平移量。尺度和平移量分别决定的是函数的伸缩与平移，分别对应于频率(反比)和时间。
[0036]小波变换的固有特性使其在图像处理中有如下优点：小波变换能够保证在分解图像的过程中没有信息损失和冗余信息，保持了信息的完整性，具有完善的重构能力；它把原图像分解成低频图像和高频图像的组合，分别代表了图像的不同结构，故而容易提取原始图像的结构信息和细节信息；同时它还提供了与人类视觉系统方向相吻合的选择性图像。
[0037]本专利技术得到用于垃圾分类的无人车视觉识别方法一实施例中，所述小波逆变换为离散小波变换。
[0038]在此，图像融合的小波分解一般采用离散小波变换(Discrete Wavelet Transform,DWT)。DWT的函数基由一个称为母小波或分析小波的单一函数通过膨胀和平移获得。DWT用小波函数和尺度函数来分别分析高频信号和低频信号，也即高通滤波器和低通滤波器。
[0039]DWT融合算法基本思想：首先对源图像进行小波变换，然后按照一定规则对变换系数进行合并；最后对合并后的系数进行小波逆变换得到融合图像。
[0040]DWT分解过程如下：
[0041](1)将信号x[n]通过具有脉冲响应h[n]的半带低通滤波器，这一过程类似数学里的卷积：
[0042][0043]这一操作会剔除信号中频率低于p/2的部分(信号最高频率为p)，信号分辨率下降一半。
[0044](2)根据奈奎斯特定理进行下采样，间隔一个剔除样本点，信号留下一半样本点，尺度翻倍。将这一半进行高通滤波(滤波不影响信号的尺度)：
[0045][0046]这是第一个level的分解，如果要进行进一步分解本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于垃圾分类的无人车视觉识别方法，其特征在于，包括：采用小波变换融合图像融合算法，对不清晰的垃圾图像数据进行处理和融合，以得到融合后的垃圾图像；基于融合后的垃圾图像，确定对应的垃圾类别。2.如权利要求1所述的用于垃圾分类的无人车视觉识别方法，其特征在于，采用小波变换融合图像融合算法，对不清晰的垃圾图像数据进行处理和融合，以得到融合后的垃圾图像，包括：把不清晰的垃圾图像，按照预设的规则分解成若干个小图像,而后将每一个小图像放置于对应的位置上进行融合,待所有的内容完成融合后，最后做一次小波逆变换，得到最终融合后的垃圾图像。3.如权利要求2所述的用于垃圾分类的无人车视觉识别方法，其特征在于，所述小波逆变换为离散小波变换。4.如权利要求3所述的用于垃圾分类的无人车视觉识别方法，其特征在于，所述离散小波变换的...

【专利技术属性】
技术研发人员：王文峰，邢海莲，张晶晶，
申请(专利权)人：上海应用技术大学，
类型：发明
国别省市：