基于AGAST角点域特征的垃圾识别算法

来源:用户上传      作者:

　　摘要：为了提高垃圾自动分类回收再利用的效率，提出了一种快速匹配识别垃圾的算法。采用一款自带摄像头，具有图像识别作用的机器视觉开发组件Open MV，基于AGAST（ Adaptive and Generic Accelerated Segment Test）角点域的特征匹配算法，以塑料瓶为研究对象，对算法进行了检验。该算法能够有效识别特定垃圾，一定程度上实现了垃圾分类的功能，为有效提高垃圾利用率提供了参考。
　　关键词：识别;AGAST;角点域;特征描述;FAST;垃圾分类
　　中图分类号：T18 文献标识码：A
　　文章编号：1009-3044（2020）20-0183-04
　　Recognition Algorithm of Garhage Based on Feature of AGAST Comer
　　SHEN Xin-jie， LAN Hao， ZENG Yu
　　（College of Engineering and Design， Hunan Normal U niversity， Changsha 410000. China）
　　Abstract： In order to improve the efficiency of garbage automatic classification and recycling， a fast matching algorithm for garbagerecognition is proposed. Using a machine vision development component with camera and image recognition Open MV， based onthe AGAST （Adaptive and Generic Accelerated Segment Test） comer region feature matching algorithm， taking plastic bottles asthe research object， the algorithm can effectively identify specific garbage， achieve the garbage classification function in a certaindegree， and provide a reference for effectively improving the garbage utilization rate .
　　Key words： recognition; AGAST; corner field; feature description; FAST; refuse classification
　　隨着人类文明的发展和进步，资源的日益短缺和环境的日益恶化已经成为越来越严峻的问题，有效地对垃圾进行分类回收再利用既能极大地提高资源利用率，也能减少环境污染，因此，采用人工智能技术对垃圾进行自动分类显得尤为重要。
　　当代人们对自动分类的垃圾桶已经有了较多研究[1-3]。刘鸿鹄[4]等提出一种基于金属传感器、红外温度传感器和力觉传感器，实现能够分类识别不同材料的智能垃圾桶，但此方法具有精确度较低，需要大量传感器的缺点，给垃圾桶的组装整合带来了困难，同时会导致垃圾桶体积过大，无论是家用还是公用，都有着极大的不便。王科举[5]等人提出用volov3-tiny深度学习模型对摄像头拍摄的图片进行识别，从而进行垃圾分类，但是此算法同样具有精度低的缺点。除此之外，人们在图像识别与特征点检测识别方面也有了很多研究，其中Lowe[6]在2004年提出的尺度不变特征变换（SIFT）算法以及Bay和Ess[7]等人在2006年提出的加速鲁棒特征（SURr）算法都具有较好的特征不变性，但是计算量大，速度慢，耗时长。Chris Harris和MikeStephen[8]提出的Harris角点提取算法以及R0sten[9-10】等人提出的基于角点检测的FAST（ Features From Accelerated SegmentTest）算法快速简单，但不具有尺度不变性。Mair[11]等人在FAST算法的基础上进行了改进，提出了自适应多尺度快速角点提取算法AGAST（Adaptive and Generic Accelerated SegmentTest），既提高了图像识别的速度，又兼具较好的尺度不变性，在检测和匹配方面得到了良好的应用。
　　综上，本文以特定的垃圾（塑料瓶）为研究对象，在FAST算法的基础上提出一种改进的AGAST角点域特征匹配识别算法，并对算法进行检验。
　　1硬件设计
　　硬件设计部分包括图像采集和垃圾桶装置模型设计两部分，其中，图像采集部分选择一款自带摄像头，具有图像识别作用的机器视觉开发组件OpenMV，OpenMV小巧、低功耗、低成本，可以通过高级语言Python脚本（MicroPython）在机器视觉算法中处理复杂的输出，OpenMV外观以及规格图，如图1所示。
　　OpenMV具有高速处理图像、体积小巧的特点，其尺寸如图1（b）所示。OpenMV可以通过串口与PC或者单片机进行通信，便于图像识别后的控制操作。
　　基于AGAST角点域特征识别算法没计的自动分类垃圾桶具体模型如图2所示，装置外形采用网柱状造型，样式美观，造型简约合理，没计成本低。装置内部三等分为3个分格，如图2（b）所示，其中两个开口的分格用来放置可回收（纸张、金属、塑料、玻璃制品四类垃圾）和不可回收的垃圾（厨余垃圾（果皮、菜叶）等类），另一个带有置物板的分格用来放置控制电路。顶部设计为半球状，如图2（c）所示，置物板的上方装有摄像头，用于拍摄置物板上垃圾的照片，拍摄到的照片输入到内部系统，系统会分析出垃圾的种类，垃圾桶最下端的转盘会将相应的分栏垃圾桶转到投放口下方，垃圾由于惯性和重力作用，会自动下落，以此来实现垃圾分类。 　　2基于AGAST角点域特征的识别算法
　　图像识别的关键是提取角点，图像处理中，组成图像的最小单位称为像素，颜色转换的临界值称为阈值，表明图像明暗程度的数值称为灰度，其范同一般从0-255，O表示黑色，255表示白色。指示图像在二维空问内灰度变化剧烈的位置，和周围的邻点有明显差异的像素点称为角点。
　　FAST算法是AGAST算法的基础，利用FAST算法进行角点提取的一般步骤为在图像中任选一点P，假定其像素（亮度）值为Ip。以P为网心，3个像素点为半径画网，覆盖P点周围的16个像素。设阈值t，阈值t取值为60-80，阈值越低，能够提取到的角点数目越多。如果P周围的l6个像素中有连续的N个像素点的灰度值与P点的灰度值之差的绝对值不小于t，那么这个点就被判断为角点。一般情况下，认为N=12。
　　FAST算法提取角点的算法流程如图4。
　　先在物体图像区域中选定一个候选角点P，找到以P为中心的周围16个点，并按照顺时针方向编号为P1-P16如图3所示。设定阈值t，并检查P1和P9的像素，如果其都比阈值暗或都比阈值亮，再检查P3和P5的阈值，如果这四个点中至少有3个点的像素值与点P的像素值之差的绝对值不小于阈值t，就检查剩余的所有点，如果这个条件不满足就舍弃。当所有的点中至少有12个点的像素值与P点的像素值之差的绝对值不小于t时，认为P点为角点。为了解决FAST算法提取的角点会出现彼此相邻的问题，采用非极大值抑制法对角点进行抑制后再输出。对一个角点P建立一个3*3（或5*5，7*7）的窗口，如果该窗口内出现了另一个角点Q，则比较P与Q的大小，如果P大，则将Q点删除，如果P小，则将P点删除，删除后剩下的点即为物体的特征点。
　　FAST算法利用决策树来找寻角点，当外界环境改变时，角点构造会发生明显的变化，一些角点构造在训练集中可能会消失，这导致FAST算法中的决策树需随环境的改变而重新获取。为了弥补这个不足，利用AGAST算法对FAST底层的AST（Ac-Celerated Segment Test）进行改进，通过在扩展配置空间中寻找最优决策树，将两个决策树结合起来，使角点检测能够自动适应外界环境的改变，而不必重新获取决策树。为此，将FAST算法中的决策树改进成二叉树，如图5所示，根据当前处理的图像信息动态且高效地分配决策捌，进而提高算法的检测速度。
　　AGAST算法提取角点的算法流程图如图6，在FAST算法的基础上，采用AGAST二叉树进行角点检测，提取出角点后，仍然采用非极大值抑制法对角点进行处理后再输出，得到AGAST特征点。
　　3算法验证
　　（1）FAST与AGAST算法对比
　　塑料瓶竖放时，采用FAST算法和AGAST算法进行角点提取并识别如图7，从图7中可以看到特征点多集中在塑料瓶的标签处，这块区域的点具有其像素值与其周围点像素值明显不同的特点，便于提取，为了防止摄像头中存储空间不足，设置了提取的特征点数目的最大值为100。
　　塑料瓶横放时，采用FAST算法和AGAST算法进行角点提取并识别如图8。
　　在使用不同算法的条件下，对不同算法的匹配识别性能进行对比，在模拟装置的条件下，利用对塑料瓶的识别，进行了相关探究。实验验证分为3组实验，每组实验进行10次，对其匹配点数取平均。表1与表2可见，无论塑料瓶横放或竖放，AGAST算法相较FAST算法，利用AGAST算法匹配到的角点数目明显更多，匹配能力明显更强。
　　FAST算法每次实验匹配到的特征点数目值在42.9-46.3之间。AGAST算法每次实验匹配到的特征点数目值在59.4-62.3之间。AGAST相较FAST配点数的增加率平均为38.66%。
　　FAST算法每次实验匹配到的特征点数目值在54.6-55.8之间。AGAST算法每次实验匹配到的特征数目在60.4-62.3之间。AGAST相较FAST配点数的增加率平均为10.78%。
　　（2）物体大小和角度对匹配效果的影响
　　利用AGAST算法，通过找寻所要识别物体的角点作为物体的特征，然后作为模板，当再次检测到物体时，进行匹配来识别。如图7和图8所示，当所要识别的物体大小和角度不变时，识别效果良好。当旋转一定角度或将物体缩小后再识别，识别效果有所下降。角度和物体大小对物体识别效果的影响如图9所示。
　　在使用AGAST算法进行识别条件下，对不同旋转角度及物品大小的影响进行探究，得到的结果如表3所示。
　　将塑料瓶旋转45度后，再进行识别，匹配的特征点数目会明显下降，在25.1-26之间。形状缩小后再识别，匹配到的特征点数目在27.9-30.1之间。表3可见，当塑料瓶旋转一定角度之后，其匹配率会大大降低，其匹配点数减少率高达58%左右，同时，当塑料瓶大小变化后，其匹配准确性能也会极大地降低，匹配点数减少率高达52%左右，显然，物体大小及角度若与之前存储的模板特征不同，则匹配准率会有所降低。
　　4结论
　　本文利用軟硬件结合的方式，重点讨论了AGAST和FAST两种角点域的特征提取匹配算法对特定垃圾（塑料瓶）的识别，得到如下结论：
　　（1）针对当代垃圾分类的现状，结合图像识别技术，设计了一种利用人工智能识别技术，白动进行垃圾分类的垃圾桶，以塑料瓶为研究对象，对基于ACAST角点域的特征提取匹配算法进行了验证;
　　（2）ACAST算法与FAST算法在匹配识别物体性能方面进行对比，结果表明：AGAST算法识别性能更好，匹配特征效果更好，精度更高，能够满足对特定垃圾的识别需求;
　　（3）利用本文算法进行识别，能够对特定垃圾（塑料瓶）进行区分，为基于图像识别的自动分类垃圾桶提供了参考，但该算法对于物体摆放角度及大小要求较高，若物体与先前所存模板的大小或角度有所变化，匹配准确率会下降，识别效果会受到一定程度的影响。若要解决此问题.还需进一步研究。 　　综合看来，利用AGAST算法对垃圾进行特征点匹配识别具有一定的可行性，为实现垃圾自动分类提供了新的模式与方法。
　　参考文献：
　　[1]周飞宇，王磊，朱恩旭，等.智能垃圾桶控制系统设计[J].信息记录材料，2019，20（5）：148-149.
　　[2]王瑶瑶，马萌晨，付应，等.浅谈新型自动分类及存储垃圾装置[J].技术与市场，2013，20（8）：174.
　　[3]胡中艳，曹阳，孙建华.模式识别技术在自动分类垃圾桶概念设计中的应用[J].包装工程，2008，29（12）：214-216.
　　[4]刘鸿鹗，彭柏钧，曹伦，等.自动分类垃圾桶的设计与研究[J].机械工程师，2018（3）：39-40.43.
　　[5]王科举，廉小亲，安飒，等.基于树莓派和Arduino的智能垃圾桶[J].信息技术与信息化，2019（10）： 104-108.
　　[6] Lowe D G.Distinctive image features from scale-invariant key-points[J].lnternational Journal of Computer Vision. 2004.60（2）：91-110.
　　[7] Bay H，Ess A，Tuytelaars T，et aI.Speeded-up robust features（SURF-）[J].Computer Vision and Image Understanding， 2008，110（3）：346-359.
　　[8] Harris C，Stephens M.A combined corner and edge detector[C]//Procedings of the Alvey Vision Conference 1988. Manchester.Alvey Vision Club. 1988： 147-151.
　　[9] Rosten E，Drummond T.Machine learning for high-speed cor-ner detection[M]//Computer Vision-ECCV 2006. Berlin. Hei-delberg： Springer Berlin Heidelberg， 2006： 430-443.
　　[10] Rosten E.Porter R.Drummond T.Faster and better：a machinelearning approach to corner detection[J].IEEE Transactions onPattern Analysis and Machine Intelligence， 2010， 32（1）： 105-119.
　　[11] Mair E，Hager C D，Burschka D，et al.Adaptive and genericcorner detection based on the accelerated segment test[C]//Pro-ceedings of the 11th European Conference on Computer Vi-sion： Part Ⅱ.Berlin Heidelberg： Springer， 2010： 181396.
　　【通聯编辑：唐一东】
转载注明来源:https://www.xzbu.com/8/view-15300065.htm