[发明专利]一种复杂环境下的街道垃圾识别方法

说明书

本发明涉及一种街道垃圾识别方法。一种复杂环境下的街道垃圾识别方法，步骤如下：(1)首先获取街道图片并对有垃圾和没有垃圾的区域进行裁剪，构建样本集来训练深层卷积神经网络DCNN；(2)对于要检测的实时街道图片，将其与干净街道图片进行配准以及像素级作差，得到图像的变化区域，根据深层卷积神经网络DCNN的输出向量来判断该区域是否为垃圾，如果是垃圾，则在实时图像上进行标记。本发明能在尽量不遗漏垃圾目标的同时，有效抑制复杂环境以及光照变化等干扰因素所导致的误检测，实现复杂环境下的全天候街道垃圾识别。

技术领域

本发明属于计算机视觉与机器学习领域，尤其涉及一种街道垃圾识别方法。

背景技术

随着社会经济水平的迅速发展，居民生活水平明显提高，商品消费量迅速增加，垃圾的排出量也随之增加，不仅污染环境，也影响城市美观。

目前，针对街道垃圾的处理方式主要是环卫工人定时巡视与清扫，由于垃圾的产生没有固定的时间和空间规律，所以这种方法容易造成清扫不及时或者巡视一番并没有发现垃圾，从而浪费人力，并且不能保障城市卫生和形象。因此采用一种能够远程实时监视街道垃圾情况并实现垃圾定位的方法显得格外迫切并且有价值。

现有的街道垃圾识别方法，例如中国专利文献号CN106203498A，公开了一种基于深度学习框架的城市场景垃圾检测方法：具体包括构建数据集，使用深度学习框架caffe选择并训练模型，最后利用训练好的模型对城市图像进行自动垃圾识别。该方法实现了全天候地监测和检测城市无序垃圾情况，但这种方法是对整个图像进行检测，由于深度学习网络错误率始终不可能为0，因此检测非垃圾的对象越多，出现误检测的几率越大，且城市场景极其复杂，经常会有类似垃圾但不是垃圾的静态物体出现在背景中，无疑会给这种方法带来大量误检测。

因此，在复杂环境下的街道垃圾识别的过程中，有效地分离目标与背景，尽可能缩小检测范围，是非常有效且必要的。

发明内容

本发明的目的是公开一种尽量不遗漏垃圾目标的同时，有效抑制复杂环境以及光照变化等干扰因素所导致的误检测,实现复杂环境下的全天候街道垃圾识别的方法。

本发明通过以下技术方案来实现上述目的：一种复杂环境下的街道垃圾识别方法，步骤如下：(1)首先获取街道图片并对有垃圾和没有垃圾的区域进行裁剪，构建样本集来训练深层卷积神经网络DCNN；(2)对于要检测的实时街道图片，将其与干净街道图片进行配准以及像素级作差，得到图像的变化区域，实现目标与背景的分离并缩小检测范围，采用R-CNN算法框架，在作差后的图片上使用图像分割算法获取局部视觉突出区域，即可能出现垃圾的位置，然后将实时图像上每一个可能出现垃圾的区域内的图像数据输入训练好的深层卷积神经网络DCNN进行识别，根据深层卷积神经网络DCNN的输出向量来判断该区域是否为垃圾，如果是垃圾，则在实时图像上进行标记。

进一步地，所述构建样本集是指将图像中标记过的垃圾区域裁切出来，在裁切下来的图像块中垃圾面积要超过50％，作为正样本，同时裁切图像中的典型非垃圾区域，作为负样本，将正负样本图片归一化到相同大小。

更进一步地，所述配准做差是指使用SIFT算法对实时图像与同一个街道场景的干净图像进行特征点提取、匹配并解出变换矩阵，利用变换矩阵将两幅图像调整到同一基准面上，然后将对应位置像素的R、G、B三个通道进行做差，获取作差图片。SIFT算法所提取的特征点具有旋转，缩放，亮度不变性，对视角变化也具有一定的稳定性，保证了图像抖动时垃圾识别功能的稳定运行。

更进一步地，所述图像分割算法采用的是selective search，通过该算法直接得到可能出现垃圾的局部视觉突出区域，大幅缩小了检测范围，与传统的使用滑动窗口对整幅图像进行检测的策略相比，本发明中首先通过selective search获得可能区域，再对可能区域进行检测的方法，计算量更小，更节省时间。

更进一步地，训练DCNN模型的具体步骤如下：