[发明专利]一种视觉多特征引导的建筑垃圾精细分类方法

权利要求书

1.一种视觉多特征引导的建筑垃圾精细分类方法，其特征在于，包括以下步骤；

步骤一、通过视觉传感器采集建筑垃圾目标样本图像，并将其二值化；

步骤二、基于图像的全局信息，提取样本的颜色特征并编码构成

步骤三、基于图像的局部信息，提取样本的纹理特征并编码构成

步骤四、构建建筑物料的颜色-纹理统计特征

步骤五、将和特征分别输入分类器，训练分类模型。测试图像经分类模型后输出两个证据矩阵

步骤六、根据步骤五中证据设计决策模型，输出决策矩阵

步骤七、根据决策矩阵中概率最大者的类别确定待分拣物料的标签。

2.根据权利要求1所述的一种视觉多特征引导的建筑垃圾精细分类方法，其特征在于，所述步骤二中提取样本颜色特征并编码的方法为：

首先，将视觉传感器采集的RGB图像转换到HSV颜色空间，其中H表示色调，S表示饱和度，V表示亮度，提取图像H通道信息以表示物体的颜色特征，公式如下；

式中,max和min满足：max＝max(R,G,B)，min＝min(R,G,B)；

然后，对H通道信息进行直方图统计，得到颜色特征

3.根据权利要求1所述的一种视觉多特征引导的建筑垃圾精细分类方法，其特征在于，所述步骤三中提取样本图像的纹理特征并编码的方法为：

步骤3.1、提取局部纹理特征：

首先，将步骤一中的二值图像划分为若干个含有32×32像素的子区域，确定细胞的大小为16×16的像素，块的大小为2×2的细胞，提取像素(x,y)四邻域像素灰度值N(x,y+1)、N(x,y-1)、N(x+1,y)、N(x-1,y)；

然后，通过以下公式计算每个像素的梯度幅值和梯度方向；

最后，级联块中细胞的方向梯度直方图，并使用1×36维的向量表示每个子区域的无符号梯度方向的分布；

式中，m_y和m_x分别是像素(x,y)的垂直梯度和水平梯度。

步骤3.2、构建视觉特征单词：

根据步骤3.1提取每类图像的局部纹理特征，然后，通过K-均值聚类算法将每类图像的向量集聚成K类，并将聚类中心视为视觉单词；

步骤3.3、纹理特征编码：

将步骤3.2中全部类别的视觉单词构成视觉词袋，对于步骤3.1计算得到的向量，根据最近邻原则查找视觉单词，以对纹理特征编码，得到

4.根据权利要求1所述的一种视觉多特征引导的建筑垃圾精细分类方法，其特征在于，所述步骤四具体为：构造建筑物料颜色-纹理统计特征的公式如下：

式中，分别是颜色特征纹理特征的融合权重，[·]^T是转置矩阵，其中

5.根据权利要求1所述的一种视觉多特征引导的建筑垃圾精细分类方法，其特征在于，所述步骤六中根据步骤五中分类器输出的分类概率矩阵设计分类决策模型，输出决策矩阵的方法为：

通过颜色特征将建筑物料分为颜色显著类(包括红砖和木块)和其它(包括泡沫、硬塑料、混凝土)，因此是一个二维矩阵，引入分配矩阵对矩阵中的分类概率进行重新分配，引入线性融合决策模型，将分类概率与进行融合，具体公式如下：

式中，ω₁与ω₂是矩阵和的权重，表示分类结果对来自两个特征分类空间的信任度；是融合分类概率矩阵，用于判断物料的最终类别，最大概率所对应的建筑垃圾类别即为最终结果；

当ω₁∈(0,1)时，称该算法为视觉多特征引导的建筑垃圾联合决策分类算法，取ω₁＝0.5为默认值，当ω₁＝0时，最终分类结果完全以颜色-纹理统计特征的分类概率为依据，此时该算法被称为视觉多特征引导的建筑垃圾精细分类算法，当ω₁＝1时，即仅用颜色特征对目标进行分类，由于满足平均分配原则，此时无法得到精确的类别标签。