石洪鐘 龐睿麒 陳阮 蔡虎 孫潔

摘 要：針對傳統(tǒng)垃圾桶由于位置固定而導(dǎo)致垃圾容易拋出桶外的情況，本文提出了一種基于Kinect傳感器的具有智能捕捉垃圾功能的垃圾桶。該設(shè)計可以根據(jù)垃圾掉落的軌跡推算其落點位置，并移動到落點接住垃圾。經(jīng)實驗證明，該設(shè)計較大程度地增加了垃圾桶使用的便捷性。

關(guān)鍵詞：Kinect；傳感器；智能捕捉；便捷

中圖分類號：TP273；TP391.41 文獻標識碼：A 文章編號：2096-4706（2018）02-0197-02

Intelligent Capture Trash Design Based on Kinect Sensor

SHI Hongzhong，PANG Ruiqi，CHEN Ruan，CAI Hu，SUN Jie

（China Jiliang University，Hangzhou 310000，China）

Abstract：Due to the situation that the trash can be easily thrown out of the barrel because of the fixed position，a trash can with smart trapping function based on the Kinect sensor is proposed in this paper. According to the design of garbage falling trajectory，calculate the location of its landing，and move to the landing catch garbage. The experiment shows that the design greatly increases the convenience of using the trash can.

Keywords：kinect；sensor；intelligent capture；convenient

0 引 言

在我們身處的社會中，“環(huán)?！笨芍^是一個非常重要的話題，垃圾桶也成為了人們?nèi)粘Ｉ畹谋匦杵贰ｋm然普通的垃圾桶具有結(jié)構(gòu)簡單、造價低廉的優(yōu)點，但也存在一定的不便之處，比如說，丟垃圾時容易將垃圾拋投至桶外，帶來不必要的污染。而全自動垃圾桶則可以解決這一問題。全自動垃圾桶設(shè)計的關(guān)鍵在于Kinect傳感器的動作捕捉技術(shù)。通過Kinect傳感器，對人體拋投動作進行分析，并計算出物體的落點，再通過無線網(wǎng)絡(luò)控制垃圾桶移動至落點，接住拋物。

1 系統(tǒng)結(jié)構(gòu)

整個結(jié)構(gòu)可分為軟件部分和硬件部分。其中硬件部分包括信號傳輸模塊和小車移動模塊，用于實現(xiàn)指令的發(fā)送，以實現(xiàn)控制小車移動到預(yù)定位置的功能。軟件部分主要包括深度測量算法、落點確認算法以及去噪點干擾算法。

通過Kinect傳感器中用來完成識別工作的紅外線發(fā)射器和紅外攝像機，可獲得物體的像素值，經(jīng)過相應(yīng)的深度算法得到物體的深度值，即物體相對傳感器的距離。在物體下落的過程中，獲取多個深度值，經(jīng)過落點確認算法（采用卡爾曼濾波算法），擬合出落點坐標，再將這個坐標信息通過藍牙傳輸?shù)叫≤嚨慕邮漳K。通過位置信息，控制小車到指定位置接住拋物。如圖1所示。

2 硬件設(shè)計

2.1 信號傳輸模塊

為了實現(xiàn)小車在實驗區(qū)域內(nèi)地自由移動，我們對信號的傳輸需要采取無線傳輸?shù)姆绞健Ｄ壳巴ㄓ玫臒o線傳輸技術(shù)很多，例如，紅外線通訊、藍牙、WLAN等。盡管紅外線通信技術(shù)具有性價比高、實現(xiàn)簡單以及能抵抗一定程度的電磁干擾的優(yōu)點，但其傳輸角度會受到限制，并且實時性不盡如人意。WLAN，即無線局域網(wǎng)，它的靈活性和移動性是毋庸置疑的，然而組建一個無線局域網(wǎng)代價過高，對于本設(shè)計來說是沒有必要的。

相比于前兩者，藍牙技術(shù)傳輸速度雖不及WLAN，但綜合考慮之下，藍牙技術(shù)不失為最合適的選擇。

藍牙設(shè)備的發(fā)射端與Kinect相連接，用于發(fā)送數(shù)據(jù)。接收端位于小車底部。

2.2 小車移動模塊

全自動尋物垃圾桶的移動通過桶底部的小車模塊來實現(xiàn)。信號傳輸會將分析所得的物體落點數(shù)據(jù)實時傳送給位于小車移動模塊的接收裝置，從而控制小車移動到規(guī)定落點接住拋物。為了使小車在運行時平穩(wěn)、快速，小車移動模塊采用兩個減速電機以及兩個萬向?qū)л喿鳛榈撞康闹谓Y(jié)構(gòu)。電機是小車動力的關(guān)鍵。電機的驅(qū)動采用了H橋電路和PWM波。為了能控制小車精準的運動至預(yù)定位置，控制核心采用了STC15F2K61S2芯片?？刂坪诵耐ㄟ^控制左右電機的增減速來實現(xiàn)小車的前進、后退、轉(zhuǎn)向等運動。

3 軟件設(shè)計

3.1 Kinect深度測量

識別物體下落軌跡的工作自然需要由Kinect傳感器來完成。描述物體的空間位置需要建立一個三維坐標軸。X、Y軸分別描述物體左右、上下的位置，Z軸描述物體距離傳感器的遠近，即深度識別。其中物體的左右、上下的位置可通過測量空間中的一些參照物確定，問題的關(guān)鍵還是在于深度的識別。

Kinect傳感器中完成深度識別工作的重要部分是紅外線發(fā)射器和紅外攝像機。紅外線發(fā)射器發(fā)出的鐳射光通過發(fā)射器鏡頭前的光柵，均勻地投射到需要測量的空間。然而由于測量空間中的物體表面是粗糙的、不均勻的，紅外線會在物體表面形成隨機的散斑。然后通過紅外攝像頭記錄空間的每個散斑。對結(jié)果進行相應(yīng)地計算，可得到3D深度圖像。

在深度識別的基礎(chǔ)之上對X、Y軸坐標進行提取。在Kinect發(fā)送的數(shù)據(jù)流中，我們可得到每個像素點對應(yīng)的深度值。接下來，我們對每個像素點進行遍歷，在遍歷的過程中，對每個像素點的深度值進行判斷。若該像素點位于測試空間內(nèi)，則對該像素點的灰度賦值，否則灰度賦值為0。如此一來，可以在測試過程中將Kinect深度識別范圍中的物體與其他物體區(qū)分開來。

接下來繼續(xù)對實驗區(qū)域內(nèi)的物體加以識別，并在此基礎(chǔ)上確定物體的X、Y坐標值。在劃定實驗區(qū)域的深度范圍后，判斷處于該范圍內(nèi)的像素點。對于某個像素點所映射的實際空間點而言，像素點的個數(shù)i與其X、Y坐標值存在一定的比例關(guān)系，即：i=X+kY，（k為常數(shù)）。根據(jù)該關(guān)系式我們即可確定物體的X、Y坐標。

然而，實際情況下的物體具有一定的體積，因而它在Kinect傳感器上所映射的圖像并不是一個理想的空間點，而是具有一定面積的圖形。為此，我們通過求取深度值的平均值來求得物體中心點的坐標，并利用物體中心點坐標來描述物體位置。

在完成了確定識別、確定物體空間坐標的關(guān)鍵問題后，我們就需要將數(shù)據(jù)傳送給垃圾桶底部小車，讓小車控制桶身到達指定落點。

3.2 落點確認卡爾曼濾波算法

在物體下落的過程中，通過傳感器記錄物體下落的過程。為得到物體的落點，需要對軌跡進行擬合。本設(shè)計采用的是卡爾曼濾波算法?？柭鼮V波具有多輸入多輸出、非平穩(wěn)隨機過程等許多優(yōu)點，它也是線性無偏最小方差準則下的最優(yōu)估計。本設(shè)計選取物體下落過程中的一些坐標值，通過卡爾曼算法擬合出物體運動軌跡，由此可得出物體落點。再將落點數(shù)據(jù)傳輸至小車。

3.3 去除噪點干擾

由于Kinect傳感器在實際檢測中存在噪點的干擾，這些噪點會影響深度判斷，因而需要去除噪點。物體通過傳感器映射的圖像是由一系列連續(xù)的像素點組成的，而噪點則是一些隨機的、斷續(xù)的像素點。根據(jù)這兩者之間的不同，可采用“有限狀態(tài)機”方法去除噪點，即在遍歷像素點的過程中判斷像素點的深度值是否在閾值之內(nèi)。若連續(xù)的若干個像素點都在閾值之內(nèi)，則可判斷該圖像屬于一個物體。由此可降低噪點干擾。如圖2所示。

4 結(jié) 論

本文從傳統(tǒng)垃圾桶的改進之處出發(fā)，設(shè)計了一種基于Kinect傳感器的智能捕捉垃圾桶，并闡述了其總體結(jié)構(gòu)和具體實現(xiàn)步驟。該方案與傳統(tǒng)垃圾桶相比具有更為便捷的優(yōu)點。

參考文獻：

[1] 梁民贊，黃子豪，曹占啟.曲線擬合與卡爾曼濾波器的濾波精度評估 [J].無線電工程，2013，43（3）：36-39.

[2] 高之泉.基于雙Kinect的人體運動捕捉 [D].南京大學(xué)，2017.

[3] 劉繼忠，吳文虎，程承，等.基于Kinect傳感器的移動機器人室內(nèi)三維環(huán)境創(chuàng)建 [J].廣西大學(xué)學(xué)報（自然科學(xué)版），2017，42（6）.

[4] 牛振岐，劉闊，王月敏，等.基于像素級別的Kinect深度測量誤差補償方法 [J].光電子·激光，2016，27（11）：1169-1175.

[5] 高晨，張亞軍.基于Kinect深度圖像的指尖檢測與手勢識別 [J].計算機系統(tǒng)應(yīng)用，2017，26（4）：192-197.

[6] 丁亮.基于Kinect的實時障礙物檢測 [J].微型機與應(yīng)用，2017，36（7）：19-21+25.

[7] 賽地瓦爾地·買買提.低復(fù)雜度非局部均值與卡爾曼濾波的圖像去噪方法研究 [D].成都：西南交通大學(xué)，2014.

[8] 王江榮.基于卡爾曼濾波算法的最小二乘擬合及應(yīng)用 [J].自動化與儀器儀表，2013（3）：140-142.

[9] 朱明強，侯建軍，劉穎，等.一種基于卡爾曼數(shù)據(jù)平滑的分段曲線擬合室內(nèi)定位算法 [J].北京交通大學(xué)學(xué)報，2012，36（5）：95-99.