申新杰　蘭浩　曾渝

摘要：為了提高垃圾自動分類回收再利用的效率，提出了一種快速匹配識別垃圾的算法。采用一款自帶攝像頭，具有圖像識別作用的機(jī)器視覺開發(fā)組件Open MV，基于AGAST（ Adaptive and Generic Accelerated Segment Test）角點域的特征匹配算法，以塑料瓶為研究對象，對算法進(jìn)行了檢驗。該算法能夠有效識別特定垃圾，一定程度上實現(xiàn)了垃圾分類的功能，為有效提高垃圾利用率提供了參考。

關(guān)鍵詞：識別;AGAST;角點域;特征描述;FAST;垃圾分類

中圖分類號：T18 文獻(xiàn)標(biāo)識碼：A

文章編號：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

隨著人類文明的發(fā)展和進(jìn)步，資源的日益短缺和環(huán)境的日益惡化已經(jīng)成為越來越嚴(yán)峻的問題，有效地對垃圾進(jìn)行分類回收再利用既能極大地提高資源利用率，也能減少環(huán)境污染，因此，采用人工智能技術(shù)對垃圾進(jìn)行自動分類顯得尤為重要。

當(dāng)代人們對自動分類的垃圾桶已經(jīng)有了較多研究[1-3]。劉鴻鵠[4]等提出一種基于金屬傳感器、紅外溫度傳感器和力覺傳感器，實現(xiàn)能夠分類識別不同材料的智能垃圾桶，但此方法具有精確度較低，需要大量傳感器的缺點，給垃圾桶的組裝整合帶來了困難，同時會導(dǎo)致垃圾桶體積過大，無論是家用還是公用，都有著極大的不便。王科舉[5]等人提出用volov3-tiny深度學(xué)習(xí)模型對攝像頭拍攝的圖片進(jìn)行識別，從而進(jìn)行垃圾分類，但是此算法同樣具有精度低的缺點。除此之外，人們在圖像識別與特征點檢測識別方面也有了很多研究，其中Lowe[6]在2004年提出的尺度不變特征變換（SIFT）算法以及Bay和Ess[7]等人在2006年提出的加速魯棒特征（SURr）算法都具有較好的特征不變性，但是計算量大，速度慢，耗時長。Chris Harris和MikeStephen[8]提出的Harris角點提取算法以及R0sten[9-10】等人提出的基于角點檢測的FAST（ Features From Accelerated SegmentTest）算法快速簡單，但不具有尺度不變性。Mair[11]等人在FAST算法的基礎(chǔ)上進(jìn)行了改進(jìn)，提出了自適應(yīng)多尺度快速角點提取算法AGAST（Adaptive and Generic Accelerated SegmentTest），既提高了圖像識別的速度，又兼具較好的尺度不變性，在檢測和匹配方面得到了良好的應(yīng)用。

綜上，本文以特定的垃圾（塑料瓶）為研究對象，在FAST算法的基礎(chǔ)上提出一種改進(jìn)的AGAST角點域特征匹配識別算法，并對算法進(jìn)行檢驗。

1硬件設(shè)計

硬件設(shè)計部分包括圖像采集和垃圾桶裝置模型設(shè)計兩部分，其中，圖像采集部分選擇一款自帶攝像頭，具有圖像識別作用的機(jī)器視覺開發(fā)組件OpenMV，OpenMV小巧、低功耗、低成本，可以通過高級語言Python腳本（MicroPython）在機(jī)器視覺算法中處理復(fù)雜的輸出，OpenMV外觀以及規(guī)格圖，如圖1所示。

OpenMV具有高速處理圖像、體積小巧的特點，其尺寸如圖1（b）所示。OpenMV可以通過串口與PC或者單片機(jī)進(jìn)行通信，便于圖像識別后的控制操作。

基于AGAST角點域特征識別算法沒計的自動分類垃圾桶具體模型如圖2所示，裝置外形采用網(wǎng)柱狀造型，樣式美觀，造型簡約合理，沒計成本低。裝置內(nèi)部三等分為3個分格，如圖2（b）所示，其中兩個開口的分格用來放置可回收（紙張、金屬、塑料、玻璃制品四類垃圾）和不可回收的垃圾（廚余垃圾（果皮、菜葉）等類），另一個帶有置物板的分格用來放置控制電路。頂部設(shè)計為半球狀，如圖2（c）所示，置物板的上方裝有攝像頭，用于拍攝置物板上垃圾的照片，拍攝到的照片輸入到內(nèi)部系統(tǒng)，系統(tǒng)會分析出垃圾的種類，垃圾桶最下端的轉(zhuǎn)盤會將相應(yīng)的分欄垃圾桶轉(zhuǎn)到投放口下方，垃圾由于慣性和重力作用，會自動下落，以此來實現(xiàn)垃圾分類。

2基于AGAST角點域特征的識別算法

圖像識別的關(guān)鍵是提取角點，圖像處理中，組成圖像的最小單位稱為像素，顏色轉(zhuǎn)換的臨界值稱為閾值，表明圖像明暗程度的數(shù)值稱為灰度，其范同一般從0-255，O表示黑色，255表示白色。指示圖像在二維空問內(nèi)灰度變化劇烈的位置，和周圍的鄰點有明顯差異的像素點稱為角點。

FAST算法是AGAST算法的基礎(chǔ)，利用FAST算法進(jìn)行角點提取的一般步驟為在圖像中任選一點P，假定其像素（亮度）值為Ip。以P為網(wǎng)心，3個像素點為半徑畫網(wǎng)，覆蓋P點周圍的16個像素。設(shè)閾值t，閾值t取值為60-80，閾值越低，能夠提取到的角點數(shù)目越多。如果P周圍的l6個像素中有連續(xù)的N個像素點的灰度值與P點的灰度值之差的絕對值不小于t，那么這個點就被判斷為角點。一般情況下，認(rèn)為N=12。

FAST算法提取角點的算法流程如圖4。

先在物體圖像區(qū)域中選定一個候選角點P，找到以P為中心的周圍16個點，并按照順時針方向編號為P1-P16如圖3所示。設(shè)定閾值t，并檢查P1和P9的像素，如果其都比閾值暗或都比閾值亮，再檢查P3和P5的閾值，如果這四個點中至少有3個點的像素值與點P的像素值之差的絕對值不小于閾值t，就檢查剩余的所有點，如果這個條件不滿足就舍棄。當(dāng)所有的點中至少有12個點的像素值與P點的像素值之差的絕對值不小于t時，認(rèn)為P點為角點。為了解決FAST算法提取的角點會出現(xiàn)彼此相鄰的問題，采用非極大值抑制法對角點進(jìn)行抑制后再輸出。對一個角點P建立一個3*3（或5*5，7*7）的窗口，如果該窗口內(nèi)出現(xiàn)了另一個角點Q，則比較P與Q的大小，如果P大，則將Q點刪除，如果P小，則將P點刪除，刪除后剩下的點即為物體的特征點。

FAST算法利用決策樹來找尋角點，當(dāng)外界環(huán)境改變時，角點構(gòu)造會發(fā)生明顯的變化，一些角點構(gòu)造在訓(xùn)練集中可能會消失，這導(dǎo)致FAST算法中的決策樹需隨環(huán)境的改變而重新獲取。為了彌補這個不足，利用AGAST算法對FAST底層的AST（Ac-Celerated Segment Test）進(jìn)行改進(jìn)，通過在擴(kuò)展配置空間中尋找最優(yōu)決策樹，將兩個決策樹結(jié)合起來，使角點檢測能夠自動適應(yīng)外界環(huán)境的改變，而不必重新獲取決策樹。為此，將FAST算法中的決策樹改進(jìn)成二叉樹，如圖5所示，根據(jù)當(dāng)前處理的圖像信息動態(tài)且高效地分配決策捌，進(jìn)而提高算法的檢測速度。

AGAST算法提取角點的算法流程圖如圖6，在FAST算法的基礎(chǔ)上，采用AGAST二叉樹進(jìn)行角點檢測，提取出角點后，仍然采用非極大值抑制法對角點進(jìn)行處理后再輸出，得到AGAST特征點。

3算法驗證

（1）FAST與AGAST算法對比

塑料瓶豎放時，采用FAST算法和AGAST算法進(jìn)行角點提取并識別如圖7，從圖7中可以看到特征點多集中在塑料瓶的標(biāo)簽處，這塊區(qū)域的點具有其像素值與其周圍點像素值明顯不同的特點，便于提取，為了防止攝像頭中存儲空間不足，設(shè)置了提取的特征點數(shù)目的最大值為100。

塑料瓶橫放時，采用FAST算法和AGAST算法進(jìn)行角點提取并識別如圖8。

在使用不同算法的條件下，對不同算法的匹配識別性能進(jìn)行對比，在模擬裝置的條件下，利用對塑料瓶的識別，進(jìn)行了相關(guān)探究。實驗驗證分為3組實驗，每組實驗進(jìn)行10次，對其匹配點數(shù)取平均。表1與表2可見，無論塑料瓶橫放或豎放，AGAST算法相較FAST算法，利用AGAST算法匹配到的角點數(shù)目明顯更多，匹配能力明顯更強。

FAST算法每次實驗匹配到的特征點數(shù)目值在42.9-46.3之間。AGAST算法每次實驗匹配到的特征點數(shù)目值在59.4-62.3之間。AGAST相較FAST配點數(shù)的增加率平均為38.66%。

FAST算法每次實驗匹配到的特征點數(shù)目值在54.6-55.8之間。AGAST算法每次實驗匹配到的特征數(shù)目在60.4-62.3之間。AGAST相較FAST配點數(shù)的增加率平均為10.78%。

（2）物體大小和角度對匹配效果的影響

利用AGAST算法，通過找尋所要識別物體的角點作為物體的特征，然后作為模板，當(dāng)再次檢測到物體時，進(jìn)行匹配來識別。如圖7和圖8所示，當(dāng)所要識別的物體大小和角度不變時，識別效果良好。當(dāng)旋轉(zhuǎn)一定角度或?qū)⑽矬w縮小后再識別，識別效果有所下降。角度和物體大小對物體識別效果的影響如圖9所示。

在使用AGAST算法進(jìn)行識別條件下，對不同旋轉(zhuǎn)角度及物品大小的影響進(jìn)行探究，得到的結(jié)果如表3所示。

將塑料瓶旋轉(zhuǎn)45度后，再進(jìn)行識別，匹配的特征點數(shù)目會明顯下降，在25.1-26之間。形狀縮小后再識別，匹配到的特征點數(shù)目在27.9-30.1之間。表3可見，當(dāng)塑料瓶旋轉(zhuǎn)一定角度之后，其匹配率會大大降低，其匹配點數(shù)減少率高達(dá)58%左右，同時，當(dāng)塑料瓶大小變化后，其匹配準(zhǔn)確性能也會極大地降低，匹配點數(shù)減少率高達(dá)52%左右，顯然，物體大小及角度若與之前存儲的模板特征不同，則匹配準(zhǔn)率會有所降低。

4結(jié)論

本文利用軟硬件結(jié)合的方式，重點討論了AGAST和FAST兩種角點域的特征提取匹配算法對特定垃圾（塑料瓶）的識別，得到如下結(jié)論：

（1）針對當(dāng)代垃圾分類的現(xiàn)狀，結(jié)合圖像識別技術(shù)，設(shè)計了一種利用人工智能識別技術(shù)，白動進(jìn)行垃圾分類的垃圾桶，以塑料瓶為研究對象，對基于ACAST角點域的特征提取匹配算法進(jìn)行了驗證;

（2）ACAST算法與FAST算法在匹配識別物體性能方面進(jìn)行對比，結(jié)果表明：AGAST算法識別性能更好，匹配特征效果更好，精度更高，能夠滿足對特定垃圾的識別需求;

（3）利用本文算法進(jìn)行識別，能夠?qū)μ囟ɡㄋ芰掀浚┻M(jìn)行區(qū)分，為基于圖像識別的自動分類垃圾桶提供了參考，但該算法對于物體擺放角度及大小要求較高，若物體與先前所存模板的大小或角度有所變化，匹配準(zhǔn)確率會下降，識別效果會受到一定程度的影響。若要解決此問題.還需進(jìn)一步研究。

綜合看來，利用AGAST算法對垃圾進(jìn)行特征點匹配識別具有一定的可行性，為實現(xiàn)垃圾自動分類提供了新的模式與方法。

參考文獻(xiàn)：

[1]周飛宇，王磊，朱恩旭，等.智能垃圾桶控制系統(tǒng)設(shè)計[J].信息記錄材料，2019，20（5）：148-149.

[2]王瑤瑤，馬萌晨，付應(yīng)，等.淺談新型自動分類及存儲垃圾裝置[J].技術(shù)與市場，2013，20（8）：174.

[3]胡中艷，曹陽，孫建華.模式識別技術(shù)在自動分類垃圾桶概念設(shè)計中的應(yīng)用[J].包裝工程，2008，29（12）：214-216.

[4]劉鴻鶚，彭柏鈞，曹倫，等.自動分類垃圾桶的設(shè)計與研究[J].機(jī)械工程師，2018（3）：39-40.43.

[5]王科舉，廉小親，安颯，等.基于樹莓派和Arduino的智能垃圾桶[J].信息技術(shù)與信息化，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(lián)編輯：唐一東】