CN110647854B - 一种垃圾分类排放智能管理系统 - Google Patents

一种垃圾分类排放智能管理系统 Download PDF

Info

Publication number
CN110647854B
CN110647854B CN201910926423.9A CN201910926423A CN110647854B CN 110647854 B CN110647854 B CN 110647854B CN 201910926423 A CN201910926423 A CN 201910926423A CN 110647854 B CN110647854 B CN 110647854B
Authority
CN
China
Prior art keywords
image
garbage
local neighborhood
pixel
value
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910926423.9A
Other languages
English (en)
Other versions
CN110647854A (zh
Inventor
张红霞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huaqing Yong'an Beijing Technology Development Co ltd
Original Assignee
Huaqing Yong'an Beijing Technology Development Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Huaqing Yong'an Beijing Technology Development Co ltd filed Critical Huaqing Yong'an Beijing Technology Development Co ltd
Priority to CN201910926423.9A priority Critical patent/CN110647854B/zh
Publication of CN110647854A publication Critical patent/CN110647854A/zh
Application granted granted Critical
Publication of CN110647854B publication Critical patent/CN110647854B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Educational Administration (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Strategic Management (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Development Economics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Image Processing (AREA)

Abstract

一种垃圾分类排放智能管理系统，包括图像采集模块、通信模块、远程管理中心和语音提醒模块，所述图像采集模块用于采集当前垃圾投放人员的面部图像和投放的垃圾图像，并将采集的图像通过通信模块传输至远程管理中心，所述远程管理中心用于对垃圾投放人员的身份进行验证，并判断垃圾投放人员是否将垃圾投入正确的垃圾箱内，如果投放正确，则进行积分奖励，如果投放错误，则减少积分，并令语音提醒模块进行投放错误提醒。本发明的有益效果为：采用图像处理方法对垃圾投放人员的身份进行验证以及是否正确投放垃圾进行判断，实现了垃圾分类排放管理的智能化，采用积分制，根据垃圾投放的正确与否对住户积分进行增减，促进住户进行正确的垃圾分类投放。

Description

一种垃圾分类排放智能管理系统
技术领域
本发明创造涉及垃圾分类领域，具体涉及一种垃圾分类排放管理系统。
背景技术
城市生活垃圾是人们生活过程中产生的固体废弃物，伴随经济发展与人均可支配收入的提升，当前城市居民的生活水平已经大幅提高，随之，日常产生的垃圾数量也在不断增加。面对日益增加的垃圾数量，如何以最少的土地资源、最小的生态代价实现城市生活垃圾资源化、减量化及无害化是当前中国节能发展的必然要求。这种背景下，垃圾分类受到了强烈的关注，对于垃圾进行分类收集和处置，其更有利于可回收资源的再利用；有利于提高垃圾处置的类别针对性，消减垃圾混合处理带来的二次资源问题；有利于减小垃圾处置的生态负担。由此可见，推进垃圾分类收集、处置将使整个社会的可持续发展获益匪浅。
传统的垃圾分类是由零散的个人或回收点对垃圾简单分类后再运送至垃圾回收处理工厂，整个垃圾分类回收的上中下游对接效率低、需要较多的人工成本和时间，缺乏有效的垃圾分类。
发明内容
针对上述问题，本发明旨在提供一种垃圾分类排放智能管理系统。
本发明创造的目的通过以下技术方案实现：
一种垃圾分类排放智能管理系统，包括图像采集模块、通信模块、远程管理中心和语音提醒模块，所述图像采集模块包括第一摄像头和第二摄像头，所述第一摄像头安装在垃圾箱的周围，用于采集当前垃圾投放人员的面部图像，所述第二摄像头安装在垃圾箱内侧壁的顶部，用于采集当前垃圾投放人员投放的垃圾图像，所述图像采集模块将采集的面部图像和垃圾图像通过通信模块传输至远程管理中心，所述远程管理中心包括数据库、图像处理单元、身份验证单元和垃圾检测单元，所述数据库中存储着小区内住户的面部图像、对应的身份信息和积分账户信息，所述图像处理单元用于对图像采集模块采集的图像进行处理，所述身份验证单元用于将处理后的面部图像与数据库中存储的面部图像进行匹配，确定垃圾投放人员的身份信息，所述垃圾检测单元用于根据处理后的垃圾图像对投放人员投放的垃圾类别进行检测，并判断该垃圾类别是否投入正确的垃圾箱内，如果投放正确，则增加垃圾投放人员的积分账户中的积分，如果投放错误，则减少垃圾投放人员的积分账户中的积分，并令语音提醒模块进行投放错误提醒，所述语音提醒模块安装在垃圾箱的周围。
优选地，所述图像处理单元包括图像优化模块和图像分割模块，所述图像优化模块用于对远程管理中心接收到的图像进行优化，所述图像分割模块用于对优化后的图像进行目标分割。
优选地，所述图像优化模块包括第一图像优化单元、第二图像优化单元和综合优化单元，所述第一图像优化单元采用下式对远程管理中心接收到的原始图像I进行处理，设I(i，j)为原始图像I中坐标(i，j)处像素的灰度值，则I(i，j)经第一图像优化单元处理后的输出值
Figure GDA0002453141020000021
为：
Figure GDA0002453141020000022
式中，Z(i，j)为归一化因子，R(i，j)为以坐标(i，j)处像素为中心的(2d+1)×(2d+1)的局部邻域，I(m，n)为局部邻域R(i，j)中坐标(m，n)处像素的灰度值，H(R(i，j))表示局部邻域R(i，j)的信息熵，HR(max)和HR(min)分别表示原始图像I中局部邻域的最大信息熵和最小信息熵，I(max)和I(min)分别表示原始图像I中像素灰度值的最大值和最小值。
优选地，所述远程管理中心接收到的原始图像为I，所述原始图像I经第一图像优化单元处理后的输出图像为
Figure GDA0002453141020000023
设图像
Figure GDA0002453141020000024
则第二图像优化单元采用下式对图像I′1进行处理：
Figure GDA0002453141020000025
式中，I′1(i，j)为图像I′1中坐标(i，j)处像素的灰度值，
Figure GDA0002453141020000026
为I′1(i，j)经第二图像优化单元处理后的灰度值，k1(i，j)和k2(i，j)为优化函数，且k1(i，j)和k2(i，j)的表达式分别为：
Figure GDA0002453141020000027
Figure GDA0002453141020000028
式中，θ为图像I′1中坐标(i，j)处像素的切线方向，σ1、σ2和σ3为尺度因子，将尺度因子σ1、σ2和σ3定义为：
Figure GDA0002453141020000031
Figure GDA0002453141020000032
Figure GDA0002453141020000033
式中，I′1(x，y)为图像I′1中坐标(x，y)处像素的灰度值，R(i，j)为以(i，j)为中心的(2d+1)×(2d+1)的局部邻域，
Figure GDA0002453141020000034
为图像I′1中局部邻域R(i，j)中像素的灰度均值，|R(i，j)|为局部邻域R(i，j)中的像素数，R(i+d，j)为以(i+d，j)为中心的(2d+1)×(2d+1)的局部邻域，
Figure GDA0002453141020000035
为图像I′1中局部邻域R(i+d，j)中像素的灰度均值，R(i-d，j)为以(i-d，j)为中心的(2d+1)×(2d+1)的局部邻域，
Figure GDA0002453141020000036
为图像I′1局部邻域R(i-d，j)中像素的灰度均值，R(i，j+d)为以(i，j+d)为中心的(2d+1)×(2d+1)的局部邻域，
Figure GDA0002453141020000037
为图像I′1中局部邻域R(i，j+d)中像素的灰度均值，R(i，j-d)为以(i，j-d)为中心的(2d+1)×(2d+1)的局部邻域，
Figure GDA0002453141020000038
为图像I′1中局部邻域R(i，j-d)中像素的灰度均值，
Figure GDA0002453141020000039
为图像I′1中以坐标(i，j)为中心的(4d+1)×(4d+1)的局部邻域中像素的灰度均值；
w1和w2为权重系数，且w1+w2＝1，其中，权重系数w2的值为：
Figure GDA00024531410200000310
式中，Bi，j为图像I′1中以坐标(i，j)处像素为中心的局部邻域R(i，j)的图像描述函数，且
Figure GDA00024531410200000311
Figure GDA00024531410200000312
Bk，l为图像I′1中以坐标(k，l)处像素为中心的局部邻域R(k，l)的图像描述函数，k＝i+d，l＝j，且
Figure GDA0002453141020000041
其中，E′x(m，n)为图像I′1中坐标(m，n)处像素在水平方向的梯度值，E′y(m，n)为图像I′1中坐标(m，n)处像素在竖直方向的梯度值，F(Bi，j-Bk，l)为判断函数，当Bi，j-Bk，l＜TB时，则F(Bi，j-Bk，l)＝0，当Bi，j-Bk，l≥TB时，则F(Bi，j-Bk，l)＝1；其中，TB为设置的阈值，且TB＝0.02(Bmax-4Bmin)，Bmax为图像I′1中图像描述函数的最大值，Bmin为图像I′1中图像描述函数的最小值。
优选地，所述综合优化单元用于根据第一图像优化单元和第二图像优化单元的优化结果对图像进行整合，对于原始图像I，第一图像优化单元的输出图像为
Figure GDA0002453141020000042
第二图像优化单元的输出图像为
Figure GDA0002453141020000043
则综合有花的单元整合后的图像I′为：
Figure GDA0002453141020000044
式中，η为整合因子，且η的表达式为：
Figure GDA0002453141020000045
式中，
Figure GDA0002453141020000046
表示图像
Figure GDA0002453141020000047
的信息熵，
Figure GDA0002453141020000048
表示图像
Figure GDA0002453141020000049
的信息熵，α为调节参数，且0＜α＜1。
本发明创造的有益效果：提供一种智能垃圾分类排放管理系统，采用图像处理方法对垃圾投放人员的身份进行验证以及垃圾投放人员是否正确投放垃圾进行判断，实现了垃圾分类排放管理系统的智能化，采用积分制，根据垃圾投放的正确与否对住户积分进行增减，促进住户进行正确的垃圾分类投放；在图像处理过程中，采用第一图像优化单元用于对远程管理中心接收到的图像进行优化，在优化过程中，根据像素局部邻域的特性自适应的控制优化的尺度范围，使得能够保留相对清晰的结构成分，并保留显著的结构细节，对于低对比度的细节区域自适应提高优化的尺度范围，使得该低对比度的细节信息可以在细节图像中得以保存，即为第二图像优化单元提供具有丰富细节信息的细节图像，使得的图像的层次相对清晰；第二图像优化单元采用两部分对图像进行处理，第一部分采用优化函数k1对图像I′1进行优化，定义的尺度因子σ1对于图像中的平坦区域具有较好的优化效果，能够在移除噪声的同时，保留图像中的细节信息；第二部分采用的优化函数k2能够检测和加强边缘区域，同时增大了边缘之间的对比度，定义的尺度因子σ2和σ3根据像素的局部邻域的灰度变化自适应的调节尺度范围，使得优化函数k2可以根据像素的灰度变化起伏对像素进行自适应的处理，从而可以对图像I′1进行平滑的同时，保留图像I′1中丰富的边缘信息；采用权重系数w1和w2对这两部分所占的比重进行调整，所述权重系数w1和w2根据图像中像素的特性对两部分所占的比重进行调节，从而保证了图像中细节的光滑过渡，消除了因细节不同而出现的明显边界，即本优选实施例采用的权重系数w1和w2，可以保证优化处理后的图像
Figure GDA0002453141020000051
中像素灰度值的光滑过度，避免图像
Figure GDA0002453141020000052
中出现明显的像素边界；采用综合优化单元将第一图像优化单元和第二图像优化单元的输出图像进行整合，在图像的整合过程中，引入整合因子η，所述整合因子能够根据图像
Figure GDA0002453141020000053
和
Figure GDA0002453141020000054
中的信息自适应的调整图像
Figure GDA0002453141020000055
和
Figure GDA0002453141020000056
对图像整合过程的贡献值大小，从而提高了图像的对比度，改善了图像的视觉效果；采用整合因子η的大小由图像
Figure GDA0002453141020000057
的信息熵和图像
Figure GDA0002453141020000058
的信息熵之间的距离决定，本优选实施例在衡量图像
Figure GDA0002453141020000059
的信息熵和图像
Figure GDA00024531410200000510
的信息熵之间的距离时，相较于传统的采用欧式距离计算方法，本优选实施例采用的距离衡量公式对于噪声具有更强的鲁棒性的同时，使得整合的图像更加的符合人眼对亮度变化的感知。
附图说明
利用附图对发明创造作进一步说明，但附图中的实施例不构成对本发明创造的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1是本发明结构示意图。
附图标记：
图像采集模块1、通信模块2；远程管理中心3；语音提醒模块4；数据库31；图像处理单元32；身份验证单元33；垃圾检测单元34。
具体实施方式
结合以下实施例对本发明作进一步描述。
参见图1，本实施例的一种垃圾分类排放管理系统，包括图像采集模块1、通信模块2、远程管理中心3和语音提醒模块4，所述图像采集模块1包括第一摄像头和第二摄像头，所述第一摄像头安装在垃圾箱的周围，用于采集当前垃圾投放人员的面部图像，所述第二摄像头安装在垃圾箱内侧壁的顶部，用于采集当前垃圾投放人员投放的垃圾图像，所述图像采集模块1将采集的面部图像和垃圾图像通过通信模块2传输至远程管理中心3，所述远程管理中心3包括数据库31、图像处理单元32、身份验证单元33和垃圾检测单元34，所述数据库31中存储着小区内住户的面部图像、对应的身份信息和积分账户信息，所述图像处理单元32用于对图像采集模块1采集的图像进行处理，所述身份验证单元33用于将处理后的面部图像与数据库31中存储的面部图像进行匹配，确定垃圾投放人员的身份信息，所述垃圾检测单元34用于根据处理后的垃圾图像对投放人员投放的垃圾类别进行检测，并判断该垃圾类别是否投入正确的垃圾箱内，如果投放正确，则增加垃圾投放人员的积分账户中的积分，如果投放错误，则减少垃圾投放人员的积分账户中的积分，并令语音提醒模块4进行投放错误提醒，所述语音提醒模块4安装在垃圾箱的周围。
本优选实施例提供一种智能垃圾分类排放管理系统，采用图像处理方法对垃圾投放人员的身份进行验证和垃圾投放人员是否正确投放垃圾进行判断，实现了垃圾分类排放管理系统的智能化，采用积分制，根据垃圾投放的正确与否对住户积分进行增减，促进住户进行正确的垃圾分类投放。
优选地，所述图像处理单元32包括图像优化模块和图像分割模块，所述图像优化模块用于对接收到的图像进行优化，所述图像分割模块用于对优化后的图像进行图像分割，包括面部图像分割单元和垃圾图像分割单元，所述面部图像分割单元用于在优化后的面部图像中分割出垃圾投放人员的面部图像，所述垃圾图像分割单元用于在优化后的垃圾图像中分割出垃圾图像。
优选地，所述图像优化模块包括第一图像优化单元、第二图像优化单元和综合优化单元，所述第一图像优化单元采用下式对远程管理中心接收到的原始图像I进行处理，设I(i，j)为原始图像I中坐标(i，j)处像素的灰度值，则I(i，j)经第一图像优化单元处理后的输出值
Figure GDA0002453141020000061
为：
Figure GDA0002453141020000062
式中，Z(i，j)为归一化因子，R(i，j)为以坐标(i，j)处像素为中心的(2d+1)×(2d+1)的局部邻域，I(m，n)为局部邻域R(i，j)中坐标(m，n)处像素的灰度值，H(R(i，j))表示局部邻域R(i，j)的信息熵，HR(max)和HR(min)分别表示原始图像I中局部邻域的最大信息熵和最小信息熵，I(max)和I(min)分别表示原始图像I中像素灰度值的最大值和最小值。
本优选实施例用于对远程管理中心接收到的图像进行优化，在优化过程中，根据像素局部邻域的特性自适应的控制优化的尺度范围，从而能够保留相对清晰的结构成分，并保留显著的结构细节，对于低对比度的细节区域自适应提高优化的尺度范围，使得该低对比度的细节信息可以在细节图像中得以保存，从而为第二图像优化单元提供具有丰富细节信息的细节图像，使得的图像的层次相对清晰。
优选地，设远程管理中心4接收到的原始图像为I，所述原始图像I经第一图像优化单元处理后的输出图像为
Figure GDA0002453141020000071
设图像
Figure GDA0002453141020000072
则第二图像优化单元采用下式对图像I′1进行处理：
Figure GDA0002453141020000073
式中，I′1(i，j)为图像I′1中坐标(i，j)处像素的灰度值，
Figure GDA0002453141020000074
为I′1(i，j)经第二图像优化单元处理后的灰度值，k1(i，j)和k2(i，j)为优化函数，且k1(i，j)和k2(i，j)的表达式分别为：
Figure GDA0002453141020000075
Figure GDA0002453141020000076
式中，θ为图像I′1中坐标(i，j)处像素的切线方向，σ1、σ2和σ3为尺度因子，将尺度因子σ1、σ2和σ3定义为：
Figure GDA0002453141020000077
Figure GDA0002453141020000078
Figure GDA0002453141020000079
式中，I′1(x，y)为图像I′1中坐标(x，y)处像素的灰度值，R(i，j)为以(i，j)为中心的(2d+1)×(2d+1)的局部邻域，
Figure GDA00024531410200000710
为图像I′1中局部邻域R(i，j)中像素的灰度均值，|R(i，j)|为局部邻域R(i，j)中的像素数，R(i+d，j)为以(i+d，j)为中心的(2d+1)×(2d+1)的局部邻域，
Figure GDA00024531410200000711
为图像I′1中局部邻域R(i+d，j)中像素的灰度均值，R(i-d，j)为以(i-d，j)为中心的(2d+1)×(2d+1)的局部邻域，
Figure GDA00024531410200000712
为图像I′1局部邻域R(i-d，j)中像素的灰度均值，R(i，j+d)为以(i，j+d)为中心的(2d+1)×(2d+1)的局部邻域，
Figure GDA0002453141020000081
为图像I′1中局部邻域R(i，j+d)中像素的灰度均值，R(i，j-d)为以(i，j-d)为中心的(2d+1)×(2d+1)的局部邻域，
Figure GDA0002453141020000082
为图像I′1中局部邻域R(i，j-d)中像素的灰度均值，
Figure GDA0002453141020000083
为图像I′1中以坐标(i，j)为中心的(4d+1)×(4d+1)的局部邻域中像素的灰度均值；
w1和w2为权重系数，且w1+w2＝1，其中，权重系数w2的值为：
Figure GDA0002453141020000084
式中，Bi，j为图像I′1中以坐标(i，j)处像素为中心的局部邻域R(i，j)的图像描述函数，且
Figure GDA0002453141020000085
Figure GDA0002453141020000086
Bk，l为图像I′1中以坐标(k，l)处像素为中心的局部邻域R(k，l)的图像描述函数，k＝i+d，l＝j，且
Figure GDA0002453141020000087
其中，E′x(m，n)为图像I′1中坐标(m，n)处像素在水平方向的梯度值，E′y(m，n)为图像I′1中坐标(m，n)处像素在竖直方向的梯度值，F(Bi，j-Bk，l)为判断函数，当Bi，j-Bk，l＜TB时，则F(Bi，j-Bk，l)＝0，当Bi，j-Bk，l≥TB时，则F(Bi，j-Bk，l)＝1；其中，TB为设置的阈值，且TB＝0.02(Bmax-4Bmin)，Bmax为图像I′1中图像描述函数的最大值，Bmin为图像I′1中图像描述函数的最小值。
本优选实施例采用两部分对图像进行处理，第一部分采用优化函数k1对图像I′1进行优化，定义的尺度因子σ1对于图像中的平坦区域具有较好的优化效果，能够在移除噪声的同时，保留图像中的细节信息；第二部分采用的优化函数k2能够检测和加强边缘区域，同时增大了边缘之间的对比度，定义的尺度因子σ2和σ3根据像素的局部邻域的灰度变化自适应的调节尺度范围，使得优化函数k2可以根据像素的灰度变化起伏对像素进行自适应的处理，从而可以对图像I′1进行平滑的同时，保留图像I′1中丰富的边缘信息；采用权重系数w1和w2对这两部分所占的比重进行调整，所述权重系数w1和w2根据图像中像素的特性对两部分所占的比重进行调节，从而保证了图像中细节的光滑过渡，消除了因细节不同而出现的明显边界，即本优选实施例采用的权重系数w1和w2，可以保证优化处理后的图像
Figure GDA0002453141020000088
中像素灰度值的光滑过度，避免图像
Figure GDA0002453141020000089
中出现明显的像素边界。
优选地，所述综合优化单元用于根据第一图像优化单元和第二图像优化单元的优化结果对图像进行整合，对于原始图像I，第一图像优化单元的输出图像为
Figure GDA0002453141020000091
第二图像优化单元的输出图像为
Figure GDA0002453141020000092
则综合优化单元整合后的图像I′为：
Figure GDA0002453141020000093
式中，η为整合因子，且η的表达式为：
Figure GDA0002453141020000094
式中，
Figure GDA0002453141020000095
表示图像
Figure GDA0002453141020000096
的信息熵，
Figure GDA0002453141020000097
表示图像
Figure GDA0002453141020000098
的信息熵，α为调节参数，且0＜α＜1。
本优选实施例根据第一图像优化单元和第二图像优化单元的输出图像对图像进行整合，在图像的整合过程中，引入整合因子η，所述整合因子能够根据图像
Figure GDA0002453141020000099
和
Figure GDA00024531410200000910
中的信息自适应的调整图像
Figure GDA00024531410200000911
和
Figure GDA00024531410200000912
对图像整合过程的贡献值大小，从而提高了图像的对比度，改善了图像的视觉效果；采用的整合因子η的大小由图像
Figure GDA00024531410200000913
的信息熵和图像
Figure GDA00024531410200000914
的信息熵之间的距离决定，本优选实施例在衡量图像
Figure GDA00024531410200000915
的信息熵和图像
Figure GDA00024531410200000916
的信息熵之间的距离时，相较于传统的采用欧式距离计算方法，本优选实施例采用的距离衡量公式对于噪声具有更强的鲁棒性的同时，使得整合的图像更加的符合人眼对亮度变化的感知。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。

Claims (3)

1.一种垃圾分类排放智能管理系统，其特征是，包括图像采集模块、通信模块、远程管理中心和语音提醒模块，所述图像采集模块包括第一摄像头和第二摄像头，所述第一摄像头安装在垃圾箱的周围，用于采集当前垃圾投放人员的面部图像，所述第二摄像头安装在垃圾箱内侧壁的顶部，用于采集当前垃圾投放人员投放的垃圾图像，所述图像采集模块将采集的面部图像和垃圾图像通过通信模块传输至远程管理中心，所述远程管理中心包括数据库、图像处理单元、身份验证单元和垃圾检测单元，所述数据库中存储着小区内住户的面部图像、对应的身份信息和积分账户信息，所述图像处理单元用于对图像采集模块采集的图像进行处理，所述图像处理单元包括图像优化模块和图像分割模块，所述图像优化模块用于对远程管理中心接收到的图像进行优化，所述图像优化模块包括第一图像优化单元、第二图像优化单元和综合优化单元，所述第一图像优化单元采用下式对远程管理中心接收到的原始图像I进行处理，设I(i,j)为原始图像I中坐标(i,j)处像素的灰度值，则I(i,j)经第一图像优化单元处理后的输出值
Figure FDA0002453141010000011
为：
Figure FDA0002453141010000012
式中，Z(i,j)为归一化因子，R(i,j)为以坐标(i,j)处像素为中心的(2d+1)×(2d+1)的局部邻域，I(m,n)为局部邻域R(i,j)中坐标(m,n)处像素的灰度值，H(R(i,j))表示局部邻域R(i,j)的信息熵，HR(max)和HR(min)分别表示原始图像I中局部邻域的最大信息熵和最小信息熵，I(max)和I(min)分别表示原始图像I中像素灰度值的最大值和最小值；所述图像分割模块用于对优化后的图像进行图像分割，所述身份验证单元用于将处理后的面部图像与数据库中存储的面部图像进行匹配，确定垃圾投放人员的身份信息，所述垃圾检测单元用于根据处理后的垃圾图像对投放人员投放的垃圾类别进行检测，并判断该垃圾类别是否投入正确的垃圾箱内，如果投放正确，则增加垃圾投放人员的积分账户中的积分，如果投放错误，则减少垃圾投放人员的积分账户中的积分，并令语音提醒模块进行投放错误提醒，所述语音提醒模块安装在垃圾箱的周围。
2.根据权利要求 1所述的一种垃圾分类排放智能管理系统，其特征是，所述远程管理中心接收到的原始图像为I，所述原始图像I经第一图像优化单元处理后的输出图像为
Figure FDA0002453141010000013
设图像
Figure FDA0002453141010000014
Figure FDA0002453141010000021
则第二图像优化单元采用下式对图像I′1进行处理：
Figure FDA0002453141010000022
式中，I′1(i,j)为图像I′1中坐标(i,j)处像素的灰度值，
Figure FDA0002453141010000023
为I′1(i,j)经第二图像优化单元处理后的灰度值，k1(i,j)和k2(i,j)为优化函数，且k1(i,j)和k2(i,j)的表达式分别为：
Figure FDA0002453141010000024
Figure FDA0002453141010000025
式中，θ为图像I′1中坐标(i,j)处像素的切线方向，σ1、σ2和σ3为尺度因子，将尺度因子σ1、σ2和σ3定义为：
Figure FDA0002453141010000026
Figure FDA0002453141010000027
Figure FDA0002453141010000028
式中，I′1(x,y)为图像I′1中坐标(x,y)处像素的灰度值，R(i,j)为以(i,j)为中心的(2d+1)×(2d+1)的局部邻域，
Figure FDA0002453141010000029
为图像I′1中局部邻域R(i,j)中像素的灰度均值，|R(i,j)|为局部邻域R(i,j)中的像素数，R(i+d,j)为以(i+d,j)为中心的(2d+1)×(2d+1)的局部邻域，
Figure FDA00024531410100000210
为图像I′1中局部邻域R(i+d,j)中像素的灰度均值，R(i-d,j)为以(i-d,j)为中心的(2d+1)×(2d+1)的局部邻域，
Figure FDA00024531410100000211
为图像I′1局部邻域R(i-d,j)中像素的灰度均值，R(i,j+d)为以(i,j+d)为中心的(2d+1)×(2d+1)的局部邻域，
Figure FDA00024531410100000212
为图像I′1中局部邻域R(i,j+d)中像素的灰度均值，R(i,j-d)为以(i,j-d)为中心的(2d+1)×(2d+1)的局部邻域，
Figure FDA0002453141010000031
为图像I′1中局部邻域R(i,j-d)中像素的灰度均值，
Figure FDA0002453141010000032
为图像I′1中以坐标(i,j)为中心的(4d+1)×(4d+1)的局部邻域中像素的灰度均值；
w1和w2为权重系数，且w1+w2＝1，其中，权重系数w2的值为：
Figure FDA0002453141010000033
式中，Bi,j为图像I′1中以坐标(i,j)处像素为中心的局部邻域R(i,j)的图像描述函数，且
Figure FDA0002453141010000034
Figure FDA0002453141010000035
Bk,l为图像I′1中以坐标(k,l)处像素为中心的局部邻域R(k,l)的图像描述函数，k＝i+d，l＝j，且
Figure FDA0002453141010000036
其中，E′x(m,n)为图像I′1中坐标(m,n)处像素在水平方向的梯度值，E′y(m,n)为图像I′1中坐标(m,n)处像素在竖直方向的梯度值，F(Bi,j-Bk,l)为判断函数，当Bi,j-Bk,l<TB时，则F(Bi,j-Bk,l)＝0，当Bi,j-Bk,l≥TB时，则F(Bi,j-Bk,l)＝1；其中，TB为设置的阈值，且TB＝0.02(Bmax-4Bmin)，Bmax为图像I′1中图像描述函数的最大值，Bmin为图像I′1中图像描述函数的最小值。
3.根据权利要求2所述的一种垃圾分类排放智能管理系统，其特征是，综合优化单元用于根据第一图像优化单元和第二图像优化单元的优化结果对图像进行整合，对于原始图像I，第一图像优化单元的输出图像为
Figure FDA0002453141010000037
第二图像优化单元的输出图像为
Figure FDA0002453141010000038
则综合优化单元整合后的图像I′为：
Figure FDA0002453141010000039
式中，η为整合因子，且η的表达式为：
Figure FDA00024531410100000310
式中，
Figure FDA00024531410100000311
表示图像
Figure FDA00024531410100000312
的信息熵，
Figure FDA00024531410100000313
表示图像
Figure FDA00024531410100000314
的信息熵，α为调节参数，且0<α<1。
CN201910926423.9A 2019-09-27 2019-09-27 一种垃圾分类排放智能管理系统 Active CN110647854B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910926423.9A CN110647854B (zh) 2019-09-27 2019-09-27 一种垃圾分类排放智能管理系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910926423.9A CN110647854B (zh) 2019-09-27 2019-09-27 一种垃圾分类排放智能管理系统

Publications (2)

Publication Number Publication Date
CN110647854A CN110647854A (zh) 2020-01-03
CN110647854B true CN110647854B (zh) 2020-07-28

Family

ID=69011751

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910926423.9A Active CN110647854B (zh) 2019-09-27 2019-09-27 一种垃圾分类排放智能管理系统

Country Status (1)

Country Link
CN (1) CN110647854B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112766096A (zh) * 2021-01-06 2021-05-07 上海净收智能科技有限公司 可回收垃圾异常投递识别方法、系统、终端及投放装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103208105A (zh) * 2013-05-02 2013-07-17 中国电子科技集团公司第二十八研究所 一种红外图像细节增强与噪声自适应抑制方法
CN103955902A (zh) * 2014-05-08 2014-07-30 国网上海市电力公司 基于Retinex和Reinhard色彩迁移的弱光照图像的增强方法
CN109035160A (zh) * 2018-06-29 2018-12-18 哈尔滨商业大学 医学影像的融合方法及基于融合医学影像学习的图像检测方法
CN109606983A (zh) * 2018-11-16 2019-04-12 福州大学至诚学院 一种用于城市公共场所的垃圾分类方法及系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009058915A1 (en) * 2007-10-29 2009-05-07 The Trustees Of The University Of Pennsylvania Computer assisted diagnosis (cad) of cancer using multi-functional, multi-modal in-vivo magnetic resonance spectroscopy (mrs) and imaging (mri)
CN110053903B (zh) * 2019-04-25 2022-03-25 重庆左岸环境服务股份有限公司 生活垃圾分类回收管理系统及方法
CN110155572B (zh) * 2019-06-25 2021-12-14 杭州电子科技大学 一种智慧社区垃圾分类系统及方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103208105A (zh) * 2013-05-02 2013-07-17 中国电子科技集团公司第二十八研究所 一种红外图像细节增强与噪声自适应抑制方法
CN103955902A (zh) * 2014-05-08 2014-07-30 国网上海市电力公司 基于Retinex和Reinhard色彩迁移的弱光照图像的增强方法
CN109035160A (zh) * 2018-06-29 2018-12-18 哈尔滨商业大学 医学影像的融合方法及基于融合医学影像学习的图像检测方法
CN109606983A (zh) * 2018-11-16 2019-04-12 福州大学至诚学院 一种用于城市公共场所的垃圾分类方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Adaptive Segmentation of Sensing Images Based on Global Spatial Information;Muqing Li et al.;《Sensors》;20190531;第1-17页 *
Joint-MAP Tomographic Reconstruction with Patch Similarity Based Mixture Prior Model;Yang Chen et al.;《Multiscale Modeling and Simulation: A SIAM Interdisciplinary Journal,Society for Industrial and Applied Matematics》;20120131;第9卷(第4期);第1-23页 *
Optimal Spatial Adaptation foe Patch-Based Image Denoising;Charles Kervrann et al.;《IEEE TRANSATIONAS ON IMAGE PROCESSING》;20061031;第15卷(第10期);第2866-2878页 *
大视场红外搜索系统目标检测关键技术研究;孙刚;《中国博士学位论文全文数据库 信息科技辑》;20170215;I138-185 *

Also Published As

Publication number Publication date
CN110647854A (zh) 2020-01-03

Similar Documents

Publication Publication Date Title
CN109684979B (zh) 一种基于图像识别技术的垃圾分类方法、装置及电子设备
CN110697273B (zh) 一种基于迭代学习控制的生活垃圾智能识别与自动分类系统及方法
CN111573039B (zh) 一种基于大数据的垃圾分类智能处理系统
CN112584100A (zh) 一种基于人员动态分布跟踪分析的展厅展馆智能管控平台
CN102009879A (zh) 电梯自动按键控制系统、方法和人脸模型训练系统、方法
CN110647854B (zh) 一种垃圾分类排放智能管理系统
CN101483763A (zh) 一种面向社会治安监控的数字影像处理方法及其装置
CN105872351A (zh) 逆光场景的照片拍摄方法和装置
CN105931267A (zh) 一种基于改进ViBe算法的运动物体检测跟踪方法
CN109740532A (zh) 一种基于圆环道路的路径识别及中线优化方法
CN111832749B (zh) 垃圾袋识别方法及相关装置
CN111332651A (zh) 一种基于深度学习的光电感应垃圾桶
CN111453249A (zh) 一种基于图像分析的智能厨余垃圾分类桶
CN109579092A (zh) 一种根据工作环境进行烟灶联动的油烟机
CN113985766A (zh) 一种基于远程控制的水泵在线调控管理系统
CN116342895A (zh) 基于ai处理的提升再生资源分拣效率的方法及系统
CN101656070B (zh) 一种语音检测方法
CN113705638A (zh) 一种移动车载式智能垃圾信息管理方法及系统
CN106909880A (zh) 人脸识别中的人脸图像预处理方法
CN211418362U (zh) 人工智能分类垃圾桶
CN111767804A (zh) 基于人工智能的可回收垃圾图像分类方法及系统
CN111123407A (zh) 一种基于计算机服务的环境监测大数据整合系统
CN110562623A (zh) 一种智能垃圾分类系统
CN215708916U (zh) 一种智能识别垃圾桶
CN115082863A (zh) 一种智能化垃圾分类投放扫描系统及方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant