CN111275067B - 一种基于高度相关的垃圾分类方法 - Google Patents
一种基于高度相关的垃圾分类方法 Download PDFInfo
- Publication number
- CN111275067B CN111275067B CN201910886623.6A CN201910886623A CN111275067B CN 111275067 B CN111275067 B CN 111275067B CN 201910886623 A CN201910886623 A CN 201910886623A CN 111275067 B CN111275067 B CN 111275067B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- garbage
- matrix
- point
- inventory
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/32—Determination of transform parameters for the alignment of images, i.e. image registration using correlation-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
Abstract
本发明公开了本发明公开一种基于高度相关的垃圾分类方法,包括:拍取垃圾的照片,读取该照片的R,G,B三个n*m矩阵,再将这三个矩阵分别写成列向量R(n*m)×1,G(n*m)×1,B(n*m)×1,转换成一个三维矩阵然后利用高度相关法对待扔垃圾点云集X和库存中垃圾点云集Y进行配准,即求两个点云集之间的旋转平移矩阵,并使用粒子群优化算法对参数进行求解,使其旋转矩阵满足代价函数。最后采用ICP算法进行进一步深度配准,实现识别,看属于库存中的哪一类。通过上述方法,在扔垃圾之前只需拍下垃圾的照片进行与库存垃圾图片的点云配准即可实现垃圾的分类,可帮助人们认识哪些垃圾属于哪一类,减少了人工识别垃圾的时间,提高垃圾投扔处理等后续操作的时间,具有很高的实用价值和推广价值。
Description
技术领域
本发明属于垃圾分类技术领域,具体地说,是涉及一种基于高度相关的垃圾分类方法。
背景技术
垃圾分类回收利用是对垃圾进行前处置的重要环节。通过分类投放、分类收集,把有用物资,从垃圾中分离出来重新回收、利用,变废为宝。既提高垃圾资源利用水平,又可减少垃圾处置量,是实现垃圾减量化和资源化的重要途径和手段。目前国外已经有很多国家例日本、韩国、德国等的国民垃圾分类意识已经成熟,智能垃圾分类技术也在逐渐兴起。我国目前也已经普及了垃圾分类,并逐渐在各个城市展开,而对于垃圾分类的智能处理技术也需要提升。因此提出一种基于点云配准的垃圾分类方法。
发明内容
本发明的目的在于提供一种基于高度相关的垃圾分类方法,主要用于对垃圾的快速、准确分类,提高垃圾的回收利用效率。
为实现上述目的,本发明采用的技术方案如下:
一种基于高度相关的垃圾分类方法,包括如下步骤:
(S1)获取待扔垃圾的点云集:对待扔垃圾进行拍照,读取照片,获取待扔垃圾的颜色点集R、G、B数据,R、G、B数据均为n*m的二维矩阵;
(S2)将n*m的二维矩阵的R、G、B数据转化成三维矩阵数据,得到测量点云和库存点云矩阵,通过测量点云和库存点云矩阵获取目标点云和待配准点云的均值点;
(S3)利用相关系数最小法求符合点云配准的旋转矩阵R和平移矩阵Tk,并得到代价函数和;
(S4)采用基于粒子群优化算法对代价函数和最小时的参数求解,使旋转矩阵R满足代价函数;
(S5)实现配准,完成识别,根据不同颜色点云的均值进行特征分类,具有相同颜色点集的两个垃圾物品则被认为是同一类,完成垃圾分类。
进一步地,在步骤(S2)中,R、G、B三维矩阵的转化包括步骤:
(S21)将R、G、B矩阵排成一列即:R(n*m)*1,G(n*m)*1,B(n*m)*1;
(S22)将步骤(S21)中的若干列矩阵排成三维矩阵;
得到测量点云:
得到图像的库存点云:
再利用
得到:
进一步地,在步骤(S3)中,测量点云集X和库存点云集Y存在以下关系:
Y=XR+Tk (5);
将式(3)代入式(8)得:
即得到:
YK=Y/K (13);
相应的平移矩阵向量的求解如下:
R的求解不发生变化;
要使得各列向量之间的高度相关,即要以下代价函数和最小:
要使得各列向量之间的高度相关,即要以下代价函数和最小:
进一步地,在步骤(S4)中,参数求解的具体过程如下:
在一个D维的目标搜索空间中,有α个粒子组成的一个群落,其中第i个粒子表示为一个D维的向量,其t时刻的速度更新如下:
其中,表示第i个粒子在t时刻的速度变化;c1,c2表示学习因子,表示该区域内均匀分布的伪随机数,取值范围为[0,1];表示第i个粒子在t时刻的经历过的历史最好位置;表示群体内所有粒子在t时刻所经历过的最好位置;表示第i个粒子在t时刻的位置;
在速度更新之后,便是更新当前时刻的位置;当前时刻位置更新如下:
其中,u和v都是酉矩阵,满足:
I=uuH=vvH (22);
s是一个对角矩阵,除了对角线的元素其他都是0,主对角线上的每个元素都称为奇异值;重新得到正交矩阵:
通过式(20)~式(23)求解出WP0和WQ0,使其别满足以下目标函数值最小:
当计算出使满足两组点云能够确定关系的旋转矩阵和平移矩阵后,通过ICP 算法不断产生迭代,直到满足条件后停止迭代。
与现有技术相比,本发明具有以下有益效果:
本发明通过拍照获取待扔垃圾的颜色点集R、G、B数据,并将该照片的颜色点集R、G、B数据排列成三个n*m矩阵,再将这三个矩阵分别写成列向量转换成一个三维矩阵,然后利用高度相关法对待扔垃圾点云集和库存中垃圾点云集进行配准,即求两个点云集之间的旋转平移矩阵,并使用粒子群优化算法对参数进行求解,使其旋转矩阵满足代价函数。最后采用ICP算法进行进一步深度配准,实现识别,看属于库存中的哪一类。便能够在扔垃圾之前只需拍下垃圾的照片进行与库存垃圾图片的点云配准即可实现垃圾的分类。这样可有效帮助人们认识哪些垃圾属于哪一类,减少了人工识别垃圾的时间,提高垃圾投扔处理等后续操作的时间,提高资源回收利用效率。
附图说明
图1为本发明方法的流程示意图。
具体实施方式
下面结合附图说明和实施例对本发明作进一步说明,本发明的方式包括但不仅限于以下实施例。
实施例
如图1所示,本发明公开的一种基于高度相关的垃圾分类方法,包括如下步骤:
(S1)获取待扔垃圾的点云集:对待扔垃圾进行拍照,读取照片,获取待扔垃圾的颜色点集R、G、B数据,R、G、B数据均为n*m的二维矩阵;
(S2)将n*m的二维矩阵的R、G、B数据转化成三维矩阵数据,将R、G、B矩阵排成一列即:R(n*m)*1,G(n*m)*1,B(n*m)*1将若干列矩阵排成三维矩阵;
得到测量点云:
得到图像的库存点云:
再利用
得到:
(S3)利用相关系数最小法求符合点云配准的旋转矩阵R和平移矩阵Tk,并得到代价函数和;测量点云集X和库存点云集Y存在以下关系:
Y=XR+Tk (5);
将式(3)代入式(8)得:
即得到:
YK=Y/K (13);
相应的平移矩阵向量的求解如下:
R的求解不发生变化;
要使得各列向量之间的高度相关,即要以下代价函数和最小:
要使得各列向量之间的高度相关,即要以下代价函数和最小:
(S4)采用基于粒子群优化算法对代价函数和最小时的参数求解,使旋转矩阵R满足代价函数。粒子群优化算法(Particle Swarm Optimization,PSO)最早由Eberhart和Kennedy在1995年提出,是一种在解决多种优化问题中得到广泛应用和发展的群智能算法。PSO算法没有交叉和变异运算,依靠粒子速度完成搜索,并且在迭代进化中只有最优的粒子把信息传递给其它粒子,搜索速度快。因此,这里采用基于粒子群优化算法(PSO)进行求解。PSO初始化为一群随机粒子(随机解),然后通过迭代找到最优解。在每一次迭代中,粒子通过跟踪两个“极值”来更新自己。第一个就是粒子本身所找到的最优解,这个解称为个体极值。另一个极值是整个种群目前找到的最优解,这个极值是全局极值。
参数求解的具体过程如下:
在一个D维的目标搜索空间中,有α个粒子组成的一个群落,其中第i个粒子表示为一个D维的向量,其t时刻的速度更新如下:
其中,表示第i个粒子在t时刻的速度变化;c1,c2表示学习因子,表示该区域内均匀分布的伪随机数,取值范围为[0,1];表示第i个粒子在t时刻的经历过的历史最好位置;表示群体内所有粒子在t时刻所经历过的最好位置;表示第i个粒子在t时刻的位置;
在速度更新之后,便是更新当前时刻的位置;当前时刻位置更新如下:
其中,u和v都是酉矩阵,满足:
I=uuH=vvH (22);
s是一个对角矩阵,除了对角线的元素其他都是0,主对角线上的每个元素都称为奇异值;重新得到正交矩阵:
通过式(20)~式(23)求解出WP0和WQ0,使其别满足以下目标函数值最小:
当计算出使满足两组点云能够确定关系的旋转矩阵和平移矩阵后,通过ICP 算法不断产生迭代,直到满足条件后停止迭代。
(S5)实现配准,完成识别,根据不同颜色点云的均值进行特征分类,具有相同颜色点集的两个垃圾物品则被认为是同一类,完成垃圾分类。
通过上述设计,利用本发明的方法能够在扔垃圾之前只需拍下垃圾的照片进行与库存垃圾图片的点云配准即可实现垃圾的分类。这样可有效帮助人们认识哪些垃圾属于哪一类,减少了人工识别垃圾的时间,提高垃圾投扔处理等后续操作的时间,提高资源回收利用效率。因此,具有很高的使用价值和推广机制。
上述实施例仅为本发明的优选实施方式之一,不应当用于限制本发明的保护范围,但凡在本发明的主体设计思想和精神上作出的毫无实质意义的改动或润色,其所解决的技术问题仍然与本发明一致的,均应当包含在本发明的保护范围之内。
Claims (1)
1.一种基于高度相关的垃圾分类方法,其特征在于,包括如下步骤:
(S1)获取待扔垃圾的点云集:对待扔垃圾进行拍照,读取照片,获取待扔垃圾的颜色点集R、G、B数据,R、G、B数据均为n*m的二维矩阵;
(S2)将n*m的二维矩阵的R、G、B数据转化成三维矩阵数据,得到测量点云和库存点云矩阵,通过测量点云和库存点云矩阵获取目标点云和待配准点云的均值点;其中,R、G、B三维矩阵的转化包括步骤:
(S21)将R、G、B矩阵排成一列即:R(n*m)*1,G(n*m)*1,B(n*m)*1;
(S22)将步骤(S21)中的若干列矩阵排成三维矩阵;
得到测量点云:
得到图像的库存点云:
再利用
得到:
(S3)利用相关系数最小法求符合点云配准的旋转矩阵R和平移矩阵Tk,并得到代价函数和;其中,测量点云集X和库存点云集Y存在以下关系:
Y=XR+Tk (5);
将式(3)代入式(8)得:
即得到:
R=WXWY -1 (10);
YK=Y/K (13);
相应的平移矩阵向量的求解如下:
R的求解不发生变化;
要使得各列向量之间的高度相关,即要以下代价函数和最小:
要使得各列向量之间的高度相关,即要以下代价函数和最小:
(S4)采用基于粒子群优化算法对代价函数和最小时的参数求解,使旋转矩阵R满足代价函数;具体过程如下:
在一个D维的目标搜索空间中,有α个粒子组成的一个群落,其中第i个粒子表示为一个D维的向量,其t时刻的速度更新如下:
其中,表示第i个粒子在t时刻的速度变化;c1,c2表示学习因子,r1,r2表示α个粒子组成的群落中均匀分布的伪随机数,取值范围为[0,1];表示第i个粒子在t时刻的经历过的历史最好位置;表示群体内所有粒子在t时刻所经历过的最好位置;表示第i个粒子在t时刻的位置;
在速度更新之后,便是更新当前时刻的位置;当前时刻位置更新如下:
其中,u和v都是酉矩阵,满足:
I=uuH=vvH (22);
s是一个对角矩阵,除了对角线的元素其他都是0,主对角线上的每个元素都称为奇异值;重新得到正交矩阵:
通过式(20)~式(23)求解出WP0和WQ0,使其别满足以下目标函数值最小:
计算出使满足两组点云能够确定关系的旋转矩阵和平移矩阵后,通过ICP算法不断产生迭代,直到满足条件后停止迭代;
(S5)实现配准,完成识别,根据不同颜色点云的均值进行特征分类,具有相同颜色点集的两个垃圾物品则被认为是同一类,完成垃圾分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910886623.6A CN111275067B (zh) | 2019-09-19 | 2019-09-19 | 一种基于高度相关的垃圾分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910886623.6A CN111275067B (zh) | 2019-09-19 | 2019-09-19 | 一种基于高度相关的垃圾分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111275067A CN111275067A (zh) | 2020-06-12 |
CN111275067B true CN111275067B (zh) | 2022-08-02 |
Family
ID=71001971
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910886623.6A Active CN111275067B (zh) | 2019-09-19 | 2019-09-19 | 一种基于高度相关的垃圾分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111275067B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116757333A (zh) * | 2023-08-12 | 2023-09-15 | 中国人民解放军96901部队 | 一种基于居民满意度的分类垃圾箱优化配置方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107507207A (zh) * | 2017-07-07 | 2017-12-22 | 中国农业大学 | 一种基于果树冠层光照分布计算的修剪评价方法 |
CN107886529A (zh) * | 2017-12-06 | 2018-04-06 | 重庆理工大学 | 一种用于三维重建的点云配准方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012126070A1 (en) * | 2011-03-24 | 2012-09-27 | Katholieke Universiteit Leuven | Automatic volumetric analysis and 3d registration of cross sectional oct images of a stent in a body vessel |
CN104573722A (zh) * | 2015-01-07 | 2015-04-29 | 深圳市唯特视科技有限公司 | 基于三维点云的三维人脸种族分类装置和方法 |
US20180254101A1 (en) * | 2017-03-01 | 2018-09-06 | Ayasdi, Inc. | Healthcare provider claims denials prevention systems and methods |
CN109368079A (zh) * | 2018-12-10 | 2019-02-22 | 浙江梧斯源通信科技股份有限公司 | 一种垃圾自动分类系统及方法 |
CN109977855A (zh) * | 2019-03-25 | 2019-07-05 | 成都理工大学 | 一种基于student-t分布的脸部配准方法 |
CN110058237B (zh) * | 2019-05-22 | 2020-10-09 | 中南大学 | 面向高分辨率SAR影像的InSAR点云融合及三维形变监测方法 |
-
2019
- 2019-09-19 CN CN201910886623.6A patent/CN111275067B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107507207A (zh) * | 2017-07-07 | 2017-12-22 | 中国农业大学 | 一种基于果树冠层光照分布计算的修剪评价方法 |
CN107886529A (zh) * | 2017-12-06 | 2018-04-06 | 重庆理工大学 | 一种用于三维重建的点云配准方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111275067A (zh) | 2020-06-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108573276B (zh) | 一种基于高分辨率遥感影像的变化检测方法 | |
CN109903299B (zh) | 一种条件式生成对抗网络的异源遥感图像配准方法及装置 | |
CN106294705B (zh) | 一种批量遥感影像预处理方法 | |
CN105405138B (zh) | 基于显著性检测的水面目标跟踪方法 | |
CN107063228A (zh) | 基于双目视觉的目标姿态解算方法 | |
CN104778701A (zh) | 一种基于rgb-d传感器的局部图像描述方法 | |
CN104123554B (zh) | 基于mmtd的sift图像特征提取方法 | |
CN107491731A (zh) | 一种面向精确打击的地面运动目标检测与识别方法 | |
CN101847258A (zh) | 一种光学遥感图像配准方法 | |
CN106529368B (zh) | 二维码识别区域定位的方法 | |
CN111382658B (zh) | 一种基于图像灰度梯度一致性的自然环境下道路交通标志检测方法 | |
CN104809731A (zh) | 一种基于梯度二值化的旋转尺度不变场景匹配方法 | |
CN111046789A (zh) | 一种行人重识别方法 | |
CN113256653B (zh) | 一种面向高层地物的异源高分遥感影像配准方法 | |
CN112036455A (zh) | 一种图像识别方法、智能终端和存储介质 | |
CN113408584A (zh) | Rgb-d多模态特征融合3d目标检测方法 | |
CN111275067B (zh) | 一种基于高度相关的垃圾分类方法 | |
CN114022459A (zh) | 基于多时相卫星影像的超像素变化检测方法及系统 | |
Choi et al. | Learning descriptor, confidence, and depth estimation in multi-view stereo | |
CN105069459B (zh) | 一种针对高分辨率sar图像地物类型提取方法 | |
CN101320520A (zh) | 一种车辆检测方法及其设备 | |
CN112668662B (zh) | 基于改进YOLOv3网络的野外山林环境目标检测方法 | |
CN116703895B (zh) | 基于生成对抗网络的小样本3d视觉检测方法及其系统 | |
CN112633070A (zh) | 高分辨率遥感影像建筑物提取方法及系统 | |
CN115187969B (zh) | 一种基于视觉识别的铅酸电池回收系统和方法 |
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 |