CN110647854A - 一种垃圾分类排放智能管理*** - Google Patents

一种垃圾分类排放智能管理*** Download PDF

Info

Publication number
CN110647854A
CN110647854A CN201910926423.9A CN201910926423A CN110647854A CN 110647854 A CN110647854 A CN 110647854A CN 201910926423 A CN201910926423 A CN 201910926423A CN 110647854 A CN110647854 A CN 110647854A
Authority
CN
China
Prior art keywords
image
garbage
local neighborhood
pixel
images
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.)
Granted
Application number
CN201910926423.9A
Other languages
English (en)
Other versions
CN110647854B (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
Expired - Fee Related 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***，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***
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***。
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***。
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***，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 BDA0002219073660000021
为：
Figure BDA0002219073660000022
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 BDA0002219073660000023
设图像
Figure BDA0002219073660000024
则第二图像优化单元采用下式对图像I′1进行处理：
式中，I′1(i，j)为图像I′1中坐标(i，j)处像素的灰度值，
Figure BDA0002219073660000026
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 BDA0002219073660000027
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 BDA0002219073660000031
Figure BDA0002219073660000032
Figure BDA0002219073660000033
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 BDA0002219073660000034
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 BDA0002219073660000035
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，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 BDA0002219073660000037
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 BDA0002219073660000038
为图像I′1中局部邻域R(i，j-d)中像素的灰度均值，
Figure BDA0002219073660000039
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：
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 BDA00022190736600000311
Figure BDA00022190736600000312
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 BDA00022190736600000313
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 BDA0002219073660000041
第二图像优化单元的输出图像为则综合有花的单元整合后的图像I′为：
Figure BDA0002219073660000043
式中，η为整合因子，且η的表达式为：
Figure BDA0002219073660000044
式中，
Figure BDA0002219073660000045
表示图像
Figure BDA0002219073660000046
的信息熵，
Figure BDA0002219073660000047
表示图像
Figure BDA0002219073660000048
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***，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***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 BDA0002219073660000051
中像素灰度值的光滑过度，避免图像
Figure BDA0002219073660000052
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 BDA0002219073660000053
和中的信息自适应的调整图像和
Figure BDA0002219073660000056
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 BDA0002219073660000057
的信息熵和图像
Figure BDA0002219073660000058
的信息熵之间的距离决定，本优选实施例在衡量图像
Figure BDA0002219073660000059
的信息熵和图像
Figure BDA00022190736600000510
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***，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***，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***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 BDA0002219073660000061
为：
Figure BDA0002219073660000062
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 BDA0002219073660000071
设图像
Figure BDA0002219073660000072
则第二图像优化单元采用下式对图像I′1进行处理：
Figure BDA0002219073660000073
式中，I′1(i，j)为图像I′1中坐标(i，j)处像素的灰度值，
Figure BDA0002219073660000074
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：
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 BDA0002219073660000079
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 BDA00022190736600000710
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 BDA00022190736600000711
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 BDA0002219073660000081
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 BDA0002219073660000082
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，为图像I′1中局部邻域R(i，j-d)中像素的灰度均值，
Figure BDA0002219073660000084
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 BDA0002219073660000085
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 BDA0002219073660000086
Figure BDA0002219073660000087
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 BDA0002219073660000088
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 BDA0002219073660000089
中像素灰度值的光滑过度，避免图像
Figure BDA0002219073660000091
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 BDA0002219073660000092
第二图像优化单元的输出图像为
Figure BDA0002219073660000093
则综合优化单元整合后的图像I′为：
Figure BDA0002219073660000094
式中，η为整合因子，且η的表达式为：
Figure BDA0002219073660000095
式中，
Figure BDA0002219073660000096
表示图像
Figure BDA0002219073660000097
的信息熵，
Figure BDA0002219073660000098
表示图像的信息熵，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 BDA00022190736600000910
和
Figure BDA00022190736600000911
中的信息自适应的调整图像
Figure BDA00022190736600000912
和
Figure BDA00022190736600000913
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 BDA00022190736600000914
的信息熵和图像
Figure BDA00022190736600000915
的信息熵之间的距离决定，本优选实施例在衡量图像
Figure BDA00022190736600000916
的信息熵和图像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 (5)

1.一种垃圾分类排放智能管理***，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管理***，其特征是，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图像分割。
3.根据权利要求2所述的一种垃圾分类排放管理***，其特征是，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
Figure DEST_PATH_IMAGE001
进行处理，设
Figure 883099DEST_PATH_IMAGE002
为原始图像
Figure 737922DEST_PATH_IMAGE001
中坐标
Figure DEST_PATH_IMAGE003
处像素的灰度值，则
Figure 704610DEST_PATH_IMAGE002
经第一图像优化单元处理后的输出值
Figure 37503DEST_PATH_IMAGE004
为：
式中，
Figure DEST_PATH_IMAGE007
为归一化因子，
Figure 311605DEST_PATH_IMAGE008
为以坐标
Figure 516322DEST_PATH_IMAGE003
处像素为中心的
Figure DEST_PATH_IMAGE009
的局部邻域，
Figure 341321DEST_PATH_IMAGE010
为局部邻域
Figure 197150DEST_PATH_IMAGE008
中坐标
Figure DEST_PATH_IMAGE011
处像素的灰度值，表示局部邻域
Figure 570942DEST_PATH_IMAGE008
的信息熵，
Figure DEST_PATH_IMAGE013
和
Figure 432587DEST_PATH_IMAGE014
分别表示原始图像中局部邻域的最大信息熵和最小信息熵，
Figure DEST_PATH_IMAGE015
和
Figure 949599DEST_PATH_IMAGE016
分别表示原始图像
Figure 378175DEST_PATH_IMAGE001
中像素灰度值的最大值和最小值。
4.根据权利3所述的一种垃圾分类排放管理***，其特征是，所述远程管理中心接收到的原始图像为
Figure 590981DEST_PATH_IMAGE001
，所述原始图像
Figure 922868DEST_PATH_IMAGE001
经第一图像优化单元处理后的输出图像为
Figure DEST_PATH_IMAGE017
，设图像
Figure 382668DEST_PATH_IMAGE018
，则第二图像优化单元采用下式对图像
Figure DEST_PATH_IMAGE019
进行处理：
Figure DEST_PATH_IMAGE021
式中，
Figure 737688DEST_PATH_IMAGE022
为图像
Figure 754186DEST_PATH_IMAGE019
中坐标
Figure 439114DEST_PATH_IMAGE003
处像素的灰度值，
Figure DEST_PATH_IMAGE023
为
Figure 836860DEST_PATH_IMAGE022
经第二图像优化单元处理后的灰度值，和为优化函数，且
Figure 794637DEST_PATH_IMAGE024
和
Figure 84804DEST_PATH_IMAGE025
的表达式分别为：
Figure DEST_PATH_IMAGE029
式中，为图像
Figure 216019DEST_PATH_IMAGE019
中坐标
Figure 636636DEST_PATH_IMAGE003
处像素的切线方向，
Figure DEST_PATH_IMAGE031
、和
Figure DEST_PATH_IMAGE033
为尺度因子，将尺度因子
Figure 961669DEST_PATH_IMAGE031
、
Figure 575316DEST_PATH_IMAGE032
和
Figure 737307DEST_PATH_IMAGE033
定义为：
Figure DEST_PATH_IMAGE035
Figure DEST_PATH_IMAGE037
Figure DEST_PATH_IMAGE039
式中，
Figure 611853DEST_PATH_IMAGE040
为图像中坐标
Figure DEST_PATH_IMAGE041
处像素的灰度值，为以
Figure 87462DEST_PATH_IMAGE003
为中心的
Figure 206727DEST_PATH_IMAGE042
的局部邻域，
Figure DEST_PATH_IMAGE043
为图像中局部邻域
Figure 420857DEST_PATH_IMAGE008
中像素的灰度均值，
Figure 675383DEST_PATH_IMAGE044
为局部邻域
Figure 914735DEST_PATH_IMAGE008
中的像素数，
Figure DEST_PATH_IMAGE045
为以为中心的
Figure 787062DEST_PATH_IMAGE042
的局部邻域，
Figure DEST_PATH_IMAGE047
为图像中局部邻域
Figure 860508DEST_PATH_IMAGE045
中像素的灰度均值，为以
Figure DEST_PATH_IMAGE049
为中心的
Figure 830180DEST_PATH_IMAGE042
的局部邻域，
Figure 3673DEST_PATH_IMAGE050
为图像局部邻域
Figure 106944DEST_PATH_IMAGE048
中像素的灰度均值，
Figure DEST_PATH_IMAGE051
为以
Figure 829174DEST_PATH_IMAGE052
为中心的
Figure 727729DEST_PATH_IMAGE042
的局部邻域，
Figure DEST_PATH_IMAGE053
为图像
Figure 530600DEST_PATH_IMAGE019
中局部邻域
Figure 369592DEST_PATH_IMAGE051
中像素的灰度均值，为以为中心的
Figure 265052DEST_PATH_IMAGE042
的局部邻域，
Figure 938741DEST_PATH_IMAGE056
为图像
Figure 248500DEST_PATH_IMAGE019
中局部邻域
Figure 256907DEST_PATH_IMAGE054
中像素的灰度均值，
Figure DEST_PATH_IMAGE057
为图像
Figure 434948DEST_PATH_IMAGE019
中以坐标
Figure 963143DEST_PATH_IMAGE003
为中心的
Figure 381486DEST_PATH_IMAGE058
的局部邻域中像素的灰度均值；
Figure DEST_PATH_IMAGE059
和
Figure 860878DEST_PATH_IMAGE060
为权重系数，且
Figure DEST_PATH_IMAGE061
，其中，权重系数
Figure 344074DEST_PATH_IMAGE060
的值为：
Figure DEST_PATH_IMAGE063
式中，
Figure 976044DEST_PATH_IMAGE064
为图像
Figure 814556DEST_PATH_IMAGE019
中以坐标处像素为中心的局部邻域
Figure 485971DEST_PATH_IMAGE008
的图像描述函数，且
Figure 818863DEST_PATH_IMAGE066
，
Figure DEST_PATH_IMAGE067
为图像
Figure 554607DEST_PATH_IMAGE019
中以坐标处像素为中心的局部邻域
Figure DEST_PATH_IMAGE069
的图像描述函数，
Figure 473464DEST_PATH_IMAGE070
，，且
Figure 796998DEST_PATH_IMAGE072
，其中，
Figure DEST_PATH_IMAGE073
为图像
Figure 888713DEST_PATH_IMAGE019
中坐标
Figure 85339DEST_PATH_IMAGE074
处像素在水平方向的梯度值，
Figure DEST_PATH_IMAGE075
为图像中坐标
Figure 389729DEST_PATH_IMAGE074
处像素在竖直方向的梯度值，
Figure 850798DEST_PATH_IMAGE076
为判断函数，当
Figure DEST_PATH_IMAGE077
时，则
Figure 467593DEST_PATH_IMAGE078
，当
Figure DEST_PATH_IMAGE079
时，则；其中，
Figure DEST_PATH_IMAGE081
为设置的阈值，且
Figure 723355DEST_PATH_IMAGE082
，
Figure DEST_PATH_IMAGE083
为图像中图像描述函数的最大值，
Figure 328091DEST_PATH_IMAGE084
为图像
Figure 994696DEST_PATH_IMAGE019
中图像描述函数的最小值。
5.根据权利要求4所述的一种垃圾分类排放管理***，其特征是，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
Figure 260461DEST_PATH_IMAGE001
，第一图像优化单元的输出图像为
Figure 696122DEST_PATH_IMAGE017
，第二图像优化单元的输出图像为
Figure DEST_PATH_IMAGE085
，则综合优化单元整合后的图像
Figure 890605DEST_PATH_IMAGE086
为：
Figure 44506DEST_PATH_IMAGE088
式中，
Figure DEST_PATH_IMAGE089
为整合因子，且
Figure 51645DEST_PATH_IMAGE089
的表达式为：
Figure DEST_PATH_IMAGE091
式中，
Figure 92544DEST_PATH_IMAGE092
表示图像
Figure 972776DEST_PATH_IMAGE017
的信息熵，
Figure DEST_PATH_IMAGE093
表示图像
Figure 535344DEST_PATH_IMAGE085
的信息熵，
Figure 644377DEST_PATH_IMAGE094
为调节参数，且
Figure DEST_PATH_IMAGE095
。
CN201910926423.9A 2019-09-27 2019-09-27 一种垃圾分类排放智能管理*** Expired - Fee Related 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***

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***

Publications (2)

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

Family

ID=69011751

Family Applications (1)

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

Country Status (1)

Country Link
CN (1) CN110647854B (zh)

Cited By (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、***、终端及投放装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100329529A1 (en) * 2007-10-29 2010-12-30 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)
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***
CN110053903A (zh) * 2019-04-25 2019-07-26 重庆左岸环境服务股份有限公司 生活垃圾分类回收管理***及方法
CN110155572A (zh) * 2019-06-25 2019-08-23 杭州电子科技大学 一种智慧社区垃圾分类***及方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100329529A1 (en) * 2007-10-29 2010-12-30 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)
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***
CN110053903A (zh) * 2019-04-25 2019-07-26 重庆左岸环境服务股份有限公司 生活垃圾分类回收管理***及方法
CN110155572A (zh) * 2019-06-25 2019-08-23 杭州电子科技大学 一种智慧社区垃圾分类***及方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
CHARLES KERVRANN ET AL.: "Optimal Spatial Adaptation foe Patch-Based Image Denoising", 《IEEE TRANSATIONAS ON IMAGE PROCESSING》 *
MUQING LI ET AL.: "Adaptive Segmentation of Sensing Images Based on Global Spatial Information", 《SENSORS》 *
YANG CHEN ET AL.: "Joint-MAP Tomographic Reconstruction with Patch Similarity Based Mixture Prior Model", 《MULTISCALE MODELING AND SIMULATION: A SIAM INTERDISCIPLINARY JOURNAL,SOCIETY FOR INDUSTRIAL AND APPLIED MATEMATICS》 *
孙刚: "大视场红外搜索***目标检测关键技术研究", 《中国博士学位论文全文数据库 信息科技辑》 *

Cited By (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、***、终端及投放装置

Also Published As

Publication number Publication date
CN110647854B (zh) 2020-07-28

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***及方法
CN111573039B (zh) 一种基于大数据的垃圾分类智能处理***
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
CN116342895B (zh) 基于ai处理的提升再生资源分拣效率的方法及***
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
CN110647854B (zh) 一种垃圾分类排放智能管理***
CN108335294A (zh) 复杂条件下的配电房异常状态图像识别方法
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
CN111776900A (zh) 一种基于大数据的楼宇电梯运行智能安全监控管理***
CN111767804A (zh) 基于人工智能的可回收垃圾图像分类方法及***
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***
CN111832749A (zh) 垃圾袋识别方法及相关装置
CN211418362U (zh) 人工智能分类垃圾桶
CN112906565A (zh) 一种基于智慧城市的社区垃圾投递溯源***
CN103996199A (zh) 一种基于深度信息的运动检测方法
CN112478488A (zh) 垃圾自动分类收集***及方法
CN111123407A (zh) 一种基于计算机服务的环境监测大数据整合***
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***及方法
CN108830217A (zh) 一种基于模糊均值哈希学习的签名自动判别方法
CN112918956A (zh) 一种基于图像识别技术的垃圾分类***
CN113399283A (zh) 一种自动识别垃圾种类的生活垃圾分类***

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20200728