文档介绍：基于AI扫地机器人的垃圾识别的研究
李子彬 许弘儒 马惜平 摘 要:本文研究扫地机器人的垃圾识别,使扫地机器人的自主性和智能化程度增大,为扫地机器人配置摄像头,使其获得视觉感知能力,通过有效的图像算法对垃圾进行快速、精准的识 transform)是一种计算机视觉的算法,算法采取尺度不变使特征进行变换的方法,由David ,并在2004年完善,SIFT算法使其位置、尺度、旋转等因素保持不变,是一种非常稳定的局部特征的算法。
SIFT算法特征提取的步骤:
(1)提取关键点(特征点):这些点是一些十分突出的点,不会因为光照条件的改变而消失,也是在不同尺度空间的图像下检测出具有方向信息的局部极点,具有尺度、方向、大小三个特征。
(2)对关键点附加详细的信息(局部特征)也就是所谓的描述器。
(3)通过两方特征点(附带上特征向量的关键点)的两两比较找出相互匹配的若干对特征点,也就建立了景物间的对比关系。
4 SIFT算法的优点
(1)图像的局部特征稳定,对旋转、尺度缩放、亮度变化保持不变,不会因为光照、仿射变化和噪音等因素而变化。
(2)独特性好,信息量丰富,可以对海量的图像特征进行快速、精准的匹配。
(3)多量性,少量物体也可以产生大量的SIFT特征。
(4)高效性,对SIFT算法进行优化可以达到实时匹配,增大效率。
(5)包容性,可以很方便地与其他的特征向量进行联合。
5 基于SIFT算法的垃圾识别
扫地机器人能够智能识别垃圾的第一个条件是完成垃圾的检测与种类的识别,视觉系统不仅要快速识别出垃圾的种类特征,还要尽量能避免因光照、图像尺寸、旋转以及变形而造成错误的判断,因此SIFT算法能够很好的解决此类问题。
(1)利用垃圾的图像构建尺度空间:
L(x,y,σ)=G(x,y,σ)×I(x,y) (1)
其中,σ为尺度空间坐标,G(x,y,σ)为高斯核函数,I(x,y)为经过灰度化处理的垃圾的图像,得出差分高斯空间如下:
D(x,y,σ)=[G(x,y,kσ)-I(x,y)]×I(x,y)=L(x,y,kσ)-L(x,y,σ) (2)
其中,k为相邻两层尺度空间的比例因子,垃圾的图像各个像素点要和同一尺度空间以和相邻的尺度空间的相邻点进行比较,若该点小于或者大于相邻像素点,则即为极值点。 (2)对垃圾的图像中的关键点的精确位置进行确定:上诉差分空间D(x)是离散函数,离散空间的极值点与真正的极值点有一定的差别,为求得精确极点位置需要对尺度空间的DOG函数进行曲线拟合,因此将其进行泰勒展开:
(3)
解得精确极值点位置为x=(x,y,σ)T.
确定特征点方向:经过第二步之后找到了关键点,为了让特征点具有旋转保持不变,利用局部特征为每一个关键点分配一个基准方向。确定了尺度空间因子σ,计算以关键