基于角點(diǎn)及局部特征的飲料瓶識(shí)別方法

黃東晉， 張 倩， 吳 冏， 丁友東

(上海大學(xué)計(jì)算機(jī)工程與科學(xué)學(xué)院，上海200072)

由于廢棄的飲料瓶不能隨時(shí)隨地分類回收，大多數(shù)飲料瓶處于用后即棄的狀態(tài).在鐵路沿線、江河航線、旅游景點(diǎn)等地方大量的廢棄飲料瓶讓人觸目驚心，并且對(duì)環(huán)境造成的污染和對(duì)能源造成的浪費(fèi)日趨嚴(yán)重.因此，積極研究飲料瓶自動(dòng)回收系統(tǒng)不僅是探索一種更加文明、規(guī)范的管理模式，而且對(duì)保護(hù)環(huán)境、資源再生具有重要意義.

目前，已出現(xiàn)的飲料瓶回收機(jī)大多是基于紅外線掃描條形碼來(lái)識(shí)別的，其嚴(yán)格要求瓶罐的條形碼保持完整，且瓶身上端必須先投入機(jī)器回收口內(nèi).如果投入瓶罐上的條形碼破損，或者瓶子里面有殘液，機(jī)器將拒絕回收.這些問(wèn)題限制了對(duì)飲料瓶的回收效率，降低了人們對(duì)飲料瓶回收機(jī)器的使用意愿.再者，條形碼容易被仿造，基于條形碼的識(shí)別方式會(huì)給一些居心不良的人帶來(lái)可趁之機(jī)，這也是基于條形碼的飲料瓶回收機(jī)不能廣泛推廣的潛在原因之一.

如果能夠通過(guò)識(shí)別飲料瓶的幾何外形來(lái)實(shí)現(xiàn)對(duì)飲料瓶的分類回收，就可以實(shí)現(xiàn)飲料瓶的精確識(shí)別，而且還可以避免一些惡意行為，從而有利于大力推廣.基于此，本研究提出了一個(gè)基于機(jī)器視覺(jué)的飲料瓶自動(dòng)回收系統(tǒng).該系統(tǒng)通過(guò)對(duì)瓶子幾何外形的檢測(cè)、識(shí)別，實(shí)現(xiàn)對(duì)塑料瓶的分類回收.同時(shí)，該系統(tǒng)具有自我學(xué)習(xí)功能，可以根據(jù)市場(chǎng)動(dòng)態(tài)，及時(shí)學(xué)習(xí)、調(diào)整自身模板庫(kù)，提高匹配準(zhǔn)確度.該系統(tǒng)的推出將對(duì)飲料瓶回收行業(yè)以及環(huán)保業(yè)的發(fā)展起到一定的促進(jìn)作用.

物體幾何外形的識(shí)別是計(jì)算機(jī)視覺(jué)和模式識(shí)別領(lǐng)域中的一個(gè)研究熱點(diǎn).目標(biāo)物的幾何形狀信息表現(xiàn)為邊界輪廓，而圖像的邊界輪廓一般表現(xiàn)為二維曲線.如何快速確定曲線特征以及有效匹配是識(shí)別算法研究的焦點(diǎn).目前，國(guó)內(nèi)外學(xué)者提出了許多算法.Freeman［1］利用位置坐標(biāo)和鏈碼方法來(lái)描述物體的邊界，王濤等［2］提出了基于傅里葉描述子來(lái)識(shí)別物體的形狀，郭克華等［3］提出利用微分幾何的思想描述目標(biāo)邊界.除此之外，還有學(xué)者將幾何相關(guān)函數(shù)方法［4-5］、自回歸模型方法［6］、神經(jīng)網(wǎng)絡(luò)方法［7］等應(yīng)用到物體形狀的識(shí)別中.

飲料瓶具有對(duì)稱性、半透明性(PET材質(zhì))、特征集中在瓶身等特點(diǎn)，因此，針對(duì)飲料瓶的特性，本研究基于局部特征以及幾何不變性，定義了以角點(diǎn)為中心的左右曲線夾角及其符號(hào)作為瓶子的特征值，并提出了塊匹配的快速識(shí)別算法，很好地實(shí)現(xiàn)了基于幾何外形的飲料瓶識(shí)別.

1 求以角點(diǎn)為中心左右曲線夾角

1.1 相關(guān)定義

由于飲料瓶都是對(duì)稱的，且關(guān)鍵特征都集中在瓶身，因此，只要關(guān)注瓶身一側(cè)的曲線特征即可進(jìn)行識(shí)別，這在很大程度上提高了識(shí)別速度.首先，定義瓶身曲線的起始點(diǎn)和結(jié)束點(diǎn).

定義1 如圖1所示，給定平面閉合曲線C：r=r(s)={x(s)，y(s)}，其中 s為弧長(zhǎng)參數(shù).令x0=min{x|(x，y)∈C}，y0=min{y|x=x0，(x，y)∈C}，則定義P0(x0，y0)為該瓶身曲線的起始點(diǎn).起始點(diǎn)也是基準(zhǔn)點(diǎn)，是特征點(diǎn)平移匹配的參照.?

圖1 飲料瓶的邊緣檢測(cè)結(jié)果Fig.1 Edge detection result of bottle

定義2 如圖1所示，給定平面閉合曲線C：r= r(s)={x(s)，y(s)}，其中s為弧長(zhǎng)參數(shù).令x1= max{x|(x，y)∈C}，y1=min{y|x=x1，(x，y)∈C}，則定義P1(x1，y1)為該瓶身曲線的結(jié)束點(diǎn).

從起始點(diǎn)開(kāi)始，沿著曲線順時(shí)針運(yùn)動(dòng)到結(jié)束點(diǎn)為止，即為瓶身局部特征曲線鏈，如圖2所示.

圖2 瓶身局部特征曲線鏈Fig.2 Curve chain of bottle body

角點(diǎn)具有幾何不變性，本研究定義以角點(diǎn)為中心的左右曲線夾角及其符號(hào)作為瓶子的特征值.該夾角表明角點(diǎn)左右兩端附近的曲線變化趨勢(shì).夾角越大，說(shuō)明曲線變化越緩和;夾角越小，說(shuō)明曲線變化越劇烈.

定義3 如圖3(a)所示，給定平面閉合曲線C：r=r(s)={x(s)，y(s)}.令Pi(xi，yi)為曲線上的一個(gè)角點(diǎn)，與該點(diǎn)左右各相差u個(gè)曲線點(diǎn)的點(diǎn)，分別為Pi-u(xi-u，yi-u)和Pi+u(xi+u，yi+u).當(dāng) u較小時(shí)，曲線可以看作直線，則線段Pi-uPi與PiPi+u之間的夾角θ定義為“以Pi為中心的左右曲線夾角”.

當(dāng)采用高精確對(duì)曲線C提取角點(diǎn)時(shí)，角點(diǎn)Pi可能不在曲線C上，如圖3(b)所示.令曲線C上的Pj為距離Pi最近的點(diǎn)，與Pj左右各相差u個(gè)曲線點(diǎn)的點(diǎn)，分別為Pj-u(xj-u，yj-u)和 Pj+u(xj+u，yj+u)，則線段Pj-uPi與PiPj+u之間的夾角θ定義為“以Pi為中心的左右曲線夾角”.

定義4 如圖4所示，給定平面閉合曲線C：r= r(s)={x(s)，y(s)}.令Pi(xi，yi)為曲線上的一個(gè)角點(diǎn)，與該點(diǎn)左右各相差u個(gè)曲線點(diǎn)的點(diǎn)，分別為Pi-u(xi-u，yi-u)和 Pi+u(xi+u，yi+u)，則角點(diǎn) Pi兩側(cè)彎曲變化方向由以下準(zhǔn)則確定：

圖3 以角點(diǎn)為中心的左右曲線夾角Fig.3 Curve angle around the central corner

圖4 左右曲線夾角符號(hào)的確定Fig.4 Define the sign of the curve angle around the central corner

1.2 亞像素級(jí)精度提取角點(diǎn)

已有的角點(diǎn)檢測(cè)算法很多，其中常見(jiàn)的有Harris角點(diǎn)檢測(cè)算法［8］、KLT角點(diǎn)檢測(cè)算法［9］及SUSAN角點(diǎn)檢測(cè)算法［10］等.這些算法只能檢測(cè)到像素級(jí)精度的角點(diǎn)特征.為了提高提取精度，本研究采用了一種亞像素級(jí)精度的角點(diǎn)提取方法.

首先，利用Harris算子提取角點(diǎn).Harris算子定義為

利用式(1)提取角點(diǎn)時(shí)，若像素點(diǎn)的R值大于某閾值，則判定該點(diǎn)為角點(diǎn);否則，該點(diǎn)為普通點(diǎn).然后，對(duì)以角點(diǎn)為中心的一個(gè)小的領(lǐng)域進(jìn)行插值，將精度提高到亞像素級(jí).

如圖5所示，在角點(diǎn)O附近點(diǎn)的灰度梯度均垂直于該點(diǎn)與角點(diǎn)的連線，即

圖5 亞像素級(jí)精度的角點(diǎn)檢測(cè)Fig.5 Corner detection in sub-pixel accuracy

對(duì)以角點(diǎn)為中心的某一領(lǐng)域內(nèi)的所有點(diǎn)按式(4)進(jìn)行計(jì)算，誤差和

這樣，求角點(diǎn)準(zhǔn)確位置的問(wèn)題轉(zhuǎn)化為求誤差和S最小點(diǎn)的問(wèn)題，可以通過(guò)迭代的方法來(lái)求取更精確的坐標(biāo).

1.3 求以角點(diǎn)為中心左右曲線夾角

根據(jù)定義3，當(dāng)?shù)玫浇屈c(diǎn)Pi(xi，yi)，以及與該點(diǎn)左右各相差 u個(gè)曲線點(diǎn)的點(diǎn) Pi-u(xi-u，yi-u)和Pi+u(xi+u，yi+u)(u=5)時(shí)，求“以角點(diǎn)為中心的左右曲線夾角”就轉(zhuǎn)換為“已知三角形三點(diǎn)坐標(biāo)，求某一夾角”的問(wèn)題.

令A(yù)=Pi-u，B=Pi，C=Pi+u，AB為線段Pi-uPi的長(zhǎng)度，BC為線段 PiPi+u的長(zhǎng)度，AC為線段Pi-uPi+u的長(zhǎng)度，根據(jù)余弦定理

式中，∠B就是以角點(diǎn)Pi為中心的左右曲線夾角值.然后，根據(jù)定義4，確定該夾角的符號(hào)“±∠B”，即為該瓶子的特征值.

2 基于“塊”的快速匹配

為了進(jìn)行快速匹配識(shí)別，本研究提出基于“塊”的匹配方法來(lái)求取目標(biāo)飲料瓶與模板飲料瓶對(duì)應(yīng)特征點(diǎn)的相似度.首先定義子塊號(hào).

定義5 如圖1所示，給定平面閉合曲線C：r= r(s)={x(s)，y(s)}，其中s為弧長(zhǎng)參數(shù).令xi={x| x0≤xi≤x1，(x，y)∈C}，yi={y|x=xi，(x，y)∈C}，則S=(yi/n×m+xi%n)定義為Pi(xi，yi)所在的子塊號(hào)，其中把整幅圖像(640×480)劃分為n×n子塊，m=640/n.n的取值不能過(guò)大，也不能過(guò)小.n值過(guò)大，子塊中包含多個(gè)角點(diǎn)，不易進(jìn)行塊匹配;n值過(guò)小，計(jì)算量大，不能體現(xiàn)子塊作用.此處，n取值為5.

基于“塊”的匹配算法就是以特征模板為匹配對(duì)象，統(tǒng)計(jì)相同子塊號(hào)內(nèi)特征值相似的個(gè)數(shù).具體的流程如下：

(1)計(jì)算目標(biāo)瓶身曲線的起始點(diǎn)和結(jié)束點(diǎn)，判斷其歸屬組別(分為大瓶、中瓶和小瓶).

(2)按照特征提取算法提取該曲線的角點(diǎn)，并確定其符號(hào).

(3)依次對(duì)比目標(biāo)飲料瓶的起始點(diǎn)與該組特征模版的標(biāo)準(zhǔn)點(diǎn)坐標(biāo)位置，對(duì)該目標(biāo)瓶子的所有特征點(diǎn)坐標(biāo)進(jìn)行平移變換，并計(jì)算其對(duì)應(yīng)的子塊號(hào);然后與特征模板中相同子塊號(hào)內(nèi)的特征值進(jìn)行匹配，求出對(duì)應(yīng)的相似度.

(4)目標(biāo)飲料瓶與該組所有模板進(jìn)行匹配，并求出最大相似度Max.

(5)設(shè)置閾值lim.若Max≥lim，則判斷目標(biāo)飲料瓶與最大相似度的模板飲料瓶相似;否則，不相似.

3 實(shí)驗(yàn)結(jié)果

飲料瓶自動(dòng)回收系統(tǒng)通過(guò)自我學(xué)習(xí)功能模塊，提取樣本瓶子的特征并保存到數(shù)據(jù)庫(kù)中;然后，通過(guò)與模板庫(kù)的匹配，求取最大相似度，并確定是否回收.模板飲料瓶角點(diǎn)位置如圖6所示.

圖6 模板飲料瓶特征點(diǎn)示意圖Fig.6 Feature points of template bottle

目標(biāo)飲料瓶投進(jìn)投瓶口，從拍照到特征提取的整個(gè)過(guò)程如圖7所示.

圖7 目標(biāo)飲料瓶特征點(diǎn)示意圖Fig.7 Feature points of target bottle

目標(biāo)飲料瓶特征值與模板的實(shí)驗(yàn)比較結(jié)果如表1所示.

本研究共建立了30個(gè)飲料瓶的正反例樣本數(shù)據(jù)庫(kù).通過(guò)100次的實(shí)驗(yàn)驗(yàn)證，結(jié)果表明，基于角點(diǎn)及局部特征的飲料瓶識(shí)別算法的識(shí)別率高達(dá)92%，而且計(jì)算速度快，具有較好的穩(wěn)定性.

表1 目標(biāo)飲料瓶特征值與模板的比較結(jié)果Table 1 Comparing result on eigenvalues between target and template bottle

4 結(jié)束語(yǔ)

將基于角點(diǎn)及局部特征的飲料瓶識(shí)別方法應(yīng)用于飲料瓶自動(dòng)回收系統(tǒng)具有廣闊的實(shí)用前景.采用一種亞像素級(jí)精度的角點(diǎn)提取方法，可提高計(jì)算精度;以角點(diǎn)為中心的左右曲線夾角及左右變化趨勢(shì)作為特征值來(lái)描述瓶子，可區(qū)分性好;基于“塊”匹配的識(shí)別算法簡(jiǎn)單且識(shí)別速度快.實(shí)驗(yàn)證明，該方法能很好地滿足飲料瓶自動(dòng)識(shí)別回收的準(zhǔn)確性和實(shí)時(shí)性要求.

［1］ FREEMAN H.Computerprocessingofline-drawing images［J］.Computing Surveys，1974，6(1)：57-97.

［2］ 王濤，劉文印，孫家廣，等.傅立葉描述子識(shí)別物體的形狀［J］.計(jì)算機(jī)研究與發(fā)展，2002，39(12)：1714-1719.

［3］ 郭克華，劉廣海，劉傳才，等.微分幾何編碼識(shí)別物體的形狀［J］.計(jì)算機(jī)科學(xué)，2007，34(7)：219-221.

［4］ 王波濤，孫景鰲，蔡安妮.相對(duì)矩及在幾何形狀識(shí)別中的應(yīng)用［J］.中國(guó)圖象圖形學(xué)報(bào)，2001，6(3)：296-300.

［5］ 呂玉增，彭啟民，黎湘.基于極值特征的不變性形狀識(shí)［J］.電子學(xué)報(bào)，2008，36(4)：679-684.

［6］ DUBOISS R，GLANZF H.An autoregressive model approach to two-dimensional shape classification［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，1986，8(1)：55-56.

［7］ GUPTAL，SAYEHM R，TAMMANAR.A neural network approach to robust shape classification［J］.Pattern Recognition，1990，23(6)：563-568.

［8］ HARRISC，SATEPHENSM J.A combined corner and edge detector［C］∥Proceedings of the 4th Alvey Vision Conference.1988：147-152.

［9］ SHIJ，TOMASIC.Good feature to track［C］∥Proceedings of IEEE Conference on Computer Vision and Pattern Recognition.1994：593-600.

［10］ SMITHS M，BRADYJ M.SUSAN：a new approach to low level image processing［J］.International Journal of Computer Vision，1997，23(1)：45-48.