一种用于易拉罐和饮料瓶分类的图像识别方法与流程

本发明涉及一种用于易拉罐和饮料瓶分类的图像识别方法。

背景技术：

易拉罐和饮料瓶作为饮料包装在生活中随处可见，如果这类包装随意丢弃势必造成环境污染和资源浪费。若能将废弃易拉罐和饮料瓶进行有效回收处理，必能促进资源良性循环利用。

目前，易拉罐和饮料瓶分类识别主要有以下三种思路：第一类，依据易拉罐和饮料瓶本体的颜色进行分类识别。第二类，对易拉罐和饮料瓶包装上的二维码扫描进行分类识别。第三类，使用模板匹配法进行分类比对。上述方法缺点在于仅通过局部特征来作为分类识别依据，没有充分挖掘利用易拉罐和饮料瓶图像中包含的信息。因为易拉罐和饮料瓶的颜色易受外包装各类颜色及图案的干扰，这将降低分类准确率。易拉罐和饮料瓶经使用后，瓶罐包装上的二维码易破损且变形扭曲或者丢失，这将导致机器拒收；拒收情况增多，会降低投递者的积极性；此外，条形码容易仿造，这会误收非瓶罐类物体，导致回收成本增加。模板匹配法通过截取有代表性的图像区域作为模板数据库，将新传入的图像跟模板库中的图样进行对比，做出最后判断。但是易拉罐和饮料瓶种类繁多，同一品牌的产品也会有不同的包装，若数据库中没有对应模板则机器拒绝接收，这在产生新品牌新包装的饮料瓶以及以及瓶罐有明显变形情况下检测效果较差，另外模板多了也会衍生出识别时间过长的问题，从而降低识别的实时性。此外，目前的技术检测比较依赖摄像头辅助的光源的稳定性，光源变化到一定程度时识别分类效果往往不佳。

技术实现要素：

以解决上述背景技术中提出的问题，本发明的目的在于提供一种用于易拉罐和饮料瓶分类的图像识别方法，准确率高，省时省力，成本低。

为解决上述技术问题，本发明提供的技术方案为：

一种用于易拉罐和饮料瓶分类的图像识别方法，包括以下步骤：

s1：通过摄像头采集原始图像，传入计算机存储在指定路径下；

s2：对传入的原始图像进行预处理1，截除多余背景区域，得到截取后三通道原始图像；

s3：对截取后的图像进行预处理2，首先是灰度转换，然后通过平滑滤波去噪，降低噪声对原始图像清晰度的影响；对降噪后的图像进行二值化阈值处理，得到瓶罐主要区域范围；对二值化阈值处理后的图像进行形态学处理，获取待分类识别的二值化原始图像；

s4：查找形态学处理后图像中轮廓，对不符合要求的轮廓进行筛选，排除杂乱轮廓区域对分类识别的干扰；

s5：对原始图像进行处理，提取出代表瓶罐区域轮廓信息的参数，包括检测轮廓数目，检测轮廓面积，检测轮廓的最小外接矩面积，检测轮廓面积和检测轮廓最小外接矩面积之比；

s6：输入一张模板图像，对其进行步骤2至步骤4的处理得到模板图像代表瓶罐区域轮廓信息的参数，并将模板图像预处理后的三通道原始图像和形态学处理后的二值化原始图像存储为模板文件；

s7：将采集的图像进行步骤2处理后和步骤5中的模板图像进行三通道直方图对比分析，同时将采集图像经过预处理后的二值化原始图像和模板的二值化原始图像进行单通道直方图对比分析；

s8：计算模板图像和待对比图像的哈希相似度；

s9：由筛选后的轮廓数目，检测到轮廓的最小外接矩面积为主要分类参考指标，结合检测轮廓面积和检测轮廓面积的最小外接矩面积之比，三通道直方图相似度，单通道直方图相似度以及模板图像和待对比图像的哈希相似度几个参数对瓶罐进行识别分类。

作为改进，在步骤s7中，所述对比分析包括图像的三通道色彩信息和单通道二值图信息对比分析。

作为改进，在步骤s8中，所述的哈希相似度包括形状的对比分析。

本发明的有益效果是：

该发明涉及的识别分类方法能提高分类识别的鲁棒性，降低对光源对分类识别的敏感度，并对较有明显形体变化瓶罐依然能有效识别，能够节省人力，识别度高，不易产生拒收的情况。

附图说明

图1为本发明的流程图；

图2为本发明的二值化图像；

图3为本发明的形态学处理图像。

具体实施方式

下面用具体实施例说明本发明，并不是对本发明的限制。

一种用于易拉罐和饮料瓶分类的图像识别方法，其具体步骤如下：

s1：通过摄像头采集原始图像a，图像尺寸size为(1920×1080)，传入计算机存储；

s2：对传入的原始图像a进行预处理1。结合摄像头安装位置，截取原始图像a起始顶点位置在(1920/5.2，1080/4)，尺寸size为(1200×500)的区域，截除了超过70％的背景区域，有效减少多余背景对识别判断的的干扰，得到截取后三通道原始图像b；

s3：对截取后的原始图像b进行预处理2。首先，把原始图像b进行灰度转换；然后，通过均值滤波器平滑图像去除噪声点，降低噪声对原始图像清晰度的影响；对降噪后的图像使用大津算法(otsu)进行二值化阈值处理，得到瓶罐主要区域范围，见图2；对二值化阈值处理后的图像进行形态学处理，包含一次开运算(结构元素为9×9)和两次膨胀运算(结构元素分别为11×11和5×5)，得到待分类识别的二值化原始图像c，见图3；

s4：通过调用opencv(opensourcecomputervisionlibrary)库中的轮廓查找函数findcontours()将二值化原始图像c中的瓶罐轮廓找出，限制瓶罐轮廓大小范围不小于110，对不符合要求的轮廓进行剔除筛选，排除杂乱轮廓区域对分类识别的干扰；

s5：提取原始图像c的瓶罐轮廓信息，得到筛选后的瓶罐检测轮廓数目、瓶罐检测轮廓面积、瓶罐检测轮廓的最小外接矩面积以及瓶罐检测轮廓面积和瓶罐检测轮廓最小外接矩面积之比这四个反映瓶罐轮廓信息的参数；

s6：选择一张有代表的图像作为模板图像d，对其进行步骤2至步骤5的处理，得到瓶罐模板图像轮廓信息的参数，并将模板图像预处理后的三通道原始图像e和形态学处理后的二值化原始图像f存储为“.xml”格式文件，作为比对的参考信息模板；

s7：调用opencv库中的comparehist()函数，将采集的原始图像a进行步骤2预处理1处理后和步骤5中的模板图像e进行三通道直方图对比分析，对比二者的直方图相似度；同时将采集图像a经过步骤3预处理2后的二值化原始图像和模板的二值化原始图像f进行单通道直方图对比分析，对比二者之间的相似度；

计算图像之间的三通道直方图，目的是使用图像上的颜色信息；计算图像之间形态学处理后图像之间的单通道直方图信息，目的是使用图像形状分布的信息。比较两个直方图之间的相似度，例如(和)，首先选择衡量直方图相似度的比较标准。比较两个直方图之间相似度有以下四种方法：

1.相关系数，correlation(method＝cv_comp_correl)