(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 201811542760.X
(22)申请日 2018.12.17
(71)申请人 安徽酷哇机器人有限公司
地址 241000 安徽省芜湖市鸠江电子产业
园综合楼7楼7004室
(72)发明人 廖文龙 何弢 刘力源 姜广宇
(51)Int.Cl.
G06K 9/00(2006.01)
(54)发明名称
(57)摘要
本发明公开了一种自动驾驶清洁车垃圾识
别清理方法，包括：步骤1，利用自动驾驶清洁车
似垃圾，利用模式识别方法对疑似垃圾进行再识
别操作；步骤3，确定检测出的疑似垃圾是否为真
正的垃圾，如果是，则自动驾驶清洁车至垃圾所
在位置，对垃圾进行清理；否则，则前进继续进行
工作。该自动驾驶清洁车垃圾识别清理方法克服
现有技术中的清洁车在使用过程中，对于垃圾的
识别效果差，准确度低，从而造成清洁效率低下
的问题。权利要求书1页 说明书4页 附图1页CN 109858331 A 2019.06.07
C N 109858331
A
1.一种自动驾驶清洁车垃圾识别清理方法，其特征在于，所述自动驾驶清洁车垃圾识别清理方法包括：
步骤1，利用自动驾驶清洁车上的摄像头对待清理街道的路面情况进行视频图像获取；步骤2，利用获取的视频图像检测出疑似垃圾，利用模式识别方法对疑似垃圾进行再识别操作；
步骤3，确定检测出的疑似垃圾是否为真正的垃圾，如果是，则自动驾驶清洁车至垃圾所在位置，对垃圾进行清理；否则，则前进继续进行工作。
2.根据权利要求1所述的自动驾驶清洁车垃圾识别清理方法，其特征在于，所述步骤2中检测疑似垃圾的方法为：利用街道路面和垃圾的纹理特性信息，对获取的视频图像中的每个像素进行周围邻域的空间建模，然后根据建立的空间模型判断该像素点是属于背景或前景，从而检测出疑似垃圾。
3.根据权利要求2所述的自动驾驶清洁车垃圾识别清理方法，其特征在于，所述步骤2中，对疑似垃圾再识别的方位为：对垃圾图像信息提取HOG特征和HSV颜空间的颜特征，并利用神经网络进行垃圾的再识别。
4.根据权利要求3所述的自动驾驶清洁车垃圾识别清理方法，其特征在于，所述步骤2中还包括采用不同的分辨率和不同的特征对疑似垃圾进行多次识别。
5.根据权利要求1所述的自动驾驶清洁车垃圾识别清理方法，其特征在于，利用自动驾驶清洁车进行垃圾清洁工作之前，先对清理干净后的街道进行图像获取，并且将获取的干净后的街道图像存储起来作为对比图像信息；步骤2中还包括：再将街道的实时图像信息与存储的对比图像信息进行配准以及像素级作差，得到图像的变化区域，采用R -CNN算法框架，在作差后的图片上使用图像分割算法获取局部视觉突出区域，即筛选出疑似垃圾。
6.根据权利要求1所述的自动驾驶清洁车垃圾识别清理方法，其特征在于，自动驾驶清洁车至垃圾所在位置的途中进行鸣笛警示操作，如果待清理的垃圾位置发生变化，则进行刹车。
7.根据权利要求1所述的自动驾驶清洁车垃圾识别清理方法，其特征在于，步骤3中对于垃圾的清理工作包括：吸尘、清扫和冲洗。
8.根据权利要求1所述的自动驾驶清洁车垃圾识别清理方法，其特征在于，对于无法确定的疑似垃圾再次进行视频图像信息获取，并且反馈至后台服务器，待后台工作人员确认后进行进一步操作。
9.根据权利要求1所述的自动驾驶清洁车垃圾识别清理方法，其特征在于，事先对街道上每处的垃圾桶位
置信息进行获取，在工作过程中，自动驾驶清洁车经过垃圾桶时，直接对垃圾桶中的垃圾进行清理工作。
10.根据权利要求1所述的自动驾驶清洁车垃圾识别清理方法，其特征在于，自动驾驶清洁车完成街道的垃圾清理后直接行使至离该街道最近的垃圾站进行垃圾集中倾倒处理，并且发送工作完成反馈信息至后台服务器。
权 利 要 求 书1/1页CN 109858331 A
自动驾驶清洁车垃圾识别清理方法
技术领域
[0001]本发明涉及垃圾识别方法领域，具体地，涉及一种自动驾驶清洁车垃圾识别清理方法。
背景技术
[0002]自动驾驶汽车(Autonomous vehicles；Self-piloting automobile)又称无人驾驶汽车、电脑驾驶汽车、或轮式移动机器人，是一种通过电脑系统实现无人驾驶的智能汽车。在20世纪已有数十年的历史，21世纪初呈现出接近实用化的趋势。谷歌自动驾驶汽车于2012年5月获得了美国首个自动驾驶车辆许可
证，预计于2015年至2017年进入市场销售。自动驾驶汽车依靠人工智能、视觉计算、雷达、监控装置和全球定位系统协同合作，让电脑可以在没有任何人类主动的操作下，自动安全地操作机动车辆。
[0003]随着自动驾驶车辆的普及，将自动驾驶车辆作为清洁车等特殊车辆使用，成为时下一种新兴领域。现有技术中的清洁车在使用过程中，对于垃圾的识别效果差，准确度低，从而造成清洁效率低下的问题。
[0004]因此，提供一种在使用过程中可以智能识别街道上的垃圾，从而调度自动驾驶的清洁车对垃圾进行清洗，从而保证街道卫生的，高效率，高准确度的自动驾驶清洁车垃圾识别清理方法是本发明亟需解决的问题。
发明内容
[0005]针对上述技术问题，本发明的目的是克服现有技术中的清洁车在使用过程中，对于垃圾的识别效果差，准确度低，从而造成清洁效率低下的问题，从而提供一种在使用过程中可以智能识别街道上的垃圾，从而调度自动驾驶的清洁车对垃圾进行清洗，从而保证街道卫生的，高效率，高准确度的自动驾驶清洁车垃圾识别清理方法。
[0006]为了实现上述目的，本发明提供了一种自动驾驶清洁车垃圾识别清理方法，所述自动驾驶清洁车垃圾识别清理方法包括：
[0007]步骤1，利用自动驾驶清洁车上的摄像头对待清理街道的路面情况进行视频图像获取；
[0008]步骤2，利用获取的视频图像检测出疑似垃圾，利用模式识别方法对疑似垃圾进行再识别操作；
[0009]步骤3，确定检测出的疑似垃圾是否为真正的垃圾，如果是，则自动驾驶清洁车至垃圾所在位置，对垃圾进行清理；否则，则前进继续进行工作。
[0010]优选地，所述步骤2中检测疑似垃圾的方法为：利用街道路面和垃圾的纹理特性信息，对获取的视频图像中的每个像素进行周围邻域的空间建模，然后根据建立的空间模型判断该像素点是属于背景或前景，从而检测出疑似垃圾。
[0011]优选地，所述步骤2中，对疑似垃圾再识别的方位为：对垃圾图像信息提取HOG特征和HSV颜空间的颜特征，并利用神经网络进行垃圾的再识别。
[0012]优选地，所述步骤2中还包括采用不同的分辨率和不同的特征对疑似垃圾进行多次识别。
[0013]优选地，利用自动驾驶清洁车进行垃圾清洁工作之前，先对清理干净后的街道进行图像获取，并且将获取的干净后的街道图像存储起来作为对比图像信息；步骤2中还包括：再将街道的实时图像信息与存储的对比图像信息进行配准以及像素级作差，得到图像的变化区域，采用R-CNN算法框架，在作差后的图片上使用图像分割算法获取局部视觉突出区域，即筛选出疑似垃圾。
[0014]优选地，自动驾驶清洁车至垃圾所在位置的途中进行鸣笛警示操作，如果待清理的垃圾位置发生变化，则进行刹车。
[0015]优选地，步骤3中对于垃圾的清理工作包括：吸尘、清扫和冲洗。
[0016]优选地，对于无法确定的疑似垃圾再次进行视频图像信息获取，并且反馈至后台服务器，待后台工作人员确认后进行进一步操作。
[0017]优选地，事先对街道上每处的垃圾桶位置信息进行获取，在工作过程中，自动驾驶清洁车经过垃圾桶时，直接对垃圾桶中的垃圾进行清理工作。
[0018]优选地，自动驾驶清洁车完成街道的垃圾清理后直接行使至离该街道最近的垃圾站进行垃圾集中倾倒处理，并且发送工作完成反馈信息至后台服务器。
[0019]根据上述技术方案，本发明提供的自动驾驶清洁车垃圾识别清理方法在使用时首先对待清理街道的路面情况进行视频图像获取，根据视频图像信息监测出疑似垃圾，利用模式识别方法对疑似垃圾进行再识别操作，从而提高垃圾识别的精度度，然后对确定的垃圾进行有效地处理工作。本发明提供的自动驾驶清洁车垃圾识别清理方法克服现有技术中的清洁车在使用过程中，对于垃圾的识别效果差，准确度低，从而造成清洁效率低下的问题。
[0020]本发明的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
[0021]附图是用来提供对本发明的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明，但并不构成对本发明的限制。在附图中：
[0022]图1是本发明的一种优选的实施方式中提供的自动驾驶清洁车垃圾识别清理方法的流程框图。
具体实施方式
[0023]以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。
[0024]如图1所示，本发明提供了一种自动驾驶清洁车垃圾识别清理方法，其特征在于，所述自动驾驶清洁车垃圾识别清理方法包括：
[0025]步骤1，利用自动驾驶清洁车上的摄像头对待清理街道的路面情况进行视频图像获取；
[0026]步骤2，利用获取的视频图像检测出疑似垃圾，利用模式识别方法对疑似垃圾进行再识别操作；
[0027]步骤3，确定检测出的疑似垃圾是否为真正的垃圾，如果是，则自动驾驶清洁车至垃圾所在位置，对垃圾进行清理；否则，则前进继续进行工作。
[0028]根据上述技术方案，本发明提供的自动驾驶清洁车垃圾识别清理方法在使用时首先对待清理街道的路面情况进行视频图像获取，根据视频图像信息监测出疑似垃圾，利用模式识别方法对疑似垃圾进行再识别操作，从而提高垃圾识别的精度度，然后对确定的垃圾进行有效地处理工作。本发明提供的自动驾驶清洁车垃圾识别清理方法克服现有技术中的清洁车在使用过程中，对于垃圾的识别效果差，准确度低，从而造成清洁效率低下的问题。
[0029]在本发明的一种优选的实施方式中，所述步骤2中检测疑似垃圾的方法为：利用街道路面和垃圾的纹理特性信息，对获取的视频图像中的每个像素进行周围邻域的空间建模，然后根据建立的空间模型判断该像素点是属于背景或前景，从而检测出疑似垃圾，背景即为路面图像信息，前景则为疑似垃圾。
[0030]在本发明的一种优选的实施方式中，所述步骤2中，对疑似垃圾再识别的方位为：对垃圾图像信息提取HOG特征和HSV颜空间的颜特征，并利用神经网络进行垃圾的再识别。提取HOG特征的方法为：梯度方向直方图特征是一种在计算机视觉和图像处理领域常用的特征描述方法，提取特征过程包括：输入归一化图像，计算梯度，每一个cell块的梯度进行方向投影，相邻cell块进行对比度归一化，把所有cell的向量组成一维长向量。提取HSV 颜空间的颜特征的方法包括：把待识别图像转换到HSV
颜空间，再把H,S和V3个通道平均分成10个bin，分别统计待识别图像3*10个bin的直方图，并归一化后形成HSV颜特征直方图。再将HSV颜特征直方图和HOG直方图合并组成颜纹理融合的混合特征，最后利用神经网络做最终的垃圾识别与判断。
[0031]在本发明的一种优选的实施方式中，所述步骤2中还包括采用不同的分辨率和不同的特征对疑似垃圾进行多次识别，从而提高垃圾识别的准确度。
[0032]为了进一步提高垃圾识别的准确度，在本发明的一种优选的实施方式中，利用自动驾驶清洁车进行垃圾清洁工作之前，先对清理干净后的街道进行图像获取，并且将获取的干净后的街道图像存储起来作为对比图像信息；步骤2中还包括：再将街道的实时图像信息与存储的对比图像信息进行配准以及像素级作差，得到图像的变化区域，采用R-CNN算法框架，在作差后的图片上使用图像分割算法获取局部视觉突出区域，即筛选出疑似垃圾。其中，R-CNN算法：R-CNN算法包含selective search部分和DCNN部分，前者首先使用基于图的高效分割算法对整幅图像进行过分割，产生大量的子区域，再通过颜、纹理、形状等指标将相似度较高的子区域两两合并，从而尽量保证物体的完整性，最后将面积超过设定范围的区域剔除，得到图像中的局部视觉突出区域，即疑似目标区域；DCNN是分类器，在本发明中的作用是判别疑似目标的类别是否为垃圾。
[0033]在本发明的一种优选的实施方式中，自动驾驶清洁车至垃圾所在位置的途中进行鸣笛警示操作，
如果待清理的垃圾位置发生变化，则进行刹车，为了确保工作时的安全性，防止将街道上的醉汉或者拾荒者或者其他动物误伤，在清理之间进行鸣笛警示，如果疑似垃圾的位置发生移动，则可能是判断错位，为了安全起见，则进行刹车处理，停止垃圾清理操作。
[0034]在本发明的一种优选的实施方式中，步骤3中对于垃圾的清理工作包括：吸尘、清
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议