基于Kinect传感器的智能捕捉垃圾桶设计

石洪钟 庞睿麒 陈阮 蔡虎 孙洁

摘 要：针对传统垃圾桶由于位置固定而导致垃圾容易抛出桶外的情况，本文提出了一种基于Kinect传感器的具有智能捕捉垃圾功能的垃圾桶。该设计可以根据垃圾掉落的轨迹推算其落点位置，并移动到落点接住垃圾。经实验证明，该设计较大程度地增加了垃圾桶使用的便捷性。

关键词：Kinect；传感器；智能捕捉；便捷

中图分类号：TP273；TP391.41 文献标识码：A 文章编号：2096-4706（2018）02-0197-02

Intelligent Capture Trash Design Based on Kinect Sensor

SHI Hongzhong，PANG Ruiqi，CHEN Ruan，CAI Hu，SUN Jie

（China Jiliang University，Hangzhou 310000，China）

Abstract：Due to the situation that the trash can be easily thrown out of the barrel because of the fixed position，a trash can with smart trapping function based on the Kinect sensor is proposed in this paper. According to the design of garbage falling trajectory，calculate the location of its landing，and move to the landing catch garbage. The experiment shows that the design greatly increases the convenience of using the trash can.

Keywords：kinect；sensor；intelligent capture；convenient

0 引 言

在我们身处的社会中，“环保”可谓是一个非常重要的话题，垃圾桶也成为了人们日常生活的必需品。虽然普通的垃圾桶具有结构简单、造价低廉的优点，但也存在一定的不便之处，比如说，丢垃圾时容易将垃圾抛投至桶外，带来不必要的污染。而全自动垃圾桶则可以解决这一问题。全自动垃圾桶设计的关键在于Kinect传感器的动作捕捉技术。通过Kinect传感器，对人体抛投动作进行分析，并计算出物体的落点，再通过无线网络控制垃圾桶移动至落点，接住抛物。

1 系统结构

整个结构可分为软件部分和硬件部分。其中硬件部分包括信号传输模块和小车移动模块，用于实现指令的发送，以实现控制小车移动到预定位置的功能。软件部分主要包括深度测量算法、落点确认算法以及去噪点干扰算法。

通过Kinect传感器中用来完成识别工作的红外线发射器和红外摄像机，可获得物体的像素值，经过相应的深度算法得到物体的深度值，即物体相对传感器的距离。在物体下落的过程中，获取多个深度值，经过落点确认算法（采用卡尔曼滤波算法），拟合出落点坐标，再将这个坐标信息通过蓝牙传输到小车的接收模块。通过位置信息，控制小车到指定位置接住抛物。如图1所示。

2 硬件设计

2.1 信号传输模块

为了实现小车在实验区域内地自由移动，我们对信号的传输需要采取无线传输的方式。目前通用的无线传输技术很多，例如，红外线通讯、蓝牙、WLAN等。尽管红外线通信技术具有性价比高、实现简单以及能抵抗一定程度的电磁干扰的优点，但其传输角度会受到限制，并且实时性不尽如人意。WLAN，即无线局域网，它的灵活性和移动性是毋庸置疑的，然而组建一个无线局域网代价过高，对于本设计来说是没有必要的。

相比于前两者，蓝牙技术传输速度虽不及WLAN，但综合考虑之下，蓝牙技術不失为最合适的选择。

蓝牙设备的发射端与Kinect相连接，用于发送数据。接收端位于小车底部。

2.2 小车移动模块

全自动寻物垃圾桶的移动通过桶底部的小车模块来实现。信号传输会将分析所得的物体落点数据实时传送给位于小车移动模块的接收装置，从而控制小车移动到规定落点接住抛物。为了使小车在运行时平稳、快速，小车移动模块采用两个减速电机以及两个万向导轮作为底部的支撑结构。电机是小车动力的关键。电机的驱动采用了H桥电路和PWM波。为了能控制小车精准的运动至预定位置，控制核心采用了STC15F2K61S2芯片。控制核心通过控制左右电机的增减速来实现小车的前进、后退、转向等运动。

3 软件设计

3.1 Kinect深度测量

识别物体下落轨迹的工作自然需要由Kinect传感器来完成。描述物体的空间位置需要建立一个三维坐标轴。X、Y轴分别描述物体左右、上下的位置，Z轴描述物体距离传感器的远近，即深度识别。其中物体的左右、上下的位置可通过测量空间中的一些参照物确定，问题的关键还是在于深度的识别。

Kinect传感器中完成深度识别工作的重要部分是红外线发射器和红外摄像机。红外线发射器发出的镭射光通过发射器镜头前的光栅，均匀地投射到需要测量的空间。然而由于测量空间中的物体表面是粗糙的、不均匀的，红外线会在物体表面形成随机的散斑。然后通过红外摄像头记录空间的每个散斑。对结果进行相应地计算，可得到3D深度图像。

在深度识别的基础之上对X、Y轴坐标进行提取。在Kinect发送的数据流中，我们可得到每个像素点对应的深度值。接下来，我们对每个像素点进行遍历，在遍历的过程中，对每个像素点的深度值进行判断。若该像素点位于测试空间内，则对该像素点的灰度赋值，否则灰度赋值为0。如此一来，可以在测试过程中将Kinect深度识别范围中的物体与其他物体区分开来。

接下来继续对实验区域内的物体加以识别，并在此基础上确定物体的X、Y坐标值。在划定实验区域的深度范围后，判断处于该范围内的像素点。对于某个像素点所映射的实际空间点而言，像素点的个数i与其X、Y坐标值存在一定的比例关系，即：i=X+kY，（k为常数）。根据该关系式我们即可确定物体的X、Y坐标。

然而，实际情况下的物体具有一定的体积，因而它在Kinect传感器上所映射的图像并不是一个理想的空间点，而是具有一定面积的图形。为此，我们通过求取深度值的平均值来求得物体中心点的坐标，并利用物体中心点坐标来描述物体位置。

在完成了确定识别、确定物体空间坐标的关键问题后，我们就需要将数据传送给垃圾桶底部小车，让小车控制桶身到达指定落点。

3.2 落点确认卡尔曼滤波算法

在物体下落的过程中，通过传感器记录物体下落的过程。为得到物体的落点，需要对轨迹进行拟合。本设计采用的是卡尔曼滤波算法。卡尔曼滤波具有多输入多输出、非平稳随机过程等许多优点，它也是线性无偏最小方差准则下的最优估计。本设计选取物体下落过程中的一些坐标值，通过卡尔曼算法拟合出物体运动轨迹，由此可得出物体落点。再将落点数据传输至小车。

3.3 去除噪点干扰

由于Kinect传感器在实际检测中存在噪点的干扰，这些噪点会影响深度判断，因而需要去除噪点。物体通过传感器映射的图像是由一系列连续的像素点组成的，而噪点则是一些随机的、断续的像素点。根据这两者之间的不同，可采用“有限状态机”方法去除噪点，即在遍历像素点的过程中判断像素点的深度值是否在阈值之内。若连续的若干个像素点都在阈值之内，则可判断该图像属于一个物体。由此可降低噪点干扰。如图2所示。

4 结 论

本文从传统垃圾桶的改进之处出发，设计了一种基于Kinect传感器的智能捕捉垃圾桶，并阐述了其总体结构和具体实现步骤。该方案与传统垃圾桶相比具有更为便捷的优点。

参考文献：

[1] 梁民赞，黄子豪，曹占启.曲线拟合与卡尔曼滤波器的滤波精度评估 [J].无线电工程，2013，43（3）：36-39.

[2] 高之泉.基于双Kinect的人体运动捕捉 [D].南京大学，2017.

[3] 刘继忠，吴文虎，程承，等.基于Kinect傳感器的移动机器人室内三维环境创建 [J].广西大学学报（自然科学版），2017，42（6）.

[4] 牛振岐，刘阔，王月敏，等.基于像素级别的Kinect深度测量误差补偿方法 [J].光电子·激光，2016，27（11）：1169-1175.

[5] 高晨，张亚军.基于Kinect深度图像的指尖检测与手势识别 [J].计算机系统应用，2017，26（4）：192-197.

[6] 丁亮.基于Kinect的实时障碍物检测 [J].微型机与应用，2017，36（7）：19-21+25.

[7] 赛地瓦尔地·买买提.低复杂度非局部均值与卡尔曼滤波的图像去噪方法研究 [D].成都：西南交通大学，2014.

[8] 王江荣.基于卡尔曼滤波算法的最小二乘拟合及应用 [J].自动化与仪器仪表，2013（3）：140-142.

[9] 朱明强，侯建军，刘颖，等.一种基于卡尔曼数据平滑的分段曲线拟合室内定位算法 [J].北京交通大学学报，2012，36（5）：95-99.