玻璃制品是一种市场需求量较大的日常用品,对一些常用的玻璃制品进行分类回收及循环利用能够缓减玻璃制品的供给压力,减少其在制造环节中产生的资源消耗以及环境污染,达到节约资源和保护环境的目的。然而,回收的废弃玻璃制品因其数量大、形状和尺寸多样,导致人工分拣效率低、错误率高。为此,本文利用计算机视觉技术,提出了一种基于特征融合的玻璃制品分拣方法。该分拣方法的主要研究内容如下:在计算机视觉技术中广泛采用选择性搜索算法来获取识别目标的候选区域。但该算法在进行纹理相似度计算时存在时间开销较大的问题。针对上述问题,本文提出了HLSN纹理特征来对选择性搜索算法进行改进。考虑到不同图像区域分层聚合形成候选区域时图像区域之间存在着交叠,引入积分图算法对交叠区域对应的HLSN特征进行加速从而减少选择性搜索算法在纹理相似度计算上的时间消耗。实验结果表面,改进的选择性搜索算法能够有效提升候选区域的提取效率。在获得玻璃制品候选区域的基础上,本文提出了FIW-CCA特征融合模型来形成候选区域的融合特征。首先,分别采用PHOG和CLBP算法获取玻璃制品的外形特征和局部特征:然后,运用FIW算法对训练集对应的PHOG和CLBP特征进行处理形成特征集SFIW;最后,引入相关性最大策略的CCA模型来消除特征之间的冗余信息,使用特征集SFIW对CCA模型进行求解从而生成FIW-CCA特征融合模型。实验表明,FIW-CCA特征融合模型形成的融合特征具有较强的表达能力。在对融合特征进行分类时,使用单一分类器容易出现泛化能力弱、分类准确率低的问题。为此,本文设计了Stacking集成分类器来对融合特征进行分类。将SVM、KNN、MNB三种分类器和LightGBM分类器分别作为Stacking集成分类器的基分类器和元分类器。为了防止过拟合,使用交义验证算法来对三种基分类器进行训练,将基分类器输出的类别概率向量作为元分类器的输入数据,从而增强Stacking集成分类器的泛化能力。通过实验对比证明了本文提出的分拣方法的有效性。