基于张量分解与卷积神经网络的RGB-D物体识别方法

《基于张量分解与卷积神经网络的RGB-D物体识别方法》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、广东工业大学硕士学位论文(工学硕士)基于张量分解与卷积神经网络的RGB-D物体识别方法余霆嵩二〇一八年六月分类号：学校代号：11845UDC：密级：学号：2111503009广东工业大学硕士学位论文(工学硕士)基于张量分解与卷积神经网络的RGB-D物体识别方法余霆嵩指导教师姓名、职称：文元美副教授学科（专业）或领域名称：信息与通信工程学生所属学院：信息工程学院论文答辩日期：2018年06月ADissertationSubmittedtoGuangdongUniversityofTechnologyfortheDegreeofMaste

2、rofEngineeringScience(MasterofEngineeringScience)RGB-DobjectrecognitionmethodbasedontensordecompositionandconvolutionalneuralnetworkMasterCandidate:YuTingsongSupervisor:AssociateProf.WenYuanmeiJun2018SchoolofInformationEngineeringGuangdongUniversityofTechnologyGuangzhou

3、,Guangdong,P.R.China,510006摘要摘要物体识别是计算机视觉领域一个重要的研究方向，其主要目的是为了让计算机可以“看”懂真实世界中的物体，让计算机拥有感知物体的能力。在图像数据激增的时代，计算机自动识别图像中物体的能力将极大地提高人们处理图像、挖掘图像和管理图像的工作效率，因而有着巨大的应用前景。深度传感器的出现使得新一代相机可以获取物体的RGB-D图像，其中的深度图像弥补了RGB图像中缺少的物体空间结构信息。如何将RGB-D图像与物体识别技术有效地结合起来，提高物体识别准确率成为了计算机视觉领域的一个新的研究热

4、点。本文围绕RGB-D物体识别技术，针对RGB-D图像融合及预测模型搭建问题，开展了基于张量分解与卷积神经网络的RGB-D物体识别方法的研究。提出了基于张量分解的RGB-D融合方法和基于边缘检测的卷积核数量确定方法。本文主要贡献如下：（1）设计了基于张量分解与卷积神经网络的RGB-D物体识别总体框架。该框架包含RGB-D图像融合及预测模型搭建两个模块。其中RGB-D图像融合模块主要包括图像预处理和张量分解；预测模型搭建模块中采用卷积神经网络模型作为预测模型。（2）针对RGB-D物体识别中如何有效利用深度图像中的空间结构信息来提高识别准

5、确度的问题，提出了基于张量分解的RGB-D图像融合方法。该方法主要借鉴张量分解的优势——擅长处理多模态数据，创造性地用张量分解方法解决RGB-D图像融合问题。该方法首先分析RGB-D图像数据性质，再构造成对应的张量；然后，利用Tucker方法对张量进行分解，获得因子矩阵；最后通过因子矩阵对原张量进行投影，获得融合后的RGB-D图像。仿真实验结果表明该方法可提高物体识别准确率，在三个子数据集中，分别可提高19%、7%和11%。（3）针对卷积神经网络预测模型中卷积核数量多凭经验确定的问题，提出了基于边缘检测的卷积核数量确定方法。该方法首先

6、对训练图像进行边缘检测获得边缘图像，然后对边缘图像进行边缘块提取并统计提取的边缘块，最后通过对边缘特征矩阵进行分析获得卷积核数量。通过在Mnist数据集和Chars74K数据集上的实验结果表明，该方法能依据图像集自适应的增加或减少卷积核数量，具有自适应能力。关键词：物体识别；RGB-D图像；张量分解；卷积神经网络I广东工业大学硕士学位论文AbstractObjectrecognitionisanimportantresearchdirectioninthefieldofcomputervision.Itsmainpurposeisto

7、enablecomputersto“see”theobjectsintherealworldandallowcomputerstohavetheabilitytoperceiveobjects.Intheeraofrapidproliferationofimagedata,theabilityofcomputerstoautomaticallyrecognizeobjectsinimageswillgreatlyimprovepeople'sworkefficiencyinprocessingimages,excavatingimag

8、es,andmanagingimages,andthushasahugeapplicationprospect.Theappearanceofthedepthsensorenablesanewgenerationofca