基于RGB-D物體識別的深度學習算法研究.pdf

1、深度學習是機器學習領(lǐng)域一個全新的研究方向，其目的是建立多層神經(jīng)網(wǎng)絡(luò)，以期能夠模仿人腦的機制來分析和解釋圖像，音頻和文本等數(shù)據(jù)。它通過組合淺層特征形成更加抽象的高層特征，以發(fā)現(xiàn)數(shù)據(jù)的分布式特征表示。圖像識別是計算機視覺領(lǐng)域最重要也是最困難的問題之一，提高圖像識別的準確率對于自主式機器人的普及具有決定性的意義。深度學習在圖像識別領(lǐng)域的成功應(yīng)用進一步推動了計算機視覺的發(fā)展。
　　基于RGB圖像或者灰度圖像的圖像識別，雖然也取得了一定的研

2、究成果，但是由于RGB圖像和灰度圖像包含信息的局限性，已經(jīng)很難滿足當代圖像識別應(yīng)用中對準確率的高要求。采用新一代傳感技術(shù)的RGB-D相機（如Kinect相機）能夠同時記錄高分辨率的RGB圖像和深度圖像。RGB圖像包含物體的表面顏色信息和紋理信息，深度圖像包含物體的空間形狀信息，RGB圖像和深度圖像對彼此都是一種有效的補充。如何利用深度學習技術(shù)有效的結(jié)合 RGB圖像和深度圖像來提高物體的識別準確率成為了深度學習領(lǐng)域的一個新的研究熱點。

3、r>　　在本文中，我們首先提出了一個由K稀疏自編碼算法和空間金字塔最大池化算法組成的深度學習模型，K稀疏自編碼算法提取 RGB-D圖像的淺層特征，然后交由空間金字塔最大池化算法提取更抽象的高層特征。實驗結(jié)果表明，此算法提取到了有區(qū)別力的特征，提高了物體的分類準確率。
　　然后，我們提出了基于稀疏自編碼算法改進的多模態(tài)稀疏自編碼算法和一個新的深度學習模型，新的算法有效的完成了RGB特征和深度特征在原始圖像層的融合，實驗結(jié)果表明有效的