融合RGB特征和Depth特征的3D目标识别方法研究

摘要

3D目标识别是模式识别、机器视觉中的一个热门课题，在军事、交通、生物医学等诸多领域中有着广阔的应用前景和巨大的经济价值。针对单独利用RGB信息和Depth信息进行目标识别存在的局限性以及目标间存在类内差异、类间相似等不确定性问题，本文基于Kinect相机系统获取场景目标的RGB图像和Depth图像，在特征层和决策层两个层面，研究了融合RGB特征和Depth特征的3D目标识别方法。　　本文的主要工作如下:　　(1)分析总结了当前国内外利用RGB信息以及Depth信息进行目标识别的相关方法以及研究现状，并对目前已有的用于3D目标识别的数据集进行了详细的介绍;　　(2)在特征层上，引入目标间不同特征对识别结果的贡献大小作为权重，利用多核学习的方法实现了RGB特征和Depth特征的自适应加权融合，结合SVM分类器实现目标的分类识别。在RGB-D数据集上进行了多组实验，实验结果表明该方法较好的实现了特征的融合，并有效地解决了目标类内差异、类间相似问题对识别结果的影响，一定程度上提高了3D目标识别率;　　(3)在决策层上，针对单一特征识别过程中存在的不确定性问题，基于D-S证据理论实现了一种融合RGB特征和Depth特征的3D目标识别方法。结合SVM分类器在小样本情况下具有良好的分类能力，利用D-S证据融合规则对两类单特征的SVM概率输出进行融合判决。在RGB-D数据集上进行了多组实验，实验结果表明，该方法一定程度上提高了3D目标的识别率。

目录

声明

致谢

摘要

第一章 绪论

1．1 课题研究的背景和意义

1．2 国内外研究现状及分析

1．3 本文的主要研究内容及章节安排

1．3．1 主要研究内容

1．3．2 论文的章节安排

第二章 融合RGB特征和Depth特征的3D目标识别概述

2．1 Depth信息的获取方法

2．1．1 双目立体视觉

2．1．2 飞行时间法

2．1．3 结构光传感器

2．2 目标特征描述子

2．2．1 RGB图像特征描述子

2．2．2 Depth图像的特征描述子

2．3 信息融合方法

2．3．1 像素级融合

2．3．2 特征级融合

2．3．3 决策级融合

2．4 3D目标识别数据集

2．5 本章小结

第三章 基于多核学习的融合RGB特征和Depth特征的3D目标识别

3．1 目标特征自适应权重的计算

3．2 多核学习理论

3．3 基于多核学习的3D目标识别

3．4 实验结果与分析

3．4．1 实验设置

3．4．2 实验结果与分析

3．5 本章小结

第四章 基于D-S证据理论的融合RGB特征和Depth特征的3D目标识别

4．1 支持向量机

4．2 D-S证据理论

4．2．1 D-S证据理论的理论基础

4．2．2 D-S证据理论融合规则

4．3 结合SVM和D-S证据理论的3D目标识别

4．4 实验结果与分析

4．4．1 实验设置

4．4．2 实验结果与分析

4．5 本章小结

第五章 总结与展望

5．1 总结

5．2 展望

参考文献

攻读硕士学位期间的学术活动及成果情况