基于ResNet的RGB-D物体识别

摘要

传统的物体识别研究一般是基于RGB图像和灰度图像,RGB图像和灰度图像自身具有一定的局限性,由于缺少物体表面的形状信息,对颜色相近但形状不同的物体进行识别时容易造成错误。使用RGB-D相机可以在获取高分辨的RGB图像的同时,获取每个像素的深度值,深度数据中蕴含着有关物体形状的信息,可以为物体识别提供新的特征。本文主要研究了基于深度学习的RGB-D物体识别算法,选择了ResNet残差网络的V1b型,通过手动调参设置适合于提取RGB-D图像特征的卷积神经网络模型。通过两个ResNetV1b网络模型分别提取有效的RGB特征和深度特征,为了提取到更多样性的特征,在残差网络子模块中加入了空洞卷积;采用了全连接的方法对RGB特征和深度特征进行融合。实验证明了本文所采用的神经网络结构对于RGB-D物体识别是有效的,对比实验表明空洞卷积的引入有效提高了RGB-D图像的识别率。