基于RGB特征与深度特征融合的物体识别算法

RGB图像和深度图像的同时使用能有效提高物体识别的准确率。然而，已有研究仅将RGB图像和深度图像的特征进行简单的线性连接，没有根据RGB特征和深度特征的差异性进行特征提取和融合，充分发挥RGB—D图像的优势。为此，提出一种多模态稀疏自编码算法，在进行差异性特征提取的同时完成RGB特征和深度特征的有效融合。结合多模态稀疏自编码算法和空间金字塔最大池化算法，给出一个全新的深度学习模型。该模型能够提取有辨别力的特征并完成基于RGB—D图像的物体识别工作。在2个标准的RGB—D数据库上的实验结果表明，与基于RGB—D的物体识别算法相比，该算法能够有效融合RGB特征和深度特征，取得更高的识别准确率。...

Full description

Saved in:

Bibliographic Details
Published in	计算机工程 Vol. 42; no. 5; pp. 186 - 193
Main Author	卢良锋谢志军叶宏武
Format	Journal Article
Language	Chinese
Published	宁波大学信息学院,浙江宁波,315211%浙江纺织服装职业技术学院,浙江宁波,315211 2016
Subjects	RGB特征与深度特征融合多模态稀疏自编码深度学习物体识别稀疏自编码空间金字塔最大池化 RGB feature and depth feature fusing object recognition deep learning 物体识别多模态稀疏自编码深度学习 Sparse Auto Encoding(SAE) spatial pyramid max pooling 稀疏自编码 RGB特征与深度特征融合空间金字塔最大池化 Multi-model Sparse Auto Encoding (MMSAE)
Online Access	Get full text
ISSN	1000-3428
DOI	10.3969/j.issn.1000-3428.2016.05.032

Cover

More Information
Summary:	RGB图像和深度图像的同时使用能有效提高物体识别的准确率。然而，已有研究仅将RGB图像和深度图像的特征进行简单的线性连接，没有根据RGB特征和深度特征的差异性进行特征提取和融合，充分发挥RGB—D图像的优势。为此，提出一种多模态稀疏自编码算法，在进行差异性特征提取的同时完成RGB特征和深度特征的有效融合。结合多模态稀疏自编码算法和空间金字塔最大池化算法，给出一个全新的深度学习模型。该模型能够提取有辨别力的特征并完成基于RGB—D图像的物体识别工作。在2个标准的RGB—D数据库上的实验结果表明，与基于RGB—D的物体识别算法相比，该算法能够有效融合RGB特征和深度特征，取得更高的识别准确率。
Bibliography:	31-1289/TP RGB feature and depth feature fusing;Sparse Auto Encoding （SAE） ;Multi-model Sparse Auto Encoding（MMSAE） ; spatial pyramid max pooling ; deep learning ; object recognition Combining RGB image and depth image can effectively improve the RGB-D image recognition accuracy. However,prior researchers only do simple linear connect with the RGB image and depth features and do not extract and fuse the RGB and depth features according to their difference, and do not take full advantage of RGB-D image, This paper proposes a multi-model sparse auto encoder algorithm. Multi-model sparse auto encoder algorithm can extract and fuse the RGB and depth features at the same time. By combining multi-model sparse auto encoder algorithms with spatial pyramid max pooling algorithms, it proposes a new deep learning model. New depth learning model can extract recognizable features and complete the RGB-D based object recognition. It uses two standard RGB-D databases to verify the new proposed algorithm and deep learning model
ISSN:	1000-3428
DOI:	10.3969/j.issn.1000-3428.2016.05.032