基于模糊稀疏編碼預訓練的RGB-D目標識別算法.pdf

1、目標識別經(jīng)過50多年的發(fā)展，取得巨大的成就。但是這些發(fā)展基本是基于二維圖像的識別。二維圖像一般只能獲得顏色、紋理、輪廓等視覺信息。新的傳感技術（如Kinect）的應用為目標識別提供了新的發(fā)展機遇，它不僅可以直接記錄視覺信息，還可以記錄深度信息。深度圖像可以提供結構和形狀等信息。使用三維信息的目標識別可以比使用二維圖像的目標識別準確率最高提高9.5％。本文在結合深度圖像的卷積遞歸深度學習的基礎上，提出了新的預訓練機制。實驗結果表明，與之前

2、提出的基于RGB-D的目標識別算法相比，本文算法取得了更高的識別準確率，此算法能夠更好地完成RGB-D物體的識別。
　　本文的主要研究成果：
　　(1)本文提出了用于深度學習的基于SFDP(Search and FindDensity Peaks)算法的預訓練機制。SFDP算法核心思想是聚類中心的2個特點：聚類中心的局部密度大，且總是被密度不超過它的鄰居包圍；聚類中心總是與密度比它更大的數(shù)據(jù)點距離相對較大。本文根據(jù)聚類中心的

3、上述特點提出了一種基于SFDP聚類預訓練的算法，并對算法涉及到的3D數(shù)據(jù)庫中最優(yōu)距離度量問題進行了實驗和分析。實驗表明，基于歐式距離度量SFDP預訓練的算法框架與原算法相比，提高了目標識別的準確率。
　　(2)本文提出了基于模糊聚類的預訓練機制。作為預訓練的K-means聚類采用硬編碼方式。但是在實際中，圖像特征常常存在一定模糊性。為了克服上述的模糊性問題，同時保持一定的稀疏性，本文提出了模糊K-means聚類的預訓練機制，并且進

4、行實驗和分析。實驗證明，該算法可以提高目標識別準確率。
　　(3)通過對上述算法缺點的分析，本文對上述方法進行了融合，提出了基于模糊聚類和 SFDP的卷積遞歸深度學習算法。核心思想是使用SFDP算法確定算法的初始聚類中心和聚類結果，然后執(zhí)行模糊K-means聚類來進行迭代，直到滿足迭代停止條件。通過對基于模糊聚類和SFDP算法的預訓練的卷積遞歸深度學習算法進行實驗，發(fā)現(xiàn)比基于FSDP算法預訓練的框架和基于模糊K-means聚類預訓