基于卷积神经网络的3D室内场景物体识别方法研究

《基于卷积神经网络的3D室内场景物体识别方法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、分类号：TP391密级：UDC：004编号：201432103021河北工业大学硕士学位论文基于卷积神经网络的3D室内场景物体识别方法研究论文作者：李伟强学生类别：全日制专业学位类别：工程硕士领域名称：计算机技术指导教师：于明职称：教授DissertationSubmittedtoHebeiUniversityofTechnologyforTheMasterDegreeofComputerTechnologyResearchon3DIndoorSceneObjectRecognitionMethodBas

2、edonCNNbyLiWeiqiangSupervisor:Prof.YuMingMay2017原创性声明本人郑重声明：所呈交的学位论文，是本人在导师指导下，进行研究工作所取得的成果。除文中已经注明引用的内容外，本学位论文不包含任何他人或集体已经发表的作品内容，也不包含本人为获得其他学位而使用过的材料。对本论文所涉及的研究工作做出贡献的其他个人或集体，均已在文中以明确方式标明。本学位论文原创性声明的法律责任由本人承担。学位论文作者签名：日期：关于学位论文版权使用授权的说明本人完全了解河北工业大学关于收集、

3、保存、使用学位论文的以下规定：学校有权采用影印、缩印、扫描、数字化或其它手段保存论文；学校有权提供本学位论文全文或者部分内容的阅览服务；学校有权将学位论文的全部或部分内容编入有关数据库进行检索、交流；学校有权向国家有关部门或者机构送交论文的复印件和电子版。（保密的学位论文在解密后适用本授权说明）学位论文作者签名：日期：导师签名：日期：摘要随着智能家居行业的快速发展，智能设备如雨后春笋般涌现出来，不断地满足着人们对优质生活需求。多功能家庭机器人有着独立性、便捷性和自主性等特点，能够一定程度上为家庭起到分担家

4、务、安全防护的作用，深受广大家庭的喜爱和推崇。物体的识别和分类一直是机器人视觉领域的一个重要的研究课题，尤其是室内场景下的物体识别和分类是近年来发展的一个重要方向，传统识别方法很难找到优秀解决方案。本文利用LCCP[1]分割算法，采用优化的卷积神经网络技术，在3D室内场景中进行室内物体识别，加快了物体的识别速度，提高了物体识别精度，主要工作：首先在预处理阶段，本文采用的是基于场景的3D信息场景分割方法，通过获取RGB-D数据库中室内场景样本的深度信息进行分割预处理，利用LCCP算法从复杂的室内场景中将物体

5、独立分割出来，将分割后的图像归一化到256*256大小图像。其次在物体识别阶段，本文设计了一种9层的卷积神经网络来识别室内场景下的物体，以经典卷积神经网络为基础，在LeNet-5和AlexNet等经典神经网络结构的基础上通过改变网络结构、控制卷积核大小、选择激活函数和池化方法对网络进行优化。该网络结构包含4个卷积层，3个池化层，两个全连接层，并通过控制卷积核大小，Dropout等技术来有效预防过拟合问题。最后本文基于RGB-D数据集进行了实验，并根据实验过程对本文中的网络进行改进，通过在不同层数，不同大小

6、卷积核的网络结构中调整参数，最终得到了最优结果。通过与传统的物体识别方法及其他多种神经网络识别方法作对比，验证本文的神经网络具有更高的识别率。关键词：卷积神经网络；3D室内场景；LCCP；目标分割；物体识别IABSTRACTWiththerapiddevelopmentofsmarthomeindustry,intelligentdeviceshavesprungup,andconstantlymeettheneedsofpeople'squalityoflife.Multi-functionalhome

7、robothasthecharacteristicsofindependence,convenienceandautonomy,toacertainextent,thefamilyplaysaroleinsharinghousework,securityprotection,lovedbythemajorityoffamiliesandrespected.Theidentificationandclassificationofobjectshasbeenanimportantresearchtopicin

8、thefieldofrobotvision,especiallytheobjectrecognitionandclassificationofindoorenvironmentisanimportantdirectionofdevelopmentinrecentyears,thetraditionalidentificationmethodisverydifficulttofindgoodsolutions.Inthisdis