| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 第1章 绪论 | 第7-13页 |
| 1.1 研究背景及意义 | 第7页 |
| 1.2 国内外研究现状 | 第7-11页 |
| 1.2.1 超分辨重建技术 | 第8-10页 |
| 1.2.2 RGB-D物体识别技术 | 第10-11页 |
| 1.3 论文的组织结构 | 第11-13页 |
| 第2章 RGB-D图像处理关键技术 | 第13-22页 |
| 2.1 RGB-D图像简介 | 第13-16页 |
| 2.1.1 深度信息的获取及存储 | 第13-14页 |
| 2.1.2 彩色与深度不对齐 | 第14-16页 |
| 2.2 深度图超分辨率重建技术 | 第16-17页 |
| 2.2.1 超分辨重建简介 | 第16页 |
| 2.2.2 图像的降质模型 | 第16-17页 |
| 2.3 RGB-D物体识别 | 第17-18页 |
| 2.4 机器学习技术 | 第18-21页 |
| 2.4.1 机器学习技术 | 第18-19页 |
| 2.4.2 深度学习技术 | 第19-21页 |
| 2.5 本章小结 | 第21-22页 |
| 第3章 基于彩色信息引导的深度图超分辨率重建 | 第22-33页 |
| 3.1 彩色信息引导的深度图超分辨率重建框架 | 第22-23页 |
| 3.2 融合彩色信息与深度信息的边缘图优化 | 第23-24页 |
| 3.3 基于卷积神经网络的超分辨率重建 | 第24-26页 |
| 3.3.1 训练过程 | 第24-25页 |
| 3.3.2 损失函数及参数设置 | 第25-26页 |
| 3.4 实验及结果分析 | 第26-31页 |
| 3.4.1 实验设置 | 第26-27页 |
| 3.4.2 定性分析 | 第27页 |
| 3.4.3 定量分析 | 第27-31页 |
| 3.5 本章小结 | 第31-33页 |
| 第4章 基于卷积-递归神经网络和费舍尔向量的RGB-D物体识别 | 第33-41页 |
| 4.1 卷积-递归神经网络 | 第33-35页 |
| 4.1.1 卷积神经网络 | 第33-34页 |
| 4.1.2 递归神经网络 | 第34-35页 |
| 4.2 基于卷积-递归神经网络和费舍尔向量的物体识别 | 第35-37页 |
| 4.2.1 算法框架 | 第35-36页 |
| 4.2.2 深度特征提取 | 第36页 |
| 4.2.3 多数据模式特征生成与识别 | 第36-37页 |
| 4.3 实验及结果分析 | 第37-40页 |
| 4.3.1 实验设置 | 第37页 |
| 4.3.2 结果分析 | 第37-40页 |
| 4.4 本章小结 | 第40-41页 |
| 第5章 总结与展望 | 第41-43页 |
| 5.1 论文总结 | 第41-42页 |
| 5.2 研究展望 | 第42-43页 |
| 参考文献 | 第43-49页 |
| 附录 | 第49-51页 |
| 发表论文和参加科研情况说明 | 第51-53页 |
| 致谢 | 第53页 |