| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 本文主要工作及安排 | 第11-13页 |
| 第二章 RGB-D物体识别相关原理 | 第13-24页 |
| 2.1 RGB-D物体识别一般流程 | 第13-15页 |
| 2.1.1 数据预处理 | 第13-14页 |
| 2.1.2 特征提取与编码 | 第14-15页 |
| 2.1.3 特征分类 | 第15页 |
| 2.2 物体识别关键技术 | 第15-23页 |
| 2.2.1 KSVD学习字典 | 第15-16页 |
| 2.2.2 Pooling技术 | 第16-18页 |
| 2.2.3 特征融合技术 | 第18-19页 |
| 2.2.4 SVM分类器 | 第19-23页 |
| 2.3 本章小结 | 第23-24页 |
| 第三章 基于特征学习和特征级融合的RGB-D物体识别 | 第24-29页 |
| 3.1 RGB-D特征学习方法设计 | 第24-26页 |
| 3.1.1 图像底层特征提取 | 第24-26页 |
| 3.1.2 图像高层特征提取 | 第26页 |
| 3.2 基于特征学习和特征级融合的RGB-D物体识别方法 | 第26-28页 |
| 3.2.1 算法实现框架及步骤 | 第27页 |
| 3.2.2 算法形式化描述 | 第27-28页 |
| 3.3 本章小结 | 第28-29页 |
| 第四章 基于SVM的RGB-D多模态特征融合 | 第29-37页 |
| 4.1 典型的多模态特征融合方法 | 第29-30页 |
| 4.2 基于SVM的RGB-D多模态特征融合算法设计 | 第30-32页 |
| 4.2.1 融合形式 | 第31-32页 |
| 4.2.2 权重参数与最终识别率 | 第32页 |
| 4.3 RGB-D多模态特征融合参数求解 | 第32-36页 |
| 4.3.1 模拟退火算法求解融合参数 | 第33-35页 |
| 4.3.2 最小二乘法拟合求解融合参数 | 第35-36页 |
| 4.4 本章小结 | 第36-37页 |
| 第五章 基于多模态融合的RGB-D物体识别实验 | 第37-48页 |
| 5.1 实验数据集和实验平台 | 第37-38页 |
| 5.2 水果蔬菜数据集实验过程 | 第38-42页 |
| 5.2.1 个例物体单一特征的识别率 | 第38-40页 |
| 5.2.2 特征级融合与物体识别 | 第40-42页 |
| 5.3 水果蔬菜数据集实验结果与分析 | 第42-45页 |
| 5.3.1 单一特征物体识别方法与本文方法比较 | 第42-43页 |
| 5.3.2 典型特征级融合方法与本文方法比较 | 第43-44页 |
| 5.3.3 其他方法与本文方法的比较 | 第44-45页 |
| 5.4 RGB-D全部数据集实验 | 第45-46页 |
| 5.4.1 实验过程 | 第45页 |
| 5.4.2 实验结果与分析 | 第45-46页 |
| 5.5 本章小结 | 第46-48页 |
| 第六章 总结与展望 | 第48-50页 |
| 6.1 本文工作总结 | 第48页 |
| 6.2 未来工作展望 | 第48-50页 |
| 参考文献 | 第50-54页 |
| 在学期间的研究成果 | 第54-55页 |
| 致谢 | 第55页 |
