【技术实现步骤摘要】
基于迁移学习和宽度学习的RGB
‑
D图像特征协同融合方法
[0001]本专利技术涉及计算机视觉及图像处理技术，尤其涉及一种基于迁移学习和宽度学习的RGB
‑
D图像特征协同融合方法。
技术介绍
[0002]计算机视觉是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等的机器视觉，并进一步做图形处理，进行目标的分类识别、位姿判断和尺寸测量等。随着技术的不断发展，计算机视觉的研究也取得了突破性的进展。其中图像的分类识别是计算机视觉中最基础也是最重要的分支，对多媒体检索技术的发展有重要的推动作用。近年来越来越多的研究工作设计了大量的深度卷积神经网络用于RGB图像识别取得了很大的进展，已经广泛应用于交通监控、智能安防、智能机器人以及零部件自动化装配回等各行各业中。
[0003]但是在实际应用中，由于RGB图像自身的局限性，在实际应用的过程中容易受到光照背景，目标之间相互遮挡、重叠等因素的影响，存在目标识别率较低、无法正确分类的情况，无法满足实际应用中的需求。随着传感器技术的发展，出现了能够...
【技术保护点】
【技术特征摘要】
1.基于迁移学习和宽度学习的RGB
‑
D图像特征协同融合方法，其特征在于，包括以下步骤：S1：从公开数据集中获取RGB
‑
D数据集；S2：搭建ResNet神经网络，在数据集ImageNet上进行初步训练，得到初次训练的ResNet神经网络，并进行保存；S3：将初步训练得到的ResNet神经网络，在RGB
‑
D数据集上进行微调，移除神经网络ResNet最后一层，输入数据后，RGB图像和深度图像分别在网络中输出一个特征向量，得到两种图像的特征；S4：基于步骤中S3中的RGB图像和深度图像两种特征向量，分别作为典型相关性分析CCA层输入的两组没有显性相关关系的变量，最大化两组变量之间的相关系数，将两组变量统一映射到CCA生成的特征空间上进行学习，根据CCA特征融合策略，将并联矩阵作为融合特征，实现特征的融合降维；S5：基于步骤中S4中的融合特征，利用宽度学习生成特征节点和增强节点，利用岭回归的广义逆得到最终分类识别结果。2.根据权利要求1所述的基于迁移学习和宽度学习的RGB
‑
D图像特征协同融合方法，其特征在于，步骤S1中，所述获取RGB
‑
D数据，具体过程为：将每个物体放置在一个转盘上，并使用3D相机对转盘的一个完整旋转周期进行录制，每个物体均包含3个视频序列，分别记录在不同高度的摄像机上，由此可以得到不同视角、不同光照条件下的RGB图像和深度图像，组成数据集。3.根据权利要求2所述的基于迁移学习和宽度学习的RGB
‑
D图像特征协同融合方法，其特征在于，步骤S2中，所述神经网络ResNet是由残差块组成的模块，每个模块使用若干个同样输出通道数的残差块组成，构建过程为：采用PyTorch框架构建神经网络ResNet。4.根据权利要求3所述的基于迁移学习和宽度学习的RGB
‑
D图像特征协同融合方法，其特征在于，步骤S2中，所述初步训练，具体过程为：加载在数据集ImageN...
【专利技术属性】
技术研发人员：李鹏越，胡东玫，邢吉伟，续欣莹，
申请(专利权)人：太原理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。