基于RGB-D圖像和度量學習的三維物體表面紋理識別.pdf

1、三維物體識別是計算機視覺領域中的一個重要分支,也是長期以來人們爭相研究的熱點。該熱點研究與生活中許多“智能”方面的研究,例如智能機器人、智能視頻監(jiān)控系統(tǒng)等密切相關,具有十分重要的研究意義與應用價值。然而,在三維物體識別的過程中,由于拍攝的角度或者物體擺放的位置不同,計算機獲得的三維物體表面紋理往往發(fā)生形變或者缺失。這使得有效信息大大減少,從而導致無法獲得較高的識別準確率。因此,尋找一種能夠準確識別三維物體表面紋理的方法是目前物體識別研究

2、工作中的重點內容。
　　近年來,Kinect等能夠同時獲得物體顏色和深度信息的設備的出現(xiàn),引起了基于 RGB-D圖像研究的熱潮,同時也成為三維物體識別研究的有利工具。本文正是借助 Kinect傳感器獲得的信息,開展了基于 RGB-D的三維物體連續(xù)表面紋理重建的創(chuàng)新性研究,實現(xiàn)了對發(fā)生形變的表面紋理的恢復。
　　此外,考慮到距離度量學習對 K近鄰等分類算法準確率的影響,本文將距離度量學習引入到三維物體表面紋理識別的研究中。文中

3、首先系統(tǒng)地研究了幾種常見的距離度量學習算法、度量方式以及分類算法。接著,使用混合高斯模型、區(qū)域生長等方法進行了基于 RGB-D圖像的三維物體表面紋理重建研究,為后續(xù)的紋理識別實驗提供了樣本數(shù)據(jù)。之后,以 Outex等多個公共紋理庫中的紋理圖像為研究對象,分別使用支持向量機、普通 K近鄰法以及結合不同距離度量學習算法的 K近鄰法對其進行識別,并對各實驗結果做了對比、分析。最后,將識別準確率最高的 ITML-KNN算法應用于重建后的三維物體