本文選題：姿態(tài)估計 + 卷積神經(jīng)網(wǎng)絡(luò)��； 參考：《系統(tǒng)仿真學報》2017年11期

【摘要】：隨著深度相機的應用,三維場景的重建越來越簡單、快速。從單視角的深度場景圖像中檢索出物體還是比較困難,特別是物體的姿態(tài)估計。提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的深度圖像姿態(tài)估計算法。該算法采用了回歸估計來實現(xiàn)姿態(tài)的估計。通過3D模型合成大量不同姿態(tài)的深度圖像樣本,從而解決回歸估計需要稠密采樣的訓練數(shù)據(jù)問題。對于不同類別的物體,分別用線性回歸估計來擬合姿態(tài)函數(shù)。在基于Le Net-5模型上修改了卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu),使得該網(wǎng)絡(luò)適用于回歸估計。實驗結(jié)果表明:我們的方法取得了平均誤差約4.3°的估計結(jié)果,優(yōu)于其他文獻的方法。
[Abstract]:With the application of depth camera, the reconstruction of 3D scene is more and more simple and fast. It is still difficult to retrieve objects from a single view depth scene image, especially the attitude estimation of an object. A depth image attitude estimation algorithm based on convolution neural network is proposed. The algorithm uses regression estimation to realize attitude estimation. A large number of depth image samples with different attitude are synthesized by 3D model to solve the problem of dense sampling training data for regression estimation. For different kinds of objects, the attitude function is fitted by linear regression estimation. The structure of convolution neural network is modified based on Le Net-5 model, which makes it suitable for regression estimation. The experimental results show that the average error of our method is about 4.3 擄, which is better than that of other literatures.
【作者單位】： 江南大學;杭州師范大學;浙江大學;
【基金】：國家自然科學基金青年科學項目(61502133) 浙江省自然科學基金一般項目(LY16F020029)
【分類號】：TP183;TP391.41

【相似文獻】

相關(guān)期刊論文 前10條

1 張彩霞;孫鳳梅;;基于對偶數(shù)的透視N線姿態(tài)估計[J];計算機工程與應用;2012年18期

2 馬瑾;陳立潮;張永梅;;基于分類的頭部姿態(tài)估計算法的研究[J];科技情報開發(fā)與經(jīng)濟;2006年02期

3 張小平,朱紅鋒,劉志鏡;多姿態(tài)人臉照片的姿態(tài)估計[J];計算機仿真;2005年04期

4 史東承,于德海,楊冬;一種多視角人臉姿態(tài)估計算法[J];長春工業(yè)大學學報(自然科學版);2004年01期

5 鐘志光;易建強;趙冬斌;洪義平;李新征;;一種魯棒的只需兩幀圖像的姿態(tài)估計方法[J];模式識別與人工智能;2005年04期

6 張彩霞;趙青娥;;基于旋轉(zhuǎn)體的攝像機姿態(tài)估計[J];北方工業(yè)大學學報;2011年03期

7 陳曉鋼;陸玲;周書民;劉向陽;;一種新的人臉姿態(tài)估計算法[J];數(shù)據(jù)采集與處理;2009年04期

8 劉淼;郭東偉;馬捷;孫浩翔;周春光;;基于橢圓模型和神經(jīng)網(wǎng)絡(luò)的人臉姿態(tài)估計方法[J];吉林大學學報(理學版);2008年04期

9 鐘志光;林雪明;吳振謙;蔣偉剛;;一種基于點對的姿態(tài)估計和結(jié)構(gòu)恢復方法[J];寧波大學學報(理工版);2009年01期

10 毛玉星;于燕來;韓倍濤;徐少志;成華安;;應用人臉姿態(tài)估計實現(xiàn)人機信息交互[J];重慶大學學報;2012年01期

相關(guān)會議論文 前10條

1 葉蓬;劉方;;一種基于李群的目標姿態(tài)估計方法[A];全國第二屆信號處理與應用學術(shù)會議專刊[C];2008年

2 陳文新;王長富;戴蓓倩;;基于神經(jīng)網(wǎng)絡(luò)的漢語四聲識別[A];第一屆全國語言識別學術(shù)報告與展示會論文集[C];1990年

3 李睿;李明軍;;一種模糊高斯基神經(jīng)網(wǎng)絡(luò)在數(shù)值逼近上的仿真[A];計算機技術(shù)與應用進展——全國第17屆計算機科學與技術(shù)應用（CACIS）學術(shù)會議論文集（上冊）[C];2006年

4 許旭萍;臧道青;;采用Hopfield神經(jīng)網(wǎng)絡(luò)實施缸蓋表面點陣字符識別[A];第十五屆全國汽車檢測技術(shù)年會論文集[C];2011年

5 朱長春;;神經(jīng)網(wǎng)絡(luò)用于線性時固有系統(tǒng)的廣義狀態(tài)轉(zhuǎn)移矩陣的識別[A];中國工程物理研究院科技年報（1999）[C];1999年

6 王玉斌;李永明;王穎;;用數(shù)據(jù)挖掘和神經(jīng)網(wǎng)絡(luò)技術(shù)預測工程造價[A];第十一屆全國電工數(shù)學學術(shù)年會論文集[C];2007年

7 應捷;袁一方;;神經(jīng)網(wǎng)絡(luò)指紋特征點匹配算法的改進[A];2007'中國儀器儀表與測控技術(shù)交流大會論文集（二）[C];2007年

8 謝小良;符卓;;基于Hopfield神經(jīng)網(wǎng)絡(luò)的單周期船舶調(diào)度模型及算法[A];2008年全國開放式分布與并行計算機學術(shù)會議論文集(下冊)[C];2008年

9 陳意;;神經(jīng)網(wǎng)絡(luò)在船舶識別一個應用[A];船舶航泊安全的新經(jīng)驗新技術(shù)論文集（上冊）[C];2007年

10 王輝;楊杰;黎明;蔡念;;一種基于神經(jīng)網(wǎng)絡(luò)的圖像復原方法[A];2006年全國光電技術(shù)學術(shù)交流會會議文集（D 光電信息處理技術(shù)專題）[C];2006年

相關(guān)重要報紙文章 前1條

1 中國科技大學計算機系　邢方亮;神經(jīng)網(wǎng)絡(luò)挑戰(zhàn)人類大腦[N];計算機世界;2003年

相關(guān)博士學位論文 前10條

1 劉袁緣;自然環(huán)境下頭部姿態(tài)估計方法的研究與應用[D];華中師范大學;2015年

2 包姣;基于深度神經(jīng)網(wǎng)絡(luò)的回歸模型及其應用研究[D];電子科技大學;2017年

3 崔錦實;基于三維模型的關(guān)節(jié)式物體姿態(tài)估計與跟蹤方法研究[D];清華大學;2004年

4 趙松;人臉識別中的姿態(tài)估計、識別算法和融合算法的研究[D];中國科學技術(shù)大學;2009年

5 歐陽毅;單目視頻中人體運動建模及姿態(tài)估計研究[D];浙江大學;2012年

6 李曉剛;基于神經(jīng)網(wǎng)絡(luò)的碼垛機器人視覺位姿測量及伺服控制研究[D];北京林業(yè)大學;2015年

7 戶保田;基于深度神經(jīng)網(wǎng)絡(luò)的文本表示及其應用[D];哈爾濱工業(yè)大學;2016年

8 沈旭;基于序列深度學習的視頻分析：建模表達與應用[D];中國科學技術(shù)大學;2017年

9 諸勇;正交回歸神經(jīng)網(wǎng)絡(luò)及其在控制系統(tǒng)中的應用[D];浙江大學;1998年

10 李彥冬;基于卷積神經(jīng)網(wǎng)絡(luò)的計算機視覺關(guān)鍵技術(shù)研究[D];電子科技大學;2017年

相關(guān)碩士學位論文 前10條

1 石廣升;基于Kinect的物體三維模型構(gòu)建和姿態(tài)估計方法研究[D];哈爾濱工業(yè)大學;2015年

2 丁卓;基于單幅靜止圖像的人臉姿態(tài)估計的研究[D];華東師范大學;2014年

3 侯佳麗;基于視覺的無人機姿態(tài)估計方法研究[D];北京理工大學;2016年

4 趙俊寶;駕駛員頭部姿態(tài)估計系統(tǒng)的設(shè)計與實現(xiàn)[D];華中科技大學;2014年

5 馬召賓;融合眼部特征及頭部姿態(tài)的實時疲勞駕駛檢測技術(shù)研究[D];山東大學;2016年

6 高彪;視障者視覺輔助技術(shù)中剛性物體全方位姿態(tài)估計方法[D];天津工業(yè)大學;2016年

7 花景培;監(jiān)控視頻中行人跟蹤及姿態(tài)估計[D];南京郵電大學;2016年

8 程科文;基于自適應三維人臉模型的實時頭部姿態(tài)估計[D];合肥工業(yè)大學;2016年

9 廖巧珍;基于頭部姿態(tài)估計的人機交互系統(tǒng)研究[D];重慶郵電大學;2016年

10 向順靈;AAM的頭部姿態(tài)估計與人臉識別算法的研究[D];廣西民族大學;2016年

，

本文編號：1944646