公开(公告)号：CN108171249A

公开(公告)日：2018-06-15

申请号：CN201810083376.1

申请日：2018-01-29

Applicant: 北京工业大学

Inventor： 胡永利 ,  秦子文 ,  孙艳丰 ,  尹宝才

IPC: G06K9/46 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于RGBD数据的局部描述子学习方法，包括设计卷积神经网络模型，使用随机梯度下降方法训练卷积神经网络，使用训练完成的卷积神经网络构造描述子。其中卷积神经网络模型包含两部分：第一部分为特征提取层，第二部分为特征融合层；其中特征提取层分为两个子网络：二维卷积子神经网络和三维卷积子神经网络；特征融合层为全连接神经网络；二维卷积子神经网络和三维卷积子神经网络是平行网络。本发明解决了RGBD数据融合方式提取特征点描述子的问题，相对于其他同类方法，本方法鲁棒性更强，匹配准确率更高。

公开(公告)号：CN108171249B

公开(公告)日：2022-03-08

申请号：CN201810083376.1

申请日：2018-01-29

Applicant: 北京工业大学

Inventor： 胡永利 ,  秦子文 ,  孙艳丰 ,  尹宝才

IPC: G06V10/46 ,  G06V10/82 ,  G06V10/80 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于RGBD数据的局部描述子学习方法，包括设计卷积神经网络模型，使用随机梯度下降方法训练卷积神经网络，使用训练完成的卷积神经网络构造描述子。其中卷积神经网络模型包含两部分：第一部分为特征提取层，第二部分为特征融合层；其中特征提取层分为两个子网络：二维卷积子神经网络和三维卷积子神经网络；特征融合层为全连接神经网络；二维卷积子神经网络和三维卷积子神经网络是平行网络。本发明解决了RGBD数据融合方式提取特征点描述子的问题，相对于其他同类方法，本方法鲁棒性更强，匹配准确率更高。