室内环境下的物体感知是室内移动机器人必须具备的能力之一,其中物体检测是机器人在人机交互、导航和路径规划以及运动控制方面等方面起到重要作用。本文在现有的算法的基础上,改进了一种新的物体检测算法,该算法用神经网络来提取候选区域,并用分类多特征融合+PCA+SVM算法来进行分类。本文针对室内物体检测进行了研究,其主要研究工作有:(1)对VGG16网络模型的全连接层进行了修改,用修改后的网络结构训练网络模型,并用训练好的模型提取fc7层的特征作为卷积神经网络(CNN)特征。由于VGG16网络在ImageNet上训练出的model已经公布,因此本文采用这个公开的model中的卷积层参数对网络进行初始化,即进行增量学习。(2)改进了一种基于多特征融合的SVM分类算法,该算法将HOG特征、LBP特征和CNN特征进行融合,将得到的新特征用PCA进行降维处理,然后用SVM分类器训练出分类模型。本文将改进的这种“CNN特征+HOG特征+LBP特征+SVM分类器”的分类算法与RPN结合时,在室内物体检测上取得了良好的检测效果,检测性能优于普通的CNN模型+RPN算法。(3)研究了在进行多特征融合时的参数改变和PCA降维时降维后的数据误差大小对实验结果的影响,并对实验结果进行了分析。本文用到了两个数据集,一个是VOC2007数据集,一个是部分ImageNet1(ImageNet数据集中一些室内物体图片)。实验中,本文用了六种物体检测算法,并对这六种方法进行了对比。