| 主权项 |
1.一种基于分等级对象语义图的复杂目标自动识别方法，其特征在于，包括以下步骤：第一步，建立多类复杂目标的图像代表集，包括：A1、根据需要定义J个类别的复杂目标，类别编号为1～J，J为自然数；A2、对每个目标类别，选取200幅图像作为该类目标的代表图像，其中任选50幅图像作为训练集，其余的150幅图像作为测试集；A3、对每幅目标图像标记出目标所属类别及所在的区域范围；A4、将所有J类目标的图像代表合并为多类目标图像代表集；第二步，构建分等级语义图，用于描述图像场景中目标与背景的空间关系、以及目标的类别信息和结构组成，包括：B1、对训练图像{I<sub>1</sub>，I<sub>2</sub>，...，I<sub>M</sub>}分别进行多尺度分割，构建多尺度对象网络，其中M表示训练图像数目；B2、对每幅训练图像I对应地构建一幅分等级映射图<img file="FDA00002841143500011.GIF" wi="56" he="41" />该映射图的结构、大小均和原始训练图像分割后的多尺度结构一致；B3、对每一类目标的训练图像对应地构建一幅分等级语义图<img file="FDA00002841143500012.GIF" wi="59" he="47" />该语义图的结构和原始训练图像分割后的多尺度结构一致，其宽度和高度<img file="FDA00002841143500013.GIF" wi="57" he="47" />和<img file="FDA00002841143500014.GIF" wi="55" he="47" />则远远小于训练图像的宽度和高度；B4、逐一计算各个部件对象B的属性变量μ(B)，用于描述部件对象的特征属性；B5、逐一定量计算各个部件对象B的位置变量λ<sup>-1</sup>(B)，用于描述部件对象的空间分布；第三步，采用螺旋式的混合学习方式，将产生式和判别式的训练过程相互交叉，推导求解分等级语义图，方法是：C1、对分等级语义图进行产生式近似拟合；C2、初始化对象字典和语义图，从少量已完全标记的训练图像集合{I<sub>1</sub>，I<sub>2</sub>，...，I<sub>M′</sub>}中，<img file="FDA00002841143500015.GIF" wi="205" he="41" />选取若干对象组成部件对象字典<img file="FDA00002841143500016.GIF" wi="106" he="55" />对训练图像集合{I<sub>1</sub>，I<sub>2</sub>，...，I<sub>M′</sub>}各层次上的对象聚类，并以聚类后的结果作为初始的语义映射图集合<img file="FDA00002841143500021.GIF" wi="374" he="87" /><img file="FDA00002841143500022.GIF" wi="1859" he="165" />C4、使用产生式和判别式相结合的混合学习方式获取模型参数；第四步，使用获取的分等级对象语义图处理图像中的感兴趣目标，方法是：D1、输入待处理图像，按照与训练相同的参数进行多尺度分割；D2、统计各个层次对象的128维SIFT特征向量；D3、使用部件对象字典中的对象表达图像的各个层次，完成映射图的构建；D4、定性分析图像中各个区域的语义类别，得到图像的整体解译，或按照不同的需求目的，依据层次性和类别标记，提取感兴趣的目标区域，并采用图像分割、边界提取的辅助手段，实现感兴趣目标的精处理。 |
