[发明专利]基于分等级对象语义图的复杂目标自动识别方法

摘要

本发明公开了一种基于分等级对象语义图的复杂目标自动识别方法，涉及目标识别技术，步骤为：建立多类复杂目标图像代表集；对训练集图像进行多尺度分割，逐一计算各部件对象的特征信息，构建分等级语义图；采用螺旋式的混合学习方式，利用判别式的分类器统计对象局部特性，结合产生式的消息传递机制计算对象间相互影响，推导求解分等级语义图；使用学习得到的分等级对象语义图解译图像中的感兴趣目标，实现多类复杂目标的定位、提取和类型识别。本发明方法具有较高的智能化程度，能够满足自然和遥感场景图像中多类目标识别和图像解译的需求。

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{I₁，I₂，...，I_M}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，其宽度和高度和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^-1(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{I₁，I₂，...，I_M′}中，选取若干对象组成部件对象字典对训练图像集合{I₁，I₂，...，I_M′}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C3、利用得到的对象字典和映射图集合通过判别式训练得到初始的位置分类器和属性分类器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。