[發明專利]圖像理解中基于語義信息原型向量構成及序參量重構方法

無效

• 申請號: 200810022375.2
• 申請日: 2008-06-28
• 公開（公告）號: CN101373518A
• 公開（公告）日: 2009-02-25
• 發明（設計）人: 高雋;謝昭;張旭東;吳克偉;馮文剛
• 申請（專利權）人: 合肥工業大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 安徽合肥華信知識產權代理有限公司
• 代理人: 余成俊

1.一種圖像理解中基于語義信息原型向量構成及序參量重構方法，其特征在于：它包括以下步驟：

(1)場景和目標語義信息的原型向量表示；

(2)場景與目標原型向量的結構表示；

(3)場景與目標原型向量的約簡處理；

(4)場景和目標的序參量重構。

2.根據權利要求1所述的一種圖像理解中基于語義信息原型向量構成及序參量重構方法，其特征在于：步驟(1)中，圖像理解中場景和目標的原型向量可表示為v_k＝{v_ks，v_kd}，其中v_ks是編碼表示的場景和目標的語義描述向量作為先驗信息，v_kd則是場景和目標的特征描述向量；特征描述向量v_kd包括場景和目標中顏色、紋理、形狀以及空間關系等視覺信息，各個特征描述向量之間具有編組特性，在不同環境中其圖像的特征顯著性也不相同，體現了特征描述向量表示的層次性；原型向量中的語義描述向量v_ks的編碼特性體現了圖像理解中對場景的描述和目標識別的指導，目標間的空間關系及目標本身的特性等先驗信息可促進場景分類；同樣場景類別的先驗知識可以驅動場景中目標識別。

3.根據權利要求1所述的一種圖像理解中基于語義信息原型向量構成及序參量重構方法，其特征在于：步驟(2)中，包含語義描述向量v_ks的原型向量具有認知上的邏輯蘊含關系，對場景和目標的原型向量進行編碼，對編碼關聯形成復雜的樹狀網絡結構，網絡的同層分支形成log?N位的編碼信息，N為分支個數，網絡節點就是該節點與根結點路徑上所有表示信息的融合疊加，所述的樹狀網絡結構包含邏輯意義上的繼承和延續關系，形成新的語義描述向量替換原型向量中的v_ks，形成包含樹狀網絡結構信息的原型向量。

4.根據權利要求1所述的一種圖像理解中基于語義信息原型向量構成及序參量重構方法，其特征在于：步驟(3)中，融合場景和目標結構關系的語義描述向量和特征描述向量v_kd，形成圖像理解中v_kd→v_ks′組成的先驗知識庫，采用粗糙集方法對先驗知識庫進行約簡，將具有樹狀網絡結構表示的原型向量蘊含的所述的先驗知識庫視為信息系統S＝<U，R，V，f>，U表示論域；R=C(vkd)∪D(vks′)]]>表示屬性集合，其中C表示特征向量v_kd多維空間中的屬性集合，D表示語義描述的目標決策屬性；V={vks′,vkd}]]>表示屬性取值；f表示二維信息表的映射函數；通過引入目標集合關系中如式(1)、(2)的上下近似概念，分析論域規則對象歸屬決策屬性的不確定性描述，對關系r∈C(v_kd)在滿足IND(C(v_kd)-{r})＝IND(C(v_kd))分類不變的情況下，尋找特征屬性核集CORE＝∩RED(C(v_kd))，完成最終約簡，由v_kd得到v_kd′，避免傳統融合過程中出現的若干問題，得到合理的知識規則庫，則：

R_(X)=∪{[x]C(vkd)∈U/D(vks′)|[x]R⊆X}---(1)]]>

由此得到原型向量的最終表示為vk′={vks′,vkd′}.]]>

5.根據權利要求1所述的一種圖像理解中基于語義信息原型向量構成及序參量重構方法，其特征在于：步驟(4)中，由所述包含樹狀網絡結構語義描述的原型向量產生相應的序參量，序參量代表輸入模式對原型模式的系數，輸入模式與原型模式越接近，系數越大，序參量可視為若干特征比較下的綜合評價，在線性變換中，由相關定理可知是矩陣T對應于特征值γ_k的特征向量，矩陣V＝(v₁，v₂，…，v_m)，V是由各個原型模式構成的原型模式矩陣，在線性變換中，由相關定理可知是矩陣T對應于特征值γ_k的特征向量，其中，T＝VΓV⁺，Γ＝diag(γ₁，γ₂，...，γ_M)，因此可以建立新的序參量，對待識別模式q的線性變換實際改變了各模式序參量間的比例關系，提供了控制序參量行為的一種途徑，在此修正下，令q~=Tq,ξ~k=(vk′+,Tq)]]>得到的動力學方程同原來的形式完全一樣；變換T的構造通常與q0相關，q0為q在時間序列0時的狀態，主要依賴于Γ的構造，序參量所表達的輸入狀態和原型狀態的投影距離即相似程度，可重新定義序參量。