史 静,朱 虹

(西安理工大学自动化与信息工程学院,陕西西安710048)

近些年来,随着互联网的发展,网络上每天都涌现出大量的图像和视频资料,我们可以充分利用网络资源丰富我们的生活,但随之而来的问题就是,如何更好地分类、管理这些资源。

目前,由于网络的归类整理方式和能力有限,加之大量图像的文字标注有误差,使得利用文字注释进行图像分类整理方法不再具有优势。由此,依据图像内容进行分类的算法逐渐发展起来,并成为机器视觉领域中一个重要的研究内容[1-3],其应用领域涉及到基于内容的图像检索[4]、目标检测[2]、视频摘要[5]、视频内容分析[6],特别是机器人服务[7],例如机器人路径规划和机器人管家等等。

早期的图像分类,主要通过描述图像底层特征[8]信息来表征图像的视觉感知属性,进行场景分类，之后映射到高层语义进行分类。文献[9]将图像表示为一个尺度不变的响应映射,通过提取的底层特征进行聚类,构成“视觉词袋”来表征图像的语义信息[10-11],最终反映图像的类别信息。

然而,由于场景中的事物数量和种类繁多,同类场景之间类内变化较为丰富,以及不同类场景之间差异较小,造成了使用功能的差异,这些影响降低了其分类的准确度。

见图1,图1(a)为同一类的两幅不同图像,然而,类内的出现目标、聚集区域以及姿态和外形都有着相当大的差异。图1(b)～(d)中的三幅图像分别属于三个不同的类,但却在视觉上非常相似。因此,对于一个高性能的分类系统来说,应该能够处理具有细微视觉差异的图像类别。……