基于类属超图的大规模非合作目标图像识别关键技术研究

大规模非合作目标图像识别已成为计算机视觉领域挑战性研究热点。本项目旨在研究经在线、增量、自主地学习达到能实时、准确识别大量非合作目标的若干关键技术。拟通过综合多种图像局部不变特征构造目标属性图，并研究属性图之间的快速匹配算法及相似性度量方法。进而借鉴文本检索中的查询扩展思想，研究基于图对相似性传播的非中心聚类方法。运用该聚类方法，基于海量无序的目标属性图数据集，研究构造以属性图为顶点、以图对相似性关系为加权边的最优类属超图模型的方法，用于非合作目标的自动检测、识别与标注，解决非合作目标成像条件潜在大范围变化情况下，传统中心聚类与识别方法效果不佳的问题。基于类属超图模型，还将研究自主发现和学习新目标的方法。同时将根据模型内在的并行特性，研究上述方法的并行分布式实现技术，以满足大规模识别系统的海量处理与实时性需求。本项目关键技术可广泛应用于智能监控、进化机器人、图像理解与检索、无人驾驶等领域。

本项目构建了对目标类型数很多、目标成像条件大范围变化具有适应性的图像目标识别模型，主要针对图像表征、建模与模型训练、识别算法等关键技术进行研究。.（一）取得的技术成果.（1）图像属性图表示和图对相似性度量。在对图像局部不变特征进行稳健特征选择的基础上，通过综合利用图像的局部特征信息和特征的空间分布信息，将图像用属性图表示，进而采用改进的两阶段RANSAC快速匹配算法可有效得到属性图匹配关系，最后根据匹配关系定义属性图相似性度量。该度量将用于后续的图像建模及目标识别。.（2）类属超图模型构建原理与快速训练方法。以目标不同成像条件下的图像对应的属性图组成的图集为训练集，构建了一种以属性图为顶点，以属性图之间的相似性关系为边的图像目标模型，称为类属超图（Class Specific Hyper Graph，CSHG）模型。该模型能够适应图像成像条件的大范围变化。模型的快速训练是建模的核心问题。基于RSOM聚类树搜索方法，给出了CSHG快速训练算法。另外，将模型快速训练算法中的聚类搜索思想用于基于CSHG的目标识别有效提高了识别效率。.（3）CSHG优化训练与智能化训练。CSHG优化包括两个阶段的训练，第一阶段训练是基于类属超图模型上定义的熵函数，得到熵最小化准则下一定数量的FTOG，以保证训练所得模型结构的紧凑性；第二阶段的优化训练是基于亲缘传播聚类算法精简各FTOG聚类中的冗余属性图。在此基础上，针对新样本到来的情况，给出了CSHG模型的增量训练算法。在CSHG模型增量训练过程中，新增训练样本的类别信息可能是不能完全确定的，这时需要模型具有以一种弱监督的方式自主进行训练的能力，本项目给出了相应的训练方法。.（4）基于CSHG模型的图像目标识别与标注。研究了基于CSHG模型的目标识别算法及目标区域标注方法。.（5）给出了基于CSHG模型的并行分布式图像目标识别系统设计方案。（二）研制成功了三个面向目标识别的原型系统.. 在项目研制过程中，围绕技术的演示验证和应用开发了基于集群的大规模目标图像识别系统、具有特定物体识别能力的智能机器人系统，以及集视频捕获、图像目标检测与采集于一体的嵌入式设备等3个原型系统，这3个系统将进一步用于后续基础技术的研究，并具有广泛的应用前景。