[发明专利]一种自动跨特征推理式目标检索方法

权利要求书

1.一种自动跨特征推理式目标检索方法，其特征在于：所述检索方法包括：

S1、特征及特征链接的提取与保存：提取目标图像特征，检测每个特征的质量分值以及每个特征存在的特征链接到数据库中并建立标识保存到数据库中；

所述特征的质量分值表示存在特征i，其在算法模型中置信度为Q_i，所述特征链接指一个图像样本存在特征i和特征j且特征i和特征j的质量分值Q_i和Q_j分别大于各自的阙值T_i和T_j，标记为特征链接i-j；

S2、基于图像样例获取库内相关样本集：使用图像样例的特征和特征相关虫洞样本的出口特征为检索条件获取的相关样品集；

所述特征相关虫洞样本指局部时空范围内特征链接的质量分值最高的样本；

S3、构建相似度转移矩阵：基于所述步骤S3中输出的图例相样本集构建不同特征之间统一的相似度转移矩阵；

S4、相似度扩散：初始化一个N+1维的初始相似度向量，并利用游走算法基于所述步骤S3中的相似度转移矩阵进行扩散并最终获得N个特征的扩散后的相似度排序得到最终搜索结果。

2.根据权利要求1所述的一种自动跨特征推理式目标检索方法，其特征在于：在所述步骤S1中，所述特征链接i-j的质量分数Q_i-j＝Q_i+Q_j。

3.根据权利要求1所述的一种自动跨特征推理式目标检索方法，其特征在于：所述步骤S2中基于图例获取库内相关样本集的步骤包括有：

S201：输入一个初始的图像样例，探测图像样例某个质量分数大于阙值的特征i并使用该特征i进行初始检索；

S202：用K-近临算法检索所述数据库中保存的特征i的按相似度排序前K_1个样本i，将所述图例相关样本集初始为空集，将K_1个所述样本i加入所述图例相关样本集，将待搜图例队列设为空集，将当前特征空间设置为特征空间i；

S203：检测上一步新加入的图例相关样本集中是否存在当前特征空间的特征链接，若存在用非极大值抑制算法在预设的局部时空范围内找到多个特征链接中质量分值最大的特征链接，获得所述虫洞样本，如所述虫洞样本不存在所述待搜图例队列中则将虫洞样本加到待搜图例队列末尾；

S204：从所述待搜图例队列的头部提取并删除一个图例，提取该图例对应的出口特征j，用K-近临算法检索所述数据库中保存的特征j的按相似度排序前K_2个样本j，将这K_2个样本j中不与当前图例相关样本集重复的部分加入到图例相关样本集中，将特征空间j设置为当前特征空间；

S205：重复所述步骤S203和S204，并将该过程中用到的新特征和数量按序号标识，直至所述待搜图例队列为空，获得所述图例相关样本集并输出。

4.根据权利要求1所述的一种自动跨特征推理式目标检索方法，其特征在于：在所述步骤S3中，构建相似度转移矩阵的步骤包括：

S301：利用图例相关样本集中样本的索引，在数据库中可以获取这些样本对应的各种特征空间的特征，特征总数记为N，生成一个(N+1)×(N+1)的零矩阵，作为初始的相似度矩阵，记为A；

其中，多出的1维代表初始图例，特征相似度矩阵中的坐标对应两条特征的比对相似度；

S302：遍历相似度矩阵的所有坐标，判断每个坐标涉及的量比对特征以及特征对应的样本和特征空间之间的关系对初始的相似度矩阵A的坐标值进行更改，生成实对称的相似度矩阵A,且对角线上值为零；

S303:计算用于归一化的对角矩阵D，维度为(N+1)×(N+1),D每一行的非零元素为矩阵A对应行的各元素之和；

S304:产生相似度矩阵S；

其中，S＝D^-1/2AD^-1/2。

5.根据权利要求3所述的一种自动跨特征推理式目标检索方法，其特征在于：在所述步骤S4中的初始相似度向量中，初始图例对应维度上的值是1，其它维度上的值代表图例与图例相关样本集中特定特征的比对分值，初始值为0。

6.根据权利要求3所述的一种自动跨特征推理式目标检索方法，其特征在于：在所述步骤S2中，当使用所述初始的图像样例的多个特征进行检索的时候，将所有特征和存在的特征链接以及质量分数加入到数据库中并选取一个特征进行检索。