1、復(fù)雜場(chǎng)景中的目標(biāo)檢測(cè)以及識(shí)別一直都是機(jī)器視覺(jué)、人工智能、模式識(shí)別和圖像處理領(lǐng)域的熱點(diǎn)研究技術(shù)之一，并且被廣泛的應(yīng)用在軍事科技、工業(yè)安防、日常生活、醫(yī)療氣象等各個(gè)方面。像目前發(fā)展迅速的 Google和百度的無(wú)人車、大疆創(chuàng)新開(kāi)發(fā)的無(wú)人機(jī)、愛(ài)奇藝的視頻廣告投放、高新興科技的智慧城市以及Magic Leap技術(shù)等，這些目標(biāo)檢測(cè)識(shí)別的應(yīng)用與我們的生活如影隨形。因此，提高復(fù)雜場(chǎng)景中目標(biāo)的識(shí)別率和實(shí)時(shí)性就具有非常重要的意義。
　　本文所做的改進(jìn)

2、工作主要包括以下兩個(gè)方面。
　　首先，經(jīng)典的脈沖耦合神經(jīng)網(wǎng)絡(luò)(PCNN)+ITTI模型值雖然可以確定整個(gè)場(chǎng)景的目標(biāo)物體，但是分離而出的目標(biāo)物體中還會(huì)將背景圖像也分離進(jìn)去，并且無(wú)法將單個(gè)目標(biāo)分別分離而出，因此會(huì)對(duì)后續(xù)要提取的特征向量有較大的影響，嚴(yán)重的影響了識(shí)別率。改進(jìn)的MeanShift+ITTI模型，可以將整個(gè)目標(biāo)分離而出，并且只帶有少量的背景信息，實(shí)現(xiàn)了很好的目標(biāo)物的分離，但是同樣無(wú)法實(shí)現(xiàn)將多目標(biāo)場(chǎng)景的分離。因此，本文提出了基

3、于視覺(jué)焦點(diǎn)的改進(jìn) ITTI模型，可以實(shí)現(xiàn)多目標(biāo)復(fù)雜場(chǎng)景的目標(biāo)物體分離，同時(shí)對(duì)于目標(biāo)物與目標(biāo)物之間的遮擋、粘連情況也具有較好的識(shí)別效果。
　　其次，本文提出了將自然語(yǔ)言處理中的的語(yǔ)義機(jī)制應(yīng)用于SVM分類器模型中，對(duì)于SVM分類不滿足自然場(chǎng)景語(yǔ)義機(jī)制的打分,選取打分次高者作為判斷的類別，并以此類推，使得重新進(jìn)行目標(biāo)識(shí)別后可以給出滿足自然場(chǎng)景語(yǔ)義機(jī)制的識(shí)別結(jié)果，并且在時(shí)間上只有稍微的延時(shí)，同時(shí)，對(duì)識(shí)別率有了一定的提升。
　　綜上所