1、隨著計(jì)算機(jī)網(wǎng)絡(luò)的迅速發(fā)展,我們可以獲得巨大的圖像資源,同時也面臨著計(jì)算機(jī)視覺研究的巨大挑戰(zhàn),即如何找到有效的方法來自動標(biāo)注圖像,減少手工標(biāo)注所消耗的人力資源和人為傾向性,并且提高檢索圖像的準(zhǔn)確率。圖像的語義理解是解決這類問題的關(guān)鍵。近年來很多學(xué)者將廣泛用于自然語言處理的潛在狄利克雷分布模型(LDA)引入圖像對象識別中,該模型便于圖像的語義理解,但是也存在弊端:它假設(shè)每個詞匯所對應(yīng)的主題是條件獨(dú)立產(chǎn)生的。根據(jù)圖像本身的特性,圖像的空間信息

2、對圖像物體識別有重要作用,視覺詞匯所對應(yīng)主題的生成與其相鄰區(qū)域主題的產(chǎn)生有一定的依賴關(guān)系,所以本文提出融合空間信息LDA模型用于圖像視覺詞匯主題的產(chǎn)生過程,并使用SVM分類器對得到的每幅圖像所對應(yīng)的主題分布比例進(jìn)行分類,從而完成圖像對象識別。
　　首先,對圖像提取特征。本文使用了兩種圖像特征:SIFT特征、HOG特征。將提取的SIFT特征與HOG特征分別使用online-Kmeans算法聚類。最后將每幅圖像的特征表示成聚類得到視覺

3、詞匯表索引號形式。
　　其次,設(shè)計(jì)融合空間信息LDA模型,即將條件隨機(jī)場(CRF)融合進(jìn)LDA模型中。在隱含層引入條件隨機(jī)場,使得每個視覺詞匯所對應(yīng)主題的產(chǎn)生依賴于其相鄰視覺詞匯的主題。針對該模型提出需要優(yōu)化的目標(biāo)函數(shù),使用EM算法和變分推理算法對模型的參數(shù)進(jìn)行估計(jì)。此外還對原LDA模型使用Gibbs采樣算法估計(jì)模型參數(shù)。
　　最后,使用訓(xùn)練好的模型對測試圖像進(jìn)行測試,得到每幅圖像中視覺詞匯所對應(yīng)的主題分配,同時也得到每幅圖