顯著目標(biāo)存在性檢測(cè)算法研究

李牧,張曉暉,楊玉峰,焦玲玲,曹向海

(1.西安理工大學(xué) 工程訓(xùn)練中心, 陜西 西安 710048;2.西安電子科技大學(xué) 電子工程學(xué)院, 陜西 西安 710071)

顯著目標(biāo)存在性檢測(cè)算法研究

李牧1,張曉暉1,楊玉峰1,焦玲玲2,曹向海2

(1.西安理工大學(xué) 工程訓(xùn)練中心, 陜西 西安 710048;2.西安電子科技大學(xué) 電子工程學(xué)院, 陜西 西安 710071)

顯著目標(biāo)檢測(cè)得到越來越多的關(guān)注與研究,但用于顯著目標(biāo)檢測(cè)的場(chǎng)景圖像中有時(shí)并不包含任何顯著目標(biāo),故由這些圖像提取的顯著圖中只會(huì)產(chǎn)生虛假的顯著目標(biāo),從而影響后續(xù)的處理。針對(duì)這一問題提出一種圖像顯著目標(biāo)存在性檢測(cè)方法,該方法基于中心周邊直方圖計(jì)算出的顯著圖,提取目標(biāo)區(qū)域與圖像中心點(diǎn)距離、目標(biāo)區(qū)域位置分布方差、目標(biāo)區(qū)域在圖像邊緣的分布、目標(biāo)區(qū)域分布熵、圖像顯著圖的直方圖等5種特征進(jìn)行分類,并利用投票的方式最終確定輸入圖片是否包含顯著目標(biāo)。基于微軟亞洲多媒體圖像數(shù)據(jù)庫(kù)和網(wǎng)絡(luò)圖像數(shù)據(jù)庫(kù)驗(yàn)證了本文算法的有效性,實(shí)驗(yàn)表明該方法的檢測(cè)效果優(yōu)于現(xiàn)有方法。

顯著目標(biāo); 存在性檢測(cè); 特征提取; 分類

人類大腦和視覺系統(tǒng)會(huì)很容易發(fā)現(xiàn)圖像中某些顯著的目標(biāo)或區(qū)域。通過對(duì)視覺注意機(jī)制的研究,可以使人們合理分配計(jì)算資源到更有價(jià)值的信息處理任務(wù)上(比如在機(jī)器人視覺應(yīng)用方面)。近年來,眾多研究者在生物、心理、神經(jīng)系統(tǒng)、計(jì)算機(jī)視覺等領(lǐng)域?qū)θ祟愐曈X注意系統(tǒng)進(jìn)行了研究[1]。顯著目標(biāo)檢測(cè)是視覺注意機(jī)制研究的一個(gè)重要分支,而其實(shí)際應(yīng)用也多種多樣,例如圖像修剪,圖像在移動(dòng)設(shè)備上的自適應(yīng)顯示,機(jī)器人視覺領(lǐng)域的目標(biāo)識(shí)別、障礙物避讓等[2]。顯著性源自于獨(dú)一無二性、不可預(yù)測(cè)性、稀有性等,一般歸于圖像屬性,如色彩、梯度、邊緣和邊界的變化。顯著性檢測(cè)會(huì)高亮那些相對(duì)于周邊區(qū)域突出的,在色彩、紋理、梯度等屬性方面獨(dú)特的區(qū)域,這是目標(biāo)檢測(cè)、目標(biāo)識(shí)別等任務(wù)的第一步。但是在實(shí)際應(yīng)用環(huán)境中,有些圖像有可能不包含任何顯著目標(biāo),而只包含背景信息,如圖1所示。而基于現(xiàn)有的方法進(jìn)行顯著目標(biāo)檢測(cè),往往會(huì)高亮一些毫無意義的區(qū)域,因此有必要展開顯著目標(biāo)存在性檢測(cè)方面的研究。

1 相關(guān)研究

Itti等[3]最早提出了視覺注意模型的實(shí)現(xiàn)方法,該模型從輸入圖像中提取亮度、方向和顏色三個(gè)特征圖,然后計(jì)算像素與其周圍像素的差異作為該像素的顯著性。Liu等[4]利用多尺度對(duì)比、中心周邊直方圖和色彩空間分布三種特征,通過條件隨機(jī)場(chǎng)學(xué)習(xí)感興趣區(qū)域。Hou等[5]考察圖像背景的特性,從圖像中提取跟這些特性不符的區(qū)域就是顯著區(qū)域,這種方法對(duì)光照和噪聲不敏感。Achanta等[6]提出基于頻率調(diào)諧的顯著目標(biāo)檢測(cè)算法,對(duì)輸入圖像進(jìn)行高斯平滑,每個(gè)像素的顯著度則為該像素與整幅圖像均值的差異。這些方法都采取了自下而上的策略,且不考慮任何特定目標(biāo)屬性。一些自上而下的方法如文獻(xiàn)[7],使用目標(biāo)對(duì)象的檢測(cè)結(jié)果作為權(quán)重,更好的高亮目標(biāo)區(qū)域。Judd等[8]使用諸如人臉、人物、動(dòng)物等目標(biāo)檢測(cè)器來檢測(cè)顯著區(qū)域。Shen等[9]在顯著性計(jì)算中綜合了高級(jí)語(yǔ)義、色彩、位置等先驗(yàn)?zāi)繕?biāo)信息,Luo等[10]基于顯著密度最大化檢測(cè)顯著目標(biāo)。

然而上述方法都沒有考慮圖像中是否存在顯著目標(biāo),而是假定圖像中一定存在顯著目標(biāo),這必然導(dǎo)致在處理一些純背景圖像時(shí),會(huì)高亮一些毫無意義的區(qū)域作為顯著目標(biāo)。因此有必要開展顯著目標(biāo)存在性方面的研究。早期的研究嘗試通過設(shè)定閾值來解決這一問題(如文獻(xiàn)[11]～[12])。這類方法是基于感興趣目標(biāo)的顯著值高而背景像素的顯著值低的假設(shè),然而這種方法對(duì)于那些背景雜亂、變化較大的圖像效果會(huì)很差,因?yàn)檫@種圖像的背景像素也具有較高的顯著值,無法找到一個(gè)合適的閾值來抑制背景像素。

王鵬等[13]提出利用全局特征和多種顯著圖的信息來預(yù)測(cè)顯著目標(biāo)的存在性。Christian Scharfenberger等[14]提出了一種利用顯著圖的直方圖特征來區(qū)分不含目標(biāo)圖和包含目標(biāo)圖的方法,但上述兩種方法對(duì)于具有復(fù)雜背景的圖像來說,效果不是很好。

2 算法框架

本文提出了一種基于中心周邊直方圖(Center-Surrounding Histogram,CSH)的顯著圖提取方法,并利用目標(biāo)的位置分布特點(diǎn)以及目標(biāo)自身的分布特性,提取多種特征來檢測(cè)顯著目標(biāo)的存在性。提取的特征包括:目標(biāo)區(qū)域到圖像中心的距離、目標(biāo)區(qū)域位置分布方差、目標(biāo)區(qū)域在圖像邊緣的分布、目標(biāo)區(qū)域分布熵,顯著圖的直方圖等5種特征。然后將這些特征分別輸入分類器進(jìn)行分類,最終基于5個(gè)分類器的投票結(jié)果確定圖像是否包含顯著目標(biāo)。圖2為本文算法的框圖。

其中空心箭頭代表訓(xùn)練階段流程,實(shí)心箭頭代表測(cè)試階段流程。

3 目標(biāo)存在性檢測(cè)算法

3.1 CSH顯著性檢測(cè)算法

不同的顯著性檢測(cè)方法得到不同質(zhì)量和性質(zhì)的顯著圖,本文基于中心周邊直方圖提取特征。假設(shè)顯著目標(biāo)由一個(gè)方形區(qū)域R所包含,圍繞該區(qū)域構(gòu)建一個(gè)同樣面積的方框形區(qū)域RS,為了測(cè)量該目標(biāo)與周圍區(qū)域的差異,這里采用直方圖的卡方距離χ2進(jìn)行計(jì)算。方形區(qū)域R的長(zhǎng)度(W)、寬度(H)的取值范圍為[0.1，0.7]，因?yàn)槟繕?biāo)往往具有不同的形狀及大小，這里R采用5種不同的長(zhǎng)寬比0.5、0.75、1.0、1.5、2.0，根據(jù)W(或H)以及長(zhǎng)寬比求得H(或W)，取W和H的最小值。對(duì)于每個(gè)像素x,通過改變以其為中心的方形區(qū)域R(x)的長(zhǎng)寬比以及大小,尋找出以每個(gè)像素x為中心的最優(yōu)目標(biāo)區(qū)域R*(x):

(1)

式中,RS(x)是指以像素x為中心,包含R(x)的方框型區(qū)域。

則可得到像素x的顯著性為:

(2)

3.2 特征提取

圖3給出了一組包含以及不包含顯著目標(biāo)的圖像及其對(duì)應(yīng)的顯著圖,其中圖3(a)是不含顯著目標(biāo)的圖像及其顯著圖,圖3(b)是包含顯著目標(biāo)的圖像及其顯著圖。從圖中可以明顯看出,不含顯著目標(biāo)圖像的顯著區(qū)域比較分散或者根本沒有顯著區(qū)域,而包含顯著目標(biāo)的圖像會(huì)產(chǎn)生緊湊的、封閉的顯著區(qū)域,且顯著區(qū)域通常不會(huì)同時(shí)與多個(gè)圖像邊界有連接?；诖擞^察,利用CSH顯著圖構(gòu)建以下特征。

3.2.1 目標(biāo)區(qū)域和圖像中心的距離

對(duì)顯著圖首先進(jìn)行歸一化,然后對(duì)顯著圖設(shè)置等間隔閾值進(jìn)行二值化處理,在每次二值化后,找出目標(biāo)區(qū)域位置,根據(jù)(3)式計(jì)算目標(biāo)區(qū)域位置和圖像中心的距離。圖像包含顯著目標(biāo)時(shí)該參數(shù)較小,不包含顯著目標(biāo)時(shí)該參數(shù)較大。采用該特征的依據(jù)是顯著目標(biāo)通常位于圖像中心位置。

(3)

式中,fOCD(k)表示目標(biāo)區(qū)域和圖像中心的距離,Nk表示在第k個(gè)閾值下目標(biāo)區(qū)域的像素?cái)?shù)目,indrk(n)、indck(n)分別表示在第k個(gè)閾值下,第n個(gè)目標(biāo)像素的行索引以及列索引。k取1,2,…,10,則fOCD為包含10個(gè)元素的列向量。

3.2.2 目標(biāo)區(qū)域位置分布方差

對(duì)歸一化的顯著圖設(shè)置等間隔閾值進(jìn)行二值化處理,在每次二值化后,計(jì)算目標(biāo)區(qū)域位置的分布方差。圖像包含顯著目標(biāo)時(shí)該參數(shù)較小,不包含顯著目標(biāo)時(shí)該參數(shù)較大。采用該特征的依據(jù)是顯著目標(biāo)分布較為緊湊,因此其顯著圖中對(duì)應(yīng)的目標(biāo)區(qū)域也比較緊湊,而由未包含顯著目標(biāo)的圖像得出的顯著圖中,目標(biāo)區(qū)域的分布則通常較為松散。

(4)

式中,fOPD(k)表示目標(biāo)區(qū)域位置分布方差,為包含10個(gè)元素的列向量,Eindrk為indrk(n)的均值,Eindck為indck(n)的均值。

3.2.3 目標(biāo)區(qū)域在圖像邊緣的分布

同樣利用閾值對(duì)顯著圖進(jìn)行等間隔的二值化,在每次二值化后,計(jì)算顯著圖四個(gè)邊緣10個(gè)像素寬度內(nèi)所有像素值的和與顯著圖周長(zhǎng)的比值,用以表征圖像邊緣部分顯著性分布特性。圖像包含目標(biāo)時(shí)該參數(shù)較小,不包含目標(biāo)時(shí)該參數(shù)較大。采用該特征的依據(jù)是顯著目標(biāo)通常不與多個(gè)邊界同時(shí)接觸,因此邊界區(qū)域的顯著值通常較小。

(5)

式中,fOBD(k)表示目標(biāo)區(qū)域在圖像邊緣的分布,同樣為具有10個(gè)元素的列向量,Etk、Ebk、Elk、Erk分別為在閾值k下緊鄰顯著圖上邊緣、下邊緣、左邊緣、右邊緣的10個(gè)像素寬度范圍內(nèi)目標(biāo)像素的顯著性之和。

3.2.4 目標(biāo)區(qū)域分布熵

計(jì)算顯著圖目標(biāo)區(qū)域的分布熵。熵可以表明顯著圖包含信息量的大小,從側(cè)面反映了顯著值的分布情況,在顯著圖比較均勻時(shí)該值較小,反之則較大。該特征的提取依據(jù)如下:包含顯著目標(biāo)的圖像對(duì)應(yīng)的顯著圖中,目標(biāo)區(qū)域和背景區(qū)域都較為平滑,而未包含顯著目標(biāo)的圖像對(duì)應(yīng)的顯著圖則通常不具有這個(gè)特點(diǎn)。

(6)

式中,fOE表示目標(biāo)區(qū)域分布熵,p為顯著值的分布概率。

3.2.5 顯著圖的直方圖

該特征fHist由顯著圖的20維直方圖構(gòu)成,由圖3中顯著圖的分布特性可知,包含目標(biāo)顯著圖的直方圖相對(duì)于不含目標(biāo)顯著圖的直方圖，通常在低顯著值處會(huì)有一個(gè)更為明顯的峰值。

因?yàn)閳D像中背景和目標(biāo)分布的復(fù)雜性,單獨(dú)靠一種特征很難對(duì)所有圖像進(jìn)行有效的分類,因此本文綜合利用上述5種特征進(jìn)行分類。

3.3 利用隨機(jī)森林分類器檢測(cè)目標(biāo)存在性

本文利用隨機(jī)森林分類器(Random Forest,RF)[15]進(jìn)行圖像的分類。將3.2節(jié)中提取的5種特征分別輸入到5個(gè)分類器中進(jìn)行分類,輸出0表示不包含目標(biāo),1表示包含目標(biāo),采用投票的方式確定最終的分類結(jié)果:

(7)

式中,ClassType表示待檢測(cè)圖像的類屬,round表示四舍五入的取整函數(shù)。C1、C2、C3、C4、C5為分別輸入5個(gè)特征值時(shí)的分類結(jié)果。計(jì)算C1、C2、C3、C4、C5的分類結(jié)果均值,均值大于0.5表示該圖像可能包含目標(biāo),則給出分類值1;均值小于0.5表示該圖像可能不包含目標(biāo),則給出分類值0。

由于一般圖像數(shù)據(jù)庫(kù)中含目標(biāo)圖像和不含目標(biāo)圖像的數(shù)量高度不平衡,而RF分類器往往更偏向于數(shù)量較大的類,因此訓(xùn)練樣本不平衡會(huì)影響分類器的準(zhǔn)確性。一般有兩種方法解決此類問題:一種是調(diào)整不同類別的權(quán)值,另一種是對(duì)數(shù)量大的類別進(jìn)行抽取[16]。在本實(shí)驗(yàn)中采用抽取的方式得到一個(gè)平衡的RF分類器。

4 實(shí)驗(yàn)結(jié)果

本文基于兩個(gè)數(shù)據(jù)庫(kù)對(duì)本文算法進(jìn)行評(píng)估。其中一個(gè)是包含10000幅有目標(biāo)圖像的微軟亞洲多媒體圖像數(shù)據(jù)庫(kù)(Microsoft Research Asia Multimedia,MSRA)。另一個(gè)是由網(wǎng)絡(luò)圖像數(shù)據(jù)庫(kù)(Web Image Database)中仔細(xì)挑選出的4115幅不包含顯著目標(biāo)的背景圖像組成的數(shù)據(jù)庫(kù),這些背景圖像是在網(wǎng)絡(luò)上通過搜索“沙漠”、“海洋”、“森林”等關(guān)鍵詞,并經(jīng)過進(jìn)一步篩選得到的。因此,所用數(shù)據(jù)庫(kù)由10000幅包含目標(biāo)的圖像和4115幅不含目標(biāo)的圖像構(gòu)成,所有圖像尺寸均調(diào)整為130×130像素。

RF分類器參數(shù)設(shè)置:樹的數(shù)目為200,最小葉節(jié)點(diǎn)設(shè)為4。仿真實(shí)驗(yàn)采用的平臺(tái)是:處理器為Inter Core i7 4700MQ,主頻為2.4 GHz,內(nèi)存4 GB的PC機(jī),軟件平臺(tái)為:Windows 7旗艦版 32位操作系統(tǒng)和Matlab R2014a。

同時(shí),為了更全面的進(jìn)行性能評(píng)估,又選用了另外三種常用的顯著圖提取同樣特征作為對(duì)比,分別為區(qū)域?qū)Ρ?Region Contrast,RC)顯著圖[17]、多尺度對(duì)比(Multi-scale Contrast,MC)顯著圖以及色彩空間分布(Color Spatial-Distribution,CSD)顯著圖。

在構(gòu)建的圖像庫(kù)中,每次分別從含目標(biāo)圖像集和背景圖像集中隨機(jī)選擇1000幅圖像用于訓(xùn)練,剩余圖像用于測(cè)試。

4.1 不同顯著圖分類對(duì)比

本文用10折交叉驗(yàn)證(10-fold cross validation)的方法計(jì)算準(zhǔn)確度(Accuracy)、精確度(Precision)、召回率(Recall)和F-measure[18],來評(píng)價(jià)該算法的性能。以上四種指標(biāo)定義如下:

(8)

(9)

(10)

(11)

式中,TP為分類正確的含目標(biāo)圖像數(shù)量,TN為分類正確的不含目標(biāo)圖像數(shù)量,FP為分類錯(cuò)誤的含目標(biāo)圖像數(shù)量,FN為分類錯(cuò)誤的不含目標(biāo)圖像數(shù)量,β設(shè)為2。

表1給出了不同顯著圖結(jié)合RF分類器的結(jié)果。從表1中可以看出,用CSH顯著圖提取的特征向量能夠產(chǎn)生更高的分類準(zhǔn)確度,達(dá)到92.2%,同時(shí)精度、召回率以及F-measure分別達(dá)到93.5%、96.1%和93.96%,而MC顯著圖分類準(zhǔn)確度僅僅為69.4%。

4.2 不同分類器對(duì)準(zhǔn)確度的影響

實(shí)驗(yàn)中也研究了不同分類器對(duì)分類結(jié)果的影響,分別采用支持矢量機(jī)分類器(SVM)、貝葉斯分類器(Bayesian)以及RF分類器進(jìn)行訓(xùn)練和分類,如表2。從表2中可以看出,對(duì)于貝葉斯分類器而言,不同的顯著圖對(duì)它的分類結(jié)果影響不大,準(zhǔn)確度基本保持在74%左右。而對(duì)于RF分類器和SVM分類器而言,不同的顯著圖對(duì)其分類結(jié)果影響較大,CSH顯著圖能夠使兩種分類器的準(zhǔn)確度分別達(dá)到92.18%和91.72%,而基于MC顯著圖的準(zhǔn)確度只有69.37%和66.81%。RF分類器基于四種顯著圖的分類性能都比SVM要好一些。

4.3 與現(xiàn)有方法的性能對(duì)比

這里將本文的算法與現(xiàn)有兩種顯著目標(biāo)存在性檢測(cè)算法進(jìn)行對(duì)比。一種是文獻(xiàn)[14]中提出的算法(簡(jiǎn)稱HFED),該方法利用顯著圖的直方圖特征進(jìn)行顯著目標(biāo)存在性的判別。另一種是文獻(xiàn)[13]中提出的算法(簡(jiǎn)稱GFED),利用全局特征和多種顯著圖的信息來判斷顯著目標(biāo)的存在性。表3為本文方法與現(xiàn)有兩種方法的性能對(duì)比。結(jié)果表明,本文的算法要優(yōu)于這兩種算法。

5 結(jié) 論

本文圍繞圖像顯著目標(biāo)存在與否展開研究,通過分析存在顯著目標(biāo)與不存在顯著目標(biāo)的顯著圖之間的差異,提取了5種不同特征,并利用不同分類器對(duì)顯著目標(biāo)存在性進(jìn)行了全面評(píng)估。實(shí)驗(yàn)表明,基于中心周邊直方圖顯著圖提取特征,并結(jié)合隨機(jī)森林分類器來檢測(cè)顯著目標(biāo)的存在性是一種可靠的方法。

[1]Borji A, Itti L. State-of-the-art in visual attention modeling [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2013, 35(1): 185-207.

[2]Borji A. What is a salient object? a dataset and a baseline model for salient object detection [J]. IEEE Transactions on Image Processing, 2015, 24(2): 742-756.

[3]Itti L, Koch C, Niebur E. A model of saliency-based visual attention for rapid scene analysis [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1998, 20(11): 1254-1259.

[4]Liu T, Yuan Z, Sun J, et al. Learning to detect a salient object [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2011, 33(2): 353-367.

[5]Hou X, Zhang L. Saliency detection: a spectral residual approach [C]∥IEEE Conference on Computer Vision and Pattern Recognition, Minneapdis,2007: 1-8.

[6]Achanta R, Hemami S, Estrada F, et al. Frequency-tuned salient region detection [C]∥IEEE Conference on Computer Vision and Pattern Recognition, Miami, 2009: 1597 -1604.

[7]Frintrop S, Backer G, Rome E. Goal-directed search with a top-down modulated computational attention system [C]∥Lecture Notes in Computer Science, Vienna, 2005:117-124.

[8]Judd T, Ehinger K, Durand F, et al. Learning to predict where humans look [C]∥IEEE 12th International Conference on Computer Vision, Kyoto,2009: 2106-2113.

[9]Shen X, Wu Y. A unified approach to salient object detection via low rank matrix recovery [C]∥IEEE Conference on Computer Vision and Pattern Recognition, Providence,2012: 853-860.

[10]Luo Y, Yuan J, Xue P, et al. Saliency density maximization for object detection and localization[C]∥Lecture Notes in Computer Science,Queestown, 2011: 396-408.

[11]Xu T, Chenkov N, Kühnlenz K, et al. Autonomous switching of top-down and bottom-up attention selection for vision guided mobile robots [C]∥International Conference on Intelligent Robots and Systems, ST. Louis, 2009: 4009-4014.

[12]Xu T, Wu H, Zhang T, et al. Environment adapted active multi-focal vision system for object detection [C]∥IEEE International Conference on Robotics and Automation, Kobe， 2009: 2418-2423.

[13]Wang P, Wang J, Zeng G, et al. Salient object detection for searched web images via global saliency [C]∥IEEE Conference on Computer Vision and Pattern Recognition, Providence, 2012: 3194-3201.

[14]Scharfenberger C, Waslander S L, Zelek J S, et al. Existence detection of objects in images for robot vision using saliency histogram features [C]∥International Conference on Computer and Robot Vision, Regina, 2013: 75-82.

[15]Breiman L. Random forests [J]. Machine Learning, 2001, 45(1): 5-32.

[16]Chen C, Liaw A, Breiman L. Using random forest to learn imbalanced data [R]. University of California, Berkeley,San Francisco, 2004.

[17]Cheng M, Mitra N J, Huang X, et al. Global contrast based salient region detection [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2015, 37(3): 569-582.

[18]Powers D M. Evaluation: from precision, recall and F-measure to ROC, informedness, markedness and correlation [J]. Journal of Machine Learning Technologies, 2011, 2(1): 37-63.

(責(zé)任編輯 周蓓)

Research on the existence detection algorithm of salient objects

LI Mu1,ZHANG Xiaohui1,YANG Yufeng1,JIAO Lingling2,CAO Xianghai2

(1.Engineering Center of Xi’an University of Technology, Xi’an University of Technology, Xi’an 710048, China;2.Faculty of Electronic Engineering, Xidian University, Xi’an 710071, China)

More and more researches are conducted on salient object detection, but some of pictures don’t contain any salient object at all, saliency maps extracted from these images tend to contain false salient objects whereby affecting the following-up processing. An approach of existence detection of salient objects is proposed to address this problem. This algorithm extracts five features based on saliency map which is extracted with Center-Surrounding Histogram(CSH) algorithm. These features are distance between salient regions and the center of the image, distribution of salient regions, distribution of salient regions near the edges of the image, entropy of salient regions and histogram of the saliency map of the image. These five features are fed into classifiers and the final result is obtained based on major voting. Experiments based on Microsoft Research Asia Multimedia database and Web Image Database show that the detection outcomes by the proposed method is superior to the existing approaches.

salient object; existence detection; feature extraction; classification

1006-4710(2015)03-0360-06

2015-04-08

國(guó)家自然科學(xué)基金資助項(xiàng)目(61405157)。

李牧，男，工程師，研究方向?yàn)楦叻直媛世走_(dá)信號(hào)處理、數(shù)字圖像處理及多傳感器融合技術(shù)。 E-mail: xalimu@xaut.edu.cn。

TP391.4

A