融合多特征的图像检索算法*

，谢 备，向旭宇，于文涛，易积政

(中南林业科技大学 计算机与信息工程学院，长沙 410004)

融合多特征的图像检索算法*

秦姣华**，谢 备，向旭宇，于文涛，易积政

(中南林业科技大学 计算机与信息工程学院，长沙 410004)

针对单一特征不能很好地表述图像的问题，提出了一种融合多特征的图像检索算法。首先，提取查询图像和图像库中样本图像的GIST(Generalized Search Tree)特征，用欧氏距离衡量图像间的GIST相似度值，根据查询图像的GIST特征在图像库中进行检索，将结果按相似度进行排序；然后，提取查询图像和返回结果中前k幅图像的尺度不变特征变换(SIFT)特征，使用BBF(Best Bin First)算法进行特征匹配；最后，通过特征点匹配点对数排序并返回检索结果。实验在改进的Corel1000数据集上进行，与传统的单特征图像检索算法对比，提出的图像检索算法不仅提高了检索准确率，而且获得了较好的检索效率。

图像检索;图像匹配；GIST特征；SIFT特征；特征提取

1 引 言

随着成像传感器和互联网技术的飞速发展，图像数据的种类和数量与日俱增，如何从海量的图片库中快速、准确地找到满足用户需求的图像成为当前研究的热点。早期的图像检索主要依靠关键字或文本描述图像，然后利用文本匹配进行查询。基于文本的图像检索方法事先需要对图像进行人工标注，人为的注释具有不充分、主观、费时费力等缺点，无法满足需求。

基于内容的图像检索(Content-Based Image Retrieval，CBIR)根据图像的颜色、纹理、形状、位置等底层特征提取内容特征向量并从图像库中找出与查询图像的特征向量最接近的图像集作为检索结果。随着图像数据库的爆炸式增长以及支持向量机[1](Support Vector Machine，SVM)、AdaBoost[2-3]等方法的兴起，机器学习已广泛用于图像检索问题。随着人们隐私保护意识的提高，加密图像检索[4]以及图像取证技术[5-6]也是一个新的研究热点与方向。但是，无论是图像检索还是加密图像检索，提取能有效表征图像内容的特征是实现图像检索的关键。

随着对CBIR研究工作的不断深入，基于不同内容特征的图像检索算法层出不穷。Oliva 和Torralba将整幅图像看成一个整体，通过事先设计好的特征算子对其进行特征检测，用计算得出的多维特征记录相关类别信息，提出GIST(Generalized Search Tree) 特征[7]，对场景图像的分类与检索十分有效。GIST特征虽然拥有很多优势但相应的也存在一些缺点，如稀疏网格计算会造成信息丢失等。Vedran和Ljubovic等[8]在颜色特征提取过程中结合模糊数学方法，提出了一种模糊颜色直方图(Fuzzy Color Histogram，FCH)算法,相对于传统的基于颜色特征算法，结合模糊数学的FCH检索效果明显提升。文献[9]针对视觉词袋(Bag of Visual Word，BOVW)模型放弃图像空间结构的缺点,提出了一种基于Hesse稀疏编码的图像检索算法。Lowe[10]提出的尺度不变特征转换(Scale-Invariant Feature Transform，SIFT)方法，采用高斯差(Difference of Gaussian，DoG)算子寻找感兴趣点，并用主方向和方向直方图描述特征点。SIFT 特征对图像的旋转、尺度缩放、亮度变化保持不变，对视角变化、仿射变换和噪声也比较稳定，而且特征的独特性好、信息量丰富、易于产生，但仍然存在实时性不高、特征点较少时对边缘光滑的目标无法准确提取特征点等缺点。文献[11]针对SIFT特征点匹配存在准确率和耗时等问题，提出了一种新的基于SIFT的图像检索特征改进方法。Bay等[12]用大小不同的方框与图像做卷积以近似SIFT中的高斯卷积，提出SIFT的加速版本即加速稳健特征(Speeded Up Robust Features，SURF)。Chen和Hsieh等[13]将SIFT特征表征为二进制数，大大提高了SIFT特征之间的相似性计算时间，并根据二进制化的特征用哈希方法去检索图像提高了检索效率。

然而,单纯用单个特征要想从图像库中提取具有相同构造或特征的图像的细节有一定难度。有些局部特征虽然能够较好地处理局部特征点，得到较为满意的匹配结果，但是也存在运算速度慢、特征点数量和感兴趣区域存在较大相关性、不同图像特征点数量出入较大的问题。因此,用单个底层特征做检索都会得到不尽人意的结果。本文在单底层特征提取的基础上，提出一种融合多底层特征的图像检索算法，获得了较好的检索性能。

2 单底层特征提取算法

2.1GIST特征提取

利用GIST特征可以较好地表征图像的场景信息[14]。假设待处理的原始灰度图像为I(x,y)，其尺寸为M×N，首先将其划分为nb×nb的块，用ng=nb×nb记录块总数。对图像划分后的不同的块进行标记，用Bi表示，其中i=1,2,…,ng。为便于计算和处理，每一块区域都是等大的，其尺寸为M′×N′。

Gabor滤波器母小波表式如下：

(1)

式中：x和y表示像素点的位置信息，σx和σy表示x轴与y轴的Gaussian标准差，f0表示中心频率，φ表示相位偏移。

对母小波进行数学变换，即可得到一组不同尺度、不同方向的Gabor 滤波器，具体计算公式如下：

(2)

式中：a-m表示尺度因子，θ表示旋转角度，m表示尺度数，n表示方向数。

计算获得的Gabor滤波器共有m×n个，先对原图像中划分出来的不同区域都实现同样的处理，再采用级联运算，所得即为图像的块GIST特征，表示如下：

(3)

式中：GB表示块GIST特征，维数为m×n×M′×N′;cat()表示级联运算;* 表示卷积运算。

对于每一个不同的滤波器，将所得的块GIST特征进行平均运算，再把计算结果按行整合，即得到图像的全局GIST特征，表示如下：

(4)

2.2SIFT特征提取

SIFT算子是一种基于尺度空间的对图像缩放旋转甚至仿射变换保持不变性的图像局部特征描述算子，SIFT算法的本质是在尺度空间下，通过寻找极值点来提取极值点的方向、尺寸和位置不变量。其具体的提取过程如下：

Step1 尺度空间的建立。首先对一副尺寸为M×N的图像I(x,y)进行高斯平滑建立高斯金字塔，在第1阶尺度空间建立s+3层高斯图像。高斯卷积核定义如下：

G(x,y,σ)=1/2πσ2e-(x2+y2)/2σ2。

(5)

其中:x和y表示像素点的位置信息，σ表示尺度因子。

最底层的Gaussian图像为

L(x,y,σ)=G(x,y,σ)*I(x,y) 。

(6)

D(x,y,σ)=[G(x,y,kσ)-G(x,y,σ)]*I(x,y) 。

(7)

金字塔的阶数根据原图像和塔顶图像的大小共同决定,计算公式如下：

n=lb{min(M,N)}-t，t∈lb{min(M,N)} 。

(8)

式中：t为塔顶图像最小维数的对数值。

Step2 关键点的确定。对于DoG尺度空间图像中的每个像素比较与它邻近的26个像素的值(上一层9个像素点+同层8个像素点+下一层9个像素点)，如果一个像素(x,y)的值是局部极值，则将该点为加入SIFT候选关键点集合。

通过拟合三维二次方程,可以找到低对比度的点予以剔除。对D(x,y,σ)在局部极值点(x0,y0,σ0)进行泰勒展开至二次项得到

(9)

式中：X=(x,y,σ)T表示样本点的偏移。对上式求导即可得到极值点

(10)

将式(10)代回到式(9)，得到

(11)

通过计算Hessian 矩阵找到边缘处的点予以剔除。Hessian 矩阵如下：

(12)

式中：Dxx、Dxy等可由采样点相邻差估计得到。

设α和β表示H特征值，分别记录x和y方向的梯度，计算 Hessian 矩阵的迹和行列式如下：

Tr(H)=Dxx+Dyy=α+β,

(13)

Det(H)=DxxDyy-(Dxy)2=αβ。

(14)

假设α为H较大的特征值，β为H较小的特征值，令α=rβ，则

(15)

Step3 关键点方向参数的确定。计算每个关键点一个邻近窗口所有采样点的梯度大小和方向，公式如下：

(16)

(17)

式中：m(x,y)表示梯度大小，θ(x,y)表示梯度方向。

统计36个方向的梯度直方图，直方图峰值所在的方向就代表了该关键点的主方向。采样点相对于中心的关键点梯度方向信息贡献的权重，就是该采样点的梯度的大小乘上一个高斯分布函数。将直方图中为峰值80%以上的方向作为关键像素的辅方向，这种情况只需复制关键像素使它们朝不同的方向即可。至此，已经找到了关键像素的所在尺度和具体方位。

Step4 关键点特征描述。将坐标轴旋转到关键像素的方向，然后以关键像素为中心，取16×16的窗口，将这个窗口分成4×4的子窗口，同时采用高斯模糊的方法，增加与关键点较近邻域的权重值,并降低与关键点较远邻域的权重值。计算每个子区域中8个方向的梯度累加值,得到4×4×8=128维的特征描述子。

3 基于多底层特征融合算法

3.1多特征融合思路

本文采取一种对图像进行初分类的方法以提高检索效率。人们通过人眼感知去识别图像时，是一个先整体后局部的过程，在考虑图像整体感官上是否相似后，再考虑局部是否更加相似。融合算法构思流程如图1所示。GIST对场景图像的分类和检索十分有效，但是GIST作为一个全局特征也具有全局特征的通病——细节分辨能力不足,而SIFT作为一种局部特征刚好能弥补GIST特征的缺点。

图1 融合算法构思流程Fig.1 Conception process of fusion algorithm

根据初分类以及先整体后局部的思想融合GIST和SIFT特征，融合流程图如图2所示。首先，对原始图像进行预处理并存储为图像库，提取图像库中图像的GIST特征存储为特征库，根据查询图像的GIST特征在特征库中进行匹配，返回初分类结果;然后,提取查询图像与初分类结果的SIFT特征，并根据点对匹配算法进行匹配;最后,返回检索结果。

图2 融合算法流程图Fig.2 Flow chart of fusion algorithm

3.2基于BBF的特征匹配算法

每种特征描述算法对图像的表达形式都不尽相同，因此它们的相似性度量也不尽相同。GIST特征向量是单个向量，因此其相似性度量相比SIFT特征而言更简单，可以直接采用相似性距离公式计算相似度。本文采用欧氏距离[15]作为相似性度量函数，公式如下：

(18)

SIFT特征点的匹配即是找出两幅图像中最相似的点对，取图像中某个关键点，找出另一幅图像中与其相似性距离最近的前两个关键点。如果关键点最近邻距离与次近邻距离之比小于某个阈值，则接受这一对匹配点。

令ratio=d1/d2，d1为最近邻距离，d2为次近邻距离。

定义匹配函数M(ratio)如下：

(19)

对于查询图中的每一个特征点特征向量,需要比较它与其他图中所有特征向量的相似性距离。本文采用欧氏距离作为描述向量的距离函数。明显地，穷举搜索可以实现精确定位，但实际应用中却十分低效。在准确性与效率之间权衡，本文选择BBF[16]搜索算法。具体特征点匹配算法如下：

输入：特征向量集DES1、DES2，DES1、DES2特征向量个数为m、n。

输出：有效匹配的特征向量对矩阵des1、des2，成功匹配对数pair。

Step1 初始化des1←φ，des2←φ，pair=0。

Step2 用 KD-Tree 为DES2的全部元素建立索引。

Step3 fori=1,…,mdo

DES1=[U1；U2；…；Um],

DES2=[V1；V2；…；Vn]。

Step4 根据BBF搜索算法取DES1中Ui在KD-Tree中的近似2近邻得Vj、Vk。

Step6 else剔除Ui(Ui不存在有效匹配点)。

Step7 end for。

3.3融合GIST与SIFT的检索系统与算法设计

每种单一特征描述算法对图像内容的表达侧重点都不尽相同，因此使用单一特征描述图像并检索时，得出的结果总是会顾此失彼。GIST是从全局的角度出发提取图像的全局特征，是一种宏观的描述方法，忽略了图像的局部特点。SIFT则是对图像局部的描述。对于“大街上有一些行人”这个场景，我们开始无需知道图像中在哪些位置有多少人，人长得什么样或者有其他什么对象，所以可通过GIST特征确定图像是否为同样或者相似的场景，然后再通过局部特征辨认图像是否有相似的行人等对象。GIST特征与SIFT特征在某种程度上存在一定的优劣互补的关系,因此,本文设计了一种融合GIST与SIFT的图像检索算法,步骤如下:

Step1 根据GIST提取算法提取图像库所有图像的GIST特征保存为矩阵G。

Step2 提取查询图像的GIST特征向量g。

Step3 根据欧氏距离公式(18)计算向量g与矩阵G每一行向量的距离R。

Step4 升序排列R并返回前k个结果。

Step5 提取前k个结果对应图像库图像的SIFT特征形成特征集S。

Step6 提取查询图像的SIFT特征，并根据特征匹配算法计算查询图像SIFT特征与特征向量集S的有效匹配向量对数T。

Step7 降序排列T，返回前m个结果所对应的图像集。

3.4图像检索的评价准则

在本文中我们使用查全率(R)、查准率(P)、综合评价指标F1-measure[17]以及平均准确率(MAP)来衡量检索算法的性能。

(20)

(21)

式中：N表示检索相关图像个数，M表示检索结果总数，S表示相关图像总数。

F1-measure定义为

(22)

平均准确率的计算如下：

(23)

4 实验结果与分析

4.1测试图像库

Corel1000 数据集[18]包含人物、沙滩、建筑、公汽、恐龙、大象、鲜花、骏马、山脉、美食10类图像，一共9 144幅图像，在形状上有显著的差异，每类图像数量100幅。本文从Corel1000 数据集中每类随机取20幅图像，并分别对图像进行模糊处理、仿射变换、亮度变化以及遮挡处理，一共形成1 000幅图像的Corel1000测试图像数据集。图3是这10类中每类选取了一幅图像进行显示。

图3 Corel1000测试图像数据集部分图像Fig.3 A part of Corel1000 test image dataset

4.2实验结果与分析

本文在测试图像数据集中进行实验。SIFT算法中相关参数设定ε=0.6；GIST算法中相关参数设定为m=4，n=8；融合算法中相关参数设定k=100，m=20。如果k取值太大会造成后面SIFT点匹配用时太长，达不到实时性的效果，因为图像库中每一类图像为100张，作为折中考虑，这里k取值100，即返回100个最近邻，达到一个初分类的目的。在每一类图像中，以20个未作变换的原始图像为查询图像进行检索，返回前20个结果。图4是Corel1000测试图像数据集上本文检索算法、GIST特征检索算法、SIFT特征检索算法和纹理特征检索算法综合评价指标F1-measure对比图，纹理特征提取的是图像的灰度共生矩阵，对共生矩阵计算能量、熵、惯性矩、相关4个纹理参数，取这4个参数的均值和标准差作为最终的纹理特征。图中横坐标表示图像的类别，纵坐标是F1-measure值。

图4 Corel1000测试数据集各类算法F1-measure对比图Fig.4 The F1-measure contrastive figure among different algorithms on Corel1000 test dataset

图5是本文算法在Corel1000测试数据集部分检索结果示例图，返回前20个检索结果图像。

图5 本文算法在Corel1000测试数据集检索结果示例Fig.5 Results of proposed algorithm on Corel1000 test dataset

从图4中可以看出本文算法与基于SIFT特征以及纹理特征(灰度共生矩阵)的图像检索算法相比，综合评价指标在很大程度上也得到了提高,与GIST算法的综合评价指标相当。然而对于图像检索来说，人们更关心的是两张图片的主体是否是同一事物以及返回结果中相似图像的排序问题，因此在计算MAP值时以原图像以及4种变换后的图像作为相关图像。图6是本文算法、GIST算法以及SIFT算法平均准确率的对比结果。

图6 Corel1000测试数据集各类算法MAP值对比

从图6中可以看出本文检索算法比GIST检索算法在平均准确率上有较大的优势，但是不及SIFT算法。在图像检索中检索的实时性也是衡量检索性能的一个很重要的指标。图7是本文检索算法、GIST算法、SIFT算法检索时间性能对比结果，可以看到本文算法的检索时间虽然高于GIST算法，但远远低于SIFT算法，能够保证实际检索中实时性的要求。

图7 本文检索算法与各类算法检索时间性能对比结果Fig.7 The time contrastive figure between proposed algorithm and other algorithms

综合以上实验结果可看出,在F1-measure相当的情况下，本文算法MAP值远高于GIST算法。而且实验证明GIST算法对图像的仿射变换(拍摄视角的变化)表现力极差，GIST算法只能表现图像的场景特征，对图像中具体的局部特征无法表达，而用户往往更关心图像中最主要的物体，GIST特征无法定位用户的需求。因此，综合比较可知，本文算法比GIST单特征算法性能优越。本文算法在一定程度上融合了GIST与SIFT的优点，对同一种或具有局部相似性的场景或物体以及对图像的模糊、遮挡、仿射以及亮度变化等都具有非常好的表现力，较好的实时性也符合真实的应用环境。

5 结束语

本文提出了一种融合多底层特征的图像检索算法。通过对图像库中的图像进行GIST特征提取，根据欧氏距离返回查询图像与图像库中k个最近邻的结果，再提取查询图像与k个最近邻图像的SIFT特征，采用BBF算法进行点对匹配，最后根据点对匹配数返回检索结果。在Corel1000改进的数据集上进行了相关的检索实验测试，结果表明本文提出的检索算法与单特征算法相比，不仅提高了检索精度，而且在检索实时性上还也有较好的性能。本文算法耗时主要在局部特征匹配上，下一步可研究对局部特征点进行降维以进一步提升检索系统的实时性。

[1] 刘岚,雷咏梅,尹京苑,等. 改进型ICA和SVM相结合的火山灰云遥感检测[J].电讯技术,2016,56(1):88-92. LIU Lan,LEI Yongmei,YIN Jingyuan,et al.Remote sensing of volcanic ash cloud based on improved ICA and SVM[J].Telecommunication Engineering,2016,56(1):88-92.(in Chinese)

[2] 杨新武,马壮,袁顺. 基于弱分类器调整的多分类Adaboost算法[J].电子与信息学报,2016,38(2):373-380. YANG Xinwu,MA Zhuang,YUAN Shun.Multi-classifier Adaboost algorithm based on weak classifier[J].Journal of Electronics and Information Technology,2016,38(2):373-380.(in Chinese)

[3] 毕雪芹,惠婷. 基于肤色分割与AdaBoost算法的人脸检测[J].国外电子测量技术,2015(12):82-86. BI Xueqin,HUI Ting. Face detection based on skin color segmentation and AdaBoost algorithm[J].Foreign Electronic Measurement Technology,2015(12):82-86.(in Chinese)

[4] 黄冬梅,耿霞,魏立斐,等. 基于Henon映射的加密遥感图像的安全检索方案[J].软件学报,2016,27(7):1729-1740. HUANG Dongmei,GENG Xia,WEI Lifei,et al.Secure retrieval scheme of encrypted remote sensing image based on Henon mapping[J].Journal of Software,2016,27(7):1729-1740.(in Chinese)

[5] 冯丙文,翁健,卢伟. 基于隐私保护的数字图像取证外包技术框架研究[J].网络与信息安全学报,2016,2(8):23-31. FENG Bingwen,WENG Jian,LU Wei. Research on the framework of digital image forensics outsourcing based on privacy protection[J].Chinese Journal of Network and Information Security,2016,2(8):23-31.(in Chinese)

[6] 徐俊瑜,杜思良,李煜祺,等. 数字图像被动取证技术[J].指挥信息系统与技术,2016,7(1):7-12. XU Junyu,DU Siliang,LI Yuqi,et al.Passive forensics technology of digital image[J].Command Informatipn System and Technology,2016,7(1):7-12.(in Chinese)

[7] 杨昭,高隽,谢昭. 局部GIST特征匹配核的场景分类[J].中国图象图形学报,2013,18(3):264-270. YANG Zhao,GAO Jun,XIE Zhao,et al.Scene classification based on local GIST feature matching kernel[J].Journal of Image and Graphics,2013,18(3):264-270.(in Chinese)

[8] SUPIC H,LJUBOVIC V. A compact color descriptor for image retrieval[C]//Proceedings of 2013 XXIV International Symposium on Information,Communication and Automation Technologies(ICAT). Sarajevo,Bosnia:IEEE,2013:1-5.

[9] 王瑞霞,彭国华. n-words模型下Hesse稀疏表示的图像检索算法[J].电子与信息学报,2016,38(5):1115-1122. WANG Ruixia,PENG Guohua. Image retrieval algorithm based on Hesse sparse representation in n-words mode[J].Journal of Electronics and Information Technology,2016,38(5):1115-1122.(in Chinese)

[10] LOWE D G. Distinctive image features from scale-invariant keypoints[J].International Journal of Computer Vision,2004,60(2):91-110.

[11] 王凡. 基于SIFT的图像检索特征改进方法[J].数字技术与应用,2016(1):139-141. WANG Fan. An improved method for image retrieval based on SIFT[J].Digital Technology and Application,2016(1):139-141.(in Chinese)

[12] BAY H,TUYTELAARS T,VAN GOOL L. Surf:speeded up robust features[C]//Proceedings of 2006 European Conference on Computer Vision.Graz,Austria:IEEE,2006:404-417.

[13] CHEN C C,HSIEH S L. Using binarization and hashing for efficient SIFT matching[J].Journal of Visual Communication and Image Representation,2015,30(C):86-93.

[14] 徐婷. 基于视觉注意模型和GIST特征的图像检索方法[D].桂林：广西师范大学,2014. XU Ting. Image retrieval method based on visual attention model and Gist feature [D].Guilin:Guangxi Normal University,2014.(in Chinese)

[15] ZHENG Y H,JEON B,XU D H,et al.Image segmentation by generalized hierarchical fuzzy C-means algorithm[J].Journal of Intelligent and Fuzzy Systems，2015,28(2):961-973.

[16] 李昆仑,孙硕. 基于改进SIFT算法的图像复制粘贴篡改检测[J].计算机科学,2016,43(S1):179-183. LI Kunlun,SUN Shuo. Image copy paste tampering detection based on improved SIFT algorithm[J].Computer Science,2016,43(S1):179-183.(in Chinese)

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

[18] 朱凌云,朱征宇,齐新勇. 融合多种内容特征的图像检索算法[J].计算机与现代化,2015,25(9):17-21. ZHU Lingyun,ZHU Zhengyu,QI Xinyong. An algorithm for image retrieval based on multiple features[J].Computer and Modernization,2015,25(9):17-21.(in Chinese)

AnImageRetrievalAlgorithmBasedonMulti-featureFusion

QIN Jiaohua，XIE Bei，XIANG Xuyu，YU Wentao，YI Jizheng

(College of Computer Science and Information Technology,Central South University of Forestry and Technology,Changsha 410004,China)

In order to solve the problem that the single feature cannot represent an image completely,an image retrieval algorithm based on multi-feature fusion is proposed. First,the generalized search tree(GIST) features of the query image and all the images in the image library are extracted. The similarity of two images is measured by the Euclidean distance. The image library is retrieved by the GIST feature of the query image,and the results are arranged by sorting the similarity value. Second,the scale invariant feature transform(SIFT) features of the query image are extracted as well as theksub-images which are at the front of the returned results. Then,the feature matching is performed by best bin first(BBF) algorithm. Finally,the retrieval results are returned by sorting the number of matching points. The experiment is carried out on the improved Corel1000 dataset. Compared with traditional single feature image retrieval algorithms,the proposed algorithm not only improves the retrieval accuracy but also achieves better retrieval efficiency.

image retrieval;image matching;GIST feature;SIFT feature;feature extraction

date:2017-03-09；Revised date：2017-05-12

国家自然科学基金资助项目(61772561，61602528，61602529)

10.3969/j.issn.1001-893x.2017.09.008

秦姣华，谢备，向旭宇，等.融合多特征的图像检索算法[J].电讯技术，2017,57(9):1023-1029.[QIN Jiaohua，XIE Bei，XIANG Xuyu，et al.An image retrieval algorithm based on multi-feature fusion[J].Telecommunication Engineering,2017,57(9):1023-1029.]

TN919.81

：A

：1001-893X(2017)09-1023-07

秦姣华(1973—),女,湖南沅江人，博士，教授、硕士生导师，主要研究方向为网络信息安全、图像处理、模式识别；

Email:qinjiaohua@163.com

谢备(1992—),男，湖北天门人，硕士研究生，主要研究方向为图像处理、模式识别；

向旭宇(1972—),男,湖南南县人，博士，教授，主要研究方向为模式识别、人工智能；

于文涛(1980—),女,山东烟台人，博士，讲师，主要研究方向为模式识别、人工智能；

易积政(1985—),男,湖南衡阳人，博士，讲师,主要研究方向为图像处理、模式识别、人工智能。

2017-03-09；

：2017-05-12

**通信作者：qinjiaohua@163.com Corresponding author：qinjiaohua@163.com