基于主題模型方法和領(lǐng)域規(guī)則庫實現(xiàn)場景分析描述的方法
【專利摘要】本發(fā)明涉及一種基于主題模型方法和領(lǐng)域規(guī)則庫實現(xiàn)場景分析描述的方法，其中包括獲取訓練視頻圖像并采用對象分類器進行訓練得到滴狀對象容器和紋理對象容器；將滴狀對象容器和紋理對象容器進行融合并進行分析得到語義主題模型；獲取測試視頻圖像并根據(jù)語義主題模型對測試視頻圖像進行場景分類得到場景分類結(jié)果；根據(jù)語義主題模型的場景分類結(jié)果和基于先驗知識建立的領(lǐng)域規(guī)則庫對測試視頻圖像進行場景語義理解描述。采用該種基于主題模型方法和領(lǐng)域規(guī)則庫實現(xiàn)場景分析描述的方法，基于主題模型對場景進行分類的基礎(chǔ)上引入領(lǐng)域規(guī)則庫對場景進行潛在語義信息的挖掘，具有良好的目的導向性和擴展性，簡單有效，適用于大規(guī)模推廣應(yīng)用。
【專利說明】基于主題模型方法和領(lǐng)域規(guī)則庫實現(xiàn)場景分析描述的方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及計算機視覺分析與智能理解【技術(shù)領(lǐng)域】，尤其涉及基于主題模型方法和領(lǐng)域規(guī)則庫對圖像場景進行描述和高層理解領(lǐng)域，具體是指一種基于主題模型方法和領(lǐng)域規(guī)則庫實現(xiàn)場景分析描述的方法。
【背景技術(shù)】
[0002]場景分類作為計算機視覺領(lǐng)域中圖像分析理解技術(shù)的重要組成部分，其目標在于基于輸入圖像得到符合人類普遍認知的宏觀語義信息。圖像分類即是建立底層視覺特征(如顏色、邊緣、紋理等)與高層語義概念之間的聯(lián)系，最終得到場景的類別描述信息，如森林、海岸、籃球場等。目前，常見的場景分類方法有兩種，分別為基于圖像底層特征的方法和通過構(gòu)建中間語義層的方法。所謂基于圖像底層特征的方法，是利用圖像的底層特征，如顏色、紋理和邊緣特征等，將圖像作為一個整體，應(yīng)用監(jiān)督學習方法，對場景進行分類，如室內(nèi)/室外、森林/街道等場景圖像，然而，該類方法只能對小部分的場景進行分類，有一定的局限性。此外，該類方法存在的另外一個主要問題為，底層物理特征通常只能反映圖像在物理感知層面的特點，而非人們所關(guān)注的認知層面的理解。第二種方法通過構(gòu)建中間語義層，能夠?qū)崿F(xiàn)更多場景類別的識別，如引入文本分析中的概率隱含語義分析模型，建立圖像模型。然而這類方法僅僅是對場景進行了分類，沒有涉及到對場景的分析，以及興趣度事件的挖掘，而本發(fā)明即是在另外一種主題模型方法狄利克雷分布的基礎(chǔ)上，引入領(lǐng)域知識庫，除了進行場景分類外，亦對場景中存在的典型興趣度事件進行挖掘。從對視覺理解的角度看，場景的分析和描述和場景中包含的對象有著極大的關(guān)系，如場景中存在人、足球、網(wǎng)，則最有可能的場景是足球場。
[0003]吳玲達等在其申請的發(fā)明專利“一種基于區(qū)域潛在語義特征的自然場景圖像分類方法”[200810031577.3]中公開了一種基于區(qū)域潛在語義特征的自然場景分類方法。利用圖像的區(qū)域潛在語義信息和該信息在空間的分布規(guī)律來進行自然場景圖像分類。提出的方法引入了區(qū)域潛在語義特征，不僅描述了圖像分塊的區(qū)域信息，而且還對分塊在空間的分布信息進行了描述，該方法可以得到較高的準確率，且不需要人工標注，自動化程度高。
[0004]戴瓊海等在其申請的發(fā)明專利“基于譜圖聚類分析的圖像集合的場景分類方法及裝置” [201110221407.3]中公開了一種基于譜圖分析的圖像結(jié)合的場景分類方法及裝置，該方法通過交互時間確定的隸屬度更加精確，避免非線性數(shù)據(jù)的丟失，進而提高分類結(jié)果的準確性，同時，該發(fā)明的裝置結(jié)構(gòu)簡單，易于實現(xiàn)。
[0005]金標等在其申請的發(fā)明專利“一種基于目標及其空間關(guān)系特性的圖像場景分類方法” [201110214985.4]中公開了一種基于目標及其空間關(guān)系特性的圖像場景分類方法，通過計算圖像中目標之間的空間關(guān)系直方圖，分類其空間關(guān)系，建立融合主題之間空間關(guān)系特性的概率隱含語義分析模型，最后，采用支持向量機方法對場景進行分類。該方法彌補了現(xiàn)有圖像場景分類方法忽視圖像中目標之間空間關(guān)系特性的缺陷，有效地提高了分類準確率。[0006]綜上可知，上述專利均從場景分類角度對圖像進行了處理，對于圖像中存在的對象和圖像表述含義之間的關(guān)系未進行關(guān)注，對圖像所蘊含潛在的語義信息未能進行深度及有效挖掘。

【發(fā)明內(nèi)容】

[0007]本發(fā)明的目的是克服了上述現(xiàn)有技術(shù)的缺點，提供了一種能夠?qū)崿F(xiàn)基于主題模型對場景進行分類的基礎(chǔ)上引入領(lǐng)域規(guī)則庫對場景進行潛在語義信息的挖掘、對興趣度事件進行挖掘描述、具有良好的目的導向性和擴展性、簡單有效、適用于大規(guī)模推廣應(yīng)用的基于主題模型方法和領(lǐng)域規(guī)則庫實現(xiàn)場景分析描述的方法。
[0008]為了實現(xiàn)上述目的，本發(fā)明的基于主題模型方法和領(lǐng)域規(guī)則庫實現(xiàn)場景分析描述的方法具有如下構(gòu)成:
[0009]該基于主題模型方法和領(lǐng)域規(guī)則庫實現(xiàn)場景分析描述的方法，其主要特點是，所述的方法包括以下步驟:
[0010](I)獲取訓練視頻圖像并采用對象分類器對訓練視頻圖像進行訓練得到滴狀對象容器和紋理對象容器；
[0011](2)將所述的滴狀對象容器和紋理對象容器進行融合并對融合的對象容器進行分析得到語義主題模型；
[0012](3)獲取測試視頻圖像并根據(jù)所述的語義主題模型對所述的測試視頻圖像進行場景分類得到場景分類結(jié)果；
[0013](4)根據(jù)所述的語義主題模型的場景分類結(jié)果和基于先驗知識建立的領(lǐng)域規(guī)則庫對所述的測試視頻圖像進行場景語義理解描述。
[0014]較佳地，所述的采用對象分類器對訓練視頻圖像進行訓練得到滴狀對象容器和紋理對象容器，包括以下步驟:
[0015](11)對所述的訓練視頻圖像采用尺度不變特征轉(zhuǎn)換特征提取方法進行處理得到特征矩陣；
[0016](12)在特征矩陣上采用支持向量機方法進行訓練得到滴狀對象容器，采用紋理分類方法訓練得到紋理對象容器。
[0017]更佳地，所述的特征矩陣的行表示不同幀的訓練視頻圖像，所述的特征矩陣的列表示尺寸不變特征轉(zhuǎn)換特征信息。
[0018]較佳地，所述的將所述的滴狀對象容器和紋理對象容器進行融合，具體為:
[0019]將所述的滴狀對象容器和紋理對象容器中所有的類標簽放在一起形成融合的對象容器。
[0020]較佳地，所述的對融合的對象容器進行分析得到語義主題模型，具體為:
[0021]對融合的對象容器采用隱含狄利克雷方法進行分析得到語義主題模型。
[0022]較佳地，所述的獲取測試視頻圖像并根據(jù)所述的語義主題模型對所述的測試視頻圖像進行場景分類得到場景分類結(jié)果，包括以下步驟:
[0023](31)獲取測試視頻圖像并采用對象分類器對測試視頻圖像進行訓練得到測試滴狀對象容器和測試紋理對象容器；
[0024](32)將所述的測試滴狀對象容器和測試紋理對象容器進行融合得到融合的測試對象容器；
[0025](33)根據(jù)所述的語義主題模型和融合的測試對象容器對所述的測試視頻圖像進行場景分類得到場景分類結(jié)果。
[0026]較佳地，所述的根據(jù)所述的語義主題模型的場景分類結(jié)果和基于先驗知識建立的領(lǐng)域規(guī)則庫對所述的測試視頻圖像進行場景語義理解描述，包括以下步驟:
[0027](41)基于先驗知識建立領(lǐng)域規(guī)則庫，所述的領(lǐng)域規(guī)則庫包含對領(lǐng)域內(nèi)感興趣事件的規(guī)則描述；
[0028](42)根據(jù)所述的場景分類結(jié)果和領(lǐng)域規(guī)則庫，采用規(guī)則推理方法得到所述的測試視頻圖像的場景語義理解描述。
[0029]更佳地，所述的采用規(guī)則推理方法得到所述的測試視頻圖像的場景語義理解描述，包括以下步驟:
[0030](421)對場景中存在的事件進行挖掘輸出場景的結(jié)構(gòu)化描述結(jié)果；
[0031](422)采用自定義的輸出形式對場景進行描述。
[0032]采用了該發(fā)明中的基于主題模型方法和領(lǐng)域規(guī)則庫實現(xiàn)場景分析描述的方法，具有如下有益效果:
[0033](I)本發(fā)明在基于主題模型對場景進行分類的基礎(chǔ)上，引入領(lǐng)域規(guī)則庫對場景進行潛在語義信息的挖掘，對興趣度事件進行描述，和以往的基于底層特征的場景分類方法相比，該方法采用基于主題模型的方法，將對象作為特征輸入，基于高層語義對場景進行分類，更加準確，包含含義也更豐富。因為主題模型是非監(jiān)督的方法，輸出的單純是場景的分類結(jié)果，無法對場景攜帶的豐富信息進行結(jié)構(gòu)化分析和描述，為此，引入了基于先驗知識的規(guī)則知識庫對其進行進一步完善，輸出結(jié)構(gòu)化的場景描述結(jié)果。因此，本發(fā)明專利的方法不僅可以對潛在語義信息進行挖掘，同時，因為基于領(lǐng)域規(guī)則庫對興趣度事件進行挖掘，有很好的目的導向性和擴展性。
[0034](2)本發(fā)明的方法將監(jiān)督學習的先驗知識和非監(jiān)督學習的主題模型方法結(jié)合起來，將主題模型得到的場景分類結(jié)果和先驗知識給出的場景分類信息規(guī)則進行綜合，在領(lǐng)域規(guī)則庫的基礎(chǔ)上，給出更加準確的場景描述結(jié)果，和復雜的有監(jiān)督的學習方法如隱馬爾科夫模型方法相比，本發(fā)明的方法更加簡潔且有效，是一種半監(jiān)督的場景分類及描述方法。
[0035](3)基于領(lǐng)域規(guī)則庫進行場景分析，可以對視頻圖像中的興趣度事件進行挖掘，規(guī)則的建立基于不同領(lǐng)域的先驗知識，基于先驗知識建立的規(guī)則庫可以隨著領(lǐng)域知識的擴展不斷完善，從而可以提供愈來愈完善的場景描述，輸出更加豐富的信息。本發(fā)明使用于從海量的視頻圖像中挖掘出感興趣度圖片和事件，以及對視頻抽檢時進行分類查看，有著廣闊的發(fā)展前景，適用于大規(guī)模推廣應(yīng)用。
【專利附圖】

【附圖說明】
[0036]圖1為本發(fā)明的基于主題模型方法和領(lǐng)域規(guī)則庫實現(xiàn)場景分析描述的方法的流程圖。
[0037]圖2為本發(fā)明的基于主題模型方法和領(lǐng)域規(guī)則庫實現(xiàn)場景分析描述的方法應(yīng)用于實施例的流程圖。
[0038]圖3為本發(fā)明的采用對象分類器對訓練視頻圖像進行訓練的示意圖?！揪唧w實施方式】
[0039]為了能夠更清楚地描述本發(fā)明的技術(shù)內(nèi)容，下面結(jié)合具體實施例來進行進一步的描述。
[0040]本發(fā)明的實施提供了一種新的基于主題模型方法和領(lǐng)域規(guī)則庫的場景分析描述方法和系統(tǒng)，包括對象分類器生成、融合對象容器生成、場景分類和場景語義理解描述。在對象分類器生成階段:首先對待訓練學習的視頻圖像采用尺度不變特征轉(zhuǎn)換(Scale-1nvariant Feature Transform, SIFT)特征提取方法進行處理,得到特征矩陣,然后，在特征矩陣上分別采用基于支持向量方法和紋理分類方法進行分類，得到不同的對象模板容器:滴狀對象(如桌子、車、人等)和紋理對象(如天空、道路、沙灘等)。為了發(fā)現(xiàn)這些對象背后隱藏的語義信息，首先采用融合對象容器對這些不同類型的對象進行融合，然后采用語義主題模型方法得到場景分類結(jié)果。而在場景語義理解描述階段，將先驗知識引入來設(shè)計領(lǐng)域規(guī)則庫，并基于語義主題模型的場景分類結(jié)果，來對場景進行高層分析描述，按照自定義輸出形式輸出最后的場景語義描述。
[0041]為了使本發(fā)明實現(xiàn)的技術(shù)手段、創(chuàng)新特征、達成目標與功能易于明白了解，下面結(jié)合具體圖示，進一步闡述本發(fā)明。其中，本實施例選取的主題模型方法和圖像特征不是本發(fā)明的限制范圍，本發(fā)明可用于其他等效的實施例。
[0042]如圖1、2所示，描述了基于主題模型方法和領(lǐng)域規(guī)則庫的場景分析描述方法的總體流程圖表示。圖3描述了對象分類器的詳細設(shè)計
[0043]本發(fā)明涉及的基于主題模型方法和領(lǐng)域規(guī)則庫的場景分析描述方法，是通過以下技術(shù)方案實現(xiàn)的:
[0044](I)獲取輸入的訓練視頻圖像101，首先采用對象分類器102對其進行處理，而在對象分類器102中:`[0045](1.1)首先采用尺度不變特征轉(zhuǎn)換特征提取方法提取待訓練的視頻圖像的SIFT特征集合，得到特征矩陣的描述，其中矩陣行代表了不同幀的視頻圖像，而列則代表了 SIFT特征信息，列數(shù)為128維。
[0046](1.2)在特征矩陣201上，分別采用支持向量機方法進行訓練得到滴狀對象容器202，采用紋理分類方法訓練得到紋理對象容器203。其中，所謂的對象容器(滴狀對象容器和紋理對象容器)指的是在容器中包含多個某類對象(如滴狀對象)的類標簽。
[0047](2)在對象分類器容器(^__和的基礎(chǔ)上，將(:——和進行融合，得到融合的對象容器105C.，其中Cft^=CwLu Citsm,即是將(:—_和Caa前中所有的類標簽放在一起，作為最后的融合結(jié)果，其中“U”代表集合的“并運算”。在C.上，采用隱含狄利克雷分布方法進行分析，得到語義主題模型106。
[0048](3)在訓練得到的語義主題模型106之上，既可以對視頻圖像進行場景分類，首先獲取測試的視頻測試圖像103，并采用尺度不變特征轉(zhuǎn)換特征提取方法提取其SIFT特征矩陣201D?a，其中矩陣行代表了不同幀的視頻圖像，而列則代表了 SIFT特征信息，列數(shù)為128維。
[0049](4)在提取的SIFT特征矩陣201上，分別采用上述訓練得到的支持向量機方法和紋理分類方法對滴狀對象容器和紋理對象容器進行匹配識別分類，得到訓練視頻圖像的所包含的對象模版容器104 (包含有“室內(nèi)”和“人”類對象)。
[0050](5)在匹配得到的對象容器104中包含了滴狀對象容器紋理對象容器C
紋理測試彳.C滴點測試#口紋理測試_彳〒測試融合=C滴點測試IJ C紋理測試^；巾“ y ”代表集入的“并
運算”，得到融合的測試對象容器107CWia'即可采用訓練階段得到的語義主題模型進行語義主題模型的匹配識別，得到場景的分類結(jié)果(室內(nèi))。
[0051](6)基于先驗知識108來完成領(lǐng)域規(guī)則庫109的設(shè)計，在領(lǐng)域規(guī)則庫中包含了對領(lǐng)域感興趣的事件進行規(guī)則描述，此外，領(lǐng)域規(guī)則庫可以隨著先驗知識的擴充，進行不斷完善。領(lǐng)域規(guī)則庫中包含了一系列的規(guī)則，這些規(guī)則是基于先驗知識來設(shè)定的，它們的定義是根據(jù)特定的領(lǐng)域和面向?qū)嶋H應(yīng)用需要而定的，有一定的導向性，因此，得到的也是領(lǐng)域和現(xiàn)實關(guān)注的有價值的信息，例如針對測試圖片設(shè)定規(guī)則為:若場景中包含的人的對象個數(shù)超過一定數(shù)目，即定義為聚集事件，則在輸出最終的場景描述中，除了輸出當前的場景分類結(jié)果外，還將該場景中發(fā)生的該事件進行描述。
[0052](7)在語義主題模型106和基于先驗知識108建立的領(lǐng)域規(guī)則庫109上，依據(jù)規(guī)則推理方法，即可得到視頻圖像的場景語義理解描述110，對其中存在的興趣度事件進行描述，依據(jù)預先定義的來對感興 趣的信息進行挖掘?；趫鼍胺诸惤Y(jié)果和對象組合容器，應(yīng)用建立的領(lǐng)域規(guī)則庫，進行場景中存在的事件挖掘，輸出場景的結(jié)構(gòu)化描述結(jié)果，采用自定義的輸出形式來對場景進行描述，三元組形式為:(室內(nèi)，有，人群)和(室內(nèi)，出現(xiàn)，聚集事件)，等價的自然語言表達為:當前室內(nèi)場景有人群出現(xiàn)聚集事件。
[0053]采用了該發(fā)明中的基于主題模型方法和領(lǐng)域規(guī)則庫實現(xiàn)場景分析描述的方法，具有如下有益效果:
[0054](I)本發(fā)明在基于主題模型對場景進行分類的基礎(chǔ)上，引入領(lǐng)域規(guī)則庫對場景進行潛在語義信息的挖掘，對興趣度事件進行描述，和以往的基于底層特征的場景分類方法相比，該方法采用基于主題模型的方法，將對象作為特征輸入，基于高層語義對場景進行分類，更加準確，包含含義也更豐富。因為主題模型是非監(jiān)督的方法，輸出的單純是場景的分類結(jié)果，無法對場景攜帶的豐富信息進行結(jié)構(gòu)化分析和描述，為此，引入了基于先驗知識的規(guī)則知識庫對其進行進一步完善，輸出結(jié)構(gòu)化的場景描述結(jié)果。因此，本發(fā)明專利的方法不僅可以對潛在語義信息進行挖掘，同時，因為基于領(lǐng)域規(guī)則庫對興趣度事件進行挖掘，有很好的目的導向性和擴展性。
[0055](2)本發(fā)明的方法將監(jiān)督學習的先驗知識和非監(jiān)督學習的主題模型方法結(jié)合起來，將主題模型得到的場景分類結(jié)果和先驗知識給出的場景分類信息規(guī)則進行綜合，在領(lǐng)域規(guī)則庫的基礎(chǔ)上，給出更加準確的場景描述結(jié)果，和復雜的有監(jiān)督的學習方法如隱馬爾科夫模型方法相比，本發(fā)明的方法更加簡潔且有效，是一種半監(jiān)督的場景分類及描述方法。
[0056](3)基于領(lǐng)域規(guī)則庫進行場景分析，可以對視頻圖像中的興趣度事件進行挖掘，規(guī)則的建立基于不同領(lǐng)域的先驗知識，基于先驗知識建立的規(guī)則庫可以隨著領(lǐng)域知識的擴展不斷完善，從而可以提供愈來愈完善的場景描述，輸出更加豐富的信息。本發(fā)明使用于從海量的視頻圖像中挖掘出感興趣度圖片和事件，以及對視頻抽檢時進行分類查看，有著廣闊的發(fā)展前景，適用于大規(guī)模推廣應(yīng)用。
[0057]在此說明書中，本發(fā)明已參照其特定的實施例作了描述。但是，很顯然仍可以作出各種修改和變換而不背離本發(fā)明的精神和范圍。因此，說明書和附圖應(yīng)被認為是說明性的而非限制性的。
【權(quán)利要求】
1.一種基于主題模型方法和領(lǐng)域規(guī)則庫實現(xiàn)場景分析描述的方法，其特征在于，所述的方法包括以下步驟: (1)獲取訓練視頻圖像并采用對象分類器對訓練視頻圖像進行訓練得到滴狀對象容器和紋理對象容器； (2)將所述的滴狀對象容器和紋理對象容器進行融合并對融合的對象容器進行分析得到語義主題模型； (3)獲取測試視頻圖像并根據(jù)所述的語義主題模型對所述的測試視頻圖像進行場景分類得到場景分類結(jié)果； (4)根據(jù)所述的語義主題模型的場景分類結(jié)果和基于先驗知識建立的領(lǐng)域規(guī)則庫對所述的測試視頻圖像進行場景語義理解描述。
2.根據(jù)權(quán)利要求1所述的基于主題模型方法和領(lǐng)域規(guī)則庫實現(xiàn)場景分析描述的方法，其特征在于，所述的采用對象分類器對訓練視頻圖像進行訓練得到滴狀對象容器和紋理對象容器，包括以下步驟: (11)對所述的訓練視頻圖像采用尺度不變特征轉(zhuǎn)換特征提取方法進行處理得到特征矩陣； (12)在特征矩陣上采用支持向量機方法進行訓練得到滴狀對象容器，采用紋理分類方法訓練得到紋理對象容器。
3.根據(jù)權(quán)利要求2所述的基于主題模型方法和領(lǐng)域規(guī)則庫實現(xiàn)場景分析描述的方法，其特征在于，所述的特征矩陣的行`表示不同幀的訓練視頻圖像，所述的特征矩陣的列表示尺寸不變特征轉(zhuǎn)換特征信息。
4.根據(jù)權(quán)利要求1所述的基于主題模型方法和領(lǐng)域規(guī)則庫實現(xiàn)場景分析描述的方法，其特征在于，所述的將所述的滴狀對象容器和紋理對象容器進行融合，具體為: 將所述的滴狀對象容器和紋理對象容器中所有的類標簽放在一起形成融合的對象容器。
5.根據(jù)權(quán)利要求1所述的基于主題模型方法和領(lǐng)域規(guī)則庫實現(xiàn)場景分析描述的方法，其特征在于，所述的對融合的對象容器進行分析得到語義主題模型，具體為: 對融合的對象容器采用隱含狄利克雷方法進行分析得到語義主題模型。
6.根據(jù)權(quán)利要求1所述的基于主題模型方法和領(lǐng)域規(guī)則庫實現(xiàn)場景分析描述的方法，其特征在于，所述的獲取測試視頻圖像并根據(jù)所述的語義主題模型對所述的測試視頻圖像進行場景分類得到場景分類結(jié)果，包括以下步驟: (31)獲取測試視頻圖像并采用對象分類器對測試視頻圖像進行訓練得到測試滴狀對象容器和測試紋理對象容器； (32)將所述的測試滴狀對象容器和測試紋理對象容器進行融合得到融合的測試對象容器； (33)根據(jù)所述的語義主題模型和融合的測試對象容器對所述的測試視頻圖像進行場景分類得到場景分類結(jié)果。
7.根據(jù)權(quán)利要求1所述的基于主題模型方法和領(lǐng)域規(guī)則庫實現(xiàn)場景分析描述的方法，其特征在于，所述的根據(jù)所述的語義主題模型的場景分類結(jié)果和基于先驗知識建立的領(lǐng)域規(guī)則庫對所述的測試視頻圖像進行場景語義理解描述，包括以下步驟:(41)基于先驗知識建立領(lǐng)域規(guī)則庫，所述的領(lǐng)域規(guī)則庫包含對領(lǐng)域內(nèi)感興趣事件的規(guī)則描述； (42)根據(jù)所述的場景分類結(jié)果和領(lǐng)域規(guī)則庫，采用規(guī)則推理方法得到所述的測試視頻圖像的場景語義理解描述。
8.根據(jù)權(quán)利要求7所述的基于主題模型方法和領(lǐng)域規(guī)則庫實現(xiàn)場景分析描述的方法，其特征在于，所述的采用規(guī)則推理方法得到所述的測試視頻圖像的場景語義理解描述，包括以下步驟: (421)對場景中存在的事件進行挖掘輸出場景的結(jié)構(gòu)化描述結(jié)果； (422)采用自定義的輸出形式對場景進行描述。
【文檔編號】G06F17/30GK103778443SQ201410057882
【公開日】2014年5月7日 申請日期:2014年2月20日 優(yōu)先權(quán)日:2014年2月20日
【發(fā)明者】何瑩, 王建, 譚懿先, 梅林 , 吳軼軒, 杜歡, 尚巖峰, 王文斐, 鐘雪霞 申請人:公安部第三研究所