ＣｏｍｐｕｔｅｒＥｎｇｉｎｅｅｒｉｎｇａｎｄＡｐｐｌｉｃａｔｉｏｎｓ计算机工程与应用 ２０１３，４９（１０） １７７ 一种改进的快速特征点信息匹配算法 刘 佳，曹正文，孙德禄，邓雨晨 ＬＩＵ Ｊｉａ，ＣＡＯ Ｚｈｅｎｇｗｅｎ，ＳＵＮ Ｄｅｌｕ，ＤＥＮＧ Ｙｕｃｈｅｎ 西北大学信息科学与技术学院，西安７１０１２７ Ｓｃｈｏｏｌ ｏｆＩｎｆｏｒｍａｔｉｏｎ Ｓｃｉｅｎｃｅ＆Ｔｅｃｈｎｏｌｏｇｙ，Ｎｏｒｔｈｗｅｓｔ Ｕｎｉｖｅｒｓｉｔｙ，Ｘｉ’ａｎ ７１０１２７．Ｃｈｉｎａ ＬＩＵ Ｊｉａ，ＣＡＯ Ｚｈｅｎｇｗｅｕ，ＳＵＮ Ｄｅｌｕ，ｅｔ ａ１．Ｉｍｐｒｏｖｅｄ ａｌｇｏｒｉｔｈｍ ｏｆ ｆａｓｔ ｆｅａｔｕｒｅ ｐｏｉｎｔｓ ｍａｔｃｈｉｎｇ．Ｃｏｍｐｕｔｅｒ Ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄ Ａｐｐｌｉｃａｔｉｏｎｓ，２０１３，４９（１０）：１７７—１７９． Ａｂｓｔｒａｃｔ：Ｆｅａｔｕｒｅ ｐｏｉｎｔｓ ｍａｔｃｈｉｎｇ ｐｌａｙｓ ａｎ ｉｍｐｏｒｔａｎｔ ｒｏｌｅ ｉｎ ｉｍａｇｅ ｒｅｔｒｉｅｖｅ，ｐａｔｔｅｍ ｒｅｃｏｇｎｉｔｉｏｎ ａｎｄ ＳＯ ｏｎ．Ｆｅａｔｕｒｅ ｄｅｔｅｃｔｏｒｓ ｓｕｃｈ ａｓ ＳＩＦＴ（ＤｏＧ），Ｈａｒｒｉｓ ａｎｄ ＳＵＳＡＮ ａｌｇｏｒｉｔｈｍ ａｒｅ ｇｏｏｄ ｍｅｔｈｏｄｓ ｗｈｉｃｈ ｙｉｅｌｄ ｈｉｇｈ ｑｕａｌｉ￣ｆｅａｔｕｒｅｓ，ｈｏｗｅｖｅｒ ｔｈｅｙ ａｒｅ ｔｏｏ ｃｏｍｐｕ— ｔａｔｉｏｎａｌｌｙ ｉｎｔｅｎｓｉｖｅ ｆｏｒ ｕｓｉｎｇ ｉｎ ｒｅａｌ－ｔｉｍｅ ａｐｐｌｉｃａｔｉｏｎｓ ｏｆ ａｎｙ ｃｏｍｐｌｅｘｉｔｙ．Ｔｈｉｓ ｐａｐｅｒ ｐｕｔｓ ｆｏｒｗａｒｄ ａｎ ｉｍｐｒｏｖｅｄ ｆａｓｔ ｆｅａｔｕｒｅ ｐｏｉｎｔ ｍａｔｃｈｉｎｇ ａｌｇｏｒｉｔｈｍ．Ａｎｄ ｕｓｅｓ ｔｈｅ ｆｕｌｌ ａｆｉｎｅ ｍｅｔｈｏｄ ｔｏ ｅｘｔｒａｃｔ ｔｈｅ ｌｆｏｃａｌ ｆｅａｔｕｒｅ ｐｏｉｎｔｓ，ｗｈｉｃｈ ｉｔ ｗａｓ ａｄｖｏｃａｔｅｄ ｂｙ Ｇｕｏｓｈｅｎ ａｎｄ Ｊｅａｎ－Ｍｉｃｈｅｌ，ｔｈｅｎ ｕｓｅｓ ｔｈｅ Ｒａｎｄｏｍ Ｆｅｍ ｔｏ ｍａｔｃｈ ｆｅａｔｕｒｅ ｐｏｉｎｔｓ，ｕｓｅｓ ＲＡＮＳＡＮＣ ｔｏ ｒｅｍｏｖｅ ｄｅａｄ ｐｏｉｎｔｓ．Ｔｈｅ ｅｘｐｅｒｉｍｅｎｔａｌ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔ ｔｈｉｓ ｍｅｔｈｏｄ ｉｍｐｒｏｖｅｓ ｔｈｅ ｉｍａｇｅ ｍａｔｃｈｉｎｇ ｐｏｉｎｔｓ，ａｎｄ ｒｅｄｕｃｅｓ ｔｈｅ ｍａｔｃｈｉｎｇ ｔｉｍｅ． Ｋｅｙ ｗｏｒｄｓ：ｆｅａｔｕｒｅ ｐｏｉｎｔｓ；ｆｕｌｌ ａｆｉｎｅ；ｒａｎｄｏｍ ｆｅｒｎ；ｍａｔｃｈｉｎｇ；ＲＡＮＳＡＣ ｆ摘要：特征点匹配在图像检索、模式识别等技术中起着重要的作用。已有的匹配算法如ＳＩＦＴ（ＤｏＧ），Ｈａｒｒｉｓ以及ＳＵＳＡＮ 算法，虽然可以提取高质量的特征点，但是这些算法本身计算量比较大，难以将其运用于实时性要求比较高的应用中。提 出一种改进的快速特征点匹配算法，采用Ｇｕｏｓｈｅｎ Ｙｕ和Ｊｅａｎ．Ｍｉｃｈｅｌ Ｍｏｒｅｌ提出的全仿射方法，对局部特征点进行仿射变 换并模拟摄像机戍像原理，根据摄像机成像的仿射关系提取特征点并使用随机蕨类算法训练分类器，使用ＲＡＮＳＡＣ去除 坏点，实现对特征点的快速准确匹配。实验结果表明该方法提高了图像的匹配点数，同时降低了匹配时间。 关键词：特征点；全仿射变换；随机蕨类；匹配；ＲＡＮＳＡＣ 文献标志码：Ａ 中图分类号：ＴＰ ｄｏｉ：１Ｏ．３７７８／ｊ．ｉｓｓｎ．１００２．８３３１．１３０１．０１４８ １ 引言 在图像的识别、分类、检索和图像校正等问题中，特征 点匹配是必不可缺的一部分。应用最广泛的特征点匹配 算法是由Ｄａｖｉｄ Ｌｏｗｅ于２００４年提出的尺度不变特征变换 ＳＩＦＴ算法川。该算法及其改进算法已经广泛地应用于场景 感知 。 、机器人定位一 、图像检索 、目标跟踪 吸三维模型 一些场景图片中匹配点可以达到３ ０００个以上，因此单纯从 匹配点数上来说，ＡＳＩＦＴ算法是比较好的匹配算法，但对两 幅图像（图像大小：５１２×５１２）使用ＡＳＩＦＴ法进行匹配需要 十几秒以上的时间，对于每秒２５帧的视频图像，该算法的 实时性较差，还是难以满足快速匹配的要求。而随机蕨类 （Ｒａｎｄｏｍ Ｆｅｒｎ）法是Ｍｕｓｔａｆａ ０ｚｕｙｓａｌ等人２００９年针对随 机森林算法优点进行改进后提出的快速分类器算法 ，该 方法可以快速准确地进行特征点匹配，提高算法实时性。 据此，本文利用随机蕨类（Ｒａｎｄｏｍ Ｆｅｒｎ）的高效性和ＡＳＩＦＴ 算法优点，提出一种改进的快速特征点信息匹配算法。 重构 １等领域中。ＳＩＦＴ算法的性能取决于适当的尺度选择， 其优点是可以比较好地进行特征点匹配，但存在准确匹配 点数低，算法复杂度比较高，运行效率低等缺点。为了解决 该算法维数过高的问题，同年，Ｙａｎ Ｋｅ等引入主成分分析 （ＰｃＡ）对ＳＩＦＴ算法进行降维处理 ，从而提高了算法效率。 ２００８年，Ｈｅｒｂｅｒｔ Ｂａｙ等人提出了加速鲁棒特征提取算法 ２改进的特征点匹配算法的关键技术 特征点匹配算法一般至少包括两部分：检测特征点和 特征描述。首先，在检测特征点时应选择适当的感兴趣点 ＳＵＲＦ ，通过对关键点周围的小波变换进行求和运算来达 到目的，这种算法比原始的ＳＩＦＴ算法快好几倍。２００９年， Ｇｕｏｓｈｅｎ Ｙｕ和Ｊｅａｎ—Ｍｉｃｈｅｌ Ｍｏｒｅｌ提出将全仿射变化和ＳＩＦＴ 及其周围适当的像素区域。然后，将关于特征点的不变特 征和相关像素区域联系起来。对于特征点的检测和其特 算法结合的ＡＳＩＦＴ算法，大大提高了准确匹配的点数” ，在 基金项目：陕西省教育厅自然科学专项（Ｎｏ．１２ＪＫ０４９７）。 作者简介：刘佳（１９８９一），女，硕士研究生，主要研究领域为量子信息、信号与信息处理；曹正文（１９６９一），女，副教授，主要研究领域为 量子定位、信号与信息处理等；孙德禄（１９８７～），男，硕士研究生，主要研究领域为图像信息处理。Ｅ．ｍａｉｌ：ｌｉｕｊｉａｊｉａｍａｏ＠ｓｉｎａ．ｃｎ 收稿日期：２０１３一Ｏ１．１４ 修回日期：２０１３．０３—０４ 文章编号：１００２—８３３１（２０１３）１０—０１７７—０３ ＣｏｍｐｕｔｅｒＥｎｇｉｎｅｅｒｉｎｇ ａｎｄＡｐｐｌｉｃａｔｉｏｎｓ计算机工程与应用 征描述应当尽可能具有尺度和旋转等不变特性。因此本 ：文首先根据摄像机成像原理在不同视角下采集到的图像 之间的几何仿射关系，提取特征点并对特征点进行不变性 特征描述，然后使用随机蕨类分类器对特征点进行快速的 匹配，具体内容如下。 ｊ ，ｉｆＩ（ｐ ）＞ （，（尸）） 【０，ｏｔｈｅｒｗｉｓｅ （６） ２．３随机蕨类分类 随机蕨类算法 ｕ表示为式（７）： ２．１摄像机仿射模型 图像局部形变可以理解为是摄像机采集视角不同产 生的，存在摄像机运动的情况下可以用式（１）描述 ： ｃ ＝ａｒｇ ｍａｘＰ（ｃ＝ｅｉｌ￣，， ，…， ） 征集，使用贝叶斯变换可得： （７） 上式随机蕨类分类公式中Ｃ为类别随机变量，． 为特 ｕ（ｘ， ） ｕ（ａｘ＋ ＋ｅ，ｃｘ＋ ＋．， ） （１） 三维物体表面一个点在不同采集视角Ｐ和Ｐ 下，其 两者关系可以表述为式（２）： －－＞ＡＰ＋Ｄ＝ （２） 摄像机运动分解可以表示为图１。 图１摄像机运动分解图 由图１和式（２）可知 ＝ ＩＣ， ；ｌ Ｉ， 可以分解为下式： Ａ＝ （１ｆ，） （ ）＝ Ａ ㈦ ＞０，其中 （ １代表旋转变化的矩阵， 表示倾斜变化矩 阵。由文献［９】可知对于Ｕ１ ｘ，Ｙ）＝ｕ（ａ（２， ）），Ｕ２ ｘ，Ｙ）＝ ｕ（Ｓ（ｘ， ）），存在唯一参数ｆ（“ ，“：）和 （“ ，“。），使得鲥～＝ ＨｘＲ ） Ｒ：（ ）。相比于随机蕨类算法仅仅适用于对摄 像机平面仿射形变的情况，上述仿射模型考虑了摄像机光 轴的变化，因此能够更好地描述现实场景中的图像形变。 ２．２特征点选择及模式 Ｅｄｗａｒｄ Ｒｏｓｔｅｎ和Ｔｏｍ Ｄｒｕｍｍｏｎｄ在２００６年提出了 ＦＡＳＴ关键点检测方法 。在ｍ ｘ ｎ大小的图像块中Ｐ是 其中心，在其邻域内有足够多的点满足： Ⅳ＝ ∑Ｅ（ｃｉｒｃｌｅ（ｐ））１ Ｉ（ｘ）－Ｉ（ｐ）１＞ （４） 其中ｓ 为像素问比较的阈值，Ⅳ一般选取为１２，ｌ（ｘ）是 以ｒ为半径以Ｐ为圆心的圆上的像素，Ｉ（ｐ１为中心像素。 ＦＡＳＴ算法可以快速地检测出稳定的角点，利用ＦＡＳＴ获取 关键点，选取以ＦＡＳＴ特征关键点为中心的图像块，随机选 取两个像素 （ｄ 和，（ ， ）作比较 ”，表示为式（５）： ：』【１０＇，ｉｏｆ，ｔｈｅ（ ，ｒｗｉ１）＜Ｉｓｅ （ｄｊ，２Ｊ （５） 式（４）的各像素之间是的，而本文算法认为局部 像素之间具有一定关联性，所以提出使用图像块中的像素 和图像块均值作比较，可以表示为式（６）： Ｐ Ｃ＝ｃｉ］ 一 ＝ ㈦ 当Ｐ（Ｃ１为均匀分布时，式（７）可以简化为式（９）： ＝ａｒｇ ｍａｘ尸（ ， ，…，厂Ⅳｆｃ＝ｃｉ） （９） 由于直接求取联合概率过于复杂，设各个特征之间彼 此，因此可得 Ｐ（ ， ，…， ！ｃ＝ｃ ）＝兀Ｐ（ ｌｃ＝ｃ ） （１０） 特征之间彼此，完全忽视了特征之间的关系。 Ｍｕｓｔａｆａ Ｏｚｕｙｓａｌ对特征随机划分为Ⅳ组，每组大小为Ｓ， 所以式（１Ｏ）可以表达为式（１１）： Ｐ（ ， ，…，ｆ￣ｌｃ＝ｃ ）＝兀尸（ Ｉｃ＝ｃ ） （１１） 其中 Ｆ ［ （ ， （ ，２ 一， （ ， ）】， ＝１，２，…，Ⅳ ３实验结果及分析 特征点的配准应当具有快速准确的性能。本文的算 法正是基于此，首先选取ＦＡＳＴ方法检测关键点，然后根据 式（３）进行仿射变换，接着根据式（１１）求取仿射变换后的 模式，最后使用ＲＡＮＳＡＣ去除坏点。 实验是在Ｉｎｔｅｌ ｉ５ ＣＵＰ，２Ｇ内存平台下完成的。图２ 从左到右依次是ＡＳＩＦＴ算法、Ｒａｎｄｏｍ Ｆｅｒｎ算法及本文改 进算法的实验结果对比图。 （ａ）ＡＳＩＦＴ（ｂ）Ｒａｎｄｏｍ Ｆｅｒｎ （ｃ）本文算法 图２三种算法实验效果对比 表１分别从匹配点数和运行时问对本文算法、Ｒａｎｄｏｍ Ｆｅｍ及ＡＳＩＦＴ三种算法实验结果做了对比。ＡＳＦＴ算法虽 然可以匹配１ ４３０点，但其需要耗时达１８ Ｓ之多，实时性比 较差；Ｒａｎｄｏｍ Ｆｅｒｎ算法其运行时间仅为０．０３ Ｓ，但匹配点 数比较少，仅有３１ｌ点；本文所提出的算法匹配点数可以 刘佳，曹正文，孙德禄。等：一种改进的快速特征点信息匹配算法 ２０１３，４９（１０） １７９ 达到２ ０２１点，耗时仅仅为０．０６４ ｓ。相较于ＡＳＩＦＴ算法和 Ｒａｎｄｏｍ Ｆｅｒｎ算法，本文算法不仅可以满足时间要求比较 ｐｌｅ ｄｅｔｅｃｔｉｏｎ ｉｎ ｓｕｒｖｅｉｌｌａｎｃｅ ｓｃｅｎｅｓ［Ｊ］．Ｓｔｒｕｃｔｕｒａｌ，Ｓｙｎｔａｃｔｉｃ， ａｎｄ Ｓｔａｔｉｓｔｉｃａｌ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ．Ｂｅｒｌｉｎ：Ｓｐｒｉｎｇｅｒ—Ｖｅｒｌａｇ， ２００６．４１０９：１００一ｌ０８． 严格的场合，同时可以匹配更多的点，实现了快速而准确 的特征点匹配。 表１算法性能对比 ［４］Ｍｕｒａｒｋａ Ａ，Ｍｏｄａｙｉｌ Ｊ，Ｋｕｉｐｅｒｓ Ｂ．Ｂｕｉｌｄｉｎｇ ｌｏｃａｌ ｓａｆｅｔｙ ｍａｐｓ ｆｏｒ ａ ｗｈｅｅｌｃｈａｉｒ ｒｏｂｏｔ ｕｓｉｎｇ ｖｉｓｉｏｎ ａｎｄ ｌａｓｅｒｓ［Ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ３ｒｄ Ｃａｎａｄｉａｎ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ ａｎｄ Ｒｏｂｏｔ Ｖｉｓｉｏｎ．Ｗａｓｈｉｎｇｔｏｎ，ＤＣ：ＩＥＥＥ Ｃｏｍｐｕｔｅｒ Ｓｏｃｉｅｔｙ，２００６． ［５］Ｈａｒｅ Ｊ，Ｌｅｗｉｓ Ｐ．Ｓａｌｉｅｎｔ ｒｅｇｉｏｎｓ ｆｏｒ ｑｕｅｒｙ ｂｙ ｉｍａｇｅ ｃｏｎｔｅｎｔ， ｉｎ Ｉｍａｇｅ ａｎｄ Ｖｉｄｅｏ Ｒｅｔｒｉｅｖａｌ［Ｊ］．Ｌｅｃｔｕｒｅ Ｎｏｔｅｓ ｉｎ Ｃｏｍｐｕｔ Ｓｃｉ ３１１５．Ｂｅｒｌｉｎ：Ｓｐｒｉｎｇｅｒ－Ｖｅｒｌａｇ，２００４：３１７－３２５． ［６］Ｋｉｍ Ｊ，Ｓｅｉｔｚ Ｓ，Ａｇｒａｗａｌａ Ｍ．Ｖｉｄｅｏ—ｂａｓｅｄ ｄｏｃｕｍｅｎｔ ｔｒａｃｋｉｎｇ： ４结束语 本文算法充分利用Ｒａｎｄｏｍ Ｆｅｒｎ算法的优点，结合ＡＳＩＦＴ 算法中提出的全仿射思想，对特征点进行匹配，并有效提 高匹配点数。由于ＡＳＩＦＴ算法在全仿射的基础上使用ＳＩＦＴ Ｕｎｉｆｙｉｎｇ ｙｏｕｒ ｐｈｙｓｉｃａｌ ａｎｄ ｅｌｅｃｔｒｏｎｉｃ ｄｅｓｋｔｏｐｓ［Ｃ］／／Ｐｒｏｃｅｅｄ— ｉｎｇｓ ｏｆ ｔｈｅ １ ７ｔｈ Ａｎｎｕａｌ ＡＣＭ Ｓｙｍｐｏｓｉｕｍ ｏｎ Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ Ｓｏｆｔｗａｒｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ．Ｎｅｗ Ｙｏｒｋ，ＮＹ，ＵＳＡ：ＡＣＭ，２００４： ９９—１０７． 算法，而ＳＩＦＴ算法本身复杂度过高，导致运行时间比较长， 这样，ＡＳＩＦＴ也会存在同样的问题。而本文利用Ｒａｎｄｏｍ Ｆｅｒｎ算法实时快速的特点，将复杂的匹配部分交由分类器 ［７］Ｖｅｒｇａｕｗｅｎ Ｍ，Ｖａｎ Ｇｏｏｌ Ｌ ｗｅｂ—ｂａｓｅｄ ３Ｄ ｒｅｃｏｎｓｔｕｃｔｉｒｏｎ ｓｅｒ— ｖｉｃｅ，Ｍａｃｈ［Ｊ］．Ｖｉｓｉｏｎ Ａｐｐｌ，２００６，１７：４１１—４２６． ［８］Ｋｅ Ｙａｎ，Ｓｕｋｔｈａｎｋａｒ Ｒ．ＰＣＡ—ＳＩＦＴ：Ａ ｍｏｒｅ ｄｉｓｔｉｎｃｔｉｖｅ ｒｅｐｒｅ— ｓｅｎｔａｔｉｏｎ ｆｏｒ ｌｏｃａｌ ｉｍａｇｅ ｄｅｓｃｒｉｐｔｏｒｓ［Ｊ］．Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ，２００４，２：５０６—５ ｌ ３． 处理，改善了算法速度慢的缺点，提高了特征点匹配算法 的性能。下一步需要将该算法运用到实际应用中，结合实 际问题需求进一步改善算法性能。 ［９］Ｂａｙ Ｈ，Ｅｓｓ Ａ，Ｔｕｙｔｅｌａａｒｓ Ｔ，ｅｔ ａ１．ｓｕＲＦ：Ｓｐｅｅｄｅｄ ｕｐ ｒｏｂｕｓｔ ｆｅａｔｕｒｅｓ［Ｊ］．Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｉｍａｇｅ Ｕｎｄｅｒｓｔａｎｄｉｎｇ，２００８， １１Ｏ（３）：３４６—３５９． 参考文献： ［１］Ｌｏｗｅ Ｄ Ｇ．Ｄｉｓｔｉｎｃｔｉｖｅ ｉｍａｇｅ ｆｅａｔｕｒｅｓ ｆｒｏｍ ｓｃａｌｅ—ｉｎｖａｒｉａｎｔ ［１０］Ｙｕ Ｇ，Ｍｏｒｅｌ Ｊ Ｍ．Ａ ｆｕｌｌｙ ａｆｆｉｎｅ ｉｎｖａｒｉａｎｔ ｉｍａｇｅ ｃｏｍｐａｒｉ— ｓｏｎ ｍｅｔｈｏｄ［Ｃ］／／Ｐｒｏｃ ｏｆ ２００９ ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ａｃｏｕｓｔｉｃｓ，Ｓｐｅｅｃｈ ａｎｄ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ．Ｔａｉｐｅｉ：ＩＥＥＥ， ２００９：１５９７一ｌ６００． ｋｅｙ ｐｏｉｎｔｓ［Ｊ］．Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ，２００４， ６０（２）：９１．１１０． ［２］Ｆａｎ Ｑ，Ｂａｒｎａｒｄ Ｋ，Ａｍｉｒ Ａ，ｅｔ ａｌ Ｍａｔｃｈｉｎｇ ｓｌｉｄｅｓ ｔｏ ｐｒｅｓｅｎｔａ— ｔｉｏｎ ｖｉｄｅｏｓ ｕｓｉｎｇ ＳＩＦＴ ａｎｄ ｓｃｅｎｅ ｂａｃｋｇｒｏｕｎｄ ｍａｔｃｈｉｎｇ［Ｃ］／／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ８ｔｈ ＡＣＭ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｗｏｒｋｓｈｏｐ ｏｎ Ｍｕｌ— ｔｉｍｅｄｉａ Ｉｎｆｏｒｍａｔｉｏｎ Ｒｅｔｒｉｅｖａ１．Ｎｅｗ Ｙｏｒｋ．ＮＹ，ＵＳＡ：ＡＣＭ， ２００６：２３９—２４８． ［】１］Ｏｚｕｙｓａｌ Ｍ，Ｃａｌｏｎｄｅｒ Ｍ，Ｌｅｐｅｔｉｔ Ｖ，ｅｔ ａ１．Ｆａｓｔ ｋｅｙ ｐｏｉｎｔ ｒｅｃ— ｏｇｎｉｔｉｏｎ ｕｓｉｎｇ ｒａｎｄｏｍ ｆｅｒｎｓ［Ｊ］．ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ＰａＲｅｒｎ Ａｎａｌｙｓｉｓ ａｎｄ Ｍａｃｈｉｎｅ Ｉｎｔｅｌｌｉｇｅｎｃｅ，２００９，３２（３）：４８８—４６１． ［１２］Ｒｏｓｔｅｎ，Ｄｒｕｍｍｏｎｄ Ｔ．Ｍａｃｈｉｎｅ ｌｅａｒｎｉｎｇ ｆｏｒ ｈｉｇｈ—ｓｐｅｅｄ ｃｏｒ— ｎｅｒ ｄｅｔｅｃｔｉｏｎ［Ｃ］／／Ｅｕｒｏｐｅａｎ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ， Ｇｒａｚ Ａｕｓｔｒａｌｉａ，２００６：４３０—４３８． ［３］Ｎｅｇｒｅ Ａ，Ｔｒａｎ Ｈ，Ｇｏｕｒｉｅｒ Ｎ，ｅｔ ａ１．Ｃｏｍｐａｒａｔｉｖｅ ｓｔｕｄｙ ｏｆ ｐｅｏ— （上接１３ｌ页） ２００２：５５６—５６２． 的研究主要关注融合多种技术的特征提取方法，并应用本 ［５］Ｃｈｅｕｎｇ Ｚ，Ｐｈａｎ Ｋ Ｌ，Ｍａｈｉｄａｄｉａ Ａ，ｅｔ ａ１．Ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ ｆｏｒ ｌｅａｒｎｉｎｇ ｔｏ ｃｌａｓｓｉｆｙ ｑｕｅｓｔｉｏｎｓ［Ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ Ａｄｖａｎｃｅｓ ｉｎ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ．Ａｕｓｔｒａｌｉａ：Ｓｐｒｉｎｇｅｒ Ｂｅｒｌｉｎ／Ｈｅｉｄｅｌｂｅｒｇ， ２００４：１０６９—１０７５． 文的特征权重计算方法进行实验，进一步提高问题分类的 精度，从而更有效地提高问答系统的性能。另外需进一步 扩充问句库的数量，在大规模数据集上进一步检验本文的 算法。 ［６］段利国，陈俊杰，牛彦清．一种融合多种语义特征的中文问题 分类方法［Ｊ］＿太原理工大学学报，２０１１，４２（５）：４９４—４９８． 参考文献： ［１】郑实福，刘挺，秦兵，等．自动问答综述［Ｊ］．中文信息学报，２００２， ｌ６（６）：４６—５２． 【７］Ｇｒｕｂｅｒ Ｔ Ｒ．Ａ Ｔｒａｎｓｌａｔｉｏｎ．Ａｐｐｒｏａｃｈ ｔｏ ｐｏｒｔａｂｌｅ ｏｎｔｏｌｏｇｙ ｓｐｅｃ— ｉｉｆｃａｔｉｏｎｓ［Ｊ］．Ｋｎｏｗｌｅｄｇｅ Ａｃｑｕｉｓｉｔｉｏｎ，１９９３（５）：１９９—２２０． ［８】Ｄｕｍａｉｓ Ｓ Ｔ．Ｉｍｐｒｏｖｉｎｇ ｔｈｅ ｒｅｔｒｉｅｖａｌ ｏｆ ｉｎｆｏｒｍａｔｉｏｎ ｆｒｏｍ ｅｘ— ｔｅｒｎａｌ ｓｏｕｒｃｅｓ［Ｊ］．Ｂｅｈａｖｉｏｕｒ Ｒｅｓｅａｒｃｈ Ｍｅｔｈｏｄｓ，Ｉｎｓｔｒｕｍｅｎｔｓ ａｎｄ Ｃｏｍｐｕｔｅｒｓ，１９９１，２３（２）：２２９－２３６． ［２］Ｚｈａｎｇ Ｄｅｌｌ，Ｌｅｅ Ｗｅｅ Ｓｕｎ．Ｑｕｅｓｔｉｏｎ ｃｌａｓｓｉｉｆｃａｔｉｏｎ ｕｓｉｎｇ ｓｕｐ— ｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅｓ［Ｃ］／／ＳＩＧＩＲ，２００３：２６—３２． ［３］余正涛，樊孝忠，郭剑毅．基于支持向量机的汉语问旬分类［Ｊ］． 华南理工大学学报：自然科学版，２００５，３３（９）：２５—２９． ［４］ＬＩ Ｘ，ＲＯＴＨ Ｄ．Ｌｅａｒｎｉｎｇ ｑｕｅｓｔｉｏｎ ｃ１ａｓｓｉ６ｅｒｓ［ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ １ ９ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔａｔｉｏｎａｌ Ｌｉｎ— ｇｕｉｓｔｉｃｓ．Ｔａｉｗａｎ：Ａｓｓｏｃｉａｔｉｏｎ ｆｏｒ Ｃｏｍｐｕｔａｔｉｏｎａｌ Ｌｉｎｇｕｉｓｔｉｃｓ， ［９］张宇，刘挺，文勖．基于改进贝叶斯模型的问题分类［Ｊ］．中文信 息学报，２００５，１９（２）：１００．１０５． ［１ ０］Ｈｓｕ ＣＷ，Ｌｉｎ ＣＪ．Ａ ｃｏｍｐａｒｉｓｏｎ ｏｆ ｍｅｔｈｏｄｓ ｆｏｒ ｍｕｌｔｉｃｌａｓｓ ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅｓ［Ｊ］．ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｎｅｕｒａｌ ｎｅｔ－ ｗｏｒｋｓ，２００２，１３（２３）：４１５－４２５．
