2.1 图像特征的获取.

对每个训练图像集合中的每一个图像,首先生成HSI颜色直方图、一、二、三阶颜色矩和Gabor小波构造第一个SVM特征子空间。然后针对SIFT构造第二个SVM特征子空间。针对这两个SVM特征子空间，分别使用LibSVM进行训练,获取SVM模型信息.使用训练好的SVM模型,多核多特征融合方式分类识别.图1是获取特征空间的过程. 图2是针对特征空间, 多特征多核识别

.

图1 获取特征空间的过程 图2 多特征识别

2.2 负载均衡考虑

在图像推介过程中，需要针对训练图像和待分类图像获取RGB颜色直方图、一、二、三阶颜色矩和Gabor小波、SIFT特征,然后进行SVM训练.在推介过程中,需要模糊化0上下文信息,使用上下文敏感SVM和CF协同工作方式进行推介.因此推介系统需要极高的运算性能和运算内存,在实际处理中通常采取分布使处理，以实现负载均衡。本文采取多个服务器分担两个SVM训练、多核判断处理、协同推介.这些服务器之间通过TCP自定义协议方式进行通讯。分布式处理的过程如图3所示。

图3分布式处理工作过程

3 图像特征获取

利用图像的HSV颜色直方图、颜色矩、Gabor小波和SIFT特征进行目标分类.以此为基础训练三个SVM分类器,形成多判别分类器进行目标识别. 3.1 HSV颜色直方图和颜色矩

提取图像的HSV颜色直方图和图像的颜色矩.HSI颜色空间是直方图最常用的颜色空间,它的三个分量分别代表色彩（Hue）、饱和度（Saturation）和强度(Intensity）. HSI模型是Munseu提出的, 这个模型的建立基于两个重要的事实： ① I分量与图像的彩色信息无关；② H和S分量与人感受颜色的方式是紧密相联的.这些特点使得HSI模型非常适合借助人的视觉系统来感知彩色特性. 公式1为HIS与RGB转换公式.

颜色矩是一种简单而有效的颜色特征,是由Stricker和Oreng提出的,这种方法的数学基础是图像中的任何的颜色分布均可以用它的矩来表示.此外,由于颜色分布信息主要集中在低阶矩中,因此,仅采用颜色的一阶矩(mean)、二阶矩(Variance)和三阶矩(Skewness)就可以表达图像的颜色分布. 公式2为一、二、三阶颜色矩计算