1.基于语义分割场景的示例搜索方法，其特征在于包含以下步骤：步骤1：输入数据集样本矩阵X，X是n*d维的矩阵，n是示例的个数，d是图片特征的维度，并输入图片集对应的语义类标记矩阵Y，Y是n*c维的矩阵，n是示例个数，c是类标记的数量；

步骤2：从数据集中随机抽取一部分示例作为抽样示例集，通过计算示例和抽样示例之间的相似度，减少计算时间开销，提高算法的效率；

步骤3：对于数据集中的每一个示例，引入语义一致性构建目标函数表达式O(A)，其中A是d*d维的矩阵,d是图片特征的维度，是在编码阶段需要的马氏距离度量矩阵，通过特征值求解方式求最优解，即得到最优化的距离度量矩阵A；

步骤4：对于每一个示例样本x，用距离度量矩阵A乘以示例样本x和抽样示例之间的距离，得到距离度量学习后的优化距离，然后再利用哈希技术进行编码，将示例由原始的d维特征压缩映射成k维的二进制编码；

步骤5：对于一个新的查询图片q，具有标记c1和c2，要定位标记c1，首先用步骤3中训练得到的距离度量矩阵A乘以图片q中标记c1对应的示例和抽样示例之间的相似度，得到引入语义一致性之后的优化距离，再通过编码函数计算出查询示例的二进制编码，与图片数据集中各示例的二进制编码比较汉明距离，如果汉明距离小于设定的门限阈值r，即认为两示例是近似示例，返回示例所在的图片包，就可以追踪标记c1的近邻图片。

2.根据权利要求1所述的基于语义分割场景的示例搜索方法，其特征在于步骤3具体包含以下步骤：步骤1：在计算优化距离时，若图片数据集中包含n张示例，定义示例间的马氏距离D是一个n*m维的矩阵，关系矩阵中的每一个元素定义为：D(xi,uj)＝(xi-uj)TA(xi-uj)  (1)上式中A表示需要学习的马氏距离度量矩阵，xi表示数据集中的第i个示例，uj表示抽样示例集中的中的第j个示例；

步骤2：定义目标函数式O(A)为：

其中yij表示第i个示例样本的类标记向量，类标记向量是c维的列向量，c是类的数目，向量中元素的值为1或0，分别表示示例属于这个类和不属于这个类，和第j个抽样示例样本的类标记向量是否一致，一致为1，不一致为0，xi代表第i个示例，uj代表第j个抽样示例；

步骤3：采用求解特征值的方法求最优解，马氏距离度量矩阵A的初始值为单位阵，A的可行域为Λr＝{A＝WWT|WTW＝Ir,W∈Rd×r}那么对于任意半正定矩阵M，xi,xj(列向量)之间的马氏距离为：即有：

T T

(xi-uj) A(xi-uj)＝tr((xi-uj)(xi-uj) A)＝tr((xi-uj)(xi-uj)TWWT)  (6)＝tr(WT(xi-uj)(xi-uj)TW)

目标优化函数可转化为：

其中：

求解最优化问题：

T

min tr(WEW)

s.t.WTW＝Ir  (9)

W∈Rd×r

拉格朗日乘子法将限制条件引入目标函数，得到拉格朗日函数：令导数为0：

W的最优解即为矩阵(E+ET)/2的前r个特征值对应的特征向量，A＝WWT。

3.根据权利要求1或2所述的基于语义分割场景的示例搜索方法，其特征在于步骤4具体包含以下步骤：步骤1：得到距离马氏距离度量矩阵A后，再通过式1计算出每张示例和抽样示例之间的距离，即得到了关系矩阵Z的各个元素的值；

步骤2：设抽样图片集合中示例的数量为m，构造一个m*m维的M矩阵，M矩阵定义如下：M＝Λ-1/2ZTZΛ-1/2  (12)

其中Λ＝diag(ZT1)，是一个对角矩阵，计算得到M矩阵前k个最大的特征值组成的k*k维的对角矩阵：Σ＝diag(δ1,...,δk)∈Rk×k和前k个最大的特征值对应的特征向量组成的m*k维的矩阵：V＝[v1,...,vk]∈Rm×k；

步骤3：

由上式得到的各矩阵，构造出最终的编码矩阵Y，Y矩阵定义如下：Y是一个n*k维的矩阵，n代表图片集中示例的个数，k代表映射到二进制编码时编码的位数，编码矩阵Y的每行就是一个编码函数，各示例通过编码函数计算得到一个k维的向量，再对此向量进行二值化分割：sgn(y)，就得到了图片数据集中各示例的二进制编码。

4.根据权利要求1所述的基于语义分割场景的示例搜索方法，其特征在于步骤4具体包含以下过程：如果有新的查询图片要进行近似示例的搜索，同样使用编码函数计算出查询示例的二进制编码，然后比较查询示例的编码和示例数据集中所有示例编码的汉明距离，定义汉明距离门限阈值r，如果查询示例和某示例的汉明距离小于阈值r，即认为此示例是查询示例的近似图片，遍历示例数据集，即可找到查询示例的所有近似示例，再返回示例所在的图片。

5.根据权利要求4所述的基于语义分割场景的示例搜索方法，其特征在于所述阈值r的取值可分别选取1,2,3,4。