在模式识别领域,在背景中识别物体经常是一个很有挑战性的工作,尤其是当物体的大小、拍照角度、明亮程度和背景都在不停改变的时候。处理这类问题最有效的方法是,使用拓扑信息或者几何特征来学习和定义物体的结构。当我们具有一个物体的几个正例样本的时候,我们经常需要一个原型作为物体的表示。在计算机算法里,需要一些形式化的数据结构来描述这个物体。一个直接的方式是选择一些已有的知识表示方法,例如语义网络、产生式规则、框架或者是本体。但是从知识工程的角度来说,一种好的知识表示方法应该能够无缝地连接两个知识层级：在学习阶段获取的知识,和在推理阶段使用的知识。在本文中使用的知识适用于物体的结构化特征。在解决这些问题的时候绝大多数计算机视觉的研究者忽略了生理视觉原理,而过多地从工程角度出发提出各种理论和算法,使得计算机视觉缺乏完整的计算理论体系和统一的有效算法,无法解决复杂场景的认知问题。所以当前的计算机视觉实际上只能处理单一的局部信息,但大多数景象都是由多种不同的局部信息组成的。相比之下,高等哺乳动物的视觉感知系统却能够在各种复杂的环境下轻松感知外界信息。当高等哺乳动物观察一个景象时,大脑会很好地组合各种局部视觉信息,产生总体协调的感觉,从非常复杂的背景中辨认出各种尺度、各种特性的物体。所以,通过对高等哺乳动物的视觉处理机制的研究,借助于神经生理和认知心理理论,完全可能找到一些新的突破点,为计算视觉理论提供新的原型,以解决计算机视觉遇到的困难。在本文中我们模拟初级视皮层在视觉信息处理过程中的中继机制：所有从底层视网膜出发的信息汇集到这里,并且所有到上层皮质的信息从这里发出。所以存储在初级视皮层中的信息足够充分,能够被用来进行后续的处理。在纹状皮层的V1区域有许多细胞会对特定的朝向产生强烈的反应。人们研究了这种朝向选择性,并且提出了朝向柱的概念。朝向柱模型给了我们灵感设计一个类似的阵列来记录图像边缘朝向的分布。朝向柱阵列的输出是激活朝向片的集合,我们相信物体的轮廓信息也会被包含在这个分布中。在激活朝向片集合的基础之上,我们设计了线条上下文描述子,作为物体高阶统计信息的表示单元。接下来我们把从多个原型中得到的描述子重组成数据表,并且用数据表来表示物体的特征。通过对初级视觉皮层中朝向柱阵列的模拟得到的知识,比未经加工的原始数据要稀疏,但是比形式化的概念要密集。朝向柱阵列表达的语义成分比未经处理的原始数据重,但是比形式化的概念要轻。所以这是一个非常好的方法,具有合适的粒度,能够让数据和概念汇集在一起。实验结果表明,我们的算法能够有效表示物体之间的区别性特征,在和同类算法的比较中也具有领先的优势,并且通过学习一个小的训练样本集,在不需要准备信息的情况下,能够在自然背景下识别同类型的物体。这个基于生物机制的表示平台能够有效处理需要定义大量语义的问题。