The automatic and accurate identification of apoptosis facilitates large-scale cell analysis. Most identification approaches using nucleus fluorescence imaging are based on specific morphological parameters. However, these parameters cannot completely describe nuclear morphology, thus limiting the identification accuracy of models. This paper proposes a new feature extraction method to improve the performance of the model for apoptosis identification. The proposed method uses a histogram of oriented gradient (HOG) of high-frequency wavelet coefficients to extract internal and edge texture information. The HOG vectors are classified using support vector machine. The experimental results demonstrate that the proposed feature extraction method well performs apoptosis identification, attaining 95.7% accuracy with low cost in terms of time. We confirmed that our method has potential applications to cell biology research.The automatic and accurate identification of apoptosis facilitates large-scale cell analysis. Most identification approaches using nucleus fluorescence imaging are based on specific morphological parameters. However, these parameters cannot completely describe nuclear morphology, thus limiting the identification accuracy of models. This paper proposes a new feature extraction method to improve the performance of the model for apoptosis identification. The proposed method uses a histogram of oriented gradient (HOG) of high-frequency wavelet coefficients to extract internal and edge texture information. The HOG vectors are classified using support vector machine. The experimental results demonstrate that the proposed feature extraction method well performs apoptosis identification, attaining 95.7% accuracy with low cost in terms of time. We confirmed that our method has potential applications to cell biology research.

为了满足人工智能在目标识别方法中的应用需求，需要具备对海量数据进行智能分类、识别、判读的能力。进一步挖掘了红外目标特性数据库数据，并将基于HOG+SVM的红外目标识别算法应用于红外目标识别过程中。选择采集到的汽车、直升机、飞机、舰船、无人机等目标，并结合HOG算子与SVM分类方法来实现红外目标检测与分类算法，从而实现了红外目标智能化分类研究，为后续目标特性的进一步分析以及导引头智能化算法设计提供了支撑。

为减少手指静脉识别时间, 提出一种双重降维方向梯度直方图特征( Histogram of Oriented Gradient, HOG)结合支持向量机( Support Vector Machine, SVM)分类的手指静脉识别方法。针对传统 HOG算法特征维数高的问题, 首先通过 Fisher准则衡量梯度方向区间 HOG特征的分类能力, 然后使用序列前向选择法挑选出分类能力较优异的梯度方向区间构建部分方向区间 HOG特征, 最后使用主成分分析(Principal Component Analysis, PCA)降维。在公开的手指静脉数据库 FV-USM和 THU-FV上使用 SVM多分类器进行分类识别, 实验结果表明: 双重降维 HOG方法相较于 HOG＋PCA方法提取的特征维数降低了 40%, 识别时间减少了 29.85%, 识别准确率分别为 99.17%和 100%, 等误率分别为 1.07%和 0.01%。

基于红外目标检测的算法在**和民用领域发挥着重要的作用, 然而, 在低信噪比条件下, 对于飞机、船舶等红外斑状目标的检测存在难度大, 误检率、虚警率高等困难。对此, 提出了一种基于机器学习的红外斑状目标的算法, 检测像素面积在3×3到100×100的红外目标。算法部分采用了形态学方法对目标进行预提取, 并使用HOG特征提取与SVM机器学习分类出真实目标。算法分别在大、中、小三个尺度的目标检测上实现了94.01%、92.86%和92.19%的检测精度。此外, 在SoC平台上实现了该算法, 在低资源使用率的基础上, 算法具有很高的实时性。

箔条云在电磁干扰领域应用广泛, 其具有成本低廉、干扰效果好等特点, 然而其电磁散射计算却存在诸多难点, 其中一个核心问题是箔条云的扩散建模。基于空气动力学的箔条云扩散仿真存在着很多尚未攻克的难题, 因此, 可以使用高速摄影的方式对箔条云的扩散过程进行研究, 在实际应用中, 如何从图片中识别箔条的长度, 成为了一个必须解决的问题。基于支持向量机算法和 HOG算法实现了图片中单根箔条长度的快速提取, 仿真实验表明, 提出的箔条长度识别算法准确率可达 99%, 单张图片识别时间小于 1s, 有效地提高了箔条云扩散过程中的几何数据的处理效率。

针对红外单目标在长期跟踪过程中的强背景干扰、遮挡、形变以及目标特征信息减弱等实际问题，提出了一种基于跟踪 -学习-检测（Tracking-Learning-Detection，TLD）框架的红外目标 稳定跟踪方法。该方法在压缩跟踪算法（Compressive Tracking，CT）的基础上替换广义的类 Harr特征为 HOG特征，引入互补随机测量矩阵，优化纹理和灰度特征信息的权重，同时引入卡尔曼滤 波器记录空间上下文位置信息，以解决 CT算法和 TLD算法在目标被遮挡时的跟踪失效和全局检索问题。基于 TLD算法框架和改进 CT算法相结合的红外图像跟踪算法有效地解决了遮挡和强干扰问题 ，提升了算法的跟踪准确性和长期跟踪稳定性。实验结果表明，本文提出的算法在红外地面环境中能较好地实时稳定跟踪并保持良好的准确性和鲁棒性。

采集东北和非东北产地大米样本高光谱图像, 筛选多个特征波长图像并提取图像特征, 结合模式识别方法建立判别模型, 并联合多个模型构成模型集群快速、 准确判别东北/非东北大米产地。 东北大米以粳米为主, 主要涵盖长粒香, 圆粒香, 稻花香和小町米4个品种。 为建立实用性强、 适用范围广的东北/非东北大米产地判别模型, 实验主要收集了国内粳米代表性产区且以上述4个品种为主的样本, 构成原始样本集: 其中东北产地5份, 包括黑龙江(1)、 吉林(2)、 辽宁(2), 非东北产地5份, 包括河北(1)、 浙江(1)、 江苏(2)、 安徽(1)。 每个产地样本随机选取100粒, 共计100×10粒大米样本。 采用芬兰Specim公司的SisuCHEMA高光谱成像系统采集样本900～1 700 nm高光谱图像。 按照大米轮廓选取感兴趣区域提取出单粒大米样本的平均光谱, 采用Kennard-Stone法按照4∶1划分训练集和测试集。 应用连续投影算法筛选得到原始样本集光谱的8个特征波长: 1 460.30, 1 400.20, 1 424.92, 945.98, 1 315.62, 1 220.87, 1 705.91和942.53 nm; 采用方向梯度直方图分别提取8个波长下的图像特征, 结合支持向量机建立基于单特征波长图像的东北/非东北大米产地鉴别模型, 识别准确率分别为85.5%, 77.5%, 76.5%, 73.5%, 71%, 68.5%, 67%和65.5%; 鉴于单模型识别率不高的现状, 提出建立基于特征波长图像模型集群综合判别大米产地的策略, 即按照单模型识别率从高到低排序后分别联合3个、 5个和7个特征波长图像模型的预测结果, 当预测样本判定为真的比率>50%, 则判定样本为真, 反之则为假。 联合1 460.30, 1 400.20, 1 424.92, 945.98, 1 315.62, 1 220.87和1 705.91 nm七个波段的模型集合对测试集样本的识别率可达90.5%。 实验结果表明高光谱结合模型集群策略可为建立性能稳健、 适用范围广的东北/非东北大米产地快速检测模型提供切实可行的思路和方法参考。

通过分析杆塔镂空的结构特征,提出了一种基于杆塔梯度方向直方图(HOG)的由远及近杆塔部件检测方法。使用不同方位下杆塔HOG特征训练多层感知机(MLP),得到训练后的分类模型,将航拍图像输入到分类模型中识别杆塔的方位,最终实现了局部目标的检测。相比于深度学习神经网络,该方法的分类特征更加明确,更具有代表性。实验结果表明,所提方法的检测准确率比Faster RCNN(Regions with Convolutional Neural Networks)方法高27.9%,运算时间比Faster RCNN减少70.6%。所提方法适用于在开阔环境下利用无人机对杆塔方位及其局部部件的精确检测。