基于深度学习的图像融合方法实现了良好的图像融合性能，近年来经过快速发展，被广泛应用于生物特征识别、自动驾驶和目标追踪等方面。深度学习网络在提取图像的重要纹理细节和保存重要信息等方面依然存在许多挑战。因此，提出了一种适用于红外与可见光图像融合网络的损失函数，在损失函数中引入了梯度方向直方图（HOG）损失，HOG特征可以反映图像局部的梯度方向和梯度大小，用HOG特征作损失函数可以提升网络提取图像细节信息的能力。将HOG损失与多尺度结构相似性损失相结合，用设计的损失函数训练了NestFuse、Res2Fusion和UNFusion 3个红外与可见光图像融合网络。在TNO数据集上，所提模型将融合图像的标准差（SD）分别提高2.1476%、1.2273%和1.4444%，将融合图像的视觉信息保真度（VIF）分别提高1.6529%、1.4936%和1.2902%；在RoadScene数据集上，所提模型将融合图像的SD分别提高1.0083%、1.1669%和0.7214%，将融合图像的VIF分别提高1.8093%、1.8063%和1.0406%。实验结果表明，所提损失函数可以从源图像中提取更多有效信息。

地形匹配导航是一种重要的利用地形和地物特征进行导航的技术。为了进一步提高地形匹配算法的精度，提出了一种基于形态学增强型方向梯度直方图（EHOG）的地形匹配算法。该算法采用形态学闭运算对干涉合成孔径雷达（InSAR）获取的实时高程图（REM）进行预处理，获取EHOG特征；将地形匹配转换为HOG特征描述子的匹配，以特征向量间的欧氏距离作为相似性度量。匹配过程中，采用粗细精结合的三步优化匹配搜索策略，提升了算法实时性。实验结果表明，与未增强的HOG算法、传统的梯度互相关算法相比，所提匹配算法具有更好的匹配精度和抗噪性，同时具有较强的鲁棒性和实用性，能够很好地应用于InSAR地形匹配。

基于方向梯度直方图(HOG)特征和局部二值模式(LBP)算子的行人检测算法采用滑动窗口搜索策略存在扫描区域过大和计算复杂的问题,存在的这些问题会导致检测速度慢。鉴于此,提出一种行人检测算法。首先,采用选择性搜索算法对目标区域进行定位,并将候选区域的高宽比限制在一定范围内以筛选无效窗口。然后,为了弥补LBP算子在纹理表达上的缺陷,引入完备的局部二值模式(CLBP)算子来提高纹理特征的表达能力。接着,考虑到HOG特征和CLBP算子特征维数过高对分类器的识别能力产生影响,采用主成分分析的方法分别对HOG特征和CLBP算子进行降维,降维后再进行串联融合。最后,引入困难样本的挖掘过程训练支持向量机分离器,这可以使模型训练得更充分,进而降低误检率。在INRIA数据集上仿真结果表明,所提算法在识别率和识别速度上都有一定的提高。

随着目标检测技术在电力巡检任务中的不断推广，对电力巡检采集的各类图像进行自动分析已成为当前电力企业研究的热点方向之一。传统目标检测方法大多建立在机器学习技术之上，在复杂场景下的检测精度有待进一步提高，而基于图像的深度学习方法由于具有理想的检测精度及环境适应性被广泛应用于电力巡检目标检测。针对电力巡检复杂场景下采集到的图像质量差、背景复杂、对比度差等问题，提出了融合图像方向梯度直方图的区域卷积神经网络(HOG-RCNN)的红外图像目标检测方法，在图像进入RCNN网络之前对输入图像进行HOG特征提取，辅助RCNN实现候选区域的选取。算法实验表明，所提方法的检测效果优于单独的RCNN网络。

针对自动焊接过程中焊缝跟踪因受弧光、飞溅等噪声干扰而导致跟踪精度低的问题,提出了一种基于方向梯度直方图(Hog)粒子滤波的V型焊缝跟踪算法。Hog具有良好的几何和光学形变不变性,所提算法用它来描述焊缝激光条纹在拐点处的方向性特征。本算法首先通过提取焊缝目标区域的Hog建立目标模板,然后利用焊缝序列图像位置信息的连续性预测焊缝的候选状态,再通过粒子采样计算候选状态下的Hog特征,并将其与目标模板进行相似度计算,得到最优的焊缝位置,实现焊缝的跟踪。对典型的V型焊缝图像进行了跟踪实验,实验结果显示:所提算法在有强烈弧光、飞溅等噪声干扰的环境下,能够准确定位焊缝的目标位置,跟踪误差小于0.24 mm。

从地物光谱图像识别的关键问题出发, 将改进的梯度方向直方图(光谱梯度方向直方图)与“光谱总反射率”应用到偏振光谱识别研究中, 实现了对5种干枯植物与3种裸土的识别.在研究中, 先联合光谱梯度方向直方图特征向量的模与光谱总反射率进行层次聚类分析, 可以识别6种研究对象, 再单独利用光谱梯度方向直方图特征的模进行层次聚类分析识别其余2种研究对象, 从而可以实现全部研究对象偏振光谱识别.

为了实现对十字靶标的自动检测与跟踪, 建立了十字靶标检测跟踪模型。针对目标检测中运算量大、实时性差、目标跟踪需要人工标定视频初始帧的问题, 提出了一种基于可变形部件模型（DPM）和核相关滤波器（KCF）的十字靶标检测跟踪算法。首先, 提取十字样本集的梯度方向直方图（HOG）特征, 采用Latent SVM分类器训练特征集, 生成十字靶标物体类的DPM模型。然后, 通过滑动窗口搜索匹配方法遍历待检测图片。最后, 将检测到的结果作为跟踪算法的起始跟踪帧, 应用KCF算法快速跟踪目标。当跟踪目标丢失时, 暂时停止跟踪, 利用DPM模型重新检测定位目标再进行跟踪。实验结果表明: 采用DPM模型检测的平均帧率为1 fps, 结合DPM和KCF算法, 实时检测跟踪的平均帧率为40 fps。采用基于可变形部件模型（DPM）和核相关滤波器（KCF）的十字靶标检测跟踪算法, 实现了目标的自动检测与实时跟踪, 且检测速度明显高于传统算法, 并且在目标漂移或丢失后自动重新定位并继续跟踪, 完成十字靶标的长时间跟踪。

人脸识别的身份认证环节可能受到照片、视频等手段的恶意欺骗。在分析了照片人脸成像后的非线性变化特点后,从人脸边缘信息的变化特征着手设计了一种基于图像处理的人脸活体检测新方法。用改进的梯度方向直方图描述人脸主要轮廓,同时结合正、负样本的统计特征训练支持向量机分类器进行活体检测,最后在NUAA人脸数据库上开展了实验验证,结果表明,本文方法对真假人脸的检测正确率达到了97%。

手脸近距遮挡属于深度传感器应用中具有代表性的难点问题，针对该问题提出了一种综合利用颜色与深度信息的手势识别方法。采用核模糊C-均值聚类，对手脸遮挡图像进行粗分割和灰度增强，实现手脸分离。引入初始化水平集函数，解决聚类方法导致的手势区域像元缺失问题。利用基于深度信息的梯度方向直方图(HOG) 特征对手势进行分类识别。通过采集不同人体手脸近距遮挡情形下的多种手势图像建立了样本数据库，进行了对比实验，实验结果验证了该方法的可行性和有效性。本文方法能有效分离近距遮挡的手和脸，提取得到相对完整的手势信息，深度HOG特征能够对手势空间信息进行精确描述，具有比传统形状特征更准确的识别效果。