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。

**目标分类是一个重要的研究方向。在复杂背景下不同的**目标的相似度较高, 使得基于传统视觉特征的**目标的分类精度不高。提出一种基于改进典型相关分析的局部二值模式(LBP)和分层梯度方向直方图相结合的**目标分类方法。首先提取**目标的LBP和PHOG特征; 然后利用改进的典型相关分析将LBP与PHOG特征相融合; 最后利用K-最近邻分类器对图像进行分类。该方法的优点在于LBP与PHOG相融合的特征有比较好的分类能力和鲁棒性。在**目标数据集上的分类结果表明, 该方法是有效可行的。该方法为**目标识别系统提供了技术参考。

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。

提出一种基于自适应加权Curvelet梯度方向直方图(AWCHOG)的人脸识别算法。首先,人脸图像通过基于Wrapping的离散Curvelet变换得到多尺度多方向的Curvelet变换系数;然后按照编码方式将同一尺度下不同方向的特征进行编码融合,获得融合后的幅值域图谱,并通过HOG算子结合分块的方法获得Curvelet变换后融合图像的直方图特征,分别根据每个尺度对人脸识别率的贡献进行计算,得出各尺度的权重;最后融合权重系数以及各尺度的HOG特征,利用最近邻分类器进行分类。通过在ORL、AR和CAS-PEAL三个人脸库的实验可以看出,所提算法在人脸图像部分遮挡、姿态、表情、光照变化以及噪声等因素干扰下具有较好的识别效果。

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。

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。

为了解决类能量图易受人体运动时间和位置移动等因素影响而难以有效描述动作细节特征的问题, 本文提出了一种基于类能量图金字塔梯度直方图(PHOG)融合特征和多类别Adaboost分类器的人体行为识别方法。该方法首先对经过躯体配准的运动人体目标轮廓图像构造平均运动能量图(AMEI)和增强的运动能量图(EMEI), 分别提取其分层梯度方向直方图(PHOG)特征并进行串联融合, 作为一种多层次的行为特征描述; 然后使用基于查找表的LUT-Real Adaboost算法设计多类别分类器, 实现图像中人体行为动作的识别。实验结果显示其在典型的人体动作数据集DHA上的正确识别率达97.6%, 高于其它采用单一特征描述和SVM等分类器的方法。表明该方法将整体与局部特征相结合, 可以有效描述不同尺度下的动作细节特征, 增强了人体行为特征的描述能力, 提高了识别性能。

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%。

红外图像信噪比和对比度较低、缺乏颜色纹理信息、目标周围有光晕效应、边缘模糊，这些缺点对红外图像中人体目标检测提出了挑战。本文对复杂环境下红外图像序列中运动人体目标检测技术进行研究。首先采用基于改进的混合高斯模型（Gaussian mixture model，GMM）的背景减除法对人体目标进行分割，通过多个带有权值的高斯过程来描述复杂变化的背景，对模型个数、权值、学习率进行更新。然后对分割得到感兴趣区域（Region of interest，ROI）采用融合边缘方向累加和特性的梯度方向直方图（Accumulation of oriented edge and histogram of oriented gradient，AOE-HOG）进行特征描述，利用支持向量机（Support vector machine，SVM）实现对人体目标分类检测。实验表明，本文算法能够在复杂场景下正确检测出人体目标，对于多目标距离较近甚至有部分粘连的情形，也具有较好效果。