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。

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。

在红外目标跟踪中，如何鲁棒地跟踪上目标，对提升**装备战斗力意义重大。本文在核相关目标跟踪算法（KCF）的基础上提出了一种有效的多特征协同学习核相关红外目标跟踪算法，该算法通过KCF 模型将HOG（Histogram of Oriented Gradient）特征与Haar-like 特征整合到一个框架中，解决了单一特征不足以表征目标外观变化，同时大大提升了红外目标跟踪的准确性与稳定性。同时，本文也提出了一种自适应学习因子策略，增强了模型的泛化能力。大量定性定量实验结果表明本文所提算法在重叠率准则（OR）和跟踪中心误差（CLE）准则上超过现有大多数算法，同时其跟踪速度也超过大多数算法。

本文针对高速环境下的车型识别问题, 提出基于方向可控滤波器的改进HOG算法。将方向可控滤波器算法与HOG算法相结合, 以实现对车辆图像特征提取。采用主成分分析算法（PCA)约减特征向量维数以减少计算复杂度, 利用支持向量机算法对提取特征进行样本训练, 实现对车辆外型特征的识别。仿真实验结果表明: 采用该算法原始车辆车型的识别正确率均值达到9236%; 另外, 本文方法的识别速度比传统的HOG特征算法提高了345%, 识别实时性得到提升。本文算法比传统HOG算法更优, 能有效提高车型识别的效率。

针对海天背景下红外舰船目标识别提出了一种基于机器学习的分类算法。该算法首先利用分割算法提取红外图像中的连通区域，并对原图相应的位置进行标记和归一化处理，然后利用HOG特征提取标记区域的高维特征向量，用线下样本库训练得到的SVM分类器对所提取的HOG特征进行高维特征空间的分类，识别目标和干扰。仿真实验表明，该算法具有良好的性能，在复杂海天干扰背景下能够有效地识别红外舰船目标。

HOG纹理因其良好的鲁棒性，在纹理描述中被广泛使用。提出了一种将HOG纹理应用于十字路口全天候车尾检测的算法。即分别采集了白天和夜间该场景下的车尾作为正样本、非车辆和车辆的一部分作为负样本，经预处理后，提取较低维数的HOG纹理送入支持向量机进行训练，得到白天和夜间的识别模型，在检测中根据一定的条件进行切换。对多段视频进行测试证明，该种算法对不同时段的交通场景都具有较高的稳定的车尾识别率，且优于单模型的识别效果。