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%。

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。

针对夜间红外图像中行人与背景灰度差异小且存在遮挡等问题，提出了一种夜间复杂场景下的红外行人检测算法。首先利用行人语义融合方法生成对目标全覆盖的显著图，与原图融合得到感兴趣区域，然后构造基于改进的方向梯度直方图特征的两分支分类器，同时提出一种遮挡判别算法，根据分类器模糊分数判断是否遮挡，设计一种头部模板实现最终的行人检测。在 LSI远红外行人数据集和自主采集的冬、夏季节夜间行人数据上进行实验，结果表明：在不同环境下，所提出的方法均可快速鲁棒地检测出行人，可较显著地降低漏检率，检测率可达到 94.20%。

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。

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。

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。

为克服方向梯度直方图(HOG)特征在人体行为识别中仅表征动作的全局梯度特征、缺乏局部细节信息、对遮挡表现不佳的问题,改进了一种基于全局特征和局部特征的方法来实现人体行为识别。该算法首先使用背景减法获得人体运动区域;方向可控滤波器能有效描述动作边缘特征,通过引入方向可控滤波器改进HOG特征以增强局部边缘信息,同时对加速稳健特征进行k-means聚类获得词袋模型;最后将融合后的行为特征输入支持向量机对行为特征进行分类识别。在数据集KTH、UCF Sports和SBU Kinect Interaction上进行仿真模拟,结果表明改进的算法识别准确率分别达到了96.7%、94.2%和90.8%。