技術(shù)特征：

1.一種基于支持向量機(jī)排序的有絲分裂事件識(shí)別方法，其特征在于，所述有絲分裂事件識(shí)別方法包括以下步驟：

對輸入的細(xì)胞圖像利用基于成像模型的顯微圖像分割方法和三維種域生長方法來提取候選子序列；

對候選子序列的每一幀圖像提取特征向量，使用了HoG、SIFT和Gist三種特征，將提取的向量串起來作為候選子序列的視覺特征，并對提取的視覺特征進(jìn)行池化，以捕捉序列的外觀信息；

對得到的外觀信息，利用基于支持向量機(jī)排序方法，將學(xué)習(xí)到的排序函數(shù)的參數(shù)向量作為整個(gè)序列的特征向量，以捕捉序列范圍內(nèi)隨時(shí)間的外觀演化信息；

在新特征上訓(xùn)練支持向量機(jī)分類器，對候選子序列進(jìn)行分類，得到最終的識(shí)別結(jié)果。

2.根據(jù)權(quán)利要求1所述的一種基于支持向量機(jī)排序的有絲分裂事件識(shí)別方法，其特征在于，對得到的外觀信息，利用基于支持向量機(jī)排序方法，將學(xué)習(xí)到的排序函數(shù)的參數(shù)向量作為整個(gè)序列的特征向量，以捕捉序列范圍內(nèi)隨時(shí)間的外觀演化信息的步驟具體為：

將學(xué)習(xí)到的最優(yōu)參數(shù)u作為序列的特征，用于表征序列的時(shí)序動(dòng)態(tài)信息；

參數(shù)u的學(xué)習(xí)過程：

令對應(yīng)的優(yōu)化問題為：

$\arg \underset{u}{min}\frac{1}{2}\left|\right|u|{|}^2+C\underset{t}{\Σ}{\mathrm{\σ}}_t$

s.t.u^T·a_t≥1-σ_t

σ_t≥0

其中，σ_t為松弛變量，對應(yīng)a_t允許偏離的函數(shù)間隔的量；

通過求導(dǎo)尋找最優(yōu)解：

$\left\{\begin{array}{c}\frac{\∂L}{\∂u}=u-\underset{t}{\Σ}{\mathrm{\α}}_t{a}_t=0\⇒u=\underset{t}{\Σ}{\mathrm{\α}}_t{a}_t\\ \frac{\∂L}{\∂\mathrm{\σ}}=C-{\mathrm{\α}}_t-{\mathrm{\β}}_t=0\⇒{\mathrm{\β}}_t=C-{\mathrm{\α}}_t\end{array}\right.$

其中，α_t，β_t為拉格朗日乘子，將u和β_t帶回拉格朗日函數(shù)L(u,α,β)得到：

$U\left(\mathrm{\α}\right)=-\frac{1}{2}\left(\underset{t,j}{\Σ}{\mathrm{\α}}_t{\mathrm{\α}}_j{a}_t{a}_j\right)+\underset{t}{\Σ}{\mathrm{\α}}_t$

其中，α是因變量；

根據(jù)對偶理論，初始的優(yōu)化問題重構(gòu)為：

$u^{*}=\arg \underset{\mathrm{\α},a}{min}-\frac{1}{2}\underset{t,j}{\Σ}{\mathrm{\α}}_t{\mathrm{\α}}_j{a}_t{a}_j+\underset{t}{\Σ}{\mathrm{\α}}_t$

s.t.α_t≥0

$\underset{t}{\Σ}{\mathrm{\α}}_t{a}_t=0$

最后，利用SMO算法便得到最優(yōu)參數(shù)u^*。