技術(shù)特征：

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

對輸入的細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排序方法，將學習到的排序函數(shù)的參數(shù)向量作為整個序列的特征向量，以捕捉序列范圍內(nèi)隨時間的外觀演化信息；

在新特征上訓練支持向量機分類器，對候選子序列進行分類，得到最終的識別結(jié)果。

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

將學習到的最優(yōu)參數(shù)u作為序列的特征，用于表征序列的時序動態(tài)信息；

參數(shù)u的學習過程：

令對應的優(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a_t允許偏離的函數(shù)間隔的量；

通過求導尋找最優(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^*。