LBP-HOG融合步态识别算法：提升CASIA-USF数据库识别率

本文研究论文"基于LBP和HOG特征分层融合的步态识别"针对步态能量图（GEI）在人体信息提取方面的局限性进行改进。GEI通常只能提供轮廓信息，而忽视了内部特征的重要性。论文作者提出了一种创新的识别算法，该算法首先利用光流法捕捉步态周期，获取完整的步态能量图。接着，算法分为三个层次，分别提取GEI的局部二值模式（LBP）特征，形成三张LBP图像，这些图像能捕捉到局部纹理信息。 每个层次的LBP图像随后被进一步处理，提取方向梯度直方图（HOG）特征，这有助于捕捉到步态运动的方向和强度变化。通过这种方式，每层的LBP和HOG特征被融合，生成新的特征表示，增强了步态特征的表达能力。这种分层融合策略旨在结合LBP的局部细节和HOG的结构信息，提高识别的准确性和鲁棒性。 实验部分，作者采用了CASIA和USF两个常用的人体步态数据库进行评估。结果显示，与传统方法相比，基于LBP和HOG特征分层融合的算法在步态识别任务上实现了更高的识别率，表明其在克服步态图像内部特征丢失问题上取得了显著效果。该研究对于生物特征识别技术的发展，尤其是步态识别系统的实用化具有重要的理论和实际意义，证明了通过结合不同特征提取方法的优势，能够提升识别系统的性能。这项工作对于身份验证、行为分析等领域具有潜在的应用价值。