技術(shù)特征：
1.一種零訓(xùn)練樣本行為識別方法，其特征在于，該方法包括以下步驟：步驟S1，提取視頻樣本庫中每個動作視頻樣本的特征向量；步驟S2，設(shè)定對應(yīng)于多種人體行為的多個人體運動屬性，以及在每個人體運動屬性下，每兩個代表人體行為的動作視頻，即動作視頻對之間的關(guān)系；步驟S3，將所述動作視頻對之間的關(guān)系作為輸入，利用排序支持向量機進行訓(xùn)練，得到訓(xùn)練模型；步驟S4，利用所述排序支持向量機輸出的排序分?jǐn)?shù)，對每一類具有訓(xùn)練樣本的人體行為進行擬合得到一個混合高斯模型；步驟S5，根據(jù)所述步驟S4得到的混合高斯模型，利用遷移學(xué)習(xí)，獲得零訓(xùn)練樣本人體行為類別的混合高斯模型；步驟S6，按照步驟S1的描述，提取得到測試視頻樣本的特征向量；步驟S7，根據(jù)所述測試視頻樣本的特征向量以及所述步驟S5得到的零訓(xùn)練樣本人體行為類別的混合高斯模型，利用最大后驗概率原則，判斷所述測試視頻樣本中零訓(xùn)練樣本人體行為所屬的類別。2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟S1進一步包括以下步驟：步驟S11，對所述視頻樣本庫中的每個動作視頻樣本利用三維角點特征提取多個時空興趣點；步驟S12，在每個提取到的時空興趣點周圍提取梯度直方圖和光流直方圖，并將提取得到的這兩個特征直接連成一個特征向量；步驟S13，利用聚類方法將所有得到的特征向量聚集為多個聚類中心；步驟S14，利用詞包模型將每個動作視頻樣本表示成一個維數(shù)與所述聚類中心的個數(shù)相同的直方圖，作為相應(yīng)動作視頻樣本的特征向量。3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述步驟S14中的直方圖的每一維表示在相應(yīng)聚類中心出現(xiàn)特征向量的個數(shù)。4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟S2中，所述多種人體行為包括拳擊，鼓掌，揮手，跑和走；所述多個人體運動屬性包括腿的運動，手臂的運動和手臂形狀的筆直情況；其中所述手臂的運動包括：手臂的張合和過胸的手臂運動。5.根據(jù)權(quán)利要求4所述的方法，其特征在于，在每個人體運動屬性下，動作視頻對之間的關(guān)系包括：對于所述腿的運動，跑＞走＞拳擊～鼓掌～揮手；對于所述手臂的運動，揮手＞鼓掌＞拳擊＞跑＞走；對于所述手臂形狀的筆直情況，鼓掌～揮手＞走＞拳擊＞跑；其中，“＞”表示人體運動屬性的大于關(guān)系，“～”表示人體運動屬性的相似關(guān)系。6.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述排序支持向量機采用Sigmoid和Gaussian函數(shù)作為損失函數(shù)。7.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述排序支持向量機的目標(biāo)函數(shù)可以寫為：其中，λ是用來平衡排序支持向量機參數(shù)的稀疏度和損失之間的關(guān)系的平衡因子；w是待求的排序支持向量機參數(shù)向量；xi和xj表示兩個人體運動屬性為大于關(guān)系的樣本，即xi＞xj；xm和xn表示兩個人體運動屬性為相似關(guān)系的樣本，即xm～xn；L1為Sigmoid損失函數(shù)，L2為Gaussian損失函數(shù)：其中，t是損失值，α用于控制Sigmoid函數(shù)的形狀，e是自然對數(shù)；其中，t是損失值，β用于控制Gaussian函數(shù)的形狀，e是自然對數(shù)。8.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述混合高斯模型表示為：其中，為訓(xùn)練樣本x的排序分?jǐn)?shù)，角標(biāo)q代表有訓(xùn)練樣本的人體行為的類別，i為Q類有訓(xùn)練樣本的人體行為中的第i類人體行為，Z表示所需要的高斯函數(shù)的數(shù)量，為第z個高斯函數(shù)的權(quán)重，為第z個高斯函數(shù)的均值，為第z個高斯函數(shù)的協(xié)方差矩陣，為高斯密度函數(shù)。9.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟S5中按照以下規(guī)則獲得零訓(xùn)練樣本人體行為類別的混合高斯模型：1)對于某一人體運動屬性，當(dāng)存在人體行為時，所述零訓(xùn)練樣本人體行為類別的混合高斯模型中的第z個高斯函數(shù)的第d維的均值為：其中，和代表有訓(xùn)練樣本的第i個和第k個人體行為類別，代表無訓(xùn)練樣本的第j個人體行為類別；和分別為第i類人體行為和第k類人體行為第z個高斯函數(shù)的權(quán)重；角標(biāo)q代表有訓(xùn)練樣本的人體行為的類別；2)當(dāng)存在人體行為時，第z個高斯函數(shù)的第d維的均值為：其中，gz為人體運動屬性對應(yīng)的所有有訓(xùn)練樣本的人體行為的排序分?jǐn)?shù)的平均權(quán)重；3)當(dāng)存在人體行為時，第z個高斯函數(shù)的第d維的均值為：4)當(dāng)存在人體行為時，第z個高斯函數(shù)的第d維的均值為：第z個高斯函數(shù)的協(xié)方差矩陣也設(shè)為相等，即：5)如果在人體運動屬性ad中，沒有相應(yīng)的與人體行為相關(guān)的描述，則令第z個高斯函數(shù)的第d維的均值為：除了第4)種情況外，第z個高斯函數(shù)的協(xié)方差矩陣都設(shè)為：其中，Q為訓(xùn)練樣本的人體行為的類別數(shù)目，為第b類人體行為第z個高斯函數(shù)的權(quán)重。10.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟S7中，首先將提取得到的測試視頻樣本的特征向量輸入至零訓(xùn)練樣本人體行為類別的混合高斯模型中，取得概率值最大的類別即認(rèn)為是所述測試視頻樣本中零訓(xùn)練樣本人體行為所屬的類別。