技術(shù)特征：
1.一種基于拉普拉斯正則組稀疏的人體行為識(shí)別方法，包括以下步驟：(1)輸入人體行為視頻序列；(2)提取初級(jí)特征：2a)采用空時(shí)角點(diǎn)檢測(cè)方法，提取人體行為視頻序列興趣點(diǎn)；所述空時(shí)角點(diǎn)檢測(cè)方法的具體步驟為：第1步，計(jì)算人體行為視頻序列中圖像像素點(diǎn)在水平方向，垂直方向和時(shí)間方向的梯度，得到矩陣Q：其中，Q表示矩陣，Ix表示人體行為視頻序列中圖像像素點(diǎn)在水平方向的梯度，Iy表示人體行為視頻序列中圖像像素點(diǎn)在垂直方向的梯度，It表示人體行為視頻序列中圖像像素點(diǎn)在時(shí)間方向的梯度；第2步，對(duì)矩陣Q進(jìn)行高斯濾波，得到濾波后的矩陣U：其中，U表示濾波后的矩陣，g(x,y,t；σ2,τ2)表示用來對(duì)矩陣Q進(jìn)行濾波的空時(shí)高斯函數(shù)，x,y,t分別表示圖像像素點(diǎn)的位置坐標(biāo)，表示卷積，σ表示空域尺度，τ表示時(shí)域尺度；第3步，計(jì)算人體行為視頻序列中圖像像素點(diǎn)的興趣值R：R＝det(U)-ktr3(U)其中，R表示人體行為視頻序列中圖像像素點(diǎn)的興趣值，det(U)表示濾波后矩陣U的行列式，k表示平衡因子，k的取值是0.04，tr(U)表示濾波后矩陣U的跡；第4步，設(shè)定一個(gè)閾值T＝0.03：第5步，將大于閾值T的興趣值的像素點(diǎn)，作為人體行為視頻序列中的興趣點(diǎn)；2b)根據(jù)興趣點(diǎn)，提取人體行為視頻序列的初級(jí)特征；(3)構(gòu)建初始字典和相似度矩陣：3a)根據(jù)人體行為視頻序列的初級(jí)特征，構(gòu)建初始字典；3b)根據(jù)人體行為視頻序列的初級(jí)特征，構(gòu)建相似度矩陣；(4)編碼初級(jí)特征：4a)對(duì)人體行為視頻序列中，每個(gè)視頻的初級(jí)特征進(jìn)行拉普拉斯正則的組稀疏編碼的目標(biāo)函數(shù)如下：其中，B表示編碼系數(shù)矩陣，yi表示人體行為視頻序列中每個(gè)視頻的初級(jí)特征中第i個(gè)特征向量，M表示人體行為視頻序列中每個(gè)視頻的初級(jí)特征中特征向量的個(gè)數(shù)，表示編碼系數(shù)矩陣B的第j行第i列元素，dj表示初始字典D0的第j列，||·||22表示2-范數(shù)的平方和，λ和μ分別表示平衡編碼稀疏矩陣稀疏性和拉普拉斯約束的正則參數(shù)，取值范圍是0～1，||·||p表示p范數(shù)，tr(BLBT)表示矩陣BLBT的跡，L表示人體行為視頻序列中每個(gè)視頻的拉普拉斯矩陣；4b)使用坐標(biāo)下降的方法，對(duì)目標(biāo)函數(shù)進(jìn)行求解，得到人體行為視頻序列中每個(gè)視頻的初級(jí)特征的編碼系數(shù)矩陣：其中，B表示N行M列的編碼系數(shù)矩陣，N表示初始字典原子的個(gè)數(shù)，M表示人體行為視頻序列中每個(gè)視頻的初級(jí)特征中特征向量的個(gè)數(shù)；βjT表示編碼系數(shù)矩陣B的第j行,j表示編碼系數(shù)矩陣的行坐標(biāo)，bi表示編碼系數(shù)矩陣B的第i列，i表示編碼系數(shù)矩陣B的列坐標(biāo)；4c)對(duì)編碼系數(shù)矩陣B的每一行求2-范數(shù)，得到人體行為視頻序列中每個(gè)視頻的高級(jí)特征Z：Z＝[z1,...zk,...,zN]T其中，Z表示人體行為視頻序列中每個(gè)視頻的高級(jí)特征，zk表示人體行為視頻序列中每個(gè)視頻的高級(jí)特征Z的第k個(gè)元素，zk＝||Bk||2，||Bk||2表示對(duì)編碼系數(shù)矩陣B的第k行求2-范數(shù)，k＝1,2,...,N，N表示人體行為視頻序列中每個(gè)視頻的高級(jí)特征的維數(shù)；(5)分類：5a)將每一個(gè)動(dòng)作者的人體行為視頻的所有高級(jí)特征分別作為測(cè)試集，其他動(dòng)作者的人體行為視頻的高級(jí)特征作為訓(xùn)練集，利用訓(xùn)練集中的所有樣本組成N行m列的字典H＝[H1,...,Hj,...,Hc]，Hj表示第j類的字典原子，j表示字典的類別標(biāo)號(hào)，j＝1,2,...,c，c表示總類別數(shù)，N表示人體行為視頻序列中每個(gè)視頻的高級(jí)特征的維數(shù)，m表示字典H所有原子個(gè)數(shù)；5b)按照下式，計(jì)算每個(gè)測(cè)試樣本的稀疏編碼系數(shù)向量：其中，表示測(cè)試集中的測(cè)試樣本，H是訓(xùn)練集中的所有樣本組成的字典，θ表示稀疏編碼系數(shù)向量，||·||22表示2-范數(shù)的平方和，||·||1表示向量的l1范數(shù),η表示平衡重建誤差和編碼稀疏性的正則參數(shù)，取值范圍是0～1；5c)按照下式，計(jì)算測(cè)試樣本在每類字典上的殘差：其中：表示測(cè)試樣本在每類字典上的殘差，表示測(cè)試集中的測(cè)試樣本，θj表示測(cè)試樣本在第j類字典Hj上的編碼系數(shù)向量；5d)將最小殘差所對(duì)應(yīng)的字典類標(biāo)賦給測(cè)試樣本得到測(cè)試樣本的類標(biāo)；(6)輸出檢測(cè)結(jié)果。2.根據(jù)權(quán)利要求1所述的基于拉普拉斯正則組稀疏的人體行為識(shí)別方法，其特征在于，步驟2b)中所述提取初級(jí)特征方法的具體步驟為：在每個(gè)興趣點(diǎn)的鄰域內(nèi)提取梯度直方圖，將梯度直方圖作為該興趣點(diǎn)的特征向量，將人體行為視頻序列中每個(gè)視頻的所有興趣點(diǎn)的特征向量組成矩陣，得到該視頻的初級(jí)特征；Y＝[y1,...,yi,...,yM]其中，Y表示人體行為視頻序列中每個(gè)視頻的初級(jí)特征，yi表示人體行為視頻序列初級(jí)特征Y中第i個(gè)特征向量，i＝1,...,M，M表示人體行為視頻的初級(jí)特征Y的特征向量的個(gè)數(shù)。3.根據(jù)權(quán)利要求1所述的基于拉普拉斯正則組稀疏的人體行為識(shí)別方法，其特征在于，步驟3a)中所述構(gòu)造字典方法的具體步驟如下：從提取的人體行為視頻初級(jí)特征中，隨機(jī)地選取多個(gè)特征向量作為初始字典的原子，得到初始字典：D0＝[d1,...,di,...,dN]其中，D0表示初始字典，di表示字典的第i個(gè)原子，i＝1,...,N，N表示與隨機(jī)選取的人體行為視頻初級(jí)特征中特征向量個(gè)數(shù)相同的初始字典的原子個(gè)數(shù)。4.根據(jù)權(quán)利要求1所述的基于拉普拉斯正則組稀疏的人體行為識(shí)別方法，其特征在于，步驟3b)中所述相似度矩陣構(gòu)建的具體步驟如下：第1步，在人體行為視頻序列的每個(gè)視頻的初級(jí)特征中，采用最近鄰算法尋找每個(gè)特征向量的5個(gè)最近鄰特征向量，按照下式求該特征向量與5個(gè)最近鄰特征向量之間的相似度：其中，H(ys,yt)表示人體行為視頻序列中每個(gè)視頻的初級(jí)特征中特征向量ys和yt之間的相似度，ys和yt分別表示人體行為視頻序列中每個(gè)視頻的初級(jí)特征中特征向量，P表示人體行為視頻序列中每個(gè)視頻的初級(jí)特征中特征向量的維數(shù)，ys(q)表示人體行為視頻序列中每個(gè)視頻的初級(jí)特征中特征向量ys的第q個(gè)元素，yt(q)表示人體行為視頻序列中每個(gè)視頻的初級(jí)特征中特征向量yt的第q個(gè)元素，q＝1,...,P；第2步，按照下式，計(jì)算人體行為視頻序列中，每個(gè)視頻的初級(jí)特征的相似度矩陣：其中，W(s,t)表示人體行為視頻序列中每個(gè)視頻的初級(jí)特征的相似度矩陣W的第s行第t列的元素，s表示該相似度矩陣的行坐標(biāo)，s＝1,...,V，V表示人體行為視頻序列中每個(gè)視頻初級(jí)特征的特征向量的個(gè)數(shù)，t表示相似度矩陣的列坐標(biāo)，t＝1,...,V，V表示人體行為視頻序列中，該視頻初級(jí)特征的特征向量的個(gè)數(shù)，H(ys,yt)表示人體行為視頻序列中每個(gè)視頻的初級(jí)特征中特征向量ys和yt之間的相似度，ys表示人體行為視頻序列中每個(gè)視頻的初級(jí)特征中第s列的特征向量，yt表示人體行為視頻序列中每個(gè)視頻的初級(jí)特征中第t列的特征向量，Ns表示人體行為視頻序列中每個(gè)視頻的初級(jí)特征中特征向量ys的最近鄰特征向量列標(biāo)集合；第3步，計(jì)算人體行為視頻序列中每個(gè)視頻的度矩陣F，其主對(duì)角線上的第i個(gè)元素如下：其中，F(xiàn)(i,i)表示人體行為視頻序列中每個(gè)視頻的度矩陣F主對(duì)角線上的第i個(gè)元素，W(i,t)表示人體行為視頻序列中每個(gè)視頻的初級(jí)特征的相似度矩陣W在第i行第t列的元素；第4步，計(jì)算人體行為視頻序列中每個(gè)視頻的拉普拉斯矩陣：L＝F-W其中，L表示人體行為視頻序列中每個(gè)視頻的拉普拉斯矩陣，F(xiàn)表示人體行為視頻序列中每個(gè)視頻的度矩陣，W表示人體行為視頻序列中每個(gè)視頻的初級(jí)特征的相似度矩陣。