CN104077608A - 基于稀疏编码慢特征函数的行为识别方法 - Google Patents

Abstract

本发明公开了一种基于稀疏编码慢特征函数的行为识别方法，包括下述步骤：S1、对训练集和测试集的视频进行预处理；S2、对步骤S1预处理后的视频，检测特征点；S3、对视频中的特征立方体，提取慢特征函数；S4、对步骤S3提取到的慢特征函数系数进行稀疏编码，获得稀疏慢特征函数系数；S5、对步骤S4得到的稀疏后的慢特征函数与特征立方体做运算，结果作为特征表述子；S6、利用SVM分类器对得到的特征表述子进行特征分类。本发明利用慢特征分析算法提取了行为中的不变量，并通过稀疏编码的方式去除慢特征的冗余信息，此特征函数具有很强的识别能力，识别效果及系统鲁棒性都好。

Description

基于稀疏编码慢特征函数的行为识别方法

技术领域

本发明涉及图像识别与处理的技术领域，特别涉及一种基于稀疏编码慢特征函数的行为识别方法。

背景技术

在计算机视觉领域中，行为识别随着人体运动分析的发展在智能视频监控领域具有越来越高的应用价值。但是由于：1)数据采集的环境复杂多样，行为序列背景分割技术还不十分完善；2)在时间尺度上以及空间尺度上，同一种行为或者相似行为通常具有不同的含义；3)由于分类器的学习能力有限而且兴趣点提取的几种方法有利有弊，所以同一段视频行为同时被判别为属于几个类别常常发生。以上种种因素使得人体行为识别成为一个非常具有挑战性的研究领域。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供一种基于稀疏编码慢特征函数的行为识别方法。

为了达到上述目的，本发明采用以下技术方案：

一种基于稀疏编码慢特征函数的行为识别方法，包括下述步骤：

S1、对训练集和测试集的视频进行预处理；

S2、对步骤S1预处理后的视频，检测特征点；

S3、对视频中的特征立方体，提取慢特征函数；

S4、对步骤S3提取到的慢特征函数系数进行稀疏编码，获得稀疏慢特征函数系数；

S5、对步骤S4处理后的特征函数与特征立方体运算，得到特征表述子；

S6、利用SVM分类器，对特征表述子进行分类，得到识别结果。

优选的，步骤S1中对视频进行预处理的具体方法为：

S11、采用平滑滤波的方法降低噪声的影响；

S12、采用光照补偿的方法保证图像的对比度、补偿光照的影响；

S13、通过背景建模的方法实现提取运动前景，其中采用：a)多层混合背景模型融合彩色空间的颜色测量和局部的纹理特征对背景进行建模；b)利用交叉双边滤波器强化相似区域，更好地检测结果和保留边界信息。

优选的，步骤S2中，采用Harris3D角点提取算法来检测特征点，具体为：

S21、使用初始空间尺度和时间尺度稀疏选定的组合，以及积分尺度和在时间和空间上找到时空角点函数H(8)的极大值点 $p_j=(x_j.y_j,t_j,{\mathrm{\σ}}_{l,j}^2,{\mathrm{\τ}}_{l,j}^2),j=1...N,$ 这些点就是兴趣点；

S22、对每个兴趣点p_j进行处理；

S23、在(x_j,y_j,t_j)处计算和在周边那些和δ＝-0.25,0,0.25的地方计算出联合尺度

S24、选出那些使得最大化的联合积分尺度

S25、如果或者用积分尺度局部尺度在最靠近(x_j,y_j,t_j)的位置处重新提取兴趣点 ${\tilde{p}}_j=({\tilde{x}}_j,{\tilde{y}}_j{\tilde{t}}_j,{\widetilde{\mathrm{\σ}}}_{l,j}^2,{\widetilde{\mathrm{\τ}}}_{l,j}^2);$

令然后返回步骤S23重新开始执行。

优选的，步骤S2中，采用时空兴趣点检测的角点检测算法来检测特征点，具体为：将视频图像的像素点序列记为I，根据响应函数R＝(I*g*h_ev)²+(I*g*h_od)²，计算每个像素点序列的响应值R，计算得到一组响应值R，R的极大值点即为所求兴趣点；

其中 $\begin{array}{c}{h}_{\mathrm{ev}}(t,\mathrm{\τ},w)=-\cos \left(2\mathrm{\πtw}\right)e^{-t^2/{\mathrm{\τ}}^2}\\ h_{\mathrm{od}}(t,\mathrm{\τ},w)=-\sin \left(2\mathrm{\πtw}\right)e^{-t^2/{\mathrm{\τ}}^2}\end{array}$ 其中w＝4/π；

其中g(x,y；σ)是2D高斯平滑滤波来提供空间兴趣点的探测，h_ev和h_od是1DGabor滤波器的正交对。

优选的，步骤S3中，在时空兴趣点周围提取局部像素块，利用慢特征分析算法提取慢特征函数，慢特征分析算法步骤如下：

S31、将输入长方体像素块整合成输入矩阵：X(t)＝[x1(t),x2(t),…,xi(t)]^T；

S32、求解广义特征值问题：AW＝BWΛ；其中，表示输入信号在时间维度上一阶导数协方差的统计平均，B＝<x x^T>t表示输入信号协方差的统计平均，Λ是广义特征值组成的对角矩阵，W是广义特征向量组成的矩阵，即为慢特征函数。

优选的，步骤S4中，稀疏慢特征函数的处理：

S41、对稀疏慢特征函数进行稀疏编码；

S42、以上一步获得的W为初始值，对目标函数 $W=\arg ({\mathrm{Min}}_W<W^T\stackrel{\&CenterDot;}{X}{\stackrel{\&CenterDot;}{X}}^{T}W{>}_{\mathrm{\&tau;}}+\mathrm{\&gamma;}|\left|W\right|\left|\right);$

S43、进行求解，获得稀疏后的慢特征函数W；

S44、经过对目标函数优化后所得的W即为稀疏后的慢特征函数。

优选的，步骤S5中，所述ASD特征表述子的计算方法如下：

S51、计算每一个长方体像素块的ASD特征，具体计算方法如下：对于每一个长方体Ci和映射函数Fj，其一阶导数平方vi,j的计算如下所示：

$\mathrm{vi},j=\frac{1}{d-\mathrm{\&Delta;t}}\underset{t=1}{\overset{d-\mathrm{\&Delta;t}}{\mathrm{\&Sigma;}}}[\mathrm{Ci}(t+1)\&CircleTimes;\mathrm{Fj}-\mathrm{Ci}\left(t\right)\&CircleTimes;\mathrm{Fj}]^2$

此处表示转换操作；

S52、累计计算所有长方体的一阶导数平方求得ASD特征：

$\mathrm{fASD}=\underset{i}{\overset{N}{\mathrm{\&Sigma;}}}\mathrm{Vi}$

此处的N是该序列中长方体个数的总和，其中Vi＝<vi,1，vi,2…vi,K>^T；

S53、对S52中ASD特征进行归一化，得到特征立方体的ASD特征描述子。

优选的，步骤S6中，SVM分类器进行特征分类，使用学习组视频得到的ASD特征描述子进行SVM分类器的训练，使用测试组视频得到的ASD特征描述子进行特征分类。

本发明与现有技术相比，具有如下优点和有益效果：

1、本发明对视频进行慢特征分析，提取慢特征函数，可以很好的提取运动行为所蕴含的高层语义信息，抽象出本质的运动特征。特征描述子计算复杂度低，与慢特征函数性质契合，系统鲁棒性好。

2、本发明利用稀疏编码理论慢特征函数校正，稀疏编码是一种模拟哺乳动物初级视觉系统主视皮层V1区简单细胞感受野的编码方法。稀疏后的慢特征函数兼具了慢特征分析性质和稀疏编码效果，提高了在行为识别中的分类正确率。

附图说明

图1是本发明的流程图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

实施例

如图1所示，本实施例基于稀疏编码慢特征函数的行为识别方法，包括下述步骤：

S1、对训练集和测试集的视频进行预处理；

S2、对步骤S1预处理后的视频，检测特征点；

S3、对视频中的特征立方体，提取代表不同信息的描述子，形成综合描述子；

S4、利用步骤S3提取出来的训练集的描述子，使用K-SVD算法训练字典；

S5、对步骤S3提取出来测试集的描述子，进行特征融合，用级联字典分类算法进行分类。

步骤S1中，视频预处理的具体步骤如下：

对视频图像进行高斯滤波，降低噪声对运动前景提取的影响，高斯滤波函数如下；

$G(x,y)=\frac{1}{{2\mathrm{\&pi;\&sigma;}}^2}{e}^{-\frac{x^2+y^2}{{2\mathrm{\&sigma;}}^2}}$

对视频图像采用直方图均衡化的方法减轻背景光照对运动前景提取的影响；

混合高斯背景模型融合彩色空间的颜色测量和局部的纹理特征对背景进行建模，具体方法如下:

对于每一个象素，背景模型主要是由一个混合高斯模型(GMM),K个基于CSLBP直方图的混合纹理模型和一个基于颜色特征的单高斯模型组成。

A：用GMM描述像素灰度值变化,每一个像素的灰度值用K个高斯分布描述,通常K值取3～5,K值的大小取决于计算机内存及对算法的速度要求，定义像素点灰度值用变量X_t表示,其概率密度函数可用如下K个3维高斯函数表示:

$P\left(X_t\right)=\underset{i=1}{\overset{K}{\mathrm{\&Sigma;}}}{w}_{i,t}\&CenterDot;\mathrm{\&eta;}(X_t,{\mathrm{\&mu;}}_{i,t},{\mathrm{\&Sigma;}}_{i,t})$

式中,w_i,t为第i个高斯分布在t时刻的权重,且有是t时刻的第i个高斯分布,其均值为μ_i,t,协方差矩阵Σ_i,t。

$d_p\left(p\right)=\mathrm{\&eta;}(X_t,{\mathrm{\&mu;}}_{i,t},{\mathrm{\&Sigma;}}_{i,t})=\frac{1}{{\left(2\mathrm{\&pi;}\right)}^{\frac{n}{2}}{\left|{\mathrm{\&Sigma;}}_{i,t}\right|}^{1/2}}{e}^{-\frac{1}{2}{(X_t-{\mathrm{\&mu;}}_{i,t})}^T{\mathrm{\&Sigma;}}_{i,t}{(X_t-{\mathrm{\&mu;}}_{i,t})}^{-1}})$

i＝1,...,K

式中,n表示X_t的维数,为了降低计算量,通常认为R,G,B3个通道相互独立,并有相同的方差,则有Σ_i,t＝σ_i ²I,σ_i ²表示方差,I为单位；

B：每个像素点处的纹理模型是对以该像素为中心的一块局部区域内的直方图的统计描述，具体表示为：{(h₁,w₁),(h₂,w₂),...,(h_k,w_k)}，其中w_i为第i个纹理模型的权重，h_i为第i个模型的一个纹理描述向量，具体是指以该像素为中心、长宽皆为R的一个正方形邻域内的CSLBP直方图。

其中，CSLBP直方图计算方法如下：对于图像中任意一点n_c，将其邻域内的点(例如周围点n₀～n₇，是以点n_c为圆心，半径为R的圆上的8个相互等距的点，对于不是正好处于某一像素上的点，需双线性插值法来得到其像素值)，与n_c进行比较来计算CSLBP值，具体计算方法如下式所示：

${\mathrm{CSLBP}}_{R,N,T}(x,y)=\underset{i=0}{\overset{(N/2)-1}{\mathrm{\&Sigma;}}}s(n_i-n_{i+(N/2)})2^i$

$s\left(x\right)=\left\{\begin{array}{c}1...x\&GreaterEqual;T\\ 0...\mathrm{otherwise}\end{array}\right.$

其中，N为n_c的邻域个数，R为邻域半径(单位像素)，而T(≥0)为一个阈值。

设像素点位置为(x，y)，该像素点处的直方图描述的第i位按下式计算：

$H\left(i\right)=\underset{x-R/2<x^{\&prime;}<x+R/2,y-R/2<y^{\&prime;}<y+R/2}{\mathrm{\&Sigma;}}\mathrm{\&delta;}(V(x^{\&prime;},y^{\&prime;})-i)$

$\mathrm{\&delta;}\left(v\right)=\left\{\begin{array}{c}1,v=0\\ 0,\mathrm{otherwise}\end{array}\right.$

其中，R表示所取邻域大小，V(x'，y')表示点(x，y)的CSLBP值。

C:单高斯颜色模型是对该像素点颜色的历史分布的描述，具体表示为：{μ,Σ}，其中μ为该像素点的颜色均值向量，Σ为颜色变化协方差矩阵: ${\mathrm{\&Sigma;}}_k={\mathrm{\&sigma;}}_k^{2}I.$

模型相似度计算：

GMM:

$d_p\left(p\right)=\mathrm{\&eta;}(X_t,{\mathrm{\&mu;}}_{i,t},{\mathrm{\&Sigma;}}_{i,t})=\frac{1}{{\left(2\mathrm{\&pi;}\right)}^{\frac{n}{2}}{\left|{\mathrm{\&Sigma;}}_{i,t}\right|}^{1/2}}{e}^{-\frac{1}{2}{(X_t-{\mathrm{\&mu;}}_{i,t})}^T{\mathrm{\&Sigma;}}_{i,t}{(X_t-{\mathrm{\&mu;}}_{i,t})}^{-1}})$

i＝1,...,K

式中,n表示X_t的维数,为了降低计算量,通常认为R,G,B3个通道相互独立,并有相同的方差,则有Σ_i,t＝σ_i ²I,σ_i ²表示方差,I为单位；

CSLBP纹理模型：

对于当前帧中的一个像素点p，首先计算像素点p局部区域内的CSLBP纹理直方图描述H_n，然后计算其与每个纹理模型中直方图H₀间的相似度，即得出与每个模型的纹理相似度。纹理相似度的计算采用巴氏距离衡量法：

$d_t\left(p\right)=\sqrt{\frac{\underset{j}{\mathrm{\&Sigma;}}\sqrt{H_{\mathrm{ni}}\left(p\right)*H_{\mathrm{oi}}\left(p\right)}}{N}};$

其中N为直方图的长度，H，H_ni分别为直方图的第i位。

单高斯颜色模型：

当前像素点在颜色特征上的相似度计算采用高斯概率密度进行衡量：

$d_c\left(p\right)=\mathrm{\&eta;}(c\left(p\right),\mathrm{\&mu;},\mathrm{\&Sigma;})=\frac{1}{{\left(2\mathrm{\&pi;}\right)}^{\frac{1}{2}}{\left|\mathrm{\&Sigma;}\right|}^{1/2}}{e}^{-\frac{1}{2}{(c\left(p\right)-\mathrm{\&mu;})}^T\mathrm{\&Sigma;}{(c\left(p\right)-\mathrm{\&mu;})}^{-1}})$

其中，c(p)为当前帧中的像素点p处的颜色向量。

根据公式：

d_tc(p)＝w_p(p)·d_p(p)+w_t(p)·d_t(p)+(w_c(p))^k·d_c(p)；

其中d_tc(p)为背景模型和当前帧图像在相同像素位置p处的总体相似度；d_p(p)为混合高斯上的相似度；d_t(p)为纹理上相似度；d_c(p)为颜色上的相似度；w_p(p)为混合高斯信息贡献权重；w_t(p)为纹理信息贡献权重；w_c(p)为颜色信息贡献权重，且有w_c(p)＝1-w_t(p)；而k为比例因子，用于控制颜色信息的贡献权重。

可以计算出当前模型与各个模型间的相似度。将相似度按从小打到排序，如果相似度中的最大值小于设定的阈值Th，则认为没有一个模型与当前模型匹配，那么此时该像素在特征上与模型的匹配程度就置为0；如果相似度中的最大值大于设定阈值，则认为存在于当前模型相匹配的模型。

利用交叉双边滤波器强化相似区域，为下一步提取运动特征做准备，交叉双边滤波函数如下：

$g(i,j)=\frac{{\mathrm{\&Sigma;}}_{k,l}f(k,l)w(i,j,k,l)}{{\mathrm{\&Sigma;}}_{k,l}w(i,j,k,l)};$

其中g(i,j)为输出像素，f(k,l)为输入像素(为输出像素点周边像素)，w(i,j,k,l)为权重系数。

步骤S2中，特征点的提取的具体步骤为：

本实施例采用两种常用的时空兴趣点检测方法：一是常用的Harris角点检测方法的3D推广，二是Cuboid Feature的角点检测方法。

Harris3D角点提取算法如下：

1、使用初始空间尺度和时间尺度稀疏选定的组合，以及积分尺度和在时间和空间上找到时空角点函数H(8)的极大值点 $p_j=(x_j.y_j,t_j,{\mathrm{\&sigma;}}_{l,j}^2,{\mathrm{\&tau;}}_{l,j}^2),j=1...N,$ 这些点就是兴趣点；

2、for每个兴趣点p_j do；

3、在(x_j,y_j,t_j)处计算和在周边那些和δ＝-0.25,0,0.25的地方计算出联合尺度

4、选出那些使得最大化的联合积分尺度

5、if或者

用积分尺度 ${\widetilde{\mathrm{\&sigma;}}}_{i,j}^2={\widetilde{\mathrm{\&sigma;}}}_{i,j}^2,{\widetilde{\mathrm{\&tau;}}}_{i,j}^2={\widetilde{\mathrm{\&tau;}}}_{i,j}^2,$ 局部尺度 ${\widetilde{\mathrm{\&sigma;}}}_{i,j}^2=\frac{1}{s}{\widetilde{\mathrm{\&sigma;}}}_{i,j}^2,{\widetilde{\mathrm{\&tau;}}}_{i,j}^2=\frac{1}{s}{\widetilde{\mathrm{\&tau;}}}_{i,j}^2$ 在最靠近(x_j,y_j,t_j)的位置处重新提取兴趣点令然后goto步骤3；

6、end。

Cuboid Feature的算法如下：

Cuboid Feature的角点检测方法通过空域高斯滤波与时域Gabor滤波叠加实现。

对输入视频进行时空域兴趣点检测，通过响应函数R＝(I*g*h_ev)²+(I*g*h_od)²；

其中 $\begin{array}{c}{h}_{\mathrm{ev}}(t,\mathrm{\&tau;},w)=-\cos \left(2\mathrm{\&pi;tw}\right)e^{-t^2/{\mathrm{\&tau;}}^2}\\ h_{\mathrm{od}}(t,\mathrm{\&tau;},w)=-\sin \left(2\mathrm{\&pi;tw}\right)e^{-t^2/{\mathrm{\&tau;}}^2}\end{array}$ 其中w＝4/π；

其中g(x,y；σ)是2D高斯平滑滤波来提供空间兴趣点的探测，h_ev和h_od是1DGabor滤波器的正交对来提供时间兴趣点的探测。通过计算视频图像中每一个点的响应函数，然后最大值就是兴趣点。

步骤S3中，慢特征函数提取的具体步骤如下：

慢特征函数提取算法如下：

输入：特征兴趣点时空坐标；

输出：慢特征函数——n组m维SFF(k)序列，其中，k属于[0,m-1]，SFF(k)即为慢特征函数；

●for每个特征兴趣点do

●以特征兴趣点空间坐标为中心,提取大小为w*h的像素，并在时域扩展得到w*h*l大小的长方体像素块矩阵；

●end for

●for每一个学习动作类别do

●for长方体像素块do；

●累计计算矩阵协方差以及矩阵一阶导数的协方差；

●end for

●计算广义特征值、广义特征向量，得到慢特征函数；

●end for

步骤S4中，稀疏编码校正慢特征函数具体步骤如下：

●begin

●

●for每一个慢特征函数

●repeat

● $w_j\&LeftArrow;\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\left[\right|a_i^T{w}_j|-\mathrm{\&gamma;}]}_{+}\mathrm{sign}\left(a_i^T{w}_j\right)a_i$

● $w_j\&LeftArrow;\frac{w_j}{\left|\right|w_j\left|\right|}$

●until满足终止条件

●end for

●构建向量P∈{0，1}ⁿ，满足 $\left\{\begin{array}{cc}{p}_{\mathrm{ij}}=1& \mathrm{if}\left|a_i^T{w}_j\right|>\mathrm{\&gamma;}\\ p_{\mathrm{ij}}=0& \mathrm{otherwise}\end{array}\right.$

●end

步骤S5中，ASD特征描述子计算具体步骤如下：

ASD特征描述子提取算法如下：

输入：长方体像素块矩阵、稀疏编码的慢特征函数；

输出：ASD特征

●for每个动作视频do

●for每个长方体像素块矩阵do

●长方体像素块矩阵与每一组慢特征函数运算得到输出矩阵；

●计算输出矩阵的一阶倒数平方和；

●end for

●ASD特征归一化

●end for

步骤S6中，SVM分类器分类的具体步骤如下：

输入：ASD特征

输入：分类结果

●for学习视频在S5中得到的ASD特征do

●添加标签信息，输入到学习矩阵

●end for

●设置SVM参数

●for测试视频在S5中得到的ASD特征do

●SVM分类

●end for

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (8)

1.一种基于稀疏编码慢特征函数的行为识别方法，其特征在于，包括下述步骤：

S1、对训练集和测试集的视频进行预处理；

S2、对步骤S1预处理后的视频，检测特征点；

S3、对视频中的特征立方体，提取慢特征函数；

S4、对步骤S3提取到的慢特征函数系数进行稀疏编码，获得稀疏慢特征函数系数；

S5、对步骤S4处理后的特征函数与特征立方体运算，得到特征表述子；

S6、利用SVM分类器，对特征表述子进行分类，得到识别结果。

2.根据权利要求1所述的基于稀疏编码慢特征函数的行为识别方法，其特征在于，步骤S1中对视频进行预处理的具体方法为：

S11、采用平滑滤波的方法降低噪声的影响；

S12、采用光照补偿的方法保证图像的对比度、补偿光照的影响；

S13、通过背景建模的方法实现提取运动前景，其中采用：a)多层混合背景模型融合彩色空间的颜色测量和局部的纹理特征对背景进行建模；b)利用交叉双边滤波器强化相似区域，更好地检测结果和保留边界信息。

3.根据权利要求1所述的基于稀疏编码慢特征函数的行为识别方法，其特征在于，步骤S2中，采用Harris3D角点提取算法来检测特征点，具体为：

S21、使用初始空间尺度和时间尺度稀疏选定的组合，以及积分尺度和在时间和空间上找到时空角点函数H(8)的极大值点 $p_j=(x_j.y_j,t_j,{\mathrm{\&sigma;}}_{l,j}^2,{\mathrm{\&tau;}}_{l,j}^2),j=1...N,$ 这些点就是兴趣点；

S22、对每个兴趣点p_j进行处理；

S23、在(x_j,y_j,t_j)处计算和在周边那些和δ＝-0.25,0,0.25的地方计算出联合尺度

S24、选出那些使得最大化的联合积分尺度

S25、如果或者用积分尺度局部尺度在最靠近(x_j,y_j,t_j)的位置处重新提取兴趣点 ${\tilde{p}}_j=({\tilde{x}}_j,{\tilde{y}}_j{\tilde{t}}_j,{\widetilde{\mathrm{\&sigma;}}}_{l,j}^2,{\widetilde{\mathrm{\&tau;}}}_{l,j}^2);$

令然后返回步骤S23重新开始执行。

4.根据权利要求1所述的基于稀疏编码慢特征函数的行为识别方法，其特征在于，步骤S2中，采用时空兴趣点检测的角点检测算法来检测特征点，具体为：将视频图像的像素点序列记为I，根据响应函数R＝(I*g*h_ev)²+(I*g*h_od)²，计算每个像素点序列的响应值R，计算得到一组响应值R，R的极大值点即为所求兴趣点；

其中 $\begin{array}{c}{h}_{\mathrm{ev}}(t,\mathrm{\&tau;},w)=-\cos \left(2\mathrm{\&pi;tw}\right)e^{-t^2/{\mathrm{\&tau;}}^2}\\ h_{\mathrm{od}}(t,\mathrm{\&tau;},w)=-\sin \left(2\mathrm{\&pi;tw}\right)e^{-t^2/{\mathrm{\&tau;}}^2}\end{array}$ 其中w＝4/π；

其中g(x,y；σ)是2D高斯平滑滤波来提供空间兴趣点的探测，h_ev和h_od是1DGabor滤波器的正交对。

5.根据权利要求1所述的基于稀疏编码慢特征函数的行为识别方法，其特征在于，步骤S3中，在时空兴趣点周围提取局部像素块，利用慢特征分析算法提取慢特征函数，慢特征分析算法步骤如下：

S31、将输入长方体像素块整合成输入矩阵：X(t)＝[x1(t),x2(t),…,xi(t)]^T；

S32、求解广义特征值问题：AW＝BWΛ；其中，表示输入信号在时间维度上一阶导数协方差的统计平均，B＝<x x^T>t表示输入信号协方差的统计平均，Λ是广义特征值组成的对角矩阵，W是广义特征向量组成的矩阵，即为慢特征函数。

6.根据权利要求5所述的基于稀疏编码慢特征函数的行为识别方法，其特征在于，步骤S4中，稀疏慢特征函数的处理：

S41、对稀疏慢特征函数进行稀疏编码；

S42、以上一步获得的W为初始值，对目标函数 $W=\arg ({\mathrm{Min}}_W<W^T\stackrel{\&CenterDot;}{X}{\stackrel{\&CenterDot;}{X}}^{T}W{>}_{\mathrm{\&tau;}}+\mathrm{\&gamma;}|\left|W\right|\left|\right);$

S43、进行求解，获得稀疏后的慢特征函数W；

S44、经过对目标函数优化后所得的W即为稀疏后的慢特征函数。

7.根据权利要求1所述的基于稀疏编码慢特征函数的行为识别方法，其特征在于，步骤S5中，所述ASD特征表述子的计算方法如下：

S51、计算每一个长方体像素块的ASD特征，具体计算方法如下：对于每一个长方体Ci和映射函数Fj，其一阶导数平方vi,j的计算如下所示：

$\mathrm{vi},j=\frac{1}{d-\mathrm{\&Delta;t}}\underset{t=1}{\overset{d-\mathrm{\&Delta;t}}{\mathrm{\&Sigma;}}}[\mathrm{Ci}(t+1)\&CircleTimes;\mathrm{Fj}-\mathrm{Ci}\left(t\right)\&CircleTimes;\mathrm{Fj}]^2$

此处表示转换操作；

S52、累计计算所有长方体的一阶导数平方求得ASD特征：

$\mathrm{fASD}=\underset{i}{\overset{N}{\mathrm{\&Sigma;}}}\mathrm{Vi}$

此处的N是该序列中长方体个数的总和，其中Vi＝<vi,1，vi,2…vi,K>^T；

S53、对S52中ASD特征进行归一化，得到特征立方体的ASD特征描述子。

8.根据权利要求1所述的基于稀疏编码慢特征函数的行为识别方法，其特征在于，步骤S6中，SVM分类器进行特征分类，使用学习组视频得到的ASD特征描述子进行SVM分类器的训练，使用测试组视频得到的ASD特征描述子进行特征分类。