基于跨域字典学习算法的人体行为识别

将一种跨域字典学习算法应用于人体行为识别中,通过引入辅助域数据集,与原始训练集(目标域)共同进行字典学习,获得字典对,进而得到动作类的稀疏编码,有效扩充了训练集的类内多样性.该算法为字典学习与训练分类相结合的学习框架,可利用字典对学习过程中的重建误差进行分类.实验在MATLAB仿真条件下进行,将UCF YouTube数据集作为原始训练集,将HMDB51数据集作为辅助域数据集,选取两个数据集动作类别一致的7个动作,根据提出的算法流程进行识别.将该方法与其他两种人体行为识别算法进行对比.结果表明,该方法识别率显著提高,证明了跨域字典学习算法在人体行为识别上的有效性.