视频序列中的行为识别应用广泛，是当前计算机视觉研究领域的一个热点。行为识别研究在受控场景下已经取得很大进展，但在复杂场景下，还存在着诸多挑战，如何在嘈杂的真实场景下，寻求有效的行为特征表示，以及高效的、鲁棒的、能满足实时处理要求的机器识别算法，将是较长时期内所追求的目标。 本书所提方法联合了特征点在全局和局域的分布特性，将特征间的时空关系纳入编码中，在KTH、UCF sports以及UCF101数据库上的实验取得了较好的识别率，其中在UCF101数据库上取得了比基于深度学习方法更高的识别精度。

第一章 绪论
一、研究背景与意义
二、国内外研究现状
（一）行为识别的特征表示
（二）分类识别方法
三、视频序列的行为识别建模的技术难点
四、行为识别视频数据库
（一）单人行为数据库
（二）复杂行为数据库
五、主要工作
六、本书组织结构
第二章 概率隐含语义分析模型的行为识别研究
—、引言
二、主题模型在行为识别中的应用
（一）主题模型
（二）主题模型在行为识别中的应用
三、评估方法
（一）特征提取和表示
（二）特征编码与归一化
（三）PLSA模型设置
四、实验结果与分析
（一）KTH数据库的实验结果
（二）UT-interaction数据库的实验结果
五、结果分析与讨论
六、本章小结
第三章 行为相似度识别的过完备稀疏方法
一、引言
二、相关研究
三、基于高斯混合模型的过完备稀疏方法
（一）特征提取
（二）高斯混合模型
（三）字典学习与稀疏编码
（四）概率加权的池化表示
四、实验结果与分析
（一）实验设置
（二）参数选择
（三）不同特征描述符的性能比较
（四）与主流算法的性能比较
（五）结果分析与讨论
五、本章小结
第四章 基于费舍尔向量和局域聚合描述符向量编码的行为识别方法
一、特征编码方法
二、费舍尔向量和局域聚合描述符向量编码
（一）费舍尔向量编码
（二）局域聚合描述符向量编码
（三）单词包、费舍尔向量和局域聚合描述符向量编码的关系
三、基于软分配的局域聚合描述符向量编码
四、联合高阶矩的费舍尔向量编码
五、实验结果与分析
（一）实验设置
（二）主成分分析影响
（三）基于软分配的局域聚合描述符向量编码的实验结果
（四）联合高阶矩的费舍尔向量方法的实验结果
（五）结果分析与讨论
六、本章小结
第五章 基于时空信息的超向量编码行为识别方法
—、引言
二、基于时空信息的超向量编码方法
三、实验结果与分析
（一）KTH数据库上的实验结果
（二）UCF sports数据库上的实验结果
（三）UCF101数据库上的实验结果
（四）实验结果分析
四、本章小结
第六章 总结与展望
一、总结
二、展望
参加的科研项目和获得的奖励
参考文献