1.一种基于特征变换和词典学习的多特征动作识别方法，用于挖掘不同特征的内在关联特性，以实现高效率的动作识别，其特征在于该方法具体包含以下步骤：第1、视频预处理

由于从设备中采集的深度数据包括许多噪声、空洞，所以需要使用平滑和修补算法过滤噪声和修补空洞；对于经过上述处理的数据，由于含有复杂的背景，这些背景会对后续的处理造成干扰，所以需要根据距离信息先将人体和背景进行分割，并尽可能的保留人体；

第2、不同特征提取

针对不同动作的深度图像序列，分别提取GIST特征和DSTIP时空兴趣点特征，并保存对应的结果；

第3、码书构建和特征的归一化

由于不同视频中所提取的DSTIP时空兴趣点数目不一样，为了能够进行归一化，首先，采用K-means方法训练对应的码书，其次，采用“词袋”方法对这些时空兴趣点进行归一化，并保存对应的结果，同时，对GIST特征采用L1方法对其进行归一化，作为对应动作的最后特征；

第4、特征变换和词典学习正则项制定及模型构建

在第3步处理后的特征基础上，为了挖掘不同特征的内在关系，因此，为不同特征同时学习词典对，且不同特征的稀疏表征系数之间满足矩阵变换关系，同时，使得矩阵系数尽可能的小，因此，构建模型如下：其中，Di和Dj分别表示对应特征i和特征j的词典，Fi和Fj分别表示训练集中对应特征i和特征j的矩阵，X表示Fi使用词典Di对其进行重建时，对应的重建系数矩阵，而Y表示Fj使用词典Dj对其进行重建时，对应的重建系数矩阵；W表示特征变换矩阵，表示使用两种不同特征对样本进行重建时，不同的重建系数矩阵不一定要完全相同，但是必须满足Y---X＝W*Y，这样不同特征之间的关系通过变换矩阵进行刻画；

第5、基于多特征重建和特征变换的动作识别模型构建

在第4步获得的特征变换矩阵W和词典Di和Dj的基础上，利用词典对对测试样本进行表征，计算对应的表征系数，同时，要求表征系数之间尽可能的满足特征变换矩阵，这样，获得的表征系数具有较好的区分性，其具体的模型如下：其中，Di和Dj分别表示对应特征i和特征j的词典，fi和fj分别表示测试样本对应的特征i和特征j，x表示fi使用词典Di对其进行重建时，对应的重建系数，而y表示fj使用词典Dj对其进行重建时，对应的重建系数；W表示特征变换矩阵，表示使用两种不同特征对样本进行重建时，不同的重建系数应该尽可能的满足y---y＝x*W；

第6、基于稀疏表征的动作识别

根据第5步获得的特征表征系数，采用不同类的表征系数分别重建测试样本，计算对应的残差；当采用某类表征系数重建样本残差最小时，该测试样本的类别即判断为对应的类。