论文部分内容阅读
所提方案在传统解析字典算法基础上,加入局部拓扑项用以描述数据之间的结构信息,同时用l_(1/2)范数代替l1范数作为稀疏约束,从而提高表示系数的稀疏度。在特征提取上,融合了包含丰富运动信息的相互作用力直方图与包含纹理信息的梯度方向直方图,然后用改进的字典对特征数据进行训练,最后通过计算测试样本在该字典下的重构误差来判断测试样本是否为异常样本。在标准行为库UMN(University of Minnesota)数据库上进行的实验证实了算法具有较高的性能。与传统的算法相比,提出的改进的解析字典分类算法在