稀疏表示 过完备 字典

2基于局部时窄特征的动作识别模哩
2．1 动作识别的基本思想
实现了基于时空兴趣点和时空单词的动作表示和识别方法，该方法首先通过训练从样本中提取出准确的时空兴趣点，
建立基于兴趣点特征的时空码本，并构造出动作分类器。在动作识别过程中，计算待分类视频中的兴趣点特征和时空码
本的距离对兴趣点进行分类，生成对视频动作进行表征的时空单词，最后通过动作分类器进行分类识别。 

 

 

目前已有很多方法和技术用于构造分类模型，如决策树、神经网络、贝叶斯方法、Fisher线性分析(Fld)以及支持向量机(Support Vector Machine, SVM)。

基于超完备字典的信号稀疏分解是一种新的信号表示理论，其采用超完备的冗余函数系统代替传统的正交基函数，为信号自适应的稀疏扩展提供了极大的灵活性。稀疏分解可以实现数据压缩的高效性，更重要的是可以利用字典的冗余特性捕捉信号内在的本质特征。

信号稀疏分解的基本思想是：使用超完备的冗余函数字典作为基函数，字典的选择尽可能地符合被逼近信号的结构，字典中的元素被称为原子。利用贪婪算法或者自适应追踪算法，从字典中找到具有最佳线性组合的很少的几项原子来表示一个信号，也称作高度非线性逼近。本文主要利用字典的冗余特性可以更好地捕捉信号本质特征这一特点，提出数据分类算法SRC。实验结果表明，SRC算法在分类准确性上优于SVM和Fld算法，不平衡数据集的分类实验结果显示了该算法的鲁棒性。

 

几个专业名词解析：

原子：字典的列向量。

完备字典与过完背字典</