行为识别的主要目标是在输入的若干个行为的视频中提取出有效的运动特征,并通过对这些特征进行分析,从而快速准确的识别出该行为的所属类型。行为因素在考核家畜健康和商业利益评价中至关重要,因此,牲畜的行为识别技术现在已经广泛应用于规模化的畜牧养殖业中,但在近年来学者的研究中,我们发现家畜的行为识别过程中,提取的代表动物行为的特征点出现冗余情况,对识别的结果有一定的影响;另外,不同的字典学习在行为识别中的计算时间、收敛速度等因素都会有所变化,同时当前的识别技术中,在线识别方面的技术相对较为薄弱,针对上述问题,本文将展开相关研究,并提出了改进的稀疏超完备词典算法,应用于奶牛的跛足行为识别,主要研究工作如下:(1)首先,本文以寻找优化搜索方向为研究目标,采用共轭梯度追踪算法的稀疏超完备词典学习算法(conjugate gradient pursuit-KSVD,CGP-KSVD)进行奶牛行为过程中的语义级描述和表示,将其运用于稀疏编码的构建初始阶段,从而使稀疏超完备词典学习算法实现快速寻找优化方向的目的,减少了因大规模存储和计算Hessen矩阵的计算负载,从而加快了原来稀疏超完备词典学习算法的收敛速度。(2)其次,该文提出了时空兴趣点和稠密轨迹图二次提取时空兴趣点相融合的技术应用于视频底层特征提取和表示阶段,该方法的提出,使得提取的时空兴趣点含有丰富的细节特征信息,同时减少冗余特征并降低计算负载。(3)研究构建奶牛跛足行为识别库,本文提出识别方法框架和对比方法进行验证,主要通过不同视角与经典识别方法对比,对本文提出算法框架的有效性、泛化性、在线检测实时性及定量分析等性能进行验证,实验结果显示,本文提出的算法在相同的环境下,有较高的识别准确率和泛化能力,同时算法执行时间有明显改善。综上,本文针对奶牛的跛足行为识别过程开展研究,提出解决方法并进行实验验证,本文的相关工作为后续研究提供参考借鉴的思路,相关技术可以成为非接触式传感器监测及其他技术的必要补充。