刘向阳， 李阳， 姜树明， 王帅

(山东省科学院情报研究所，山东 济南 250014)

近年来，动作行为识别成为计算机视觉、模式识别等领域的一个研究热点,广泛应用于人机交互[1-2]、运动视频分析[3]和视频监控[4]等领域。目前国内外有关人体动作行为识别的研究取得了重要进展,但人体运动的多变化性，以及视角、光照、遮挡等问题使得识别的精确性成为研究难题。现有的行为识别模型大都是基于监督学习框架的，然而现实应用中，大多数都是未标记且多特征描述的数据，对样本进行标记是一个费时费力的工作。

协同训练算法(co-training)[5-7]是半监督学习中的重要风范(paradigm)之一，能够很好地解决上述问题。该算法利用两个或者多个学习器，以迭代的方式结合多视角信息。在学习过程中，挑选出置信度高的未标记样本进行相互标记，互换信息，更新模型以提高分类器识别效果。协同训练算法是一种非常具有研究价值的学习算法，目前协同训练及其相关改进算法[8]已应用于自然语言处理[9]、模式识别[10]等领域，但是在人行为识别领域应用甚少。

标准协同训练算法[6]及其相关改进算法[11-12]利用各视角上标记样本训练初始分类器，通常采用传统分类方法，如支持向量机[13](support vector machine, SVM)、决策树(decision tree)、朴素贝叶斯(naive Bayes，NB)等分类算法。当标记样本数目较少时，仅仅利用有标记样本训练所得的分类器的性能较弱，容易对未标记样本预测错误，如果被添加到对方标记样本集，就给对方引入了噪声信息，且噪声会在迭代过程中不断积累，会导致最终分类器性能下降,无法得到用户满意的结果。……