技术特征：
1.一种基于特征优选与多种特征融合的人体行为识别方法，其特征在于：包括以下步骤：步骤1，读取视频帧图像并进行去噪预处理，采用高斯滤波器对图像序列进行降噪处理，增强图像质量；步骤2，对完成预处理的视频帧图像分别提取hog特征与surf特征；步骤3，利用pca算法对hog特征进行降维处理；步骤4，对pca降维后的hog特征应用pearson相关系数、spearman相关系数和kendall系数进行二次降维处理；步骤5，将surf特征向量与二次降维后的hog特征向量进行特征融合，利用支持向量机进行分类识别。2.根据权利要求1所述一种基于特征优选与多种特征融合的人体行为识别方法，其特征在于：步骤2中提取hog特征具体过程为：s2.1.1,按照差分公式计算图像梯度大小矩阵和梯度方向矩阵，将360度(2π)分割成n个bins，每个bin包含度s2.1.2，根据每个像素点的梯度方向，找到对应的bin，并且在bin值所在的维度加上梯度大小，得到一个n维的直方图；s2.1.3，对图像进行分块处理，得到许多个小cells，针对每个小cell，统计其梯度方向直方图，将多个小cell构成一个block，每个block的梯度方向直方图为每个cell的梯度方向直方图的级联，级联所有block的梯度方向直方图得到整个图像的hog特征直方图。3.根据权利要求2所述一种基于特征优选与多种特征融合的人体行为识别方法，其特征在于：步骤2中提取surf特征的具体过程为：s2.2.1，采用hessian矩阵行列式来检测特征点；s2.2.2，构建图像的尺度空间，在尺度空间中实现特征点定位；s2.2.3，确定特征点的方向；s2.2.4，构建surf特征向量，在特征点周围取一个4
×
4的矩形区域块,每个子区域统计25个像素的水平和垂直方向的haar小波特征，把haar小波值作为每个子块区域的特征向量,所以一共有4
×4×
4＝64维向量作为surf特征向量。4.根据权利要求3所述一种基于特征优选与多种特征融合的人体行为识别方法，其特征在于：步骤3中将高维n维特征映射到低维k维特征上，具体过程如下：假设有m个样本，对应特征向量为x
i
,x
i
的维数为n，则由向量构成的样本可表示为一个n行m列的矩阵x＝{x1,x2...,x
m
}，则该样本的平均向量为求出协方差矩阵c为对矩阵c求特征值与对应的特征向量，然后将特征向量按对应特征值大小从上到下按行列排列成矩阵，取前k行组成矩阵p，则y＝px即为降维到k维后的矩阵。5.根据权利要求4所述一种基于特征优选与多种特征融合的人体行为识别方法，其特征在于：步骤4具体过程为：s4.1，采用sobel算子检测提取图像的边缘，计算边缘像素梯度幅值、梯度方向，将360度(2π)分割成n个bins，每个bin包含度然后根据像素点的梯度方向，找到对应的bin，并且在bin值所在的维度加上梯度幅值，得到一个n维的边缘
方向直方图；s4.2，通过相关系数公式计算帧图像间的边缘方向直方图相似度；s4.3，根据相似度值的大小确定特征维度进行特征筛选，实现二次降维。6.根据权利要求5所述一种基于特征优选与多种特征融合的人体行为识别方法，其特征在于：步骤5具体为：s5.1，对视频中存在人体动作的部分进行分割：提取每一帧的surf特征，将有效特征数大于一定数量的帧视为有效帧；设定一个时间窗口，在有效帧之间进行特征点的匹配，对相邻两帧之间进行特征匹配，将与前后两帧的匹配特征均大于一定数量的帧视为关键帧，即，匹配特征的置信概率大于90％；若在时间窗口之内，关键帧数量大于设定好的阈值，则将该窗口分割出来，作为一个视频片段；s5.2，对每个分割好的视频片段计算特征，对片段内每帧计算hog特征，并进行降维后，将特征串联，同时对每帧计算surf特征，取每帧前n个最显著的特征点，并将其转换为特征向量，将特征向量串联后，再与降维的hog特征串联，形成分类所需的融合的特征向量；s5.3，采用支持向量机svm进行训练识别，svm采用rbf核函数。