在人體動作辨識的部份，有許多各種不同的方法來辨識各種人體動作。我們試著使用X、Y、T這三種方向之間的梯度變化以及降頻取樣0次、1次、2次來當作我們的特徵。我們在前處理的過程中，對於雜訊的濾除較為嚴謹，並且試著使用運動 (motion) 圖來顯示動作的梯度變化，此外，還使用運動圖詳細的表示梯度的分布範圍，最後，再把梯度數據累積成直方圖的型式，使用卡方判別式來計算動作與動作之間的相似度。在實驗的部份，我們試著拍了一些簡單的示範動作影片，單一動作的模型是經由比對好幾個不同的人做相同的動作，找出其中一個人與其他人相比都能有最高相似度的人來當作我們的模型。由於一段比較長的影片會由各種動作組合而成，所以我們會使用兩種移動(sliding window)比對方式進行比對。

我們希望我們在比對動作時可以提高辨識，所以我們參考了某位學者的研究提出了一些小細節方面的修改，例如:我們在過濾雜訊的部份更嚴謹，主要是因為梯度變化是相當敏感的，只要有一點點移動，就會產生運動(motion) 。另外，我們廣泛的使用運動圖用來輔助比對直方圖，此外，由於我們累積的一段影像序列的梯度直方圖數據，計算其平均值與別的動作比對。但是在示範短影片以及長影片的部份都有可能發生只有背景沒有人的情況或者人在做動作時，移動太慢導致發生整張影像梯度值都是0的情況，這些都是多餘的梯度數據，所以我們必須剔除這些數據再比對，才能提高辨識各種動作。

[1] Gary R. Bradski and James Davis, “Motion Segmentation and Pose Recognition
With Motion History Gradients,”in Machine Vision and Applications, vol. 13, no.3, pp.174–184, 2002.
[2] Aaron F. Bobick and James W. Davis, “The Recognition of Human Movement Using Temporal Templates,”in IEEE Transactions On Pattern Analysis and Machine Intelligence, vol.23, Mar, 2001.
[3] Aaron F. Bobick and James W. Davis, “Real-time Recognition of Activity Using Temporal Templates,” in IEEE Workshop On Applications Of Computer Vision, Dec.6-9, 1996.
[4] Nazli Ikizler and R. Gokberk Cinbis and Pinar Duygulu,“Human Action Recognition with Line and Flow Histograms,”in Proceedings of the International Conference on Pattern Recognition, pp.1–4, Dec. 2008.
[5] Lexander Klaser and Marcin Marszalek and Cordelia Schmid,“A Spatio-TemporalDescriptor Based on 3D-Gradients,” in British Machine Vision Conference, pp. 1-4, Sept. 2008.
[6] Lihi Zelnik-Manor and Michal Irani,“Event-Based Analysis of Video,” in IEEE
Conf erence, Computer Vision and Pattern Recognition, vol.2, pp.123-130,
Dec. 2001.
[7] Lihi Zelnik-Manor and Michal Irani. “Statistical Analysis of Dynamic Actions,”
in IEEE Transactions On Pattern Analysis and Machine Intelligence , vol. 28, no. 9, pp.1530 – 1535, Sept. 2006
[8] R. Polana and R. Nelson, “Detecting activities,” in IEEE Conference on Computer Vision and Pattern Recognition, June. 1993.