摘要：针对大数据的人体行为识别时实时性差和识别率低的问题,提出了优化投影对线性近似稀疏表示分类(OP-LASRC)的监督降维算法,与线性近似稀疏表示(LASRC)快速分类算法结合用于大数据的行为识别。利用LASRC的残差计算规律设计OP-LASRC实现监督降维:在追求一个线性投影时减小训练样本的本类重构残差及增大类间重构残差,保留样本的类别特征。对降维后的行为数据用LASRC算法分类:用L2范数估算稀疏系数,取前k个最大的稀疏系数对应的训练样本,用L1范数和残差计算得到识别结果。在KTH行为数据库上的实验表明,OP-LASRC降维后,LASRC在分类时识别率高达96.5%,执行时间比同类算法短,抗噪声能力强,证明了OP-LASRC的高效和强鲁棒性,能完美匹配LASRC用于大数据的行为识别。