2. method
把每一帧变成不同尺度，并且把每一层分成互不覆盖的patch.连续的5帧堆叠在一起形成时空立方体。对时空立方体计算3D梯度特征[11]。这些视屏序列中的特征，根据空间位置的相关性，进行处理。只有在相同空间位置的特征会被一起使用来训练和测试。
2.1. Learning Combinations on Training Data
所有的帧中的3D梯度特征表示为X = {x1,..., xn}。
我们的目标是发现一个sparse basis combination set S = {S1,..., SK}，每一个 Si ∈ Rp×s包含s个字典基向量，形成了一种独特的组合，其中s远小于q。每一个 Si属于一个closed,convex and bounded set, 这确保了逐栏是单位规范列向量（unitnorm）从而避免过拟合.
我们的稀疏组合学习有两个目标：
1. 高效的表示，发现K个基组合，具有较小的重构误差t；
公式2
γ = {γ1,..., γn} and γj = {γ1j ,...,γK j }。每个γij 表示第i个组合Si是否被选中，对于数据xj。βij 是相关系数集corresponding coefficient set，用来表示关于组合Si的xi。
2. 让组合（Combinations）的总数量K足够小，对于监控视频的信息量。