در این پایان نامه، از دو الگوریتم خوشه بندی فازی (fcm) و خوشه بندی کاهشی (subtractive) برای خوشه بندی بردارهای ویژگی در سیستم شناسایی رفتار انسان در ویدئوها استفاده شده است. روش های اخیر طبقه بندی رفتار انسان دنباله های ویدئو را با استفاده از مدل کیفی از کلمات مکانی-زمانی نمایش داده اند که نتایج موفقی در طبقه بندی شی و صحنه داشته اند. codebook معمولا با استفاده از الگوریتم خوشه بندی k-means بدست می آید. ما نشان می دهیم که برای ویژگی های سه بعدی مکانی-زمانی، الگوریتم معروف k-means نامناسب است، چون اولا وقتی بردار ویژگی به دو خوشه شبیه است این الگوریتم بردار ویژگی را به نزدیکترین خوشه اختصاص می دهد، در صورتی که این بردار ویژگی می تواند در محاسبه مرکز خوشه دیگر هم تاثیر گذار باشد و مراکز خوشه ها به طور یکنواخت تری انتخاب شوند. دوما در این الگوریتم تعداد خوشه ها باید در ابتدا مشخص باشد که نیاز به ارزیابی تجربی دارد. ما الگوریتم fcm را به کار می بریم تا مراکز خوشه ها به طور یکنواخت تری انتخاب شوند و برای تعیین تعداد خوشه ها به طور خودکار از الگوریتم خوشه بندی subtractive استفاده می کنیم. با به کار بردن این دو الگوریتم، codebook با دقت بهتری ایجاد می شود که نهایتا باعث بهبود در سیستم شناسایی رفتار می شود.