Wir stellen eine neue Methode zur Aktion- und Gestenerkennung vor, die auf spatio-temporalen Kovarianzbeschreibern sowie einem gewichteten Riemannschen Lokalitätsbewahrungsprojektionsansatz basiert, wobei der gekrümmte Raum berücksichtigt wird, den die Beschreiber bilden. Die gewichtete Projektion wird anschließend im Rahmen von Boosting genutzt, um einen finalen Multiklassen-Klassifikator zu entwickeln, der die informativsten spatio-temporalen Regionen nutzt. Zudem zeigen wir, wie die Beschreiber effizient mittels Integralvideo-Darstellungen berechnet werden können. Experimente an den Datensätzen UCF Sports, CK+ Facial Expression und Cambridge Hand Gesture belegen eine überlegene Leistung der vorgeschlagenen Methode gegenüber mehreren jüngeren State-of-the-Art-Verfahren. Die vorgeschlagene Methode ist robust und erfordert keine zusätzliche Verarbeitung der Videos, wie beispielsweise die Detektion von Vordergrundregionen, Interessenspunkte oder die Verfolgung von Objekten.