王者荣耀伽罗原模+三模型皮肤，包括破魔之箭、花见巫女、箭羽风息、太华，包含普通攻击、一二三技能、死亡等动作，fbx格式，适用于导入Unity

蜘蛛侠之英雄归来模型，五个普通技能、五个大招、五个舞蹈、待机、奔跑、死亡等十八个动作，fbx格式，适用于导入Unity

对常规人体的13个关键点进行检测，确定人体的姿态

很好，很强大。里面有很多的动作

目前基于人脸表情的情绪识别已经相对成熟，而根据人类肢体动作进行情绪识别的研究却不多。通过VLBP和LBP-TOP算子从三维空间中提取图像序列的肢体动作特征，分析愤怒、无聊、厌恶、恐惧、高兴、疑惑和悲伤七种自然情绪的特点，并用参数优化的支持向量机对情绪分类进行识别，识别率最高能够达到77.0%。实验结果表明，VLBP和LBP-TOP算子具有较强的鲁棒性，能有效地从肢体动作中识别人的情绪。

光流方法 均值滤波图像 中值滤波图像 差分图像梯度 边缘梯度 双帧差分统计累积量 三帧差分像素累积量 像素变化与运动梯度 基于梯度的方法 基于匹配的方法 基于能量的方法 基于相位的方法 神经动力学方法 运 动 特 征 提 取 方 法 人体动作行为识别—运动特征提取 * * 运动梯度特征 光流特征 边缘梯度特征 像素变化特征 两种总体思路： 1. 直接利用前景所特有的信息检测前景； 2. 先得到背景图象，然后将输入图象减去背景图像从而得到前景图象。 *

项目诅咒森林 等距动作冒险幻想游戏

带有骨骼跟踪技术的Microsoft Kinect的推出为基于骨骼的人类动作识别开辟了新的潜力。 但是，从深度图序列通过骨骼跟踪生成的3D人体骨骼通常非常嘈杂且不可靠。 在本文中，我们介绍了一种基于鲁棒性信息关节的人体动作识别方法。 受人类视觉系统本能的启发，我们通过关节位置的微分熵分析了每个动作类别的人类关节的平均贡献。 大多数动作之间存在显着差异，并且贡献率与常识高度一致。 我们提出了一种新颖的方法，称为骨架上下文，以测量姿势之间的相似性并将其用于动作识别。 通过提取每个信息关节的多尺度成对位置分布来计算相似度，然后使用线性CRF以词袋方式评估特征集。 我们报告实验结果，并在两个公共行动数据集上验证了该方法。 实验结果表明，所提出的方法对于相似的人类动作识别是有区别的，并且很好地适应了类内变异。

这是Android实时手势动作识别APP Demo，原文链接：https://panjinquan.blog.csdn.net/article/details/126994546 ， 考虑到原始YOLOv5的模型计算量比较大，鄙人在YOLOv5s基础上，开发了一个非常轻量级的的手势识别模型yolov5s05。从效果来看，Android手势识别Demo性能还是顶呱呱的，平均精度平均值mAP_0.5=0.99421，mAP_0.5:0.95=0.82706。APP在普通Android手机上可以达到实时的手势识别效果，CPU(4线程)约30ms左右，GPU约25ms左右 ，基本满足业务的性能需求

NULL 博文链接：https://as3.iteye.com/blog/1054576