运动人体检测和行为识别涉及广泛，包括人工智能、计算机视觉、模式识别等，人体行为识别在医疗、商业、军事中具有重要的应用价值，为探究良好的人体行为识别方法，本文引入傅里叶-隐马尔可夫模型进行相关分析，在人体行为序列图像的识别过程中，需要了解有关人体行为二值图像的轮廓，然后采取科学的方式进行傅里叶变换，接着进行向量转化，形成观察符号序列，将矢量量化向特征向量变化，便于提取人体轮廓的特征，进行后续的应用研究。最后对人体的行为进行识别，采用隐马尔大夫分类器。利用傅里叶-隐马尔科夫模型进行人体识别，能够有效提高人体行为识别率，本次测试单个行为的识别中平均识别率达到94%，要进行深入探究，进行复杂环境复杂动作的识别，促进相关工作的改进。

基于AT89S51单片机设计的按键识别方法之一并且配有proteus仿真模拟

提出一种基于YOLO v3的深度卷积神经网络检测识别数字钻孔图像裂隙自动识别方法。首先详细阐述了新版本YOLO v3目标检测原理,然后选取煤矿井下钻孔图像在VOC 2007上制作数据集,采用Darknet-53的网络结构进行训练。试验结果表明基于的YOLO v3的钻孔图像裂隙检测方法可以快速准确识别,为围岩裂隙机器的视觉识别提供了新技术支持。

基于片段关键帧的视频行为识别方法

由于超声回波信号受到噪声干扰或者到达时间混叠，故超声无损检测信号很难鉴别缺陷的大小．文中提出一种新的超声回波信号到达时间的识别方法．该方法首先把原始采集的回波信号进行经验模态分解，得到若干个固有模态函数，通过确定能量临界值，选择几个固有模态函数重构信号，重构信号的峰值包络表明了各个回波信号的到达时间．由衍射时差法(TOFD)实验信号验证了该方法的可行性及准确性．实验结果表明，可以识别的最小时间间隔为0.1μs，平均误差为80 ns．

针对当前业务流量的分类方式过于简略、识别结果不够确切的问题，提出基于状态特征的分类识别方法以精确识别流量数据中的用户行为。定义了网络通信中的用户行为并分析其特征，通过矢量量化技术结合主题模型方法从流量序列中提取行为状态特征，利用机器学习算法对状态特征建模，并按照用户行为的分类对流量进行识别。实验结果显示按照行为分类能更加详细地描述流量特点。在相同机器学习算法下，基于状态特征的行为识别方法准确度优于传统方法。

前视红外目标识别是精确制导武器的关键技术。实际应用中，模板和实时图存在尺度和角度的差异，易导致误匹配。为克服上述问题，提出了一种基于边缘仿射不变坐标的前视红外目标识别算法。以边缘曲线的区域质心为基准点建立局部坐标系，在此坐标系下，边缘点的坐标值具有仿射不变；将边缘的坐标集合作为描述子，利用平均hausdorff 距离度量边缘的相似性；最后结合边缘的相对位置剔除误匹配，实现前视红外目标的稳健识别。通过三组实验，与基于灰度模板和基于边缘模板的识别算法相比，识别率和稳健性均有所提高。

基于表面肌电信号(sEMG)的手势识别技术是人机自然交互领域的重要研究方向。手势识别技术的实现关键在于如何提取sEMG信号的有效特征。提出了一种提取sEMG信号稀疏特征用于多类手势识别的有效方法。该方法以稀疏表示作为特征提取工具，以支持向量机(SVM)作为分类器对多个手势进行识别。首先，采用双阈值法检测分割出手势动作的活动段；其次随机抽取部分运动段样本初始化稀疏表示词典，利用KSVD方法对过完备字典和稀疏系数进行无监督更新;最后，利用SVM对稀疏系数特征向量进行分类以实现对不同手势的识别。通过在公开数据库和自有数据库上进行实验测试，结果表明结合稀疏特征和SVM分类方法可实现16种手势平均识别准确率达到98.4%。

有两个步骤。 第一步是减少人脸图像维度。 第二步是LRC分类

步态识别方法的分类及各类方法的比较，程汝珍，，步态识别是生物特征识别技术中的一个新兴领域，它旨在根据个体的行走方式识别身份。步态识别主要是针对含有人的运动图像序列进行