人类行为识别的目的是通过一系列的观察，对人类的动作类型、行为模式进行分析和识别，并使用自然语言等方式对其进行描述的计算机技术。由于人类行为的复杂性和多样性，往往识别出的结果是多样性的，并且连带着行为类型的概率输出的。随着信息技术的发展，各种移动设备和可穿戴设备正在以加速度的方式增长，其性能和嵌入的传感器也变的多样化，例如：高清相机、光传感器、陀螺仪传感器、加速度传感器、GPS以及温度传感器等。各种各样的传感器都在时刻的记录着使用者的信息，这些记录信息不仅可以用于用户位置的预测，也可以进行用户行为的识别等。本文使用了智能设备加速度传感器的数据，结合支持向量机的特性进行人类行为识别模型的设计和应用
2021-02-25 16:05:47
515KB
1
上图视频测试链接：https://www.bilibili.com/video/BV13E411c7Mv/
1. 3D卷积神经网络
相比于2D 卷积神经网络，3D卷积神经网络更能很好的利用视频中的时序信息。因此，其主要应用视频、行为识别等领域居多。3D卷积神经网络是将时间维度看成了第三维。
人类行为识别的实际应用：
安防监控。（检测识别异常行为：如打架，偷东西等）
监视和培训新人工作来确保任务执行正确。（例如，鸡蛋灌饼制作程序：和面，擀面团，打鸡蛋，摊饼等动作）
判断检测食品服务人员是否按规定洗手。
自动对视频数据分类。
人类的行为识别，在实际生活环境中，在不同的场景会存在着背景杂乱、遮挡和视
2021-02-25 14:06:39
283KB
1
本资源为公开的红外行为识别数据集，数据集主要包括六类：sitting，running，standing，
looking-back，walking和lying-down 。包含两个文件夹，训练和测试文件夹，其中训练数据集为
200张每类，测试数据集为80张每类。
2021-02-22 12:23:02
15.3MB
1
第1章 绪论
1.1 研究背景
对于目标实施追踪一直是人们追求的目标，以前只能通过人为的或者其他信息进行模糊的追踪。20世纪初，数字图像的处理走入大众的视野。在那个时候，人们在两地之间传输了一张照片，该照片经过数字压缩后，传输时间从200多小时缩短到不足三小时。这一过程虽然用到了图像处理方面的相关知识，但计算机却没有参与到整个过程中。但是，数字图像的处理离不开一定的储存空间与计算技巧的配合，与计算机发展技术成正比关系[1]。
从20世纪50年代开始，计算机的发展才向前迈进了一大步，人们在处理图形以及图像信息时已经有意识的将计算机的功能利用起来，增加工作的便利性[2]。
从图像处理技术的兴起到
2021-01-30 23:03:07
41.47MB
1
主要讲述人体行为识别的基础流程，归纳了人体行为识别常用的数据集，总结了时域分割的发展现状和常用的方法，讲解了人体行为识别比较经典的方法，并归纳了人体行为识别最新、最热的深度学习方法。引入了动作分割，再结合行为识别，能够实现连续的人体行为识别，使得行为识别适用于实际场景，而不再是对经过人工剪辑好的单个视频进行识别，这在实际应用中意义重大。
2020-01-03 11:39:34
4.3MB
1
3轴加速度传感器数据，用于人体行为识别
WISDM_ar_latest.tar.gz
Jennifer R. Kwapisz, Gary M. Weiss and Samuel A. Moore (2010).
Activity Recognition using Cell Phone Accelerometers,
Proceedings of the Fourth International Workshop on Knowledge
Discovery from Sensor Data (at KDD-10), Washington DC.
2019-12-21 22:17:02
10.88MB
1
利用行为识别中的视频分析技术提高姿态估计的准确率，再利用从视频中提取的姿态序列从不同角度描述人体行为，提高行为识别效果
2019-12-21 21:56:47
6.7MB
1