深度神经网络在静态图像领域已取得突破性进展,并逐步扩展到视频识别领域。人体动作识别是视频识别领域的研究热点和难点,因此,提出了一种基于双流快速区域卷积神经网络(Faster RCNN)改进的人体动作识别算法。首先,用RGB(Red,Green,Blue)图像和光流数据作为网络的输入,分别训练Faster RCNN;然后,将训练好后的网络模型进行融合,并引入改进的压缩和激励模块对特征通道进行处理,以突出重要特征;最后,用完全的交并比损失函数作为边框回归损失函数,以优化某些预测框与真实框不能相交等问题。实验结果表明,相比传统的Faster RCNN,本算法在动作识别数据集UCF101上的准确率得到了一定的提高。

AAMAZ人体动作识别数据集

基于kinect v2的人体动作识别，配套博客（http://blog.csdn.net/baolinq/article/），基于mfc，可以识别左移右移、上蹦下跳等，也可以自己自定义其他动作，加一些判定代码即可。使用的时候可能需要自己新建一个工程，为了上传文件小一点，我只上传了主要的代码文件~~

优点： 即使在摄像机运动的情况下也能检测出独立的运动目标。 缺点： 由于噪声、多光源、阴影和遮挡等原因，计算出的光流场分布并不十分可靠和准确。 多数光流法计算复杂、耗时，在实际的系统中没有特殊的硬件支持时，很难实现实时检测。

为解决传统的使用视频彩色图像序列的智能监控容易受光照、颜色等因素影响的问题,提出结合Kinect深度图像和支持向量机的人体动作识别方法.利用Kinect在监控区域获得实时深度图像,并进行背景擦除,滤波处理和提取Haar特征.通过使用支持向量机的分类算法生成分类器,并对一组特定的静态动作识别结果进行分析.研究结果表明:使用深度图像对于静态动作有较好的识别率,并且与传统的基于彩色图像的智能监控相比,该方法不仅对于光照、颜色等因素不敏感,而且在识别的准确率和效率上均有提升.

EasyMocap EasyMocap是一个开放源代码工具箱，用于从RGB视频中进行无标记的人类动作捕捉。 在该项目中，我们提供了用于拟合SMPL [1] / SMPL + H [2] / SMPLX [3]模型以从多个视图捕获身体+手+脸姿势的基本代码。 输入（23次浏览） :check_mark: 骨骼 :check_mark: SMPL 我们计划整合更多有趣的算法，请继续关注！ 安装 1.下载SMPL模型 此步骤与相同。 要下载SMPL模型，请转至（男性和女性模型，版本1.0.0，10台形状PC）和项目（性别中性模型）项目网站，并进行注册以访问下载部分。 要下载SMPL + H模型，请访问并注册以访问下载部分。 要下载SMPL-X模型，请访问并注册以访问下载部分。 将它们放置如下： data └── smplx ├── J_regressor_body25.npy ├── J_regr

本文涉及的人体动作的捕捉系统的整体框架由下位机和上位机组成。下位机为分布 在全身的传感节点，实时将传感节点的数据，通过无线模块，发送给PC。上位机软件 平台运行在PC 上，PC 通过无线天线实时接收个传感节点的数据，软件平台分析并处理 这些数据，将解算出的人体姿态实时重构为计算机图形，对人体动作在虚拟的3D 场景 中实时重构。 本文基于微型惯性传感器技术，结合惯性导航原理，通过应用数据融合算法、计算 机图形学相关原理和技术以及相应的编程技术，最终设计完成了人体姿态捕捉系统软件 平台。该软件系统平台主要实现了对多个传感节点发送的数据包进行实时接收，数据包 进行拆包以及数据的预处理；运用了数据融合算法，对多个传感器数据的进行融合，完 成了人体姿态的解算。使用四元数描述人体姿态并完成对人体模型实时驱动，进而完成 人体动作重构。本文针对人体的运动规律和人体结构进行了相关研究，并且简化了人体模型。为了 使人体动作重构的效果逼真且计算量小，本文采用了蒙皮骨骼动画技术。为了使该软件 系统能够在Windows 系统下，能够良好的运行，本文选择了DirectX 图形界面库与MFC 框架结合作为软件的基本框架。调用了DirectX 界面库的相应接口，完成了3D 人体模 型的加载。将人体各个肢体在导航系的坐标转换为屏幕坐标，完成对人体模型的驱动。 从最终的演示动作捕捉效果来看，人体动作跟踪效果良好。

以基于视频的人体动作识别为核心，首先对传统RGB动作识别领域的算法进行了全面回顾，包括传统算法和基于深度学习的算法，基于RGB视频的动作识别易受背景光照的影响识别精度不高，但有丰富的颜色外观信息；然后对RGB-D动作识别领域的算法进行分析总结，主要分为深度序列、骨骼和多特征融合三个方面，RGB-D视频具有多个模态可以为动作识别提供更多的信息，可以弥补基于RGB视频的不足但也带来了新的挑战；最后对常用数据集和未来可能的发展方向进行了展望。

该代码是一个安卓小项目，应用卷积神经网络访问手机加速度计进行的人体动作姿态识别算法的安卓端开发。开发时需要借助Android Studio.

AR捕捉人体动作源码