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.

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。

关于 基于Kinect骨架信息的人体动作识别的论文

人脸识别与人体动作识别技术及应用.pdf

Two-Stream Temporal Convolutional Networks for Skeleton-Based Human Action Recognition

项目描述: 自行设计前端模拟电路采集人体手臂、腿上的表面肌电信号，并进行一定的信号滤波，包括低通、高通，放大后通过KL25Z128VLK4处理器（KL25Z128VLK4数据手册）的A/D实现模数转换，进而简单数字滤波、处理，绘制表面肌电图(sEMG)以及通过特征提取、模式识别等方法，判别人体一部分的简单动作。硬件设计部分，主要是四个模块:模拟信号模块，微处理器模块，TFT显示模块和电源模块。 硬件设计框图 作品实物图: 演示视频: 附件内容包含: 转接板硬件电路原理图、PCB、Multisim仿真； 该设计论文阐述； 软件源代码； KL25Z开发板相关的参考资料；

针对现有基于深度学习的人体动作识别模型参数量大、网络过深过重等问题，提出了一种轻量型的双流融合深度神经网络模型并将该模型应用于人体动作识别。该模型将浅层多尺度网络和深度网络相结合，实现了模型参数量的大幅减少，避免了网络过深的问题。在数据集UCF101和HMDB51上进行实验，该模型在ImageNet预训练模式下分别取得了94.0%和69.4%的识别准确率。实验表明，相较于现有大多基于深度学习的人体动作识别模型，该模型大幅减少了参数量，并且仍具有较高的动作识别准确率。

目标的运动特征，可以用于运动表述，是行为理解等高层部分的基础。 常见的运动表述方法有：运动轨迹、时空图表述和光流。

一、方案背景     肌电信号作为生物电信号的一种，是产生肌肉动力的电信号根源，它是肌肉中很多运动单元的动作电位在时间和空间上的叠加，很大程度上上反应了神经、肌肉的运动状态。从获取肌电信号的来源来看，一般有两种，一种是通过针电极插入肌肉获取，即针式肌电信号，其优点是干扰小，易辨识，但是会对人体造成伤害；另外一种通过电极片获取人体皮肤表面的肌电信号，即表面肌电信号（sEMG），这种方法比较简单，对人体也没有伤害，比较常用。本设计中采集的是表面肌电信号。     表面肌电信号可以从人体很多部位获取，比如小腿、大腿、腰、后背、颈部等，从不同部位获取的表面肌电信号携带着相应部位的运动和功能信息。例

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