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。

这是基于python的opencv人体姿态动作检测算法源代码。

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

基于openCV库，根据四肢，头部，躯干的质心跟踪人体进而模拟出人体动作，运主要用到的技术有模式匹配以及颜色识别技术。其他的还有一些图像处理方法。 对于新手来说非常好用，都有注释说明。自己修改main函数里面的视频路径为自己的视频路径。

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~~

TensorFlow平台上基于LSTM神经网络的人体动作分类_杨煜.pdf

频中的人体动作识别研究,视频动作识别,视频识别动作视频下载,人体油画视频,人体解剖学视频,德国人体解剖学视频,新鲜人体解剖学视频,真实人体解剖学

安装kinect 微软SDK，VS2010结合opencv2.2，对人体蹲下、起跳、前后左右等动作进行判断和识别，并打印提示信息给用户到显示的视频上。