该课题为基于Matlab的异常姿势识别系统。可以识别视频里面的一些诡异行为。比如说跌倒打架，都行走站立，伸长手臂等等。并且进行预警。

该课题为基于Matlab的异常行为检测。应用场景比如说，我国农村的空巢老人子女常年在外打工。而目前的监控属于被动式的监控，我们仅仅只能查看并且回放监控，不能对监控里面的某种信息作出判断和预警。该课题利用Matlab对监控中的画面的人体行为做一些监测和判别，一旦检测到有某些异常行为，比如说快跑慢跑跌倒等等作出提示，从而避免一些事故的发生，属于主动监控该设计，具有人际交互界面，需要具备一定编程基础的人员学习。

基于传感器行为识别的原理 动作识别的问题以及解决的办法

基于MATLAB差影法的人体姿态识别。需要准备对应的模板图片作为背景图，然后测试图和背景图进行作差，结合形态学，提取出人体轮廓，接上最外接矩形，得出矩形长宽，计算长宽比例，从而判断人体姿态。因为对背景图片要求比较高。 完整代码，可直接执行

时序行为检测是指在一段未分割的长视频中，检测出其中包含的若干行为片段的起止时间和类别.针对该项任务，提出基于双流卷积神经网络的行为检测模型.首先使用双流卷积神经网络提取视频的特征序列，然后使用TAG （Temporal Actionness Grouping）生成行为提议，为了构建高质量的行为提议，将行为提议送入边界回归网络中修正边界，使之更为贴近真实数据，再将行为提议扩展为含有上下文信息的三段式特征设计，最后使用多层感知机对行为进行识别.实验结果表明，本算法在THUMOS 2014数据集和ActivityNet v1.3数据集获得较好的识别率.

人体行为识别概述，特别适合文献综述，和总体的了解

基于深度学习的人体行为识别综述

基于视觉的人体运动分析是计算机领域中备受关注的前沿方向之一，而人行为理解由于在智能监控、人机交互、虚拟现实和基于内容的视频检索等方面有着广泛的应用前景更是成为了未来研究的前瞻性方向之一。行为理解问题一般遵从如下基本过程：特征提取与运动表征；行为识别；高层行为与场景理解。着重从这三个方面逐一回顾了近年来人行为理解研究的发展现状和常用方法，并对当前该研究方向上亟待解决的问题和未来趋势作了较为详细的分析。

行为识别系统被广泛应用于个人健康管理、医疗以及体感娱乐等多个领域，并且行为识 别能够作为感知人当前状态信息，从而成为一种良好的人机交互方式。对行为系统研究不仅 仅局限于学术界对其理论分析，相关企业也对其投入了成本，在当前应用市场上也有诸如“咕 咚”和“微信晒步数”等多款备受用户热爱的应用软件，从而也证明了对行为识别系统的研 究具有重要的应用价值。对行为识别系统的研究起源于使用摄像头进行采集图像信息并基于 计算机视觉技术进行行为识别，到如今利用可穿戴设备以及智能手机上内置的传感器采集数 据进行行为识别。特别是基于智能终端的行为识别系统更加符合用户的日常生活并对用户生 活无侵入，这使得行为识别系统能够大大推广。 基于以上背景，本文对基于智能终端的行为 识别问题进行了深入研究并设计实现了原型系统， 本文的主要工作主要包含如下三个部分： 1. 在特征工程中， 综合考虑分类算法的性能、 特征约减效果以及特征成本这三个关键因素， 利用二进制粒子群优化算法（BPSO）的搜索能力提出了基于特征可信度和成本的特征选 择方法， 并在 UCI 公开数据集中进行了充分的验证，从而证明基于特征可信度和成本的 特征选择方法的有效性。其中在 Lung 数据集中，相较于基于标准 BPSO 的特征选择方法， 所提出的方法能够使得 KNN 的分类准确性提高 3.125%，粒子群迭代收敛能够提前 4 次； 2. 监督学习算法是行为识别系统中最为核心的部分，一个性能良好的分类器能够大大提升 系统整体的性能，因此，对算法模型的优化也成为了本文的研究重点。通过使用聚类技 术构建行为组形成层级拓扑结构的识别方案来对分类器进行了逻辑优化，并在 UCI 数据 集中得到验证，证明该方案的可行性。与 RandomTree, J48, BayesNet, KNN 和 Decision Table 等常用的分类方法进行对比， 所提出的方案能够获得最佳的分类准确性为 94.1636%； 3. 通过对行为识别系统已有方案的深入研究，以将理论知识应用到实际工程项目中为目的， 设计并完成了完整的基于 Android 智能手机的行为识别系统。该系统包含了 Android APP 以及 Web 端管理系统，利用 Android 内置的传感器采集人体行为数据，在服务器端完成 算法建模以及实时识别等耗能工作。该系统的实现囊括了行为识别系统或者说基础的机 器学习工程的多个核心部分，具有实际的工程意义。 关键词: 行为识别系统，机器学习，特征选择， 分类器

针对监控视频中人体异常行为的复杂多样难检测问题，提出了基于YOLO网络模型的异常行为检测方法。根据对监控场景的异常行为定义需求，将标定的异常行为通过YOLO网络模型进行训练，不进行人体目标的提取而将其放到神经网络中，直接实现端到端的异常行为分类，从而实现对具体应用场景的异常行为检测。实验结果表明，该方法召回率接近100%并且平均精确率达到96%以上，同时通过GPU加速对于视频流的检测速度可以达到30FPS左右，实现对监控视频异常行为的实时检测。