OpenCV动作识别，OpenCV3.0版本，VS2012

利用opencv和深度学习算法实现的action识别，可以调用摄像头，自带测试视频。

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

室内HIIT动作识别项目说明 山东大学（威海） 18数据科学孙易泽 本项目为通过微信小程序进行动作的识别，项目拾取了徒手侧平举，前后交叉小跳，开合跳，半蹲四个动作，在测试者左手手持手机的情况下，利用微信小程序实时采集手机的六轴数据，并用随机森林模型和波峰检测法，对测试者做出的动作进行实时的识别和计数。 以下说明，为项目文件中各个文件夹的相关说明 python项目 数据文件夹：训练所用数据，处理之后的数据 进程文件夹：预数据代码，包括信号处理与窗口切割数据 功能文件夹：特征提取以及特征选取相关代码 machineLearning文件夹：各个算法测试比对，算法的优化与提升 numcount文件夹：动作计数相关代码测试 Web文件夹：服务器部署代码 IndoorHIIT.ipynb：python完整的工程说明文档，可在工程中直接查看，或访问以下网址： 微信小程序 小程序已发布，二维码如下： 完

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；

用于动作识别的3D ResNets，采用PyTorch实现

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。

本人打算构建一个基于无线信号的动作数据集，主要用来研究基于CSI的动作识别，以及用来评估同行所做工作。

课堂是学校教育的核心，课堂教学过程评价对于教学质量的提高有重要意义，而学生的课堂行为表现是课堂教学评价的重要成分。通过评价学生的课堂行为，形成有效的反馈信息和教学导向，可以有效的促进课堂教学和学生的发展。因此，利用现在的计算机视觉技术和教学过程的相关测量手段相结合，对教室中的学生学习行为进行测量，形成对学生、对课堂的多维度的客观评价和反馈，对于提高课堂内的教学效率和教学质量有着重要的意义。本文在课堂学习场景下，研究了基于体感信息的学习者动作识别的算法以及相关应用系统的设计和实现。 论文的主要贡献是设计并实现了课堂学习场景下基于体感信息的多学习者行为测量系统:针对的Kinect骨骼数据特点，本文提出了基于人体上肢骨骼结构的姿态识别方法，该方法通过选用结构向量间的向量角和向量模比值作为最终的姿态向量特征，采用SVM分类器对姿态向量特征进行分类和识别；实现了一个集数据采集、识别、记录、分析和展示于一体的课堂行为识别系统，对课堂交互活动行为分析和课堂整体活跃态势进行了分析，并使用该系统进行了针对学习者个人评价和针对课堂活跃度评价的实验。 通过测试结果表明，本文提出的姿态识别方法能有效地识别多个学习者的举手、正坐和低头等姿态，该课堂行为识别系统具有一定的实用性；通过模拟课堂实验得出对于学生个人的参与度评价、每道题的难度评价、整个课堂活跃度的评价的实验性结论，对于课堂教学过程评价具有一定的参考意义。

The paper list about skeleton-based action recognition.