这个是一个大神改造的代码不是官方的但是比官方的好用，官方的安装起来和跑起来实在是太复杂，而且这个代码最好的时候也有90以上

一、课题介绍 本文设计了一款人体行为异常监控系统，主要适用人群是老年人，在摄像头固定的情况下，自动检测人体运动轨迹，并与提前设定好的行为库进行匹配，分析判断是否具有异常行为。 在数字图像预处理部分采用了图像二值化，腐蚀与膨胀等几种方法为人体目标的跟踪和检测做准备。为了克服在实际操作中遇到的问题，采用了帧差法和ViBe算法，帧差法即利用帧间变化与当前帧、背景算法来判断它是否大于阈值，并分析视频中序列的运动特性，ViBe算法则是一种背景建模的方法，背景模型是由邻域像素来创建，并对比背景模型、当前输入像素值检测出前景，确定视频中的目标跟踪。在人体行为识别中，运动目标最小长宽比以及连续帧间的加速度来判断人体行为是否异常，如果检测到异常的行为比如说摔倒、快跑等行为，在识别的过程这种实时监测。

针对人体行为识别问题，提出一种基于径向基函数（BP）神经网络的人体行为分类算法。首先，利用奇异值分解（SVD）算法提取视频每一帧的奇异值，将每一帧的奇异值按照行拼接起来即为一个视频的样本，样本按照行排成样本矩阵；然后，利用主成分分析（PCA）对得到的矩阵进行去相关并且降低维数，降低维数的矩阵再进行线性鉴别分析（LDA），使样本变得线性可分；最后，利用BP神经网络对样本进行分类；实验结果表明，与采用最近邻分类和K近邻分类（kNN）相比，所提算法具有更高的识别率。

行为识别技术通过图像、视频、热敏、力敏、加速度、磁力等单一传感器或多种传感器融合的方式，对被测目标信息进行采集测量。使用如数据挖掘、机器学习、模式识别等多种技术，对于人类行为中的表层及深层特征进行提取，精确表达出目标姿态、站立、行走、奔跑、跳跃等各类形式的静止或运动状态。目前人体行为识别主要有头部运动识别、手势识别、步态识别、基本姿态识别、异常姿态识别等多个方面。 根据采用不同识别技术，人体行为识别目前主流要分为三大类∶基于计算机视觉的行为识别、基于传感器系统的行为识别、基于多模态数据的行为识别。

基于matlab的人体行为识别。识别人体行为，如行走，站立，蹲坐，伸展手臂等。

为了准确地描述人体骨骼的运动细节以及3D骨骼间的几何关系, 提出一种基于四元数3D骨骼表示的人体行为识别方法。首先, 在已捕获的关键帧集合的基础上, 对普通关键帧和变速关键帧分别采用线性插值和二次多项式插值, 获得相同帧数的骨骼序列；然后, 针对所得的骨骼序列, 采用四元数对每帧中3D骨骼间的几何关系进行描述,获得四元数骨骼特征描述子；最后, 采用支持向量机分类器对这一系列特征描述子进行训练和测试, 得到最终的识别结果。在3个标准数据库上的实验结果均显示, 四元数骨骼特征描述子对噪声、运动速度变化、视角变化和时域不对齐都具有很好的稳健性, 可以显著提高人体行为识别的准确率。

u-net网络结构和行为识别的讲解

目前行为识别发展迅速，许多基于深度网络自动学习特征的行为识别算法被提出。深度学习方法需要大量数据来训练，对电脑存储、运算能力要求较高。在回顾了当下流行的基于深度网络的行为识别方法的基础上，着重综述了基于手动提取特征的传统行为识别方法。传统行为识别方法通常遵循对视频提取特征并进行建模和预测分类的流程，并将识别流程细分为以下几个步骤进行综述：特征采样、特征描述符选取、特征预/后处理、描述符聚类、向量编码。同时，还对评价算法性能的基准数据集进行了归纳总结。

信息融合

基于深度学习与强化学习的声学家庭行为识别计算机探讨.docx