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。

为了有效地管理车载信息,设计一种基于车联网的车载信息管理系统。通过数学方法分析和处理,使得车载信息管理系统可根据发动机节气门位置输出值判断驾驶员的驾驶行为。采用传统的ASP.NET平台实现信息管理系统的设计,在后台利用统计归纳的方法,分析汽车不同运行状态下发动机节气门位置输出曲线,实现对汽车信息的管理及驾驶行为的识别。测试结果表明了系统的有效性。

近年来随着信息科学和传感器技术的进步，基 于传感器的行为识别获得了极大的发展，其中基于 可穿戴传感器的人体行为识别具 有 极 其 广 泛 的 应 用前景。例如在智能家居、老人或病人监护等领域 使用可穿戴式传感器可以实时获 得 用 户 的 行 为 数 据，从而快速准确的判断出当前用户的活动情况。 文［１］中使用在右脚踝和左大腿固定两个加速 度传感器 采 集 数 据 来 研 究 人 体 行 为 识 别 方 法；文 ［２］提出一种在人体不同位置固定多个加速度传感 器来进行老年人跌倒检测；文［３］采用将两个加速 度传感器分 别 佩 戴 在 右 手 臂 的 前后来解决交互式 游戏中的上肢动作识别问题。这些研究将多个传 感器固定在实验者身上来进行行为感知，在实际应 用中将给用户的生活带来不便。 目前智能手机的多种内置传感器如加速度传 感器、陀螺仪、磁力计、方向传感器等可以对不同的 运动、方向和外部环境进行感知，特别在监测设备 的移动和位置变化时，能获得较精确的原始三维数 据［４］。鉴于手机传感器的这种便携性和高性能，本 文提出一种 基 于 智 能 手 机 采 集 用户行为数据来进第１９卷第６期 衡霞，王忠民：基于手机加速度传感器的人体行为识别 行行为识别与分析的方法。该 方 法 通 过 对 三 维 加 速度信号进行处理及特征提取获得特征矩阵，采用 支持向量机分类器进行分类识别。

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。

MATLAB 人体行为姿态识别，可以识别不同的人体姿势，如行走，卧躺，站立等，从而对这些行为进行预警或者进行运动监测。

MATLAB人体异常行为监控（论文，GUI），目前的监控，都是被动式监控，也就是只能看，监控是不能反馈信息给人的，该设计可以从监控里面得到既定信息，比如任务摔倒，站立，行走等。带界面GUI。如果你是新手学习，请多点耐心。

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。