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。

HC-SR505小型人体感应模块是基于红外线技术的自动控制产品,灵敏度高，可靠性强，超小体积，超低电压工作模式。广泛应用于各类自动感应电器设备,尤其是干电池供电的自动控制产品。

基于CUHK行人检测数据集制作的人头数据集，7000+正样本 ，该数据集大小为60*60，可用于Hog特征提取，进一步用于训练人体分类模型用于监控系统中的行人检测。

本设计是一种基于微机电（Micro-Electro-Mechanical System, MEMS）惯性测量单元（Inertial Measurement Unit, IMU）和低功耗单片机的可穿戴人体运动分析模块，可用来解决消防员火灾现场室内定位的问题。该模块通过MEMS惯性传感器测量消防员足部运动的角速度和加速度，利用Mahony互补滤波算法进行姿态解算，并将载体坐标系加速度转化成世界坐标系加速度，对世界坐标系加速度进行二重积分计算，得出消防员在火灾现场中运动的方向和步长用于定位，并通过蓝牙将消防员运动方向和位置信息发送给上位机，上位机记录消防员运动的轨迹，从而达到火灾现场消防员室内定位的目的。

景阳SN-T5人体测温仪软件V1.5版本（内附视频教程），无接触体温预警系统。2020最新版本V1.5

STM32设计的门禁加人体红外系统

人体骨骼关键点对于描述人体姿态，预测人体行为至关重要。因此人体骨骼关键点检测是诸多计算机视觉任务的基础，例如动作分类，异常行为检测，以及自动驾驶等等。近年来，随着深度学习技术的发展，人体骨骼关键点检测效果不断提升，已经开始广泛应用于计算机视觉的相关领域。本文主要介绍2D人体骨骼关键点的基本概念和相关算法，其中算法部分着重介绍基于深度学习的人体骨骼关键点检测算法的两个方向，即自上而下（Top-Down）的检测方法和自下而上（Bottom-Up）的检测方法。

Many Human-Body-Fall-Dow n Detection models are faced with problems like lower adaptability and higher w rong-detection rate in different detection scenes，and targeting on these shortcomings this research proposes a Human-Body-Fall-Dow n Detection Model based on the human skeleton keypoints and the LSTM neural network． This model detects the skeleton keypoints of the continuous multi-frame human body by Alphapose，and then divides the coordinate sequences of the skeleton keypoints into X and Y coordinate sequence，and then inputs them respectively into LSTM neural network to extract the time-order character; the last step is to input the LSTM hidden layer output vector into a full connection layer to obtain the results． This research uses public data set M uHAViMAS and Le2i to execute this experiment，and compares itself with many other detection models． The results show that this model has relatively high detection accuracy in multiple scenes，multiple view s，and multiple poses of falling．

使用Raspberry Pi的人体检测系统 功能性 在检测运动时激活继电器。 您可能需要以下组件才能获得预期的结果 硬件组件 树莓派2或3模型B（在我的案例中使用了） 兼容的相机模块（ ） 具有2.0A-2.5A的电源适配器（ ） 微型SD卡（建议使用16Gb -32GB） 软件需求 可以使用任何兼容的Raspbian OS。 将操作系统更新为最新的sudo apt-get update 升级操作系统sudo apt-get upgrade 更新Raspberry Pi固件sudo rpi-update 应该安装OpenCV sudo apt-get install libo

基于百度平台的危险识别