公司项目用到的案列，pytorch框架python代码，CPU可以直接训练，没有GPU也可以进行测试，同时在关键点的基础上加上逻辑判断，进行行为分析，可以根据自己的需求进行逻辑修改

PoseNet Python 该存储库包含Google TensorFlow.js Posenet模型的纯Python实现（仅限多姿势）。 对于此之后的（略快）PyTorch实现，请参阅（ ） 我首先或多或少地逐字修改了JS代码，发现性能很低，因此对一些关键函数（命名为_fast ）做了一些矢量化的numpy / scipy版本。 进一步优化是可能的 基本的MobileNet型号在GTX 1080 Ti（或更高版本）上具有200-300 fps的吞吐量 多位置后处理代码使该速率大大降低。 使用快速CPU和GTX 1080+： JS后处理代码的字面翻译将性能降低到大约30fps 我的

0529、人体接近监测.

基于STM32的红外人体感应器控制LED灯的状态-附件资源

心率 血氧 温度等健康系数检测 STM32 整个系统设计包括电路 适合毕业设计 可以参考 代码简单 PCB图也有

MATLAB人体姿态识别[卡尔曼，GUI，行走+站立+伸腰，定位，质心],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。

主要讲述人体行为识别的基础流程，归纳了人体行为识别常用的数据集，总结了时域分割的发展现状和常用的方法，讲解了人体行为识别比较经典的方法，并归纳了人体行为识别最新、最热的深度学习方法。引入了动作分割，再结合行为识别，能够实现连续的人体行为识别，使得行为识别适用于实际场景，而不再是对经过人工剪辑好的单个视频进行识别，这在实际应用中意义重大。

基于安卓智能手机的加速度传感器检测人体跌倒，李晓敏，，为能及时救助跌倒的老年人，减少其受到的伤害，本文提出一种对人体跌倒进行检测的系统，该系统基于安卓操作系统的智能手机中的加

课题为利用MATLAB的做差法，求出测试图和背景图的人体轮廓，根据人体的躺下，坐下，站立的时候最外接矩形的长宽来判断是什么姿态。带GUI界面。算法是差影法，理解起来很容易。

目标的运动特征，可以用于运动表述，是行为理解等高层部分的基础。 常见的运动表述方法有：运动轨迹、时空图表述和光流。