使用 KTH 数据集进行人类行为识别(Matlab代码实现)

 👨‍🎓个人主页:研学社的博客 

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势:🌞🌞🌞博客内容尽量做到思维缜密,逻辑清晰,为了方便读者。

⛳️座右铭:行百里者,半于九十。

📋📋📋本文目录如下:🎁🎁🎁

目录

💥1 概述

📚2 运行结果

🎉3 参考文献

🌈4 Matlab代码实现


💥1 概述

本文的Matlab 代码是为了使用时空兴趣点 (STIP) 识别人类行为,即“行走”、“慢跑”、“跑步”、“拳击”、“挥手”和“拍手”,并使用 KNN 分类器对其进行分类。请从链接 Dismissed site: www.nada.kth.se 下载 KTH 操作识别数据集,并将其放入文件夹 KTH 数据集文件夹中。

📚2 运行结果

 

 

部分代码:

% Begin initialization code - DO NOT EDIT
gui_Singleton = 1;
gui_State = struct('gui_Name',       mfilename, ...
                   'gui_Singleton',  gui_Singleton, ...
                   'gui_OpeningFcn', @main_OpeningFcn, ...
                   'gui_OutputFcn',  @main_OutputFcn, ...
                   'gui_LayoutFcn',  [] , ...
                   'gui_Callback',   []);
if nargin && ischar(varargin{1})
    gui_State.gui_Callback = str2func(varargin{1});
end

if nargout
    [varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:});
else
    gui_mainfcn(gui_State, varargin{:});
end
% End initialization code - DO NOT EDIT


% --- Executes just before main is made visible.
function main_OpeningFcn(hObject, eventdata, handles, varargin)
% This function has no output args, see OutputFcn.
% hObject    handle to figure
% eventdata  reserved - to be defined in a future version of MATLAB
% handles    structure with handles and user data (see GUIDATA)
% varargin   command line arguments to main (see VARARGIN)

% Choose default command line output for main
handles.output = hObject;
ah=axes('unit','normalized','position',[0 0 1 1]);
bg=imread('Files\1.jpg'); imagesc(bg);
set(ah,'handlevisibility','off','visible','off');
uistack(ah,'bottom');
% Update handles structure
guidata(hObject, handles);

% UIWAIT makes main wait for user response (see UIRESUME)
% uiwait(handles.figure1);


% --- Outputs from this function are returned to the command line.
function varargout = main_OutputFcn(hObject, eventdata, handles) 
% varargout  cell array for returning output args (see VARARGOUT);
% hObject    handle to figure
% eventdata  reserved - to be defined in a future version of MATLAB
% handles    structure with handles and user data (see GUIDATA)

% Get default command line output from handles structure
varargout{1} = handles.output;


% --- Executes on button press in Input.
function Input_Callback(hObject, eventdata, handles)
global vfilename;
global vpathname;
global nFrames;
global vi;
global k
delete('frames\*.jpg');
[ vfilename, vpathname ] = uigetfile( 'dataset\*.avi', 'Select an video' );
I=mmreader(strcat( vpathname, vfilename ));
nFrames = I.numberofFrames;
vidHeight =  I.Height;
vidWidth =  I.Width;
mov(1:nFrames) = ...
    struct('cdata', zeros(vidHeight, vidWidth, 3, 'uint8'),...
           'colormap', []);
for k = 1: nFrames
    mov(k).cdata = read( I, k);
   mov(k).cdata = imresize(mov(k).cdata,[256,256]);
    imwrite(mov(k).cdata,['Frames\',num2str(k),'.jpg']);
end
implay([vpathname vfilename]);
% hObject    handle to Input (see GCBO)
% eventdata  reserved - to be defined in a future version of MATLAB
% handles    structure with handles and user data (see GUIDATA)


% --- Executes on button press in frameconversion.
function frameconversion_Callback(hObject, eventdata, handles)
for I = 1:50
    im=imread(['Frames\',num2str(I),'.jpg']);
    figure(1),subplot(5,10,I),imshow(im);
    axis off;
 end;
% hObject    handle to frameconversion (see GCBO)
% eventdata  reserved - to be defined in a future version of MATLAB
% handles    structure with handles and user data (see GUIDATA)

🎉3 参考文献

部分理论来源于网络,如有侵权请联系删除。

[1] Schüldt, Christian, Ivan Laptev, and Barbara Caputo. "Recognizing human actions: a local SVM approach." Pattern Recognition, 2004. ICPR 2004. Proceedings of the 17th International Conference on. Vol. 3. IEEE, 2004

🌈4 Matlab代码实现

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
利用骨骼进行的人体行为识别, 基于LOP 的行为识别,可以运行 (action recognition) 文件列表: actionletEnsemble-master actionletEnsemble-master\.gitignore actionletEnsemble-master\LICENSE actionletEnsemble-master\MSRAction3D actionletEnsemble-master\MSRAction3D\MSRAction3D_skeleton_features.mat actionletEnsemble-master\MSRAction3D\evaluate_on_MSR_action_3D.m actionletEnsemble-master\MSRDailyActivity3D actionletEnsemble-master\MSRDailyActivity3D\configDailyAcitity.m actionletEnsemble-master\MSRDailyActivity3D\evaluate_on_MSR_DailyAcitivity3D.m actionletEnsemble-master\MSRDailyActivity3D\extractAllLopFeatures.m actionletEnsemble-master\MSRDailyActivity3D\extractAllSkeletonFeatures.m actionletEnsemble-master\MSRDailyActivity3D\processOneSkeleton.m actionletEnsemble-master\MSRDailyActivity3D\trainClassifier.m actionletEnsemble-master\README.md actionletEnsemble-master\feature actionletEnsemble-master\feature\computeMotionField.m actionletEnsemble-master\feature\computePairwiseJointPositions.m actionletEnsemble-master\feature\computeSOPFeaturesSkeleton.m actionletEnsemble-master\feature\compute_motion_descriptors.m actionletEnsemble-master\feature\compute_motion_maps.m actionletEnsemble-master\feature\fftPyramid.m actionletEnsemble-master\feature\getSopFeature.m actionletEnsemble-master\feature\lopFeature.m actionletEnsemble-master\feature\lopFeatureSkeleton.m actionletEnsemble-master\feature\sopFeatureSkeleton.m actionletEnsemble-master\setup_path.m actionletEnsemble-master\util actionletEnsemble-master\util\ComputeMotion.mexw64 actionletEnsemble-master\util\ReadDepthBin.mexa64 actionletEnsemble-master\util\ReadDepthBin.mexw64 actionletEnsemble-master\util\iSaveX.m actionletEnsemble-master\util\normalizeFeature.m actionletEnsemble-master\util\predict.mexa64 actionletEnsemble-master\util\readDepthBin.m actionletEnsemble-master\util\readSkeleton.m actionletEnsemble-master\util\train.mexa64
Kth数据集是一个广泛用于行为识别领域的视频数据集,包含人类不同类型的运动行为kth数据集对比实验是指在使用kth数据进行行为识别算法评估时,对比不同算法或不同参数设置的实验。 kth数据集中包含多个被试者在六个不同的运动场景下的行为视频。在对比实验中,研究人员可以将数据集划分为训练集和测试集,然后使用不同的行为识别算法进行训练和测试。 在对比实验中,通常会使用准确率作为评估指标来衡量算法的性能。准确率表示模型正确预测的样本数与总样本数之比。通过对比不同算法的准确率,可以评估不同算法的性能优劣。 另外,对比实验还可能涉及到不同参数设置的比较。例如,在同一个算法中可以尝试不同的特征提取方法、分类器或模型结构等参数设置。通过对比不同参数设置的实验结果,可以找到最佳的参数配置,从而提升算法的性能。 需要注意的是,在进行对比实验时,应该遵循一定的科学原则和实验设计,例如使用相同的评估指标、相同的训练集和测试集划分、交叉验证等。只有在保证实验设计的一致性的前提下,对比实验的结果才具有可比性和可靠性。 总之,kth数据集对比实验是一种评估不同行为识别算法性能的方法,通过对比准确率和参数设置的不同,可以找到最佳的算法和参数配置,提升行为识别的准确率和性能。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

荔枝科研社

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值