23、基于CNN - SVM模型的人体动作识别技术解析

基于CNN - SVM模型的人体动作识别技术解析

1. 人体动作识别概述

人体动作识别（Human Action Recognition，HAR）在当下是研究热点，在公共医疗保健领域意义重大，能通过可穿戴设备和智能手机等技术监测老年人健康，鼓励用户运动，为健康助手提供生活护理服务。

从背景来看，依据视频内容生成的数据推动了HAR在监控、体育分析和人机交互等领域的应用。人体动作可按计算复杂度分为四个层次：
- 手势 ：身体部位有特定含义的动作，如头部运动、手部动作和面部表情。
- 动作 ：单人执行的活动，也可由多个手势组合而成，像行走、跑步等。
- 交互 ：由两个不同参与者进行的活动，其中一方必须是人，另一方可以是人或物体，例如人使用车辆、电脑、手机等。
- 群体活动 ：非常复杂，包含上述三种类型的活动，涉及多人、单人或多个物体，如板球比赛、小组会议。

良好的HAR模型优势在于具备强大的模型和特征表示能力。此前已有多种方法用于HAR，如CNN与LSTM的混合模型、使用DCNN的HAR模型等。研究者测试了众多数据集，如OPPORTUNITY、Skoda、Wisdom、UniMiBShar等。深度学习中的卷积神经网络（CNN）能高效提取特征，支持向量机（SVM）则用于分类任务。

人体动作识别系统的首要需求是数据集，其流程如下：
1. 数据输入 ：HAR系统的输入部分，包含由捕获设备记录的视频或图像样本。常用的公开数据集有OPPOR