# human-action-detection

**Repository Path**: goodnsxxc/human-action-detection

## Basic Information

- **Project Name**: human-action-detection
- **Description**: 5类人体行为姿态智能检测
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: main
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 1
- **Forks**: 0
- **Created**: 2026-06-07
- **Last Updated**: 2026-07-31

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 基于 YOLO26 的5类人体行为姿态智能检测系统（中英文双版）

> 🏃 行为识别 · 安防监控 · 姿态分析 | YOLO26 + PyQt5 中英文双版

## 源码获取地址

🎬 **哔哩哔哩效果演示**：[https://www.bilibili.com/video/BV1rpA6z6EnP/](https://www.bilibili.com/video/BV1rpA6z6EnP/)

> 📥 **视频简介处下载完整源码**（含训练代码 + 标注数据集 + 训练权重 + PyQt5 图形界面 + 中英文双版 + 部署教程）

---

## 项目概述

人体行为姿态识别是计算机视觉领域的基础性技术，在安防监控、智慧养老、运动分析、人机交互等众多场景中有着广泛的应用。不同于简单的人体检测（"有人/没人"），行为姿态识别需要回答"这个人在做什么"——是站立、行走、坐下、躺下还是摔倒——这五个基本姿态构成了人体日常活动的基础动作元。

本系统基于 **YOLO26** 深度学习算法，实现了站立、行走、坐下、躺下、摔倒 5 类人体行为姿态的自动识别。YOLO26 的增强版 C2f Backbone 对姿态差异的细微纹理变化具有更强的判别力——比如"站立"和"行走"的核心区别在于腿部姿态（并拢 vs 前后分开）、"坐下"和"摔倒"的核心区别在于动作过程的速度（缓慢受控 vs 快速失控）。配合 **PyQt5** 桌面界面和中英文双语支持，系统适用于公共场所安防监控、养老院跌倒检测、健身房动作分析和医院病房监护等场景。

---

## 效果展示

![人体行为检测](https://i-blog.csdnimg.cn/direct/a70e7378f67349ba8a53ca6f044c9a6c.jpeg)

![检测效果](https://i-blog.csdnimg.cn/direct/1757b4a57f9f481d885d787d12f7278d.jpeg)

![PyQt5 操作界面](https://i-blog.csdnimg.cn/direct/410de1981a664c44b152168454c3cebe.png)

---

## 五类人体行为姿态

| ID | 姿态 | 英文名 | 核心视觉特征 | 应用场景 |
|:--:|------|--------|------------|------|
| 0 | 🧍 站立 | Standing | 身体直立、双脚并拢或微分开 | 排队检测、聚集分析 |
| 1 | 🚶 行走 | Walking | 双腿前后交替、身体微前倾 | 人流量统计、轨迹追踪 |
| 2 | 🪑 坐下 | Sitting | 臀部低于膝盖、身体呈L型 | 会议室使用率分析 |
| 3 | 🛌 躺下 | Lying Down | 身体水平、与地面大面积接触 | 睡眠监测、异常检测 |
| 4 | 🆘 摔倒 | Falling | 快速从站立到水平、动作非受控 | 安全预警、紧急救助 |

### 五类姿态的关联与区别

这五类姿态之间存在天然的时序关联：站立 → 行走（开始移动）→ 坐下（到达目的地）→ 躺下（休息）→ 站立（起床）。AI 检测系统利用这种时序关系可以做出更精准的判断——例如，如果上一帧是"行走"、当前帧检测到"躺下"（中间缺少"坐下"过渡），这可能不是真的躺下而是摔倒，系统应该提高警觉级别。

"摔倒"是本系统中最关键也最难检测的姿态。真摔倒的特征是：(1) 速度快（< 1 秒从站立到倒地）；(2) 动作非受控（不像主动躺下那样有用手撑地的缓冲动作）；(3) 倒地后通常静止一段时间。系统结合单帧姿态判断和连续帧的时序分析来准确识别摔倒事件。

---

## 核心功能

| 模块 | 说明 |
|------|------|
| 📸 图片检测 | 上传照片，识别单帧中人体姿态 |
| 🎥 视频检测 | 分析连续帧中的行为序列变化 |
| 📷 实时摄像头 | 7×24 实时监控，异常姿态即时报警 |
| 🧠 一键训练 | 支持自定义场景微调 |
| 🌐 中英文切换 | 一键切换界面语言 |

---

## 技术架构

YOLO26 + PyQt5 + OpenCV

## 项目目录结构

```
人体行为姿态检测系统/
├── main/ui_main.py
├── datasets/
├── models/
├── utils/
├── runs/
└── requirements.txt
```

## 快速部署

```bash
pip install -r requirements.txt
python main/ui_main.py
```

## 应用场景

| 场景 | 核心检测 | 响应动作 |
|------|:--:|------|
| 🏢 公共安防 | 聚集(多站立) | 人流密度预警 |
| 🧓 养老院 | 摔倒 | 护士站报警 |
| 🏋️ 健身房 | 运动姿态 | 动作规范性分析 |
| 🏥 病房监护 | 躺下/摔倒 | 护士站+床头铃 |

## 总结

YOLO26 人体行为姿态检测系统覆盖 5 类基础姿态，特别针对摔倒这一安全关键行为进行了时序分析和误报控制优化。为智慧养老、公共安防和运动分析提供了实时、可靠的行为感知能力。

### 行为姿态的时序建模

单帧的姿态检测只能回答"这一帧是什么姿态"，而真实的应用场景往往需要理解"姿态的变化过程"。系统在视频检测和实时摄像头模式下，通过维护一个滑动窗口（通常 30~60 帧，约 1~2 秒）的行为状态序列来进行时序分析。例如：(1) 连续 15 帧检测为"站立"、随后 3 帧检测为"摔倒"、再后 15 帧检测为"躺下"——系统判断这是一次真实的摔倒事件；(2) 连续 10 帧"站立"、随后 20 帧"坐下"、再 5 帧"站立"——这只是正常的坐下又站起。时序建模显著提升了行为识别的准确性和事件判断的可靠性。

### 训练数据与多场景适配

数据集涵盖室内（客厅、卧室、办公室、健身房、走廊）和室外（公园、广场、街道）多种场景下的人体姿态样本。不同场景的背景复杂度差异很大（室内相对简单、室外非常复杂），模型通过多场景混合训练学会了对背景噪声的鲁棒性。数据按 8:1:1 切分为训练集、验证集和测试集。