该课题为基于MATLAB的异常行为检测系统，可以框定运动目标，进行一些行为的判别，如行走，站立，摔倒等。可以进行一些预警。带GUI可视化界面，需进行一些拓展，

基于轨迹的异常行为检测，用于智能交通监控

数据集包含两类目标，分别数打电话、抽烟，一共2037张，标签为yolo格式，如果需要voc（xml）格式的标签，请私信或者留言。数据集未做数据增强，下载后，可以自己做增强处理，比如旋转、增加饱和度、曝光量等等。 备注：数据质量很好，标注精确无误，欢迎下载！

fall-detect-track项目的模型权重

行为识别：基于骨架和目标跟踪的行人跌倒检测

基于计算机视觉的驾驶员低头行为检测.pdf

基于matlab的人体异常行为检测系统。输入视频，分帧，检测行为是否跌倒，快跑，慢跑，站立等。可以实现预警。

时序行为检测是指在一段未分割的长视频中，检测出其中包含的若干行为片段的起止时间和类别.针对该项任务，提出基于双流卷积神经网络的行为检测模型.首先使用双流卷积神经网络提取视频的特征序列，然后使用TAG （Temporal Actionness Grouping）生成行为提议，为了构建高质量的行为提议，将行为提议送入边界回归网络中修正边界，使之更为贴近真实数据，再将行为提议扩展为含有上下文信息的三段式特征设计，最后使用多层感知机对行为进行识别.实验结果表明，本算法在THUMOS 2014数据集和ActivityNet v1.3数据集获得较好的识别率.

针对监控视频中人体异常行为的复杂多样难检测问题，提出了基于YOLO网络模型的异常行为检测方法。根据对监控场景的异常行为定义需求，将标定的异常行为通过YOLO网络模型进行训练，不进行人体目标的提取而将其放到神经网络中，直接实现端到端的异常行为分类，从而实现对具体应用场景的异常行为检测。实验结果表明，该方法召回率接近100%并且平均精确率达到96%以上，同时通过GPU加速对于视频流的检测速度可以达到30FPS左右，实现对监控视频异常行为的实时检测。

关于行为检测的算法有很多,但针对教室场景下的学生行为检测算法却略显缺乏。为了使学生行为检测算法具有较好的准确率和实时性,在MTCNN的基础上改进了网络结构,并提出了一种新的激活函数和损失函数以检测学生图像和关键点。同时,提出了通过图像分类网络和关键点分类网络对学生行为进行联合分类的策略。实验结果表明,所提出的改进措施均有效提升了学生行为检测的准确率,最终模型的检测准确率为78.6%。在嵌入式开发板Jetson TX2上,所提算法的实时检测准确率和速度优于YOLOv3和SSD等算法。