摘要：人体动作识别视频数据集是一个基于视频和骨架数据的人体动作识别数据集，包含7种常见人体动作：坐着（sitting）、坐下（sit down）、站立（standing）、站起（stand up）、行走（walking）、躺下（lying down）和跌倒（fall down）。
数据集简介
数据集概述
人体动作识别视频数据集是一个基于视频和骨架数据的人体动作识别数据集，包含7种常见人体动作：坐着（sitting）、坐下（sit down）、站立（standing）、站起（stand up）、行走（walking）、躺下（lying down）和跌倒（fall down）。数据集使用YOLOv7-Pose、YOLOv3+AlphaPose和OpenPose三种姿态估计工具提取人体骨架关键点信息，提供PKL和CSV两种格式的骨架数据。数据集按训练集和测试集划分，每个集合包含7个动作子目录。研究团队使用LSTM和ST-GCN两种模型进行训练，结果显示ST-GCN模型准确率达到89%，比LSTM模型高5%，证明了时空图卷积网络在骨架动作识别任务中的优越性。该数据集适用于人体动作识别、跌倒检测、老年护理监控和行为分析研究。
数据结构与关键特征
数据集采用训练-测试划分结构，包含视频数据和多种姿态估计工具提取的骨架数据。关键特征包括：多工具姿态估计（YOLOv7-Pose、YOLOv3+AlphaPose、OpenPose提供不同精度和速度的骨架数据）、多格式支持（PKL序列化格式和CSV文本格式）、7类动作覆盖（包含静态姿态如坐着/站立、动态转换如坐下/站起、移动动作如行走、以及关键安全事件如跌倒）、以及模型基准测试（提供LSTM和ST-GCN两种模型的性能对比，ST-GCN达到89%准确率）。数据集的动作类别设计特别适合老年护理和安全监控场景：区分坐下与坐着、站起与站立等细粒度动作转换，重点标注跌倒这一关键安全事件。多种姿态估计工具的使用为研究人员提供了灵活性，可以根据精度、速度和计算资源需求选择合适的骨架数据版本。
应用价值与研究方向
该数据集在智能监控、老年护理、医疗健康和人机交互领域具有重要应用价值，可用于开发跌倒检测系统、老年人活动监测平台、康复训练评估工具和智能家居系统。研究方向包括：基于骨架的动作识别算法优化、时空图卷积网络（ST-GCN）改进、跌倒检测与预警、细粒度动作转换识别（坐下vs坐着、站起vs站立）、实时动作识别用于边缘设备部署、以及多模态融合（骨架+RGB视频）。数据集特别适合研究如何提升跌倒检测的准确率和及时性、如何区分正常坐下与跌倒的细微差别、以及如何在隐私保护前提下进行行为监测（仅使用骨架数据而非原始视频）。此外，该数据集还可扩展至其他动作识别任务（运动分析、手势识别、异常行为检测）和健康监测应用，为推动计算机视觉技术在老年护理和安全监控领域的应用、降低老年人跌倒风险、提升独居老人安全保障水平提供重要的数据支撑和技术基础。
数据集来源
由张家梁(Bob)整理并于2026年在7zcode平台公开发布。
数据集信息
免责声明与引用
数据仅用于科研与教学用途。若用于商业场景，请自行核验数据许可。如需引用，请在论文或报告中注明数据集名称与版本号。
作者信息
作者：Bob (张家梁)
项目编号：Datasets-206
文件大小：1.3G
原创声明：本数据集为整理作品
联系方式
开源协议
本项目采用AGPL-3.0开源协议，允许个人和组织自由使用、修改和分发代码，但基于本项目的衍生作品必须同样开源，且用于提供网络服务时需向用户提供完整源代码。本项目仅供学习研究使用，作者不对使用本项目产生的任何后果承担责任，使用者应遵守当地法律法规，合理合法使用本项目。如本项目对您的研究或工作有所帮助，欢迎引用并注明出处。
评论(0)