python动作识别

Python有很多库可以用于动作识别，其中比较常用的是OpenCV和TensorFlow。以下是一个基于OpenCV的动作识别示例：

1. 收集数据集：用摄像头录制不同动作的视频，并将其分成训练集和测试集。

2. 提取特征：使用OpenCV中的cv2.HOGDescriptor()函数提取每个视频帧的方向梯度直方图（HOG）特征。将特征向量存储在numpy数组中。

3. 训练模型：使用scikit-learn中的支持向量机（SVM）算法训练模型，将训练集的特征向量和标签输入到SVM模型中进行训练。

4. 测试模型：使用测试集的特征向量输入到训练好的SVM模型中进行测试。

5. 应用模型：使用训练好的模型对新的动作进行识别。

下面是一个简单的代码示例：

import cv2
import numpy as np
from sklearn import svm
from sklearn.metrics import accuracy_score

# 定义HOG对象
hog = cv2.HOGDescriptor()

# 定义SVM分类器
clf = svm.SVC(kernel='linear', C=1, probability=True)

# 准备训练集和测试集
train_data = []
train_labels = []
test_data = []
test_labels = []

# 读取训练集数据
for i in range(1, 7):
    for j in range(1, 21):
        # 读取视频帧
        frame = cv2.imread('train_data/%d/%d.jpg' % (i, j))
        # 提取HOG特征向量
        hog_desc = hog.compute(frame)
        # 存储特征向量和标签
        train_data.append(hog_desc)
        train_labels.append(i)

# 读取测试集数据
for i in range(1, 7):
    for j in range(21, 31):
        # 读取视频帧
        frame = cv2.imread('test_data/%d/%d.jpg' % (i, j))
        # 提取HOG特征向量
        hog_desc = hog.compute(frame)
        # 存储特征向量和标签
        test_data.append(hog_desc)
        test_labels.append(i)

# 训练SVM模型
clf.fit(train_data, train_labels)

# 测试模型
pred_labels = clf.predict(test_data)
accuracy = accuracy_score(test_labels, pred_labels)
print('Accuracy:', accuracy)

# 应用模型
frame = cv2.imread('new_action.jpg')
hog_desc = hog.compute(frame)
pred_label = clf.predict(hog_desc)
print('Predicted label:', pred_label)

需要注意的是，这只是一个简单的示例，实际的动作识别应该考虑更多的因素，例如光照、背景、姿势等。