企业官网建设流程全解析

简介：这是一份面向毕业设计的MATLAB人体动作识别资料包，基于公开的KTH数据集，实现步行、跑步、跳跃、挥手、坐下和站立等六类动作的识别流程。内容覆盖视频帧读取、灰度化与尺寸标准化等预处理，HOG与光流特征提取，SVM分类器训练与准确率评估，并带有可交互界面。包内共94个文件，以62张动作帧JPG图像和19个M源代码文件为主，另有MAT数据文件保存真值标签与训练特征，FIG/PNG用于展示实验图表，AVI为KTH样本视频，HTML为代码说明，整体约19.49MB。目前已有161人学习下载，适合需要快速搭建动作识别实验、掌握视频处理与机器学习结合方法的计算机视觉方向学生参考。

1. 用MATLAB和KTH数据集做人体动作识别，到底在研究什么

人体动作识别（Human Action Recognition, HAR）这几年在计算机视觉里被反复提起，但很多初学者拿到KTH这类经典数据集后，第一反应往往是：这不就是把视频帧丢进神经网络里让它自己学吗？实际动手做一次，你会发现最耗时间的根本不是搭建网络，而是如何把一段段视频转成可计算的时空特征、如何在MATLAB里管理不同长度的帧序列、以及如何让分类器在"动作类内差异大、类间差异小"的KTH数据上拿到能写进论文的结果。

KTH数据集包含6类动作（走路、慢跑、跑步、拳击、挥手、拍手），由25个人在4种场景下拍摄，总计599段视频。它最大的特点是每个动作都有明显的周期性，对传统手工特征（如时空兴趣点、光流直方图）和深度学习模型都适用。本文沿着"数据预处理 -> 特征提取 -> 分类器设计 -> 实验评估"这条工程主线来展开，使用的工具是MATLAB，不依赖外部深度学习框架。对于做毕业设计的人来说，这套流程的好处是每个环节都可以单独可视化、调参、写进论文，且对硬件几乎没有要求。

下面先从最关键的数据准备工作说起，因为KTH的视频文件并不是拿来就能直接用的。

2. KTH视频数据的载入、抽帧与基础预处理

2.1 理解KTH数据集的目录结构和视频编码特征

KTH数据集解压后通常按person01_boxing_d4_uncomp.avi、person02_walking_d1_uncomp.avi这样的规则命名。名称中的personXX代表受试者编号，boxing/walking等是动作类别，d1~d4是场景序号，uncomp表明这是未压缩的AVI格式，方便直接用VideoReader读取。

需要注意，MATLAB 的VideoReader对不同编码格式的支持是有限的。KTH官方提供的是未压缩AVI，在Windows和Linux上的MATLAB里基本都能直接读。如果遇到读不出来的情况，最常见原因是系统中缺少对应的解码器，解决办法是用FFmpeg重新转码为MPEG-4或Motion JPEG格式，而不是去修改代码逻辑。

% 读取单个KTH视频文件并输出基本信息 v = VideoReader('person01_boxing_d1_uncomp.avi'); fprintf('视频帧数: %d\n', v.NumFrames); fprintf('帧宽: %d, 帧高: %d\n', v.Width, v.Height); fprintf('帧率: %.2f\n', v.FrameRate);

这段代码的核心作用是验证MATLAB是否能正常解码该视频文件。如果NumFrames返回 -1 或读取时报错，说明当前环境不支持这种编码格式。在写批量处理脚本之前，先跑通这一句，否则后面所有环节都会卡住。

2.2 抽帧策略：均匀采样与光流计算的取舍

KTH数据集的分辨率是160x120，帧率25fps，每段视频长度约4秒。做动作识别时，极少有人把全部帧都送进模型，原因有两个：一是相邻帧之间信息冗余度极高，二是传统特征（比如光流）计算复杂度与帧数成正比。常用的做法是均匀抽帧，每段视频抽取固定的帧数，比如16帧或32帧，这样可以保证输入到分类器的特征维度是一致的。

% 均匀抽帧：从视频中抽取 N 帧，返回灰度图像序列 function frames = extractUniformFrames(videoPath, N) v = VideoReader(videoPath); totalFrames = v.NumFrames; if totalFrames < N % 帧数不足时，用重复最后一帧的方式补齐 idxs = [1:totalFrames, ones(1, N-totalFrames)*totalFrames]; else idxs = round(linspace(1, totalFrames, N)); end frames = zeros(v.Height, v.Width, N, 'uint8'); for i = 1:N frame = read(v, idxs(i)); frames(:,:,i) = rgb2gray(frame); end end

这里的linspace(1, totalFrames, N)是均匀抽帧的关键参数。如果N取16，则从视频的首帧到末帧等间隔地取16个位置，这样既保证覆盖了整个动作周期，又避免了连续的重复信息。read(v, idxs(i))是随机读取，在循环中并不会重头播放视频，所以即使抽帧位置不连续也不会漏帧。

需要注意的是，KTH数据的原始帧尺寸较小，在做光流或HOG特征提取前，通常先双线性插值缩放到固定尺寸，比如128x128。这能降低边界干扰，同时让后续的特征维度更稳定。

2.3 前景提取与背景减除的必要性

KTH数据集的场景大多是静态的，背景基本不变，前景就是运动中的人体。直接用原始灰度图做特征提取，会把墙、门、地面这些不携带动作信息的像素也算进去，导致分类器学到的是"这个人在哪"而不是"这个人在做什么"。所以工程上会先做背景建模，把运动区域裁剪出来再做后续处理。

MATLAB中做前景提取最直接的是帧差法或高斯混合模型（GMM）。帧差法适合起步，计算量小，但容易在人体运动慢时产生空洞。GMM对慢运动更鲁棒，不过在初试阶段，帧差法加形态学闭运算已经能拿到不错的效果。

% 基于帧差法的前景掩码提取 function mask = getForegroundMask(frames, threshold) refFrame = double(frames(:,:,1)); % 以第一帧为参考背景 current = double(frames(:,:,end)); diff = abs(current - refFrame); mask = diff > threshold; % 形态学闭运算填补人体内部的空洞 se = strel('disk', 3); mask = imclose(mask, se); mask = imfill(mask, 'holes'); end

threshold是这里最需要调的参数，通常在15到30之间（灰度值范围0~255）。取值过小，背景的微小抖动会被判为前景，产生大量噪声点；取值过大，人体四肢的浅色区域会被漏掉，导致掩码不完整。你可以把每段视频的掩码用imshow(mask)逐一显示，根据目测效果确定阈值。

提示：KTH数据集中存在部分视频的人物与背景对比度很低（比如白衣人在白墙前），此时单一阈值会失效，建议改为自适应阈值（graythresh）或直接在原始灰度图上提取方向梯度特征，不做前景分离。

3. 特征工程：从HOG到时空运动描述子

3.1 为什么毕业设计不直接用视频帧作为特征

很多人在毕业设计里尝试直接把下采样后的灰度帧拼接成向量，用SVM分类，结果准确率卡在70%以下。原因在于原始像素对光照、视角、衣着颜色过于敏感，而KTH数据集里同一动作在不同人身上、不同场景中，底层视觉差异远超动作本身的差异。特征工程的目的就是把这些无关变量剔掉，只保留"运动模式"。

在MATLAB中，计算机视觉工具箱提供了extractHOGFeatures函数，可直接从灰度图像中提取HOG描述子。HOG统计的是局部区域内梯度方向的分布，对光照变化不敏感，对人体的轮廓和四肢姿态却描述得很好。KTH中的动作（拳击、挥手、拍手）主要区别在上半身的姿态变化，走路、慢跑、跑步则区别在腿部运动频率和幅度，这些信息恰好是HOG能捕捉的。

% 提取单帧HOG特征 img = imresize(frames(:,:,i), [128, 128]); cellSize = [8 8]; % 每个cell大小 hog = extractHOGFeatures(img, 'CellSize', cellSize, 'BlockSize', [2 2]);

CellSize决定了特征的分辨率。8x8的cell在128x128的输入图上会得到16x16的cell网格，最终特征维数在几千数量级。如果把CellSize改成 [16 16]，特征维度会大幅下降，但空间细节也会丢失，对拳击这类上半身小幅度动作会明显不利。反过来，用 [4 4] 会让维度爆炸，训练时长剧增，而准确率提升有限。

3.2 单帧特征到视频级特征的聚合方法

拿到每帧的HOG向量后，需要把一段视频的所有帧特征合并成一个全局特征向量，才能交给分类器。最简单的聚合方法是取平均，但会造成时间信息的丢失。比如"慢跑"和"跑步"的区别主要在运动周期快慢上，单纯平均会抹平这种速度差异。

更常用的方案是采用"分块时序统计"。把抽出的N帧分成三段（前段、中段、后段），对每段分别计算HOG均值与标准差，最后拼接成超向量。这样既保有一定的时序结构，又不会让特征维度变得无法管理。

% 视频级特征聚合：每段视频拼接一个特征向量 function featVector = videoFeatureAggregation(frames) numFrames = size(frames, 3); segLen = floor(numFrames / 3); feats = []; for s = 1:3 segFrames = frames(:,:,((s-1)*segLen+1) : min(s*segLen, numFrames)); segHog = zeros(1, 0); for i = 1:size(segFrames, 3) img = imresize(segFrames(:,:,i), [128, 128]); hog = extractHOGFeatures(img, 'CellSize', [8 8]); segHog = [segHog; hog]; % 行拼接 end segMean = mean(segHog, 1); segStd = std(segHog, 0, 1); feats = [feats, segMean, segStd]; end featVector = feats; end

这段代码把每段视频的特征维度从单个HOG维度 * N帧压缩为单个HOG维度 * 2 * 3，在保留了动作阶段信息的同时大幅降低了过拟合风险。如果你对运行时序特征有更高要求，可以在分段后叠加光流直方图，不过这会显著增加计算量，需要根据毕设时间安排取舍。

3.3 光流方向直方图：补充运动方向信息

HOG描述的是静态姿态，光流描述的是运动方向和幅度。KTH数据集最有价值的地方在于动作模式相对规整，运动方向的可分性很强（跑步是水平方向主运动，挥手是垂直方向为主）。MATLAB中可以用opticalFlowLK或者opticalFlowFarneback来计算稠密光流。

% 使用Farneback光流计算并生成方向直方图 flow = opticalFlowFarneback; for i = 1:size(frames, 3)-1 imgA = im2double(frames(:,:,i)); imgB = im2double(frames(:,:,i+1)); estimateFlow(flow, imgA); estimateFlow(flow, imgB); magnitude = flow.Magnitude; direction = flow.Orientation; % 弧度值 % 将方向量化到9个bin binIdx = max(1, min(9, floor((direction + pi) / (2*pi/9)) + 1)); histFeat = accumarray(binIdx(:), magnitude(:), [9 1]); % 归一化 histFeat = histFeat / (sum(histFeat) + eps); end

光流直方图的核心是把每个像素的运动方向映射到离散的bin中，并用该像素的运动幅度作为加权值。opticalFlowFarneback的参数（如NumIterations、NeighborhoodSize）会影响光流密度和计算速度，默认值在KTH数据集上已经够用。如果实验中发现慢跑和跑步的分类混淆严重，可以尝试提高光流计算的层数（金字塔层数从3增加到5），这能捕捉更大尺度的运动。

4. 用MATLAB搭建KTH动作识别的最小分类系统

4.1 选型：多分类SVM是毕业设计最稳的起点

在特征已经提取完毕的前提下，分类器的选择直接影响最终论文的对比实验部分。K近邻（KNN）实现最简单，但准确率偏低；随机森林调参容易，但在高维特征上表现平庸；深度学习入门门槛高，在KTH这种小数据集上容易过拟合。多分类SVM（采用一对多的编码设计）是动作识别论文中出现频率最高的组合，原因是它天然适合中等规模样本、高维稀疏特征，并且在MATLAB里有现成的fitcecoc函数。

KTH训练集通常选用前16个人的视频，测试集选用后9个人的视频。这个划分原则必须保证训练集和测试集的人员不重叠，否则会出现身份泄露（同一人的不同视频片段同时出现在训练和测试中），导致准确率虚高到98%以上。

% 使用fitcecoc训练多分类SVM % trainFeatures: MxN 矩阵，M为视频片段数，N为特征维数 % trainLabels: Mx1 分类标签向量 t = templateSVM('KernelFunction', 'rbf', 'BoxConstraint', 1, 'KernelScale', 'auto'); mdl = fitcecoc(trainFeatures, trainLabels, 'Learners', t, 'Coding', 'onevsone');

BoxConstraint是最关键的参数，它控制错误分类的惩罚力度。值越大，决策边界越复杂，容易过拟合；值越小，边界越平滑，容易欠拟合。KTH数据集特征维度高但样本量只有几百，通常建议从0.1开始尝试，观察交叉验证准确率的曲线。KernelScale设为'auto'时，MATLAB会用启发式方法自动估计RBF核的宽度，这比手动指定固定值更省心，不过会在训练时增加少量计算开销。

4.2 训练集构建与标签管理

在进入fitcecoc之前，需要把从600余段视频中提取的特征和标签正确组织成矩阵。一个常见错误是把所有视频的特征直接拼接，而忘记记录每个特征向量对应的动作类别，导致后面无法评估模型。

% 构建训练数据集 trainFeatures = []; trainLabels = []; actionNames = {'boxing', 'handclapping', 'handwaving', 'jogging', 'running', 'walking'}; for p = 1:16 % 前16人作为训练 for a = 1:length(actionNames) action = actionNames{a}; files = dir(fullfile('KTH', sprintf('person%02d_%s_*', p, action))); for f = 1:length(files) videoPath = fullfile(files(f).folder, files(f).name); frames = extractUniformFrames(videoPath, 16); feat = videoFeatureAggregation(frames); trainFeatures = [trainFeatures; feat]; trainLabels = [trainLabels; categorical({action})]; end end end

这段代码中的dir(sprintf(...))模式匹配利用了KTH文件名中的规律，比如person01_boxing_d1_uncomp.avi和person01_boxing_d2_uncomp.avi都会被匹配到。这里建议将HOG特征提取部分单独写成函数，因为每次运行都会重新读取视频并提取特征，耗时长，可以把中间结果保存为.mat文件，后续调参时直接load即可。

4.3 测试集评估与混淆矩阵

训练完成后，对后9个人的视频提取同样的特征，用predict函数获得预测结果，再与真实标签比较。不要只看整体准确率，要打印出混淆矩阵，因为KTH数据集中"跑"和"走"两类动作的混淆度通常最高，混淆矩阵能帮你定位问题出在哪个动作对。

% 测试集评估 testFeatures = []; testLabels = []; % ... 与训练集相同的特征提取逻辑 ... predLabels = predict(mdl, testFeatures); acc = mean(predLabels == testLabels); fprintf('测试集准确率: %.2f%%\n', acc*100); figure; confusionchart(testLabels, predLabels);

confusionchart会自动生成带颜色深浅的混淆矩阵图，这个图可以直接用于毕业设计论文。KTH数据集在这种传统特征+SVM的框架下，准确率通常在85%~93%之间（具体取决于特征设计和参数），如果能超过90%，说明特征提取设计得比较到位。

提示：如果你发现混淆矩阵里"跑步"和"走路"互相混淆，不要急着调SVM参数，优先回头检查光流直方图的时间聚合方式。可以考虑把光流特征单独可视化，看两段视频在特征空间中的距离是否真的可分。

5. 实验评估与毕业设计答辩必备的对比基准

5.1 交叉验证策略：留出法 vs 留一法

毕业设计论文里，动作识别部分的实验设计是否严谨，比最终准确率数字更重要。KTH数据集的标准评估协议是"留出法"，即按人员ID划分训练集和测试集。但很多本科论文会在这个基础上加一组"留一法（Leave-One-Person-Out）"实验作为对比，即在25个人中依次选1人作为测试、其余24人作为训练，循环25次取平均准确率。

留一法得到的准确率通常比留出法高1~3个百分点，因为它使用了更多的训练样本。但这会让训练时间变成原来的25倍，需要提前估算：如果留出法训练一次要30秒，留一法就是12.5分钟，这在毕业设计的时间预算里还能接受。

% LOPO留一法评估片段 personIDs = 1:25; accList = zeros(1, 25); for testID = 1:25 trainIdx = personIDs ~= testID; % 用 personIDs 划分特征矩阵... mdl = fitcecoc(trainFeatures(trainIdx,:), trainLabels(trainIdx), ... 'Learners', t, 'Coding', 'onevsone'); pred = predict(mdl, testFeatures(~trainIdx,:)); accList(testID) = mean(pred == testLabels(~trainIdx)); end meanAcc = mean(accList);

LOPO实验还能额外输出每个测试人的准确率，这比单一的平均准确率更有说服力。答辩时如果被问到"你的方法在哪些人上表现不稳定"，你能直接针对准确率偏低的personID来分析原因——是帧率问题、动作幅度差异还是场景影响。

5.2 特征组合实验与维度分析

毕业设计论文中，对比实验通常需要说明"为什么最终选择这种特征组合"。常见的做法是设置三组实验：仅HOG特征、仅光流直方图、HOG+光流拼接。用表格记录每组特征在相同SVM参数下的准确率。

需要说明的是，特征维度并越高越好。如果拼接后准确率没有明显提升，反而训练时间翻倍，那就要考虑做特征筛选（比如用relieff算法计算特征权重，保留topN特征）。这既是论文的加分项，也能让分类器训练更快、泛化更好。

有些同学会在论文里声称用了PCA降维，但如果只是把所有特征直接PCA到50维，后果是准确率明显下降。KTH数据集的类内差异较复杂，直接无监督降维会破坏类间判别信息。更合理的做法是先用LDA（线性判别分析）监督降维到5维（类别数-1），再送入SVM。LDA在MATLAB里的实现很简单：LDA函数在统计工具箱中可直接调用，不过需要注意的是它要求特征数小于样本数，因此在PCA降维后再做LDA是常见组合。

5.3 毕业设计论文中的结果表述技巧

最终的实验结果部分，准确率数字只是基础，更重要的是分析错误模式。答辩时老师大概率会问：为什么跑步和慢跑容易混淆？此时你需要能从特征层面作答：跑步和慢跑的运动频率差异不大，而KTH数据集中的帧率只有25fps，抽16帧后每帧间隔约100毫秒，这导致光流时间窗口内的累计位移差异不够明显；如果增加每秒采样帧数或使用更长时间窗口，区分度会上升。

另外，可以准备一张"特征可视化"图，用TSNE或PCA将HOG特征投影到二维平面，不同颜色表示不同动作类别。这张图能直观展示特征的可分性，比任何文字描述都有说服力。

6. 进阶技巧：用TimeSformer替代手工特征的验证路径

在毕业设计中，如果你的选题偏向深度学习方向，或想在期末赶上新方向，可以考虑把前面手工特征+SVM的框架当作baseline，再引入TimeSformer（一个基于Transformer的视频理解模型）作为对比。之所以在这个阶段才提深度学习，是因为KTH数据集只有599段视频，直接用VideoMAE或SlowFast从头训练会严重过拟合。TimeSformer的优势在于它把视频分成时空patch后，用注意力机制建模长程运动关系，在KTH这种规模的数据上反而可以在预训练权重的基础上做微调，达成不错的迁移效果。

在MATLAB中直接实现完整的TimeSformer训练并不方便，但可以借助MATLAB的深度学习工具箱加载ONNX模型，或者用MATLAB调用Python环境中的PyTorch模型。常见做法是：用Python训练好TimeSformer模型，通过ONNX导出后，在MATLAB中对特征提取结果做一致性对比。这里更推荐的做法是只做推理验证：

% 加载ONNX格式的TimeSformer模型到MATLAB net = importNetworkFromONNX('timesformer_kth.onnx'); % 输入尺寸通常为 (numFrames, Height, Width, Channels) inputData = zeros(8, 224, 224, 3, 'single'); output = predict(net, inputData); % output 的最后一维是类别得分 [~, predIdx] = max(output);

importNetworkFromONNX是深度学习工具箱提供的函数，能直接导入外部的ONNX模型。这里有两个常见问题：一是KTH的原始视频分辨率只有160x120，如果直接放大到224x224，姿态会变糊，建议先做双三次插值再送入模型；二是TimeSformer的输入通常是8帧或32帧，帧数不同会直接影响网络的时序注意力长度，需要与你训练时的设置保持一致。

在毕业设计论文里，你可以在实验章节放一张红外热力图，用Grad-CAM展示TimeSformer在KTH视频上关注的注意力区域。这个图能直观说明深度学习模型的决策依据，与手工特征SVM方案形成互补。最终的结论部分强调TimeSformer更强大，但在工业界的可解释性和部署成本上远不如手工特征方案，两者不是互相取代的关系，而是在不同限制条件下各有适用场景。

本文还有配套的精品资源，点击获取