基于MATLAB的人体姿态的检测课程设计
matlab人脸签到课程设计
matlab人脸签到课程设计一、教学目标本课程的学习目标包括知识目标、技能目标和情感态度价值观目标。
知识目标要求学生掌握Matlab基本操作，了解人脸签到系统的基本原理。
技能目标要求学生能够运用Matlab编程实现人脸识别和签到功能，提高实际操作能力。
情感态度价值观目标培养学生的创新意识，激发学生对技术的兴趣，培养学生团队协作和解决问题的能力。
通过分析课程性质、学生特点和教学要求，明确课程目标，将目标分解为具体的学习成果，以便后续的教学设计和评估。
二、教学内容根据课程目标，选择和教学内容，确保内容的科学性和系统性。
本课程的教学大纲如下：1.Matlab基础：介绍Matlab的发展历程、界面组成和基本操作，使学生能够熟练使用Matlab进行编程。
2.图像处理基础：讲解图像处理的基本概念、原理和方法，为学生后面学习人脸识别打下基础。
3.人脸检测：介绍人脸检测的方法和算法，让学生掌握如何检测图像中的人脸位置。
4.人脸识别：讲解人脸识别的原理和技术，培养学生运用Matlab实现人脸识别功能。
5.签到系统设计：引导学生结合人脸识别技术设计一套签到系统，提高学生的实际操作能力。
三、教学方法本课程采用多种教学方法，激发学生的学习兴趣和主动性。
主要包括：1.讲授法：讲解Matlab基础、图像处理基础、人脸检测和人脸识别等相关知识。
2.案例分析法：分析实际案例，让学生了解人脸签到系统在实际应用中的优势和特点。
3.实验法：安排实验环节，让学生动手实践，培养学生的实际操作能力。
4.小组讨论法：学生进行小组讨论，分享学习心得，提高学生的团队协作能力。
四、教学资源选择和准备适当的教学资源，包括教材、参考书、多媒体资料和实验设备。
教学资源应该能够支持教学内容和教学方法的实施，丰富学生的学习体验。
1.教材：选用权威、实用的Matlab教材，为学生提供基础知识。
2.参考书：推荐学生阅读相关领域的经典著作，拓宽知识面。
3.多媒体资料：制作精美的PPT，便于学生理解和记忆。
基于MATLAB的人体上肢运动分析及仿真
ｃａｒｒｙ ｏｕｔ ｔｈｅ ｋｉｎｅｍａｔｉｃ ａｎｄ ｄｙｎａｍｉｃ ａｎａｌｙｓｉｓ．Ａｌｓｏ ｔｈｅｙ ｃａｎ ｇｅｔ ｍｅ ｐｏｓｉｔｉｏｎｓ， ｓｔａｔｕｓ ａｎｄ ｄｒｉｖｉｎｇ ｆｏｒｃｅ ｏｆｔｈｅｊｏｉｎｔｓ ａｎｄ ｒｅａｌｉｚｅ ｔｈｅ ｓｉｍｕｌａｔｉｏｎ ｏｆｕｐｐｅｒ ｌｉｍｂ．
Ｏｎ ｔｈｅ ｂａｓｅ ｏｆ ｓｕｍｍａｒｉｚｉｎｇ ｆｏｒｔｙ－ｆｉｖｅ ｂａｓｉｃ ａｃｔｉｖｉｔｉｅｓ ｏｆ ｕｐｐｅｒ ｌｉｍｂ ｉｎ ｅｖｅｒｙｄａｙ ｌｉｖｉｎｇ ａｎｄ ｄｅｃｏｍｐｏｓｉｎｇ，ｐｉｃｋｉｎｇ ｕｐ ａｎｄ ｆｉｌｔｒａｔｉｎｇ ｔｈｅｓｅ ａｃｔｉｖｉｔｉｅｓ，ｔｈｅｒｅ
§１．２仿燕杭器入的发展
囊然赛孛静捷耪戳冀多姿多彩鹣形态、茨巧祝敏豹动作活跃于务然器， 如柔软弱象鼻子、可以在｛王意譬遂中怒符斡蛇、鬃裔流线型轮露的受类、入 类灵巧竣双手窝霹以蓬变好走鲍双足。爨她，鱼然器生物蛉运动行为帮某些 机能已经成必机器人学者进行虮器人设计、实瑰其灵活控剃的愍考源泉，爨 ８０年代中期以来，科学家们就开始了有关仿生机器人的研究。
在短短４０年戆封趣墨，枧嚣久技术褥到了遂速的发疑，篷瑗了疫焉于不 姆领域各具特色蜓机器人，铡如仿人机嚣人、军罴坎器人、水下枕器人、空 阐机器人、服务机器人、微型枫器人、机器人化枧爨、枧器人足球等。枧嚣 人技术已经应用于许多领域，如机械、电子、仪器设备、工业自动化、半导 体、航空航天、生物技术、滕学、危险品及废物处理等。由于人类文明的进 步和生活水平的提高，机器人技术在医学方面的应用更为广泛。医学机器人 主要包括康复机器人和外科手术机器入。医疗康复领域的一个熏要应用场合 就是假肢，它使肢体残疾者阐归社会成为可能。
matlab人体动作行为识别 源代码
标题：基于Matlab的人体动作行为识别源代码摘要：本文将介绍使用Matlab实现人体动作行为识别的源代码，通过对传感器数据进行处理和分析，实现对人体动作的识别和分类。
文章将从数据采集、特征提取、分类模型建立等方面展开讨论，旨在帮助读者了解该领域的相关知识和技术，并为对该方向感兴趣的读者提供参考。
1. 背景介绍人体动作行为识别是一项涉及多个领域知识的交叉性研究，其应用领域包括但不限于健康监测、智能家居、体育训练等。
在本文中，我们将使用Matlab编程语言，结合相关的信号处理和机器学习算法，实现对人体动作行为的识别与分类。
2. 数据采集与处理在进行人体动作行为识别的研究中，首先需要对人体动作过程中的数据进行采集，并对采集到的数据进行预处理。
常用的数据采集设备包括加速度计、陀螺仪和磁力计等传感器，这些传感器可以获取到人体动作时所产生的加速度、角速度和磁场强度等数据。
在Matlab中，我们可以使用相关的工具箱对采集到的数据进行处理和分析，例如通过信号处理工具箱对数据进行滤波、降噪等处理，以保证数据的准确性和可靠性。
3. 特征提取与选择一旦获得了经过预处理的数据，接下来就需要对数据进行特征提取。
特征提取是指从原始数据中提取出具有代表性和区分性的特征，以便用于后续的分类和识别。
常用的特征提取方法包括时域特征、频域特征和时频域特征等。
在Matlab中，我们可以利用相关的函数和工具对数据进行特征提取，并通过数据可视化工具对提取的特征进行可视化展示，以便进一步分析特征的区分性和重要性。
4. 分类模型的建立一旦完成了特征提取，接下来就是建立分类模型。
分类模型是用来对提取的特征进行分类和识别的工具，常用的分类模型包括但不限于支持向量机、随机森林、神经网络等。
在Matlab中，我们可以利用相关的机器学习工具箱和深度学习工具箱对建立各种分类模型，并通过交叉验证和模型评估来评估模型的性能和准确性。
5. 源代码编写与实现基于以上的背景介绍和相关步骤，我们将使用Matlab编程语言来实现人体动作行为识别的源代码。
一种基于MATLAB与卷积神经网络的人脸检测系统
• 157•近年来，图像识别技术取得突破性发展，尤其是人脸识别技术。
从各种公共活动到铁路身份认证系统，人脸识别技术已广泛用于应对各类安全问题。
本文主要设计了一种基于卷积神经网络的人脸检测系统，可检测出同一画面中的所有人物，更有利于发现目标人物，并且系统具有检测准确度高、小巧、灵活，易于使用，成本较低等特点。
1.引言人脸识别是身份识别中重要的技术手段之一，相对于虹膜、指纹等生物特征识别，人脸识别能够提供更多信息，便于采集与验证。
随着计算机软硬件技术的发展，人脸识别的识别速度、识别准确度在不断提高，所需硬件也随之减少。
最开始的阶段Bledsoc基于简单、纯色背景下，识别人脸的局部特征，主要是五官，这是初级的识别技术（WW Bledsoe.The model method in facial recognition:Panoramic Research Inc Palo Alto,1964）。
第二阶段是基于数学模型的识别，例如将眼睛到鼻子，鼻子到嘴巴等距离，用多维几何特征和多维特征向量来表征（AJ Goldstein,LD Harmon,AB Lesk.Identification of human faces:Proceedings of the IEEE,1971）。
第三阶段通过大量的人脸数据来训练计算机，使其能够实现自动识别人脸。
更准确、更高效的人脸识别算法也不断涌现出来。
如今，人脸识别技术已然从只能识别纯色背景下固定表情的人脸，发展到识别各种光影条件、不同角度下的丰富表情。
2.卷积网络神经2.1 卷积神经网络概述人工神经网络的概念来源于生物神经网络，通过计算机建立神经网络模型仿照生物神经网络的机制运行。
现代对神经网络研究的起源可回溯到20世纪40年代Warren McCulloch和Walter Pitts的工作（W.McCulloch,W.Pitts.A logical calculus of the ideas immanent in nervous acrivity:Bulletin of Mathematical Biophysics,1943），从原理上证明了人工神经网络进行算术和逻辑函数计算。
基于Matlab的人体指纹识别程序设计(课程设计)
等级: 课 程 设 计课程名称课题名称 基于Matlab的人体指纹识别程序设计专 业班 级学 号姓 名指导老师年 月 日课程设计任务书课题名称 基于Matlab的人体指纹识别程序设计姓 名 专业 班级 学号指导老师课程设计时间教研室意见 意见： 审核人：一、任务及要求1）根据所学的知识和能力，利用Matlab软件设计程序实现根据指纹的大小、形状等特征，识别出不同的指纹；2）利用按键标志当前指纹识别的状态，例如录入状态、识别状态、清楚状态。
设计要求：1）对指纹识别的过程进行分析，掌握指纹识别系统算法的工作原理；2）进行指纹识别程序的方案设计；3）进行指纹识别程序的模块设计；4）要有必要的算法设计说明；5）写出课程设计报告。
报告中应包括原理框图、参数曲线分析、操作方法、算法分析、软件调试等，调试过程中遇到的问题，改进方法和总结体会；6）答辩。
二、进度安排周一：集中布置课程设计任务和相关事宜，查资料确定指纹识别程序设计总体方案。
周二～周五：完成人体指纹识别程序设计及仿真。
周六～周日：设计报告撰写，周日进行答辩和设计结果检查。
三、参考资料目 录1第1章 绪论............................................................................11.1 Matlab介绍 ......................................................................11.2 Matlab优势特点 ..................................................................11.3 指纹识别.........................................................................11.4 指纹识别技术的主要优点...........................................................2第2章 设计任务及要求...................................................................22.1 设计任务.........................................................................22.2 设计要求.........................................................................第3章 系统方案设计.....................................................................333.1 系统方案设计.....................................................................33.2 系统框图.........................................................................4第4章 系统软件设计.....................................................................44.1 主函数...........................................................................54.2 归一化和切割.....................................................................4.3 二值化...........................................................................794.4 细化.............................................................................4.5 中心点提取.......................................................................4.6 求特征点.........................................................................14164.7 指纹匹配.........................................................................17第5章 系统仿真及调试...................................................................20总 结..................................................................................错误!未定义书签。
Matlab技术人脸检测与识别方法总结
Matlab技术人脸检测与识别方法总结人脸检测和识别是计算机视觉领域一个重要的研究方向，也是许多实际应用中的关键技术之一。
随着科学技术的快速发展和计算能力的提高，人脸检测与识别技术在安防系统、人机交互、医学图像处理等领域具有广阔的应用前景。
本文将总结一些Matlab技术在人脸检测与识别方面的方法，以帮助研究者和开发者更好地理解和应用这一领域的技术。
一、人脸检测方法总结人脸检测是人脸识别的基础，准确的人脸检测是后续人脸识别任务的前提。
在Matlab中，人脸检测方法主要分为以下几种。
1. Viola-Jones算法Viola-Jones算法是一种经典的人脸检测算法，其基本思想是将人脸检测转化为对图像中各个子区域进行特征提取和分类判断的问题。
通过训练一个强分类器，可以实现对人脸的快速检测。
Matlab提供了相应的函数和工具箱来实现Viola-Jones 算法，如vision.CascadeObjectDetector等。
2. Haar特征和积分图像Viola-Jones算法中的特征选择和计算采用了Haar特征和积分图像的方法，这种方法可以快速计算图像的特征值，从而加速人脸检测的速度。
Matlab中提供了计算积分图像的函数，可以方便地实现这一方法。
3. 基于深度学习的人脸检测近年来，深度学习在计算机视觉领域取得了重大突破，人脸检测也不例外。
通过搭建深度卷积神经网络，可以实现对人脸的高精度检测。
Matlab提供了Deep Learning Toolbox，可以方便地进行深度学习模型的搭建和训练。
二、人脸识别方法总结人脸识别是在经过人脸检测的基础上，对人脸图像进行特征提取和匹配，从而实现对人脸的身份识别。
在Matlab中，人脸识别方法主要分为以下几种。
1. 特征脸法特征脸法是一种经典的人脸识别方法，其基本思想是将人脸图像投影到一个低维空间中，然后通过计算投影后的特征向量之间的距离来进行人脸匹配。
Matlab提供了PCA等函数和工具箱来实现特征脸法。
第16章 人脸检测与MATLAB实现
第十六章
MATLAB优化算法案例分析与应用
H1 = im2bw(H,0.16);
H1 = ~H1; H1 = bwareaopen(H1,100);
% 二值化
% 取反操作 % 剔除小块
第十六章
MATLAB优化算法案例分析与应用
•16.3.3 YCbCr颜色空间分割
ycrcb_im = rgb2ycrcb(R,G,B); ycrcb_im = im2uint8(ycrcb_im); Cr = ycrcb_im(:,:,2); Cb = ycrcb_im(:,:,3); bw = zeros(size(R,1),size(R,2)); % 初始化矩阵 for i =1:size(R,1) for j=1:size(R,2) if Cr(i,j)>=105&&Cr(i,j)<=118 && Cb(i,j)>=105&&Cb(i,j)<=162 bw(i,j)=1; else bw(i,j)=0; end end end
第十六章
MATLAB优化算法案例分析与应用
•16.4 基于Lab颜色空间的人脸分割
Lab色彩空间被设计用来接近人类视觉，它致力于感知均匀性。 在Lab空间中，L表示亮度，a和b表示颜色对立的维度。L值为O时色彩为黑色，L
值接近100时为白色；a值表示色彩在红色和绿色之间的位置；b值表示色彩在蓝色和
黄色之间的位置。在CIELAB模型中，a值大于0时表示红色，a值小于O时表示绿色 ，b值大于O时表示黄色。
Lab颜色空间是一种与设备无关的颜色系统，是基于1931年CIE颁布的色彩度量国
际标准创建的，是由CIE XYZ通过数学转换得到的均匀色度空间。CIE XYZ空间采 用了理想的原色X、Y、Z代替R、G、B，而理想原色的选择是基于RGB颜色空间采 用数学方法建立的，其中，X、Y、Z分别描述红原色、绿原色和蓝原色。这三个分 量是虚拟的假色彩，并非真色彩。
基于Matlab的人脸检测实验设计
基于Matlab的人脸检测实验设计作者：韩乐何烨秋高文华来源：《电脑知识与技术》2016年第22期摘要：人脸检测已经成为计算机视觉和模式识别领域中一个非常活跃的研究方向。
基于Matlab计算机视觉系统工具箱的人脸检测实验，首先介绍了手动检测的Matlab实现及其不足，然后利用计算机视觉系统工具箱实现人脸检测，并在此基础上设计实现了单一人脸视频检测，所有实验均提供了Matlab程序代码，最后提出了如何实现多目标人脸视频检测的思考题。
该实验方案通过实验操作增强学生对人脸检测的理解，激发学生进一步学习和研究的兴趣。
同时，对计算机视觉和模式识别相关课程起到很好的教学辅助作用，有效地改善了教学效果。
关键词：人脸检测；计算机视觉；Matlab；模式识别中图分类号：TP317.4 文献标识码：A 文章编号：1009-3044（2016）22-0165-02Abstract： Face detection has become an active research direction in the field of computer vision and pattern recognition. Based on computer vision system toolbox of Matlab， face detection experiments include three parts. Firstly，the Matlab codes of the manual detection is introduced and the forthcomings are anlysized， and then the computer vision system toolbox is used to achieve face detection， based on the toolbox the experiment of detecting the video images is designed.All the experiments are written in Matlab code.Finally exercises are put forward how to realize the multi object video face detection problems. The experimental program enhances the students' understanding of face detection， stimulate students' interest in further study and research. At the same time， the program plays a good role in teaching the related courses， i.e.， computer vision and pattern recognition， and effectively improves the teaching effect.Key words： face detection； computer vision； Matlab； pattern recognition人脸检测的主要目的是在输入的整幅图像上寻找人脸区域，利用计算机把图像分割成人脸区域和非人脸区域两个部分。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于视频的人体姿态检测一、设计目的和要求1.根据已知要求分析视频监控中行人站立和躺卧姿态检测的处理流程，确定视频监中行人的检测设计的方法，画出流程图，编写实现程序，并进行调试，录制实验视频，验证检测方法的有效性，完成系统软件设计。
2.基本教学要求：每人一台计算机，计算安装matlab、visio等软件。
二、设计原理2.1图像分割中运动的运用（运动目标检测）首先利用统计的方法得到背景模型，并实时地对背景模型进行更新以适应光线变化和场景本身的变化，用形态学方法和检测连通域面积进行后处理，消除噪声和背景扰动带来的影响，在HSV色度空间下检测阴影，得到准确的运动目标。
噪声的影响，会使检测结果中出现一些本身背景的区域像素点被检测成运动区域，也可能是运动目标内的部分区域被漏检。
另外，背景的扰动，如树枝、树叶的轻微摇动，会使这部分也被误判断为运动目标，为了消除这些影响，首先对上一步的检测结果用形态学的方法进行处理，在找出经过形态学处理的后的连通域，计算每个连通域中的面积，对于面积小于一定值的区域，将其抛弃，不看做是前景运动目标。
2.2 bwlabel函数用法：L = bwlabel(BW,n)[L,num] = bwlabel(BW,n)，这里num返回的就是BW中连通区域的个数。
返回一个和BW大小相同的L矩阵，包含了标记了BW中每个连通区域的类别标签，这些标签的值为1、2、num（连通区域的个数）。
n的值为4或8，表示是按4连通寻找区域，还是8连通寻找，默认为8。
四连通或八连通是图像处理里的基本感念：8连通，是说一个像素，如果和其他像素在上、下、左、右、左上角、左下角、右上角或右下角连接着，则认为他们是联通的；4连通是指，如果像素的位置在其他像素相邻的上、下、左或右，则认为他们是连接着的，连通的，在左上角、左下角、右上角或右下角连接，则不认为他们连通。
2.3 regionprops统计被标记的区域的面积分布，显示区域总数函数regionprops语法规则为：STATS = regionprops(L,properties)该函数用来测量标注矩阵L中每一个标注区域的一系列属性。
L中不同的正整数元素对应不同的区域，例如：L中等于整数1的元素对应区域1；L中等于整数2的元素对应区域2；以此类推。
返回值STATS是一个长度为max(L(:))的结构数组，结构数组的相应域定义了每一个区域相应属性下的度量。
Properties可以是由逗号分割的字符串列表、包含字符串的单元数组、单个字符串'all'或者'basic'。
如果properties等于字符串'all'，则表4.1中的度量数据都将被计算；如果properties等于字符串'basic'，则属性：'Area'，'Centroid'和'BoundingBox'将被计算。
'Area'——图像各个区域中像素总个数'BoundingBox' ——包含相应区域的最小矩形'Orientation' 与区域具有相同标准二阶中心矩的椭圆的长轴与x轴的交角（度）三、设计内容3.1理论依据3.1.1应用背景与意义随着监控系统到位，以帮助人们甚至完成监控任务。
可以减少人力和财力的投入，由于就业监视人员进行。
另外，如果长时间不运动图像信息记录，保存几下，就失去了意义和视频监控系统的存储资源浪费存储空间。
因此，传统的监视系统浪费了大量的人力，并有可能引起报警，性能差的实时监控的泄漏。
监控等实时行为分析系统来识别人体，不仅可以替代监控人员的工作的一部分，提高监测系统的自动化水平，同时也提高监视存储的效率，还有一个广泛的应用，并在视频监视系统的潜在经济价值之前。
由于人的行为具有自由的伟大程度，因为身体宽松长裙不同程度和它的外貌和从图像捕获设备位置不同距离的表现风格将是一个很大的分歧，这是人的行为分析，找出了一定的难度。
但是，人类行为的实时分析，智能监控系统，以确定关键技术及其广阔的前景药，安全性，虚拟现实，军事和潜在的经济价值，国内外研究机构和学者越来越多的关注，并在许多全球领先的刊物和会议专题讨论。
美国和欧洲都进行了一些相关的研究项目。
3.1.2运动分割算法首先利用统计的方法得到背景模型，并实时地对背景模型进行更新以适应光线变化和场景本身的变化，用形态学方法和检测连通域面积进行后处理，消除噪声和背景扰动带来的影响，在HSV色度空间下检测阴影，得到准确的运动目标。
本次采用了基于累积差分和数学形态学处理的运动区域提取算法。
在时域窗口内，首先对图象进行降级处理得到灰度带图象，对灰度带差分图象累积并进行数学形态学处理得到运动目标的轨迹模版，将轨迹模版与当前帧差分图象与运算得到当前帧运动目标象素，最后进行多级数学形态学处理得到当前帧运动区域。
实验结果表明，该算法不仅能够对静止背景序列运动区域有较好的分割结果，而且在没有进行全局运动补偿的情况下，对部分运动背景序列也能成功的提取出运动区域。
3.1.3研究人体姿态的特征描述'BoundingBox' ——包含相应区域的最小矩形'Orientation' 与区域具有相同标准二阶中心矩的椭圆的长轴与x轴的交角（度）3.2方案设计根据设计要求确定视频监控中行人分割和人体姿态识别的方法，选择确定运动目标检测、行人人体姿态特征信息提取实现方法。
画出流程图见附录2并对各部分功能进行说明。
（1）判断是否为人体在目标提取之前，首先要对输入的图片进行检测。
本文通过连通域的面积来检测判断目标是否为人体。
（2）人体目标提取如果是人体导入背景图片与背景图片做差，再通过背景差阈值分割法进行提取。
（4）行为识别在解决了以上的问题之后，接下来就是要选择一种合适的算法来进行人体姿态识别，这也是本文研究的重点和难点。
本文采用人体目标的连通区域的长宽比例和方向角的方法来对人体行为进行识别。
3.3程序设计根据设计要求确定视频中行人检测和人体姿态特征信息提取方法，进行程序设计，编写实现程序，使用matlab等软件。
3.3.1图像分割中运动的运用（运动目标检测）运动目标检测首先利用统计的方法得到背景模型，并实时地对背景模型进行更新以适应光线变化和场景本身的变化，用形态学方法和检测连通域面积进行后处理，消除噪声和背景扰动带来的影响，在HSV色度空间下检测阴影，得到准确的运动目标。
该段程序读取了视频从100帧到400帧的图像。
先对导入视频采用近似中值滤波背景模型参考图像实现运动目标分割，然后创建边长为3的方形结构元素，用于对分割结果形态学滤波。
原视频、近似中值滤波后的视频以及采用形态学滤波后的视频如图3.3.1—1所示图3.3.1—1原视频、近似中值滤波后的视频以及采用形态学滤波后的结果videoObj = VideoReader('gyz.avi');本程序使用了VideoReader函数，该函数用于读取视频文件对象。
函数调用格式：obj = VideoReader(filename)obj = VideoReader(filename,Name,Value)其中obj为结构体，包括如下成员：Name - 视频文件名Path - 视频文件路径Duration - 视频的总时长（秒）FrameRate - 视频帧速（帧/秒）NumberOfFrames - 视频的总帧数Height - 视频帧的高度Width - 视频帧的宽度se = strel('square',3);本程序通过创建方形结构元素，用于对分割结果形态学滤波。
pixInc = find(Idiff > 0);fmed(pixInc) = fmed(pixInc) + beta;pixDec = find(Idiff < 0);fmed(pixDec) = fmed(pixDec) - beta;背景差分法别名背景减法，背景差分法的原理是将当前的图像与背景图像进行差分来得到目标区域，这种方法能很好的识别和提取运动目标，是目前运动分割中最常用的一种方法。
但是需要构建一幅背景图像，这幅背景图像必须不含要检测的目标或其他不需要检测目标，并且应该能不断的更新来分辨当前背景的变化。
运用阈值法原理进行分割，阈值法是比较简单的图像分割方法，是一种常常运用的并行区域的技术。
阈值是用运在区分目标图片和背景图片的灰度门限。
如果要检测的图像只有目标和背景两类，那么只需要选取一个阈值这种方法称为单阈值分割，这种方法是将图像中每个像素中的灰度值与阈值相对比，灰度值大于阈值的算一种，灰度值小于阈值的为另一种。
如果图像中存在多个检测目标或无关目标，那么就选多个阈值将每个目标及背景区分开，这种方法称为多阈值分割阈值，由于本人只有一个目标则采用单阈值分割。
fg2 = imopen(fg,se);fg2 = imclose(fg2,se);对分割结果进行形态学滤波先进行了开操作，再进行闭操作。
开操作是一般使对象的轮廓变得光滑，断开狭窄的间断和消除细的突出物。
闭操作可使轮廓线更光滑，但与开操作相反的是，闭操作通常消弥狭窄的间断和长细的鸿沟，消除小的空洞，并填补轮廓线中的断裂。
3.3.2用bwlabel函数对连通域进行标号，并得到最大连通域[L,num]=bwlabel(fg2,4);%对连通域进行标记，num=6Bwlabel函数的用法：L = bwlabel(BW,n)[L,num] = bwlabel(BW,n)，这里num返回的就是BW中连通区域的个数。
返回一个和BW大小相同的L矩阵，包含了标记了BW中每个连通区域的类别标签，这些标签的值为1、2、num（连通区域的个数）。
n的值为4或8，表示是按4连通寻找区域，还是8连通寻找，默认为8。
本程序使用的是4连通。
四连通或八连通是图像处理里的基本感念：8连通，是说一个像素，如果和其他像素在上、下、左、右、左上角、左下角、右上角或右下角连接着，则认为他们是联通的；4连通是指，如果像素的位置在其他像素相邻的上、下、左或右，则认为他们是连接着的，连通的，在左上角、左下角、右上角或右下角连接，则不认为他们连通。
all = [ img_reg.Area];%求出6个连通域的像素个数[d,ind]=max(all);%得到面积最大的连通域本段bwlabel函数是对连通域进行标号，标完号后利用“Area”属性的参数找到面积最大的连通域，这个连通域即为视频中的人。
3.3.3根据regionprops函数的boundingbox和orientation的阈值分别检测视频中人体的站姿和躺卧两种姿势or = [img_reg.Orientation];函数regionprops语法规则为：STATS = regionprops(L,properties)该函数用来测量标注矩阵L中每一个标注区域的一系列属性。