安全生产作业现场违规行为识别算法通过SVM算法设定了各种合规行为和违规行为的模型，安全生产作业现场违规行为识别算法检测到违规行为，将立即进行抓拍并发送告警信息给相关人员，以便及时采取相应的处置措施。简单介绍一下关于安全生产作业现场违规行为识别算法中使用到的SVM算法:SVM算法又名支持向量机，它是一种二分类模型，擅长处理小样本分类问题，有较强的泛化能力并且可以处理非线性分类问题，通过多个SVM的组合使用还可以用来处理多分类问题。
关于支持安全生产作业现场违规行为识别算法向量机的根本思想：
第一点：SVM是针对线性可分情况进行分析，对于线性不可分的情况，通过使用非线性映射算法将低维输入空间线性不可分的样本映射到高维特征空间使其线性可分，从而使得安全生产作业现场违规行为识别算法高维特征空间采用采用线性算法对样本的非线性特征进行线性分析成为可能。
第二点：安全生产作业现场违规行为识别算法SVM基于结构风险最小化理论在特征空间中构建最优分割超平面，使得学习器全局最优化，并且在整个样本空间的期望风险以某个概率满足一定上界。
关于具体在对人体行为的特征识别内容，将会在接下来的内容进行详细介绍，并且涵盖SVM算法的原理以及过程。
特征采集
安全生产作业现场违规行为识别算法人体行为特征的采集，主要通过CSI进行，采集的行为包括：（l)站立不动；（2）缓慢匀速行走；匀速推缩手臂；(5)水平方向挥臂；（6）垂直方向挥臂等一系列人的姿势，动作。
收集并记录这些特征的信道状态信息(CSI），CSI呈现出不同频率下多径传播的幅度和相位，从而更加精确地刻画了安全生产作业现场违规行为识别算法具有频率选择性衰落特性的信道。
在这直接引用论文中给出的CSI图像：
SVM算法的分类模型设计
安全生产作业现场违规行为识别算法采用SVM算法把CSI幅度和相位信息的变化特征作为输入，并且安全生产作业现场违规行为识别算法训练在假设的空间中找到一个最优分隔面把正反样本分隔开，其学习的策略是间隔最大准则。
所指的间隔就是样本点到分隔面的最小距离。分割正负样本的分隔面有很多，这个间隔最大准则实际上是：意味着要找到那个以最大的确信度将正负样本分隔开并是该模型应对局部干扰最大的分割面。
总结
首先，安全生产作业现场违规行为识别算法采用SVM算法解决人体行为特征识别是可行的，只是对于线性特征和非线性特征，需要使用不同类型的SVM分类器。安全生产作业现场违规行为识别算法的SVM采用了这样一种策略：将低维空间向高维空间转换，使得在低维空间不可分的样本在高维空间中变得可分，从而再按上述方法求解最优超平面。SVM是一种很典型的二分类算法，对于多分类问题SVM同样适用。安全生产作业现场违规行为识别算法可以采用组合多个SVM进行多分类，常用的多分类方式有“一对一”和“一对多”。SVM采用统计理论，广泛应用于图像处理、文本分类、姿态识别等领域。
