摘要：该数据集面向舞蹈姿态估计、人体动作理解和连续视频时序分析任务，采用 RGB 视频记录不同舞者在多种舞蹈风格下的完整动作序列，可用于研究站立、跳跃、旋转、弯曲以及手臂动作等典型舞蹈姿态及其连续变化过程。
数据集概述
该数据集由单摄像机在室内环境中采集的 RGB 舞蹈视频构成，覆盖不同舞者、舞蹈风格、动作强度以及动作复杂度，能够同时反映细粒度人体关节变化和较长时间尺度上的动作连续性。每个视频序列对应一个完整舞蹈片段，并配有舞蹈类型、序列时长、动作强度、舞者编号等描述信息，同时提供主导姿态类别标签，用于分析不同动作复杂度和时序变化条件下的姿态识别性能，适合连续舞蹈动作理解与人体运动分析研究。
数据结构与关键特征
数据集主要包含 Videos/TikTok_Raw_Videos 视频目录和 dance_posture_dataset.csv 元数据文件，视频按照 seq_00001_00009、seq_00010_00028 等序列目录进行组织，部分目录包含 YouTube.mp4、dance_name.txt 和 video_link.txt 等文件。CSV 中记录 video_id、frame_rate、sequence_length、dancer_id、dance_style、motion_intensity、movement_complexity、avg_joint_displacement、temporal_variation_score 和 target_posture_class 等字段，因此不仅能够进行视频级分类，还可以结合帧率、关节位移和时序变化指标开展多尺度动作分析。其核心特点是保留完整视频帧连续性，适合研究舞蹈动作的空间姿态特征与时间动态特征。
应用价值与研究方向
该数据集适用于舞蹈姿态识别、人体动作分析、舞蹈动作评分、智能训练辅助、人体姿态估计以及视频时序行为理解等研究方向。算法方面可以采用 MediaPipe、OpenPose、YOLO-Pose 等方法提取人体关键点，再结合 LSTM、GRU、TCN、3D CNN、SlowFast 或 Video Transformer 等模型学习连续动作特征；还可以进一步研究骨架序列建模、动作阶段分割、舞蹈风格识别、运动强度估计、动作复杂度分析和多尺度时序融合，从而构建面向舞蹈教学、动作纠正和智能表演分析的视觉系统。
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-851
文件大小：2.4G
原创声明：本数据集为整理作品
