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