其中吸烟监测、口罩率监测、火宅监测都由目标检测算法YOLO算法训练所得，项目中也提供了训练代码。行为安全监测由OpenPose算法提取人体姿态再进行分类识别；人群密度监测由MSCNN算法进行估计；行为轨迹跟踪由目标检测+Deepsort跟踪轨迹绘制而成。 ### 以行为轨迹跟踪为例

项目名称是“来往行人检测跟踪计数”，GUI界面可以统计显示来回经过的行人数量。 基于YOLOv5+deepsort+pyqt5GUI界面行人跟踪计数系统设计源码+模型+操作说明+数据集 附有详细运行操作说明，按照一步步来就可以了。 模型是yolov5行人检测模型，提供的有人形检测数据集+训练代码，可以自己训练模型。 当然也可以训练出车辆检测模型，对车辆进行检测跟踪计数，换下模型即可。 【备注】有相关使用问题，可以留言或者私信于我，有问必答！

1、yolov5-deepsort行人检测和跟踪，包含YOLOv5训练好的行人检测权重以及各种训练曲线，目标类别为person 2、可以生成行人运动轨迹 3、pytorch框架，python代码 4、结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743

matlab匹配滤波代码首先进行行人检测 方法 1。 我只是在此视频上使用了示例MATLAB代码，并获得了以下结果。 该算法如何工作？ 运动对象的检测使用基于高斯混合模型的背景减除算法。 将形态学运算应用于所得的前景蒙版以消除噪声。 最终，斑点分析检测到可能与运动对象相对应的已连接像素组。 检测与同一物体的关联仅基于运动。 每个轨道的运动由卡尔曼滤波器估计。 该过滤器用于预测轨道在每个帧中的位置，并确定将每个检测分配给每个轨道的可能性。 轨道维护成为此示例的重要方面。 在任何给定的帧中，一些检测可以分配给轨道，而其他检测和轨道可以保持未分配。 使用相应的检测更新分配的轨道。 未分配的轨道被标记为不可见。 未分配的检测将开始新的轨道。 每条磁道都会记录连续帧的数量，而这些帧仍未分配。 如果计数超过指定的阈值，则该示例假定该对象离开了视野并删除了该轨道。 分析该方法似乎在行人彼此之间距离不太近的情况下效果很好。 由于它在随后的帧中使用连接的组件标签来跟踪对象，因此通常会将近距离的行人标记为单个对象。 因此不适合在拥挤的地方进行行人追踪。 2。 找到本文后，他们还对该视频进行了行人跟踪。 他

【达摩老生出品，必属精品，亲测校正，质量保证】 资源名：MATLAB目标跟踪_matlab_目标检测_利用帧差法对视频中的行人进行检测和跟踪matlab_帧差法_行人检测_行人跟踪 资源类型：matlab项目全套源码 源码说明： 全部项目源码都是经过测试校正后百分百成功运行的，如果您下载后不能运行可联系我进行指导或者更换。 适合人群：新手及有一定经验的开发人员

【达摩老生出品，必属精品，亲测校正，质量保证】 资源名：利用帧差法对视频中的行人进行检测和跟踪_帧差法_行人检测_行人跟踪_matlab 资源类型：matlab项目全套源码 源码说明： 全部项目源码都是经过测试校正后百分百成功运行的，如果您下载后不能运行可联系我进行指导或者更换。 适合人群：新手及有一定经验的开发人员

deepsort-yolov3-车辆行人-跟踪结果

线性跟驰模型的matlab代码无味卡尔曼过滤器项目 无人驾驶汽车工程师纳米学位课程 介绍 无味卡尔曼滤波器是对扩展卡尔曼滤波器进行改进的一种方法。 与EKF不同，UKF不会线性化状态方程。 它依赖于构建通过状态向量模型传播的sigma点。 下面显示的是该项目的两个数据集的结果。 以使标准化归一化平方接近其统计期望值的方式选择噪声参数。 雷达测量空间为三维（rho，phi，rho_dot），并且95％置信区间的卡方值为7.8。 激光雷达的测量空间为二维（x，y），95％置信区间为1的卡方值为6。对这两个值进行平均可以预期所有预测状态中约5％的卡方值为7或7。更高。 对于所选的噪声参数，这大约是正确的。 依存关系 cmake> = v3.5 使> = v4.1 gcc / g ++> = v5.4 基本制作说明 克隆此仓库。 创建一个构建目录： mkdir build && cd build 编译： cmake .. && make 运行它： ./UnscentedKF path/to/input.txt path/to/output.txt 。 您可以在“数据/”中找到一些示例输入。 例

嘿大家， 这项工作提出了一种基于视觉的系统的实现，该系统可通过使用在Matlab中配置为跟踪器的卡尔曼滤波器估算器来识别行人，从而精确定位行人。 最后，将估计值与实际标签之间的差评估为估计误差。 https://youtu.be/HPwk3gG7EyM

可用于多目标行人跟踪，最新版本在复现上出现了许多问题，整体不如原始版本稳定，且有些安装上的问题没有实质解决方案，倒不如直接复现原始版本。