该雷达具有数字化正交解调、数字脉冲处理、固定目标对消、动目标检测（MTD）、和恒虚警（CFAR）处理等功能 %% 雷达系统仿真 %% % 发射信号为13位巴克码和线性调频混合调制的信号，线性调频的中心频率为30MHz， % 调频带宽为4MHz，每一位码宽为10微秒，发射信号的帧周期为1毫秒 % 该雷达具有数字化正交解调、数字脉冲处理、固定目标对消、动目标检测（MTD）、 % 和恒虚警（CFAR）处理等功能 code=[1,1,1,1,1,-1,-1,1,1,-1,1,-1,1]; % 13位巴克码 tao=10e-6; % 脉冲宽度10us fc=28e6; % 调频信号起始频率 f0=30e6; % 调频信号中心频率 fs=100e6; % 采样频率 ts=1/fs; % 采样间隔 B=4e6; % 调频信号调频带宽

包含一类目标：战车。彩图，图片数量为1000张，尺寸为1024x1024，可用于目标检测算法的研究。

实际生活里，因为许许多多的视觉方面的信息大多是来自运动的，所以目前针对在线目标的检测方面，已经广为流传。比如：在军事领域的飞行器自动驾驶、目标在线跟踪导航、医学领域的生物组织分析，包括对微观细胞的在线跟踪导航等；银行，机场、商店和政府重要机构等安全场所的智能监控等等，在线目标检测已经深入人们的日常生活，产生了不可替代的作用。随着科技各个研究领域的迅速发展，在各种不同的应用场合，人们对在线目标检测的现实要求越来越高，只有不断的提高在线目标检测的实时性、准确性才能不断地满足现实生活的需求。 现今业内比较通用的算法主要有以下三种，光流法、帧间分差法以及本篇文章所要利用的背景分差法。背景差分法的基本原理是，首先要获得经过统计建立模型的背景，然后当前的帧图像减去背景图像，结果里面的像素值同阈值T比较，假如得到的结果是小于阀值的，那么这个就是背景像素，相反就是目标像素，那么通过这种方式，背景像素相对应的目标像素也能检测到，接着将得到的目标图像进行二值化处理，再对其进行形态学处理。从实验结果可以看出，本文所用方法能够准确的检测到运动物体，且不受噪声的干扰。

包含4个权重文件，yolov5l ，yolov5m , yolov5s, yolov5x 。 从谷歌云盘下载的，4个文件4个积分不多吧.

针对视觉背景提取(Vibe)运动目标检测算法存在的鬼影及阴影问题,利用鬼影与背景相似而运动目标与背景差异大的特点,提出了一种基于前景和邻域背景像素直方图相似度匹配的方法,快速检测鬼影并更新背景模型;利用阴影的颜色特性和纹理不变性,提出在亮度和色度分离的YCbCr色彩空间中先根据颜色特性得到候选阴影区域,再利用完全局部二值模式算子(CLBP)提取区域的详细纹理特征,进一步检测与去除阴影。在公开视频数据库CDnet-2012上进行仿真,仿真结果表明,该算法能够保证运动目标被完整检测的同时快速去除鬼影和阴影,其检测精度比原Vibe算法提高了21.53%。

yolov3论文，详细的讲解了yolo的原理，值得一看！

YOLO 的核心思想就是利用整张图作为网络的输入，直接在输出层回归 bounding box（边界框） 的位置及其所属的类别。 faster-RCNN 中也直接用整张图作为输入，但是 faster-RCNN 整体还是采用了RCNN 那种 proposal+classifier 的思想，只不过是将提取 proposal 的步骤放在 CNN 中实现了，而 YOLO 则采用直接回归的思路。

官方基于coco数据集预训练模型，微调后可以达到准确率较高的物体识别效果

MATLAB运动目标检测，以汽车为例，框定运动汽车，计算车流量，车速等参数。

微软最新state of art目标检测模型，训练自己数据集，详细步骤，detectron2框架pytorch源码