行为识别：基于骨架和目标跟踪的行人跌倒检测

【图像检测】基于帧差法实现人脸实时检测与跟踪matlab源码含 GUI.md

用OpenCV实现车辆及车道线的检测与跟踪，运行环境vc6.0,OpenCV版本1.0

采用HAAR+ADABOOST和KCF跟踪，进行车流量统计，企业级项目

人脸检测与追踪 使用CamShift，卡尔曼滤波器，光流的人脸检测和跟踪 客观的 ： 在电影的第一帧中检测面部 使用预训练的Viola-Jones检测器 使用以下方法跟踪电影中的脸部： CAMShift 粒子过滤器 人脸检测器+卡尔曼滤波器（总是运行kf.predict（），并在获得新的人脸检测时运行kf.correct（）） 人脸检测器+光流跟踪器（人脸检测器发生故障时，请使用OF跟踪器）。

% trafficObj1 = mmreader('traffic.avi'); trafficObj1 = VideoReader('traffic.avi'); mplay('traffic.avi'); darkCarValue=70; darkCar=rgb2gray(read(trafficObj1,71)); %noDarkCar=imextendedmax(darkCar,darkCarValue); %imshow(darkCar); %figure,imshow(noDarkCar); sedisk=strel('disk',2); %noSmallStructures=imopen(noDarkCar,sedisk); %imshow(noSmallStructures); nframes=get(trafficObj1,'NumberOfFrames'); %帧数 I=read(trafficObj1,1); %读取第一帧 taggedCars=zeros([size(I,1) size(I,2) 3 nframes],class(I)); %定义一个4维数组存放每一帧 for k=1:nframes singleFrame = read(trafficObj1,k); %读取第k帧 I=rgb2gray(singleFrame); %转换为灰度图像

针对粒子滤波存在粒子退化,会导致检测前跟踪(TBD)算法的检测和跟踪性能下降这一不足,提出了一种基于高斯-哈密顿滤波(GHF)高斯粒子滤波的TBD算法。该算法基于高斯粒子滤波,采用GHF算法构造的重要性密度函数采样连续出现粒子,考虑了最新的量测信息,采样粒子更逼近于真实的后验概率密度,克服了粒子退化问题。仿真结果表明:与基本TBD算法相比,所提出的TBD算法提高了对目标的检测和跟踪性能。

目标检测与跟踪 目标检测和跟踪算法

介绍视频中汽车的跟踪与检测，介绍详细，明了，提供大家参考

检测运动物体需要无运动物体的背景图像，所以，首先应用多帧像素平均值法提取了运动视频序列的背景图，从背景图像中分离目标像素，获取目标的质心坐标，并应用质心跟踪法以灰色图像序列为基础，对运动的目标进行实时检测和跟踪。质心跟踪法的目标位置通过质点的中心来确定，该算法计算简单，计算量小，其稳定性与精度主要取决于序列图像的分割及其阀值的确定情况。文中给出了用Opencv实现算法的具体过程和关键代码，并且设计了跟踪运动车辆的控制界面，方便了实时监控。实验结果表明，该方法可以实现视频序列中运动目标的识别，具有实时性、并能给出较好的识别效果。