多种目标检测的算法，背景差分法，混合高斯模型背景建模等

Keras框架：faster-rcnn目标检测算法实现

本资源用于自身备份使用，以防资源的丢失，因此并非单纯为了获得大家的积分，但获取资源有时也并非一件轻松的事情。这些资源大家可以通过网络搜索获取，如不想麻烦也可以直接下载。

ViBe算法是一种快速高效的背景建模算法，但该算法在运动目标检测过程中会产生鬼影。针对ViBe算法中鬼影消除缓慢的问题，结合多个场景的交通视频提出一种通过连续两帧前景背景像素时域变化来判断鬼影像素点并消除的方法，该方法加快了鬼影的消除速度。同时，对于视频拍摄场景中的背景噪声，采用了对前景图进行开闭操作去除小像素点以及对目标区域的空洞进行填充处理。实验表明，改进的ViBe算法能够加快鬼影的消除，并且与帧差法以及混合高斯建模算法相比，前景检测效果更精确。

目标检测算法研究综述_方路平.pdf

目标检测算法SSD(Single Shot MultiBox Detector)及其变体，采用pytorch, python3实现

目 标检测是很多计算机视觉任务的基础，不论我们需要实现图像与文字的交互还是需要识别精细类别，它都提供了可靠的信息。本文对目标检测进行了整体回顾，第一 部分从RCNN开始介绍基于候选区域的目标检测器，包括Fast R-CNN、Faster R-CNN 和 FPN等。第二部分则重点讨论了包括YOLO、SSD和RetinaNet等在内的单次检测器，它们都是目前最为优秀的方法。

（1）小目标在图像中所占像素很少，经过多层卷积之后提取得到的特不明显，为了改善 YOLOv3 的小目标特征提取性能，通过将原网络模型中经 2 倍降采样的特征图进行卷积分别叠加到第二及第三个残差块的输入端，以此增强浅层特征信息。同时，在第一个 8 倍降采样的特征图后连接 RFB 模块，增强特征提取能力。 (2) 原网络中采用多次步长为 2 卷积操作代替池化层来进行特征图的下采样操作，降低了特征的传递能力。为此，本文借鉴 Dense Net 的思想，采用密集连接的方式将浅层特征图直接传输到深层同尺度卷积层的输入端。这样不仅能增强浅层特征重用能力，而且还可以有效缓解梯度消失问题。 (3) 提出了基于泛化 Io U 的回归损失函数代替原回归损失函数。通过在损失函数中加入锚框与真实框中心点距离相关以及预测框与真实框面积相关的两个惩罚项，使预测框的定位更加准确；并同时解决了两框无交集时的梯度消失的问题。本文基于以上三点改进分别在 PASVAL VOC 数据集和 VEDAI 数据集上与原网络进行对 比实验。训练过程中，在训练批次相同的条件下训练时长相当。实验结果表明，上述三点同时作用于原 YOLOv3 网络时，在小目标检测上具有更低的漏检率，定位更加准确，且检测速度相仿。

城市道路中车辆检测与识别对于提升交通安全，发展智能化交通具有非常重要的意义。传统的检测方式依赖于人工提取的特征，已难以适用于复杂多变的交通场景，存在识别精确度低、时间复杂度高等缺陷。深度学习模型可以自动提取有用特征，泛化能力强，但难以对相似型车辆进行更加精细的分类，为此提出一种基于残差网络的小型车辆目标检测算法。算法将传统卷积神经网络的连接形式改为一种基于局部连接和权值共享的残差连接模式，同时更改网络结构控制参数数量，将图片不同层次的特征融合计算，应用感兴趣区域池化层规格化前层特征，最后经过分类层和回归层得到目标框的置信度以及修正参数。实验表明，改进模型能够在保证时间效率的前提下增强网络的学习能力，提高平均精度，在相似小型车辆的检测问题上取得了良好的检测结果。

ACF目标检测算法是常用的目标检测算法之一，本文主要讲述了ACF目标检测的原理