针对单独机器人难以执行复杂环境中任务的问题，Unmanned Air/Ground Vehicle(UAV/UGV)协同系统近年来受到了广泛关注。为了提高执行任务的工作效率，提出一种基于视觉传感器下UAV/UGV协同系统中UAV目标识别下UGV全局路径规划的方法，无人机利用高空视野优势获取目标物与环境信息, SURF算法和图像分割实现环境建模。无人车根据无人机获取的信息，利用优化的A*算法完成全局路径规划，并且在典型搜救场景中进行了仿真验证。实验表明，SURF算法能满足目标识别的精确度、实时性和鲁棒性；并且利用优化的A*算法实现了UGV快速准确的全局路径规划。

现代雷达已经不仅仅局限于雷达能够“看得见”这一标准，还需要雷达能够“看得清，辨得明”。雷达目标识别技术经过数十年的发展，已经被广泛的应用到各个领域发展中，取得实质性的进步。本文对雷达目标识别技术进行研究梳理，探索研究进展及发展趋势，为该技术的健全与快速发展提供保障。

参考文献：Bayesian Modeling of Dynamic Scenes for Object Detection

合成孔径雷达目标识别技术方面的综述书籍，包括目标识别与检测，非影印版

这是yolov5的识别的模型和源码，opencv4.4，vs2019,c++写的，下载直接在vs2019上运行就可以，不用添加环境。

随着计算机技术的不断提高，智能视频监控技术得到了很好的发展, 过去依靠人力监控视频中出现的人或汽车等既浪费人力物力，又不够准确，很容易发生遗漏，而智能监控就不存在这种问题，只需在程序中设定报警条件即可，能够准确地达到实时监控的目的。现在智能视频监控逐渐应用于城市道路、小区、银行等重要场所及对场景中的异常事件或人的异常行为的监控中, 应用前景广泛，正在逐步取代靠人力来观察视频信息。智能视频监控相比过去常用的靠人来监测的最重要的不同就是识别出需要监控的对象，通常是运动目标的提取。在本文中利用matlab视频处理功能，通过matlab程序来获取视频，使用背景减差法来检测出运动目标提取静止背景中的运动目标，并将结果显示出来，以进行进一步的分析处理。

本实例展示了如何利用Yolov2模型进行猫狗视频检测，可实时检测，利用到了keans聚类确定anchor个数，大小，利用不同模型进行特征提取等知识。

Desktop_demon_水声目标识别_辐射_希尔伯特变换解调_辐射噪声

由于受到水面的高反光性和波纹等边缘特征的影响,传统的水面目标识别算法不能很好地识别出目标。为此,提出基于深度学习的水面目标识别算法。首先采集大量的目标样本并对其进行标注,然后根据YOLOv3(You Only Look Once v3)算法的原理对算法的参数和网络结构进行优化,随后采用深度卷积神经网络的方法对目标样本进行训练。采用对目标样本进行数据增强的方式以适应不同环境进而提升算法的鲁棒性,采用相位相关性水岸线识别算法来提高识别速度。最后使用所提算法的网络结构训练所得的权重文件建立水面目标识别系统,该系统可以达到较高的识别率。实验结果验证所提算法的有效性和鲁棒性,对水面目标识别的后续研究有一定的参考价值。

移动目标识别与跟踪，在视频监控、人机交互、智能交通、军事应用等领域具有重大应用价值。本文针对当前目标识别与跟踪领域普遍存在的处理速度较慢、实时性不足等问题，提出了一种基于Apriltags识别的改进算法，对移动目标进行局部搜索，并结合Kalman滤波器实时估计目标下一时刻在图像中的位置，大幅提升了算法处理速度和跟踪性能。本算法在大疆M100四旋翼无人机平台上，搭载Manifold机载计算机完成了实验测试。实验证明，算法鲁棒性强、稳定性好，成功实现了无人机对快速移动目标的识别与稳定跟踪。