此文件是对该文件夹中其余四个文件的说明。 （1）名为“Pedestriandetection”的文件夹中是用VS2013+OpenCV2.4.13实现的HOG+SVM算法 的工程文件，训练得到的数据文件也包含在其中，“HOGDetectorForOpenCV.txt”为检测 子参数文件，“SVM_HOG_2400PosINRIA_12000Neg_HardExample.xml”为难点检测后训练 好的SVM模型文件。 （2）名为“Pedestriandetection_QT”的文件夹是用QT4.2.1+OpenCV3.1.0实现的HOG+SVM算法 的工程文件，用的是OpenCV自带的行人检测分类器。 （3）名为“Pedestriandetection_MATLAB”的文件夹中使用MATLAB 2016b实现的ACF行人检测跟踪 算法的脚本文件，“pedScaleTable”为脚本中引用的先决条件文件。 （4）名为“projecttext.m”的文件夹中是用MATLAB写的测试文件，主要功能是根据交并比（IOU）阈值 计算检测的精确率（precision）与召回率（recall）。“det1”是数据集的标准标注文件， “my.txt”是VS+OpenCV实现的算法的预测文件，“QT.txt”是QT+OpenCV实现的算法的预测文件。

1

z20y40.mp42111111111111

双目视频用来做行人检测

针对传统HOG特征的行人检测方法中因遮挡及复杂环境存在较高漏检误检情况，建立了一种基于HOG和局部自相似（LSS）特征融合的行人检测算法。利用LSS反映图像内在几何布局和形状属性的特性，用主成分分析(PCA)将HOG和LSS两类特征在实数域降维，再将两种特征组合成新特征，结合线性SVM分类器进行行人检测。实验采用INRIA数据库和Daimler数据库作为训练集训练SVM，用730幅监控视频帧图片作测试集，将该方法与基于传统HOG特征的行人检测方法做对比，结果表明该方法平均漏检误检率降低16%，检测效果优于基于传统HOG特征的行人检测方法。

针对行人检测算法中存在特征鲁棒性差及分类器拟合非线性数据能力弱等问题,提出一种基于纹理特征和深度学习分类算法的行人检测方法.提出一种改进的GSRLBP纹理特征提取算法,提取行人图像的局部纹理特征,通过获取像素点的梯度信息结合GSRLBP算法消除微小扰动对行人特征提取的影响,进一步增强特征提取的鲁棒性.搭建基于深信度网络的深度学习行人样本分类器,利用多层受限波兹曼机搭建分类器输入端和中间层,将行人纹理特征信息逐层转化和传递,实现特征数据的自学习,利用BP神经网络搭建分类器的输出端,实现分类器结构的自优化.研究结果表明,该算法可行、有效,且性能优于经典浅层机器学习行人检测算法.

物体检测实战：使用OpenCV内置方法实现行人检测，详见文章：https://blog.csdn.net/hhhhhhhhhhwwwwwwwwww/article/details/122008100?spm=1001.2014.3001.5501

基于HOG的行人检测，刚刚调试过，效果不错！

行人检测是计算机视觉中的经典问题，也是长期以来难以解决的问题。和人脸检测问题相比，由于人体的姿态复杂，变形更大，附着物和遮挡等问题更严重，因此准确的检测处于各种场景下的行人具有很大的难度。在本文中，SIGAI将为大家回顾行人检测算法的发展历程。

行人检测在人工智能系统、车辆辅助驾驶系统和智能监控等领域具有重要的应用，是当前的研究热点.针对HOG特征不明显、支持向量机（SVM）分类器计算复杂度高，导致识别率低和检测速度慢的问题，本文提出了一种改进的基于增强型HOG的行人检测算法.该算法首先预处理原始图像并提取其HOG特征，然后增强该特征生成增强型HOG，经XGBoost分类器进行行人检测.在INRIA数据集上进行测试，实验结果表明所提算法识别率高达95.49%，有效地提高了行人检测性能.