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.

用于在MATLAB平台上求基于hog特征的行人检测算法时，求hog特征的代码

研究了DPM算法，通过大样本训练实现了人的头部的检测

人头检测数据集.该数据集分为二个部分,JPEGImages和Annotations.JPEGImages文件夹中有4500+张各种场景的人头图像,共12w+个人头标注框. 并对每张图片使用labelimg做了人工标注,标注对应的xml文件放在了Annotations文件夹中. 本数据集图片清晰,场景广泛,精心挑选,人工标注.适用于任意场景,可作为人头检测的模板数据集. 应用特定场景时,只需加入部分特定场景数据,即可满足对特定场景人员聚集检测和计数. 免去了收集,挑选,标注人头图片的时间,可直接进行工程化应用.

基于YOLO算法的行人检测方法.pdf

基于vs2010编写的串口调试助手，可实现数据的收发，创建虚拟串口的情况下，可以与丁丁串口调试助手实现互相收发，另外，界面中还有简单的行人识别功能（行人与背景差别比较大情况下）

darknet版yolov4行人检测训练权重；配置文件为data/coco.names; cfg/yolov4.cfg; cfg/coco.data; 训练图片尺寸 512x512；类别名person；训练好的权重保存在backup中，附训练loss图和map曲线图，并包含行人训练数据集800多张

yolov5tensorrt_v5.0行人检测.rar