利用Top-Push的方法，实现了行人重识别，参考文献Top-push Video-based PersonRe-identification，实现加密部分代码。

基于TensorFlow的自动化行人检测（人体检测）和监控（视频监控）系统 监控在安保和巡查中发挥着重要作用，但也是一项非常乏味的任务，深度学习的出现在一定程度上将人类从这一任务中解放出来。本项目基于深度学习的目标检测去搭建了一个简单有效的监控系统，能够自动化进行人流统计和行人检测。 Python3.5 pip TensorFlow-1.11.0-GPU Python版本OpenCV requests pip3 install requests frozen_inference_graph.pb Nginx with RTMP 展示系统基于Idea集成开发环境进行开发，SSM框架中的依赖均基于Maven进行配置，在Idea中导入web目录下的工程，导出war包，将war包放在服务器tomcat/webapps目录下，运行./startup.sh,启动tomcat容器；

基于多特征子空间与核学习的行人再识别

针对红外图像中行人小目标检测识别率低、虚警率高的问题，研究了当下效果最好的 YOLOv3目标检测算法，在其基础上进行优化，提出了一种满足实时性要求的行人小目标检测算法。

车辆辅助驾驶系统中基于计算机视觉的行人检测研究综述

voc行人标注数据集1000张

随着无人驾驶和智能驾驶技术的发展，计算机视觉对视频图像检测的实时性和准确性要求也越来越高.现有的行人检测方法在检测速度和检测精度两个方面难以权衡.针对此问题，提出一种改进的Faster R-CNN模型，在Faster R-CNN的主体特征提取网络模块中加入SE网络单元，进行道路行人检测.这种方法不仅能达到相对较高的准确率，用于视频检测时还能达到一个较好的检测速率，其综合表现比Faster R-CNN模型更好.在INRIA数据集和私有数据集上的实验表明，模型的mAP最好成绩能达到93.76%，最高检测速度达到了13.79 f/s.

1、行人检测数据集， 2、classes : person, 3、标签格式为xml和txt两种格式，数量近3900多张 4、可以直接用于YOLOv5行人目标检测

针对目前矿井行人监测方法存在检测准确度不理想、报备信息少的问题,设计了基于视频的矿井行人越界检测系统。该系统以混合高斯背景建模为基础,利用行人越界检测算法识别出视频流中运动的行人目标,并在识别目标的基础上,通过状态缓冲处理计算出越界趋势,判断出越界方向。实际运行结果表明,该系统能够进行主动安全监测,有效克服灯光闪烁等干扰,可快速识别行人位置及跨越方向,稳定性好,准确度较高;在D1分辨率、25帧/s的高清监控下可实现在线实时处理。

基于元胞自动机的行人疏散流仿真研究