opencv中haar+Adaboost已经训练好的分类器。有双目、身体等等，出自专家之手，必属精品，CV 1.0版本的有需要就下吧。

行人检测一直是目标检测研究与应用中的热点。目前行人检测主要通过设计有效的特征提取方法建立对行人特征的描述，然后利用分类器实现二分类。卷积神经网络作为深度学习的重要组成，在图像、语音等领域得到了成功应用。针对人工设计的特征提取方法难以有效表达复杂环境下行人特征的问题，提出采用多层网络构建深度卷积神经网络实现对行人检测的方法。系统分析了卷积神经网络层数、卷积核大小、特征维数等对识别效果的影响，优化了网络参数。实验结果表明该方法对于行人检测具有很高的识别率，优于传统方法。

基于TensorFlow框架、Faster RCNN模型、SSM框架(SpringMVC+Spring+Mybatis)的实时行人检测系统-附件资源

介绍了一个行人检测与行人重识别联合优化的方案 可供毕业设计或者自学CV的朋友参考

旷视科技提出的Detection in Crowded Scenes: One Proposal, Multiple Predictions，使用实例集预测实例2020cvpr

应用非极大抑制方法，可排除候选的重叠检测。我运行的环境为Python3.6(Anaconda3)+OpenCV3，IDE：PyCharm 1.其中如果安装Anaconda3就可以少安装很多库 2.如果安装了Anaconda3，就只需要配置一个库imutils 3.imutils安装方法 pip install imutils 确保imutils版本大于v0.3.1 pip install --upgrade imutils可以更新版本

资源为视频检测算法代码包括算法的模型，算法实现的原理是：首先在视频检测跟踪之前，对所有目标已经完成检测，那么当第一帧进来时，以检测到的目标初始化并创建新的跟踪器，标注ID，输出行人图片，输出一组向量，通过比对两个向量之间的距离，来判断两副输入图片是否是同一个行人。在后面帧进来时，先到卡尔曼滤波器中得到由前面帧box产生的状态预测和协方差预测，并且使用确信度较高的跟踪结果进行预测结果的修正。求跟踪器所有目标状态与本帧检测的box的IOU，通过匈牙利算法寻找二分图的最大匹配，在多目标检测跟踪问题中为寻找前后两帧的若干目标的匹配最优解，得到IOU最大的唯一匹配，在去掉匹配值小于iou_threshold的匹配对。 用本帧中匹配到的目标检测box去更新卡尔曼跟踪器，计算卡尔曼增益，状态更新和协方差更新。并将状态更新值输出，作为本帧的跟踪box，再对于本帧中没有匹配到的目标重新初始化跟踪器。 yolo v3首先通过特征提取网络对输入图像提取特征，得到一定size的feature map，通过尺寸聚类确定anchor box。对每个bounding box网络预测4个坐标偏移。如果feature map某一单元偏移图片左上角坐标,bounding box预选框尺寸为，即anchor尺寸，那么生成对预测坐标为,此为feature map层级.而为真值在feature map上的映射，通过预测偏移使得与一致。类别预测方面为多标签分类，采用多个scale融合的方式做预测。

是关于行人和车辆检测的matlab程序，还有一些是OPEN-cv的程序。

1 安装 anaconda+python3.8（已下载好，在环境压缩包里） https://www.anaconda.com/products/individual/get-started-commercial-edition-1

麻省理工学院（MIT）行人数据集，最早的行人数据集之一，一共924张图片，其原始图片格式为PPM，此文件为转换后的JPG格式图片。目前MIT数据集已经不支持下载，你可以在这得到，该数据集包含png和jpg两种格式，完全满足你的要求