行人检测在视觉监控，驾驶员辅助系统中具有广泛的应用。 它在计算机视觉和模式识别中也非常重要。 在我们的研究中，我们提出了行人检测的多尺度方案。 行人检测方案包括构建强分类器和多尺度检测的两个步骤。 强分类器是弱分类器的集合，是通过使用基于类似Harr特征的AdaBoost学习算法构建的。 然后，采用强分类器对多尺度图像中的行人进行检测，并对检测结果进行合并。 在我们的实验中，提出的多尺度检测方案在灵敏度达到89.3％的情况下每张图像报告了0.35个假阳性。 这表明行人检测的多尺度方案实现了高性能。

github停止下载了关于CenterNet的基础训练模型

kaist数据集

多粒度深度特征学习可实现强大的行人检测

行人检测是视频监控中的一个基本问题，近年来已经取得了长足的进步。 然而，由于源训练样本和目标场景中行人样本之间的差异，在某些公共数据集上训练的通用行人检测器的性能在应用于某些特定场景时会明显下降。 另外，在目标场景中手动标记样本也是一项昂贵且费时的工作。 我们提出了一种新颖的转移学习框架，该框架可以自动将通用检测器转移到特定于场景的行人检测器，而无需手动标记目标场景中的训练样本。 在我们的方法中，我们通过对目标场景使用通用检测器来获得初始检测结果，我们将该结果称为目标样本。 我们使用了几种线索来过滤目标模板，从最初的检测结果中我们可以确定它们的标签。 高斯混合模型（GMM）用于获取每个视频帧中的运动区域和一些其他目标样本，这些目标样本无法被通用检测器检测到，因为这些目标样本距离摄像机较远。 目标样本和目标模板之间的相关性以及源样本和目标模板之间的相关性通过稀疏编码进行估算，然后用于计算源样本和目标样本的权重。 显着性检测是在源样本和目标模板之间进行相关性计算以消除非显着区域干扰之前的一项必不可少的工作。 所有这些考虑都是在单个目标函数下制定的，通过对所有这些样本添加基于稀疏编码的权重来

在掌握opencv与tensorflow基础知识的基础上，使用tensorflow object detection API与opencv dnn 模块，实现从数据标注与tf record数据生成，SSD模型迁移学习训练，模型导出在tensorflow中使用，OpenCV DNN模块中使用(C++与Python) API调用演示，实现从数据到模型训练到导出给OpenCV使用全链路的技术路径，学以致用，举一反三，可以套用到任意的对象检测问题的解决方案中！

基于方向梯度直方图(HOG)特征和局部二值模式(LBP)算子的行人检测算法采用滑动窗口搜索策略存在扫描区域过大和计算复杂的问题,存在的这些问题会导致检测速度慢。鉴于此,提出一种行人检测算法。首先,采用选择性搜索算法对目标区域进行定位,并将候选区域的高宽比限制在一定范围内以筛选无效窗口。然后,为了弥补LBP算子在纹理表达上的缺陷,引入完备的局部二值模式(CLBP)算子来提高纹理特征的表达能力。接着,考虑到HOG特征和CLBP算子特征维数过高对分类器的识别能力产生影响,采用主成分分析的方法分别对HOG特征和CLBP算子进行降维,降维后再进行串联融合。最后,引入困难样本的挖掘过程训练支持向量机分离器,这可以使模型训练得更充分,进而降低误检率。在INRIA数据集上仿真结果表明,所提算法在识别率和识别速度上都有一定的提高。

基于HOG和SVM行人检测算法的FPGA实现，朱秋龙，王振宇，行人检测技术目前已广泛应用于人们的生活和工作中，在不同的场合对行人检测技术提出不同的要求。由于在某些特定场合对行人检测的

在vs2013版本以上，利用opencv实现对运动目标的检测，能够将AVI、MP4、RMVB等文件中的移动的目标圈出来并动态更新，适用于新手学习机器视觉。

针对日常生活中的行人安全问题，本文采用一种基于彩色和红外特征的多模式行人检测方法，提高行人检测的精度。本文通过分类检测障碍物和行人区域的颜色和红外特征，设计一个多模式三焦框架，将检测得到的多模式图像特征结合在一起，促进多模式行人检测的发展。实验结果表明，当颜色、视差和红外特征结合使用时，该方法检测性能显著提高。