实时位置追踪 使用 Socket.io 实时可视化移动 GPS 数据的 Web 应用程序。 GPS 数据通过网络套接字发送到网络客户端，该客户端将它们实时绘制在地图上。 如何使用 对于网络界面： $ cd realtime-location-tracking/web $ npm install $ node index.js 并将浏览器指向http://localhost:3000/ 用于 Web 界面的 HTML、CSS 和 Javascript 可以在“master”文件夹中找到。 特征 该应用程序将实时跟踪多个用户的位置。

这是CVPR 2017会议录用的一篇视频目标跟踪的论文，基于相关滤波改进，进入了背景上下文信息。资源中包含官方的源码（MATLAB）、论文原文以及官方的补充材料

动作脚本 3 的扩充 由维护的 AS3 Augmenta 辅助库和示例 安装 用 例子 文档 贡献 检查和 谢谢 本杰明·库珀伯格、大卫-亚历山大·香奈儿

消息！ 2020年8月： 发布了！ 更强大的追踪！ 包括全身（脸，手，脚）要点！ 现在可用。 2019年12月：AlphaPose 发布了！ 较小的型号，更高的精度！ 2019年4月：发布的AlphaPose！ 在COCO验证集上，它以23 fps的速度运行。 2019年2月： 集成到现在AlphaPose！ 2018年12月：了PoseFlow的！ 3倍更快，支持姿态跟踪结果可视化！ 2018年9月： 发布了！ 它在COCO验证集上以20 fps的速度运行（平均每张图像4.6人），并达到71 mAP！ AlphaPose 是一种精确的多人姿势估计器，它是第一个开源系统，在COCO数据集上达到70+ mAP（75 mAP），在MPII数据集上达到80+ mAP（82.1 mAP）。 为了在帧中匹配与同一个人相对应的姿势，我们还提供了一种称为Pose Flow的高效在线姿势跟踪

带板检测的车辆速度估算 该项目的主要目标是使用深度学习和机器学习算法来识别超速车辆。 从视频中获取一系列图像后，使用Haar Cascade分类器检测卡车。 使用大量正负图像训练分类器模型，以制作XML文件。 接下来是跟踪车辆并借助其各自的位置，ppm（每米像素）和fps（每秒帧）来估计车辆的速度。 现在，已识别卡车的裁剪图像将被发送以进行车牌检测。 CCA（连接组件分析）有助于进行车牌检测和字符分割。 使用字符图像（20X20）对SVC模型进行训练，并且为了提高准确性，还完成了4次交叉折叠验证（机器学习）。 该模型有助于识别分段字符。 识别后，将卡车的计算出的速度及其车牌号一起输入到excel表中。 还为这些卡车分配了一些ID，以生成系统化的数据库。 要运行Speed_Detection _＆_ License_Plate_Detection.py，请按照以下步骤操作： 从此站点下载

Experiment Center用于准备眼动跟踪的实验

KCF单目标跟踪改进后的版本

视频图matlab代码 Tracking_by_detection A Python3-based system use yolov3/KCF&DSST/KF to detect,tracking and estimate the target（people and cars） location. 这是我的本科毕设项目，主要通过YOLOv3识别，利用KCF-DSST-APCE完成抗遮挡的尺度变化跟踪，并用卡尔曼滤波估计位置。 视频效果/video ： Test environment Intel Core i5-8300H Nvidia GTX 1050Ti Ubuntu 18.04LTS Python3 OPENCV3.4.4 Requirements CUDA9.0 CUDNN7 Python3 OPENCV Numpy Numba Code structure yolo.py:detect fhog.py:give fhog feature tracker.py:track run.py:basic framework run2.py:add more visualization

iMap4：iMap4-使用线性混合模型的眼动数据（例如，注视图）的空间映射

OS Time Tracking 是在 Symfony 4.3 上创建的开源时间跟踪工具，由 webworks nürnberg (https://wwnbg.de) 创建。