本文利用元胞自动机模型研究了有障碍或无障碍体育场的人行疏散问题。我们给出了一个多主体个体决策框架，其中每个行人（称为主体）的行动方向取决于主体到出口的距离，主体和障碍物在视野内的数量和密度。代理人。与现有结果不同，我们将体育场内的所有行人分为四类：青年男性，青年女性，老年男性和老年女性。在疏散过程中，影响每类代理之间的个体决策的权重是不同的。在模拟中，我们考虑两种情况：（I）两个出口均未堵塞，（II）两个出口之一完全堵塞。在这两种情况下，都模拟了两个典型的场景：（a）没有障碍物，并且代理商是随机分布的；（b）有障碍物并且代理商被定期放置。此外，我们进一步分析了出口宽度对疏散效率的影响。该模拟可以精确地再现实际的行人疏散过程。因此，所提出的方法可能对评估公共建筑设计很有用。

针对传统HOG特征的行人检测方法中因遮挡及复杂环境存在较高漏检误检情况，建立了一种基于HOG和局部自相似（LSS）特征融合的行人检测算法。利用LSS反映图像内在几何布局和形状属性的特性，用主成分分析(PCA)将HOG和LSS两类特征在实数域降维，再将两种特征组合成新特征，结合线性SVM分类器进行行人检测。实验采用INRIA数据库和Daimler数据库作为训练集训练SVM，用730幅监控视频帧图片作测试集，将该方法与基于传统HOG特征的行人检测方法做对比，结果表明该方法平均漏检误检率降低16%，检测效果优于基于传统HOG特征的行人检测方法。

CUHK Occlusion Dataset数据集,用于行人检测，做好了yolo格式数据集的训练和划分，同时上传了yolo和voc两个格式的标签集。 包括：1.VOC格式（.xml文件）的数据集 2.yolo格式（.txt文件）的数据集 3.划分好的yolo格式的训练集和数据集 文件结构： images——train(训练集的jpg图片) ——val(测试集的jpg图片) labels——train(训练集的标签) ——val(测试集的标签) VOC2007——JPEGImages（数据集原本的1063张jpg图片） ——Annotations（数据集中图片对应的.xml标签文件——VOC格式） ——YOLOLabels（数据集中图片对应的.txt标签文件——yolo格式）

针对行人检测算法中存在特征鲁棒性差及分类器拟合非线性数据能力弱等问题,提出一种基于纹理特征和深度学习分类算法的行人检测方法.提出一种改进的GSRLBP纹理特征提取算法,提取行人图像的局部纹理特征,通过获取像素点的梯度信息结合GSRLBP算法消除微小扰动对行人特征提取的影响,进一步增强特征提取的鲁棒性.搭建基于深信度网络的深度学习行人样本分类器,利用多层受限波兹曼机搭建分类器输入端和中间层,将行人纹理特征信息逐层转化和传递,实现特征数据的自学习,利用BP神经网络搭建分类器的输出端,实现分类器结构的自优化.研究结果表明,该算法可行、有效,且性能优于经典浅层机器学习行人检测算法.

物体检测实战：使用OpenCV内置方法实现行人检测，详见文章：https://blog.csdn.net/hhhhhhhhhhwwwwwwwwww/article/details/122008100?spm=1001.2014.3001.5501

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