嘿大家， 这项工作提出了一种基于视觉的系统的实现，该系统可通过使用在Matlab中配置为跟踪器的卡尔曼滤波器估算器来识别行人，从而精确定位行人。 最后，将估计值与实际标签之间的差评估为估计误差。 https://youtu.be/HPwk3gG7EyM

人头检测数据集.该数据集分为二个部分,JPEGImages和Annotations.JPEGImages文件夹中有4500+张各种场景的人头图像,共12w+个人头标注框. 并对每张图片使用labelimg做了人工标注,标注对应的xml文件放在了Annotations文件夹中. 本数据集图片清晰,场景广泛,精心挑选,人工标注.适用于任意场景,可作为人头检测的模板数据集. 应用特定场景时,只需加入部分特定场景数据,即可满足对特定场景人员聚集检测和计数. 免去了收集,挑选,标注人头图片的时间,可直接进行工程化应用.

行人重识别是我们课题组在做的一个项目，本文档里面包含了行人重识别的必读经典论文。

郑哲东 Deep-ReID：行人重识别的深度学习方法。 Person re-identification Background Learn pedestrian representations from

基于YOLO算法的行人检测方法.pdf

基于vs2010编写的串口调试助手，可实现数据的收发，创建虚拟串口的情况下，可以与丁丁串口调试助手实现互相收发，另外，界面中还有简单的行人识别功能（行人与背景差别比较大情况下）

darknet版yolov4行人检测训练权重；配置文件为data/coco.names; cfg/yolov4.cfg; cfg/coco.data; 训练图片尺寸 512x512；类别名person；训练好的权重保存在backup中，附训练loss图和map曲线图，并包含行人训练数据集800多张

hmm模型matlab代码此文件夹包含用于在以下位置重现结果的python和matlab代码： 赵丁，沉麻成，无信号交叉口自动驾驶汽车遇到行人的评价。 部署了四种不同的模型以从在无信号交叉口收集的步行交叉口数据中学习随机模型： 'Feedforward.py'：训练一个两层前馈神经网络。 “ LSTM.py”：训练单层LSTM神经网络。 “ HMM”文件夹中的“ main.m”训练隐马尔可夫模型。 “ Random Forest”文件夹中的“ main_rf.m”训练一个随机森林分类器。 安装：要运行python代码，需要Theano和Keras后端。

yolov5tensorrt_v5.0行人检测.rar

行人检测分类器的训练，训练完可测试效果如何，注意样本的路径问题 行人检测分类器的训练，训练完可测试效果如何，注意样本的路径问题