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

训练SVM分类器进行HOG行人检测. 环境为VS2010 + OpenCV2.4.4. 使用时请自行修改工程的include目录和lib目录配置。 正样本来源是INRIA数据集中的96*160大小的人体图片，使用时上下左右都去掉16个像素，截取中间的64*128大小的人体。 负样本是从不包含人体的图片中随机裁取的，大小同样是64*128。 SVM使用的是OpenCV自带的CvSVM类。

可用于多目标行人跟踪，最新版本在复现上出现了许多问题，整体不如原始版本稳定，且有些安装上的问题没有实质解决方案，倒不如直接复现原始版本。

利用opencv自带的hog特征库实现了行人检测，效果还不错，多多交流

UCSD Pedestrian Database

基于vs+opencv的视频合成源码（内含350张商场行人照片及生成好的视频），可以在源码中调整帧率以调节视频的播放节奏，源码中在调整实际照片地址和帧率处做了注释，方便新手上手，内含350张商场行人照片和代码运行后生成的视频。

在VS2015上，使用opencv3中的SVM和HOG特征，结合KCF算法实现目标跟踪，主要跟踪行人

上饶市行人闯红灯自动记录抓拍系统，含项目建设需求、总体设计、详细设计等。

行人跟踪使用LiDAR传感器 客观的 利用来自LIDAR测量的传感器数据进行卡尔曼滤波器的行人跟踪。 状态预测 x'= Fx +ν方程为我们进行了这些预测计算。 过程噪声是指预测步骤中的不确定性。 我们假设物体以恒定的速度行进，但实际上，物体可能会加速或减速。 ν〜N（0，Q）符号将过程噪声定义为均值为零且协方差为Q的高斯分布。 当我们在一秒钟后预测位置时，不确定性就会增加。 P'= FPFT + Q表示不确定性的增加。 因为我们的状态向量仅跟踪位置和速度，所以我们将加速度建模为随机噪声。 Q矩阵包含时间Δt，以说明随着时间的流逝，我们对位置和速度的不确定性越来越大。 因此，随着Δt的增加，我们向状态协方差矩阵P添加更多不确定性。 结合先前推导的2D位置和2D速度方程式，我们得到： 由于加速度是未知的，因此我们可以将其添加到噪声分量中，并且该随机噪声将被解析地表示为上面得出的方程