本文提出了行人检测的新的特征，在现有的行人检测中效果较好，可以参考

本资源为caltech行人数据集种子，可在迅雷下载。 最近在做智能交通中的行人检测，需要数据集对分类器进行training，选取的数据集为加理工(caltech)提供的http://www.vision.caltech.edu/Image_Datasets/CaltechPedestrians/，该数据集的一些说明可以从官网中得知。数据集主要包括1. 训练集+测试集：seq格式的数据；2.行人标签数据:vbb(video bounding box)格式的数据，该格式数据主要是数据集1中的行人bounding box。

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。

社会力量模型行人模拟 我的论文工作的仿真程序的源代码。 我在20多年前编写了这段代码。 当C ++变得流行时...可用于DEC Ultrix。 也许其中一些有用。

很棒的微小物体检测 Tiny Object Detection论文和相关资源的精选清单。 目录 更新 （04/19）： 添加纸张以显示小物体检测的平铺能力 添加文章和视频以解决对象检测中的小对象问题 （03/26）： 添加纸张和代码以学习用于航空图像中目标检测的校准指导 （03/20）： 为ReDet添加纸张和代码：用于航空物体检测的等速旋转检测器 航空图像中目标检测的更新代码：大规模基准测试和挑战 活动 第一次微小物体检测（TOD）挑战来自低质量输入（RLQ）的现实世界识别 8月23日至27日，美国格拉斯哥证券交易委员会 文件 微小物体检测 学习航空影像中目标检测的校准指导[纸] [代码] 梁栋，魏宗琪，张栋，耿启祥，张丽艳，孙涵，周慧宇，魏明强，潘高arXiv 2021 ReDet：用于航空物体检测的等速旋转检测器[纸张] [代码] 韩嘉明，丁建，南雪，夏桂松CVPR 2021

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

行人侦查跟踪 使用Mobilenet SSD进行行人检测和跟踪 行人检测 使用Caffe Mobilenet SSD进行了培训，详细信息（ ） 然后将模型转移到 （针对移动平台进行了优化的深度学习框架） 追踪 基于光流和卡尔曼滤波器的多对象跟踪器，更多详细信息： : 用法 编译ncnn 转到3rd_party / ncnn （与Raspberry Pi等ARM平台一起使用时，修改ncnn / CMakeLists.txt：添加add_definitions(-mfpu=neon) ，修改ncnn / src / CMakeLists.txt：将40to46行修改为if(TRUE) ） mkdir build cd build cmake .. make 其余全部编译在根目录中mkdir build cd build cmake .. make 跑步去建立/ ./main

使用YOLOv4和DeepSORT的行人跟踪

多对象跟踪| Google-Colab 收集文件，代码，数据集和其他资源以进行多对象跟踪| 谷歌合作 联合检测 CenterTrack-跟踪对象为点[ax2004] [pytorch] DEFT：用于跟踪的检测嵌入[ax2102] [pdf] [notes] [pytorch] 身份嵌入 MOTS多对象跟踪和细分[cvpr19] [pdf] [注释] [代码] [项目/数据] 迈向实时多对象跟踪[ax1909] [arxiv] [pdf] [notes] [code] 迈向实时多目标跟踪-车辆跟踪[修改版] 用于多对象跟踪的简单基准[ax2004] [pdf] [notes] [code] 集成的对象检测和跟踪以及具有Tracklet条件的检测[ax1811] [pdf] [notes] 协会 用于多对象跟踪的深度相似性网络[ax1810 / tpami19

行人属性识别 基于VesPA，WPAL的一些行人属性识别方法。 PA-100K和RAP进行培训。