Moving Object Detection and Segmentation using Background Subtraction by Kalman Filter.pdf

车牌检测matlab代码牌照检测 该程序将车牌从相机拍摄的汽车照片中分离出来。 该代码是用matlab编写的。 它需要输入图像并根据我们的算法适用性调整其大小。 然后使用一些图像处理，例如形态学运算，边缘检测等技术，从图像中突出显示车牌。

异常检测是一个重要的问题，已经在不同的研究领域和应用领域得到了很好的研究。本研究的目的有两个方面：一是对基于深度学习的异常检测方法进行了系统、全面的综述。此外，我们还回顾了这些方法在不同应用领域中的应用，并评估了它们的有效性。我们根据所采用的基本假设和方法，将最新的深度异常检测技术分为不同的类别。在每个类别中，我们概述了基本的异常检测技术及其变体，并提出了区分正常行为和异常行为的关键假设。此外，对于每一类，我们还介绍了这些技术的优点和局限性，并讨论了这些技术在实际应用领域中的计算复杂性。最后，我们概述了研究中存在的问题和在实际问题中采用深度异常检测技术所面临的挑战。

人体检测梯度方向直方图 Histograms of Oriented Gradients for Human Detection

Athlete-Pose-Detection-using-openCV-and-deep-learning-master

实时人脸检测Centerface 非官方版本的Centerface，可在速度和准确性之间取得最佳平衡。 Centerface是一种适用于边缘设备的实用的免锚人脸检测和对齐方法。 该项目提供了培训脚本，培训数据集和预培训模型，以方便用户重现结果。最后，感谢中心人的作者提供的培训建议。 WIDER_FACE验证集中的性能结果 使用相同的火车数据集而没有其他数据对于多比例尺，将比例尺设置为0.8、1.0、1.2、1.4 ，但它们的尺寸也将调整为800 * 800，因此我认为这不是真正的多比例尺测试。 方法 简单 中等的 难的 我们的（一个尺度） 0.9206 0.9089 0.7846 原版的 0.922 0.911 0.782 我们的（多尺度） 0.9306 0.9193 0.8008 要求 使用pytorch，您可以使用pip或conda来安装要求 # for pip cd

FCHD 本工程是官方工程的python3版本，重构了部分代码，并训练得到了一个效果不错的模型。 论文地址： 官方工程地址： 安装 Clone git clone https://github.com/embracesource-cv-com/FCHD.git 安装依赖 cd FCHD pip install -r requirements.txt 数据配置 在下载Brainwash数据集，caffe预训练模型，以及人头检测模型 将预训练模型vgg16_caffe.pth放到./checkpoints/pre_trained目录下 将检测模型checkpoint_best.pth放到./checkpoints目录下 将brainwash数据集放到/home/dataset/fchd_datas目录下 当然你可以自定义各个路径，然后在config.py中修改相应的配置 预测 在工程root目

“自适应雷达探测与估计”，由Simon和Adm(遥感系列)主编。

Human-activity-detection_Motion-sense-Dataset_Kaggle:该存储库包含对运动感测数据集的分析，特征工程和运动感测数据集的分类结果

贝叶斯融合的多峰目标检测 有关项目信息，请参阅我们的请观看 具有多模式输入的目标检测可以改善许多对安全至关重要的感知系统，例如自动驾驶汽车（AVs）。 受白天和黑夜运行的AV的启发，我们研究了使用RGB和热像仪的多模式目标检测，因为后者可以在光线不足的情况下提供更强的目标特征。 我们探索了融合来自不同方式的信息的策略。 我们的主要贡献是一种非学习型的后期融合方法，该方法通过基于第一原理的简单概率模型将不同模式的边界框检测融合在一起。 我们称为贝叶斯融合的简单方法很容易从跨不同模态的条件独立性假设中得出。 我们将我们的方法应用于包含对齐的（KAIST）和未对齐的（FLIR）多峰传感器数据的基准。 我们的贝叶斯融合在相对性能方面比以前的工作高{\ bf 13％}。 关键词：物体检测，热，红外热像仪，RGB热检测，多模态，多光谱，自动驾驶，传感器融合，非最大抑制，概率建模。 如果您发现我们