1.代码原理 该程序逐个读取帧图片，并对帧图片逐个进行多行人检测、多目标追踪。该方法是在线方法，将逐个读取帧图片改为逐帧读取视频即可实现在线处理视频。 1.1 多行人检测。 使用gluoncv中的预训练模型faster_rcnn_fpn_bn_resnet50_v1b_coco实现多行人检测，这一步骤见detect.py。 1.2 多目标追踪。 使用sort算法实现多目标追踪，详见https://github.com/abewley/sort。 2.代码部署 2.1 配置环境。 安装python==3.6，安装requirements.txt中要求的库（代码运行实际用到的库可能少于该文件，因此建议根据代码安装所需要的库）。 2.2 准备数据。 有两种方法准备数据： 2.2.1 将A-data文件夹放入当前目录，A-data文件夹中为Track1 Track2等子文件夹，每个子文件夹中存有.jpg帧图片。 2.2.2 修改run.py的第97行，将input_folder改为A-data文件夹所在路径。 2.3 运行程序run.py。 2.4 程序输出。 程序运行时会打印处理进度及估计的剩余时间。 程序运行完成后，会在当前目录下生成output文件夹，文件夹中存有Track1 Track2等数据集对应的检测结果，.avi文件用于观察检测追踪效果，.txt文件是用于提交的文本文件。 3.调参 3.1 多目标检测模型的选择。 修改detect.py第10行(YOLO.__init__)即可，可选模型及其名称、效果详见gluoncv官网 3.2 sort算法参数的修改。 run.py第34行，参数含义见sort.py。 3.3 将sort改为deepsort。 详见https://github.com/nwojke/deep_sort。 TODO：经尝试，经deep_sort处理后的检测框位置有变形、偏移现象，待解决。 3.4 输入输出路径见run.__main__

有限元仿真行人保护假人模型_假人网格模型_K文件

跨模态行人重识别数据集，可见光和红外图像常用数据集

包含训练好的权重（人+车）+源码+行人检测追踪原视频+车辆检测追踪原视频。 基于Python+Pytorch+DeepSort

文件结构如下 1. train(folder) 2. test(folder) 3. list_gallery.txt(file) 4. list_query.txt(file) 5. list_train.txt(file) 6. list_val.txt(file)

yolov5 + deepsort实现了行人计数功能， 统计摄像头内出现过的总人数，以及对穿越自定义黄线行人计数效果如下 运行 python person_count.py 详细见本人博客：

用python实现的脚本，可以高效转换caltech pedestrian dataset,包括 annotation（.vbb格式）和dataset（.seq格式）的转换，最后.vbb格式可以转换为.xml格式，.seq格式可以转换为.png格式。还是很不过的一个python脚本资源！如果要做行人的训练，还是很好用的！

自己训练SVM分类器进行HOG行人检测-附件资源

基于边缘对称性的车辆前方行人检测方法研究

来自清华大学，文章贡献在于无需使用格外的处理，例如姿态估计、ROI区域的检测等等，简单方便。针对因检测到的行人图像存在遮挡、不完整、分辨率低等问题而导致重识别精度差，本文提出了如下解决思路：1. 通过基模型的特征提取部分，来提取行人图像的特征图，将特征图水平切成六部分，每部分单独全局平均池化（GAP），再利用1*1的卷积核降维，分别输入到对应的全连接层进行预测。