基于深度学习的行人自动检测与监控系统 监视在安全性和检查中起着重要作用，但这也是非常繁琐的任务。 深度学习的出现使人类从某种程度上解放了这项任务。 该项目基于深度学习的目标检测构建了一个简单有效的监控系统，该系统可以自动进行流量统计和行人检测。 本系统基于Apache2.0协议开源，请严格遵守开源协议。 0x00简介 该系统由以下三个子项目组成： 1.基于TensorFlow平台的行人检测系统 2.基于Android平台的推流系统 3.基于JavaWeb的显示系统 总体框架如下所示： 0x01服务器部署 1.服务器配置要求 配置 基本要求 作业系统 Ubuntu 16.04 x64 中央处理器 主频2.0GHz以上 内存 8G以上 显卡 NVIDIA GTX1080或更高 网络 服务器IP地址必须是公共IP地址。 2.基于TensorFlow平台的行人检测系统 系统依赖于以下内容：

yolo人体检查，deepsort实现人员跟踪

用在HRNet和Simple Baseline的coco里面的person_detectio-result文件里面的内容

[2005 CVPR] Histograms of Oriented Gradients for Human Detection 用于人体检测的方向梯度直方图 Navneet Dalal，Bill Triggs

论文研究基于背景差分的运动人体检测方法.zip

人体检测多年来一直是人工智能和模式识别的研究热点，并已经有多项成果应用于智能视频监控、车辆辅助驾驶系统等领域。近年来，随着特征提取和机器学习技术的逐步成熟，基于统计学习的方法成为人体检测的主流研究方向。 论文首先介绍了人体检测相关的特征提取和机器学习技术，针对单目视觉中面临的人体深度信息丢失，视频分辨率低、人体姿态的类内散度大等问题，做了深入思考和研究，对现有的一些人体检测方法提出了若干改进方法，主要工作有（1）给出了一种多特征融合的特征描述算子，提出了利用MMSD方法进行特征降维的改进方法。针对单一特征描述能力有限，难以满足人体检测高检测率、低误检率的缺陷，本文融合了人体颜色自相似性和梯度直方图的特征，从色彩和纹理两个方面描述人体，并且针对融合特征维数增大的问题，采用MMSD进行特征降维，降低了训练的计算复杂度，提高了训练速度，训练出的强分类器包含的弱分类器个数更少，提高了检测速度。（2）给出了一种基于多部位的人体检测算法并提出了改进算法。针对基于整体的人体检测算法对于人体姿态变化、部分遮挡鲁棒性较差的问题，采取基于部位检测的方法，利用结合adaboost和级联方法的多示例学习算法对形成的部位多示例样本训练，构建级联分类器，通过级联分类器对样本集的检测建立各部位检测器的联系从而将训练样本映射到低维向量，利用支持向量机对这些向量进行学习，形成人体的最终分类器。（3）设计并实现一个基于视频的人体检测系统。 通过在一些公开的测试视频实验的结果表明，本文提出的改进算法对人体的检测率和误检率都有所改善。设计和实现的系统实现了复杂背景下多姿态、部分遮挡的视频人体检测，具有重要的实用价值。

基于Kinect的人体检测和跟踪算法研究，介绍最基本的跟踪算法

用CC2530单片机完成温湿度采集报警人体红外报警光照报警的课程设计 终端采集温湿度人体红外烟雾和光照强度，无线传输给协调器；协调器再通过串口发给电脑 串口调试助手显示。协调器进行判断报警

功能描述：手动/自动调节，光敏电阻+ADC0832智能分级调光，带声控和红外人体检测功能，当环境光低于一定程度时，感应到有人和有声音才打开灯

基于51单片机智能分级调光仿真设计 光敏电阻+ADC0832声控+红外人体检测 包含Proteus仿真图与程序