提取样本的LBP纹理特征，使用SVM训练生成检测器，可以对视频中的车辆进行检测。

DeepStream 基于 Python 的行人统计模块代码解析，三十分钟搭建

行人检测跑数据集所需的样本库

提出一种结合群体交互信息和个体运动信息的生成对抗网络GI-GAN。首先,利用编码层中的双向长短期记忆网络BiLSTM提取观测时段内所有行人自身的运动行为隐藏特征;其次,基于双注意力模块,计算与轨迹生成关联度较高的个体运动信息和群体交互信息;最后,利用生成对抗网络进行全局联合训练,获得反向传播误差和各层的合理网络参数,解码器利用已获取的上下文信息生成多条合理预测轨迹。实验表明,与S-GAN模型相比,GI-GAN模型的平均位移误差和绝对位移误差分别降低了8.8%和9.2%,并且预测轨迹具有更高的精度和合理多样性。

行人检测视频 hog 检测 直接可以使用，不用配置环境

从VOC中挑选出来的关于行人的数据集和，可帮助对行人检测训练与测试，train，test，val 是一个很有用的数据集。

包含三个压缩包分别是: Pets2009行人检测数据集view1包含 pos-norm64x128：2514个正样本（64x128） neg:5000负样本 view_1(png):视频转换后的png格式源图片,由于上传大小限制，只上传100张。

包含MIT行人数据集和USC行人数据集 MIT数据集是较早公开的行人数据库。共924张行人图片（ppm格式，宽高为64x128），肩到脚的距离约80象素。该数据库只含正面和背面两个视角，无负样本，未区分训练集和测试集。Dalal等采用“HOG+SVM”，在该数据库上的检测准确率接近100%。 USC行人数据集包含三组数据集（USC-A、USC-B和USC-C），以XML格式提供标注信息。USC-A[Wu, 2005]的图片来自于网络，共205张图片，313个站立的行人，行人间不存在相互遮挡，拍摄角度为正面或者背面；USC-B的图片主要来自于CAVIAR视频库，包括各种视角的行人，行人之间有的相互遮挡，共54张图片，271个行人；USC-C有100张图片来自网络的图片，232个行人（多角度），行人之间无相互遮挡。

USC行人数据集，用于行人检测的行人数据集，现在官网下载复杂，这里提高一份资源，下载即可使用。有问题请私聊或留言，必定解决，谢谢。

筛选coco2017数据集，train+val共120000张，挑选出包含person类（人）的图片，生成yolov5可以训练的数据集。由于上传限制，只含label，只含label，只含label！image在我的baidu网盘，地址见我个人主页博客。