INRIA Pedestrian dataset 是一个包含行人的视频数据，可用以进行行人检测和识别等机器视觉任务。

目标检测——时间差分法 在连续的图像序列中两幅或三幅相邻帧之间采用基于像素的时间差分，并对差分结果进行阈值化处理以提取图像中的前景运动区域。 缺点： 前景、背景区域的确定与阈值的选取有很大的关系 当灰度图像序列对比度较低时，由于相邻两帧的差(前景与背景之差)的范围很小，阈值难以选取，影响前景目标的分割结果。 区域灰度值变化较为平坦时，容易在人体二值图像内产生空洞现象，给后续的目标分类、跟踪和识别造成不便。 优点： 对于动态环境有较强的自适应性

提出一种目标检测算法，首先选取视频的第一帧作为背景帧，运用加权累加图像方法更新背景图像，背景图像的更新速率通过相邻帧的差分结果决定，再运用背景差分算法提取出运动目标。计算运动目标的区域的熵值，通过熵值判断出特征目标。实验结果表明，该算法简单，稳定性好，能够较好解决动态背景的问题并且检测出特定目标。

使用yolo进行口罩检测 里面包含口罩目标检测数据集（已标注好，VOC格式） xml文件和jpg文件都放在文件夹中，可以根据自己格式进行运行

可以参考这个视频，使用opencv，手敲代码实现目标检测

Csdn上上传的代码都是完整的，大家也可以下载其他项目练手，丰富自己的简历也不错。 博客演示地址：https://blog.csdn.net/qq_34904125/article/details/124913192 其他小项目完整代码： https://blog.csdn.net/qq_34904125?type=download 算法部分 本次是口罩目标检测 数据集原图放在009yolov4口罩目标检测识别\dataset\JPEGImages路径下， 对应的xml标签放在009yolov4口罩目标检测识别\dataset\Annotations路径下。 打标签所使用的工具是labelimg工具。 数据集放好后，代码依次运行 python 01create_txt.py 会在本地生成train.txt文本 里面存放的是图片路径和对应的标签。 python 02train.py 会训练得到模型，模型自动保存在weights文件夹下。 python 03predict.py 可以对单张图片进行识别口罩 04pyqt界面.py 展示可视化的qt界面

高斯混合模型广泛应用于基于背景建模的运动目标检测中。首先在 YCbCr颜色空间采用自适应高斯混合 模型对背景的每个像素建模;然后,对输入的当前帧图像的每一像素值与该像素点对应的高斯混合背景模型的各 个高斯模型进行比较,将前景运动区域(包括运动目标、投射阴影)从场景中提取出来;最后,采用局部二元图( Lo-cal Binary Pattern,LBP)来提取纹理特征,利用背景在阴影覆盖前后的纹理相似性去除投射阴影,同时结合阴影的空 间几何特性优化运动目标检测结果。实验结果表明,该算法能有效地检测出投射阴影和

基于YOLO的挖掘机目标检测模型+flask模型前端展示的环境配置文档，与之前上传的基于YOLO的挖掘机目标检测模型+flask模型前端展示配合使用。 1.安装Paddle 2.安装PaddleDetection 3.安装后端使用的Flask框架 4.安装Windows下的git环境

目标检测yolov2和yolov3的权重文件，并且有基于voc数据集训练好的权重。

本期做的是基于python的hog+svm机器学习实现目标检测。 算法部分 本次是基于python的hog+svm实现目标检测，是对草莓的识别。 数据集放在“data”文件夹下 “data”下的子文件夹有几个子文件夹就是几分类。 代码依次运行 python 01svm_train.py 会在weights文件夹生成模型 python 02detect_photo.py 会调用模型，通过hog+nms对单张图片实现目标检测 需要查看其他代码的可看b站视频演示： https://space.bilibili.com/124080712?spm_id_from=333.1007.0.0 其他小项目完整代码： https://blog.csdn.net/qq_34904125?type=download