针对视频监控系统中，复杂环境引起摄像机抖动，造成运动目标检测不准确的问题，提出了一种基于分区灰度投影稳像的运动目标检测算法．首先对每帧图像进行分区，利用分区灰度投影算法对图像各分区的运动矢量进行准确提取和相关性分析，进行抖动判断，并对抖动帧进行运动补偿．然后利用高斯混合背景建模算法进行运动目标提取．最后对目标提取结果进行形态学处理，以进一步提高目标提取的精度．实验结果表明，本文算法较好地消除了场景中运动目标对运动矢量计算的干扰，实现了在摄像机抖动视频场景中的运动目标的准确检测和提取，大大降低了抖动视频目标

基于深度学习的目标检测技术在目标检测领域有强大的生命力,但是将其用于合成孔径雷达(SAR)图像舰船目标检测时并没有达到预期的效果。提出了一种基于卷积神经网络的SAR图像舰船目标检测算法用来检测多场景下的多尺度舰船目标,在单发多盒探测器检测框架的基础上,使用性能更好的Darknet-53作为特征提取网络,加入更深层次的特征融合网络,生成语义信息更加丰富的新的特征预测图。同时在训练策略上使用了一种新的二分类损失函数来解决训练过程中难易样本失衡的问题。在扩展的公开SAR图像舰船数据集上进行验证实验,实验结果表明,所提方法对复杂场景下不同尺寸的舰船目标的检测展现出了良好的适应性。

对基于中值相减滤波、最大中值相减滤波、最大均值相减滤波和推广的结构张量的红外弱小目标检测算法的性能进行了评估。针对传统评估方法的不足，提出了一种基于支持向量回归的红外弱小目标检测算法性能评估方法。利用该方法分别从图像背景特性和目标特性2方面对4种检测算法性能的影响进行定量分析和比较。实验结果表明，图像背景特性和目标特性对4种算法的检测性能都有较大的影响，而目标特性与4种算法的检测性能的依赖关系更明显；在4种评估算法中，基于推广的结构张量算法比其他3种传统红外弱小目标检测算法具有更好的鲁棒性。

运行环境： 1.python 3.7.4 2.pytorch 1.4.0 3.python-opencv 说明 预训练的权重文件[vgg_16] 具体的配置文件请看Config.py文件 训练运行python Train.py 单张测试 python Test.py 测试视频 python camera_detection.py ##目前进度： 1、PERCLOS计算 DONE 2、眨眼频率计算 DONE 3、打哈欠检测及计算 DONE 4、疲劳检测 DONE 5、人脸情绪检测 DONE 网络检测性能：准确率82.18% 主要文件说明： ssd_net_vgg.py 定义class SSD的文件 Train.py 训练代码 voc0712.py 数据集处理代码（没有改文件名，改的话还要改其他代码） loss_function.py 损失函

针对视觉背景提取(Vibe)运动目标检测算法存在的鬼影及阴影问题,利用鬼影与背景相似而运动目标与背景差异大的特点,提出了一种基于前景和邻域背景像素直方图相似度匹配的方法,快速检测鬼影并更新背景模型;利用阴影的颜色特性和纹理不变性,提出在亮度和色度分离的YCbCr色彩空间中先根据颜色特性得到候选阴影区域,再利用完全局部二值模式算子(CLBP)提取区域的详细纹理特征,进一步检测与去除阴影。在公开视频数据库CDnet-2012上进行仿真,仿真结果表明,该算法能够保证运动目标被完整检测的同时快速去除鬼影和阴影,其检测精度比原Vibe算法提高了21.53%。

Tiny-DSOD: Lightweight Object Detection for Resource Restricted Usage,The code is based on the SSD and DSOD framework.

基于光流的动态背景运动目标检测算法。 本文在分析HS算法运算量的基础上，提出一种结合金字塔Lucas－Kanade( LK) 光流和HS光流的动态场景运动目标检测算法

目标检测（Object Detection）是计算机视觉领域的基本任务之一，学术界已有将近二十年的研究历史。近些年随着深度学习技术的火热发展，目标检测算法也从基于手工特征的传统算法转向了基于深度神经网络的检测技术。从最初 2013 年提出的 R-CNN、OverFeat，到后面的 Fast/Faster R-CNN、SSD、YOLO 系列，再到 2018 年最近的 Pelee。短短不到五年时间，基于深度学习的目标检测技术，在网络结构上，从 two stage 到 one stage，从 bottom-up only 到 Top-Down，从 single scale network 到 feature pyramid network，从面向 PC 端到面向手机端，都涌现出许多好的算法技术，这些算法在开放目标检测数据集上的检测效果和性能都很出色

针对传统Vibe运动目标检测算法提取的目标存在Ghost区域、并且在目标有阴影时检测出的前景区域存在阴影的问题，本文提出了一种结合快速初始化背景建模和阴影去除的Vibe运动目标检测算法。首先采用改进的帧差背景建模方法快速初始化背景模型；然后利用Vibe算法找出当前帧内所有可能目标的前景区域；最后引入HSV模型去除前景目标区域中存在的阴影。实验结果表明，本算法可以有效消除Ghost区域，并且很好地去除前景目标区域里存在的阴影。

RCNN, Fast RCNN, Faster RCNN这一系列目标检测算法训练的指导