整个项目源码： 整个项目数据集：、 引言 本次分享主要介绍，如何对道路上的汽车进行识别与跟踪。这里我们实现一个简单的demo。后续我们还会对前面的代码及功能进行重构，从而进一步丰富我们的功能。 项目软件框架 下图是车辆检测的实现流程图： 具体内容如下： 在有标签的训练数据集上进行Histogram of Oriented Gradients(HOG)特征提取 Normalize 这些特征，并随机化数据集 训练线性SVM分类器 实现一个滑动窗口技术，并使用训练好的分类器在图片中寻找车辆 实现一个流处理机制，并通过一帧一帧地创建循环检测的热图来去除异常值及跟踪车辆 为检测到的车辆估计一个边界框 Features 本项目，我们使用一些有标签的训练数据：汽车图片、无汽车图片，训练数据在all文件夹中可以找到 有汽车地图片标签为1，无汽车的图片标签为0 我们先读取数据，看下数据的分布 # impor

多目标检测、跟踪结果，详见我的博文“一种简单并行的轨迹关联算法”

Yolov5_DeepSort车辆检测和跟踪，包含车辆数据集和训练好的YOLOv5车辆检测权重，代码配置好环境后可直接使用

飞鸟视觉检测和跟踪Yolov5_DeepSort_Pytorch-master-bird，内含YOLOv5训练好的鸟类检测模型

matlab 图像膨胀代码介绍 创建此存储库是为了探索使用扩展运算符从 LDR 图像构建 HDR 图像以训练 HDR 对象检测模型的可行性。 该存储库由 HDR 到 LDR 映射技术以及多个扩展运算符组成。 HDR 到 LDR 映射技术用于将原始 HDR 图像映射到 LDR 图像。 随后使用多种映射技术将 LDR 图像扩展回 HDR。 使用以下指标将预测（重建）的 HDR 图像与原始 HDR 图像进行比较： HDR-VDP2 puPSNR 和 puSSIM（PSNR 和 SSIM 的 HDR 版本） 使用的扩展运算符： 在这项工作中，我们为不同的扩展运算符使用了一些外部存储库。 一些已经包含在 matlab 代码中，一些其他基于深度学习的代码在以下链接中（从原始 repo 中分叉出来）： HDR扩展网 https://github.com/MASSIVE-VR-Laboratory/hdr-expandnet HDRCNN https://github.com/gabrieleilertsen/hdrcnn

1、yolov5-deepsort俯视场景下visdrone数据车辆检测和跟踪，包含YOLOv5训练好的visdrone数据集权重以及各种训练曲线 2、可以生成目标运动轨迹 3、pytorch框架，python代码 4、结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743

1、yolov5-deepsort行人检测和跟踪，包含YOLOv5训练好的行人检测权重以及各种训练曲线，目标类别为person 2、可以生成行人运动轨迹 3、pytorch框架，python代码 4、结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743

更新 更新22/01/2020您可能有兴趣关注以观看有关计算机视觉，机器学习，深度学习和机器人技术的每周视频。 Deepgaze 2.0的更新16/07/2019稳定版本可分支2.0 。 更新20/03/2019开始在Python / OpenCV 3.0上进行移植，请检查分支2.0以获取初步版本。 更新10/06/2017文章“使用卷积神经网络和自适应梯度方法在野外进行头部姿态估计”的PDF使用可在未来50天内免费下载 更新2017年4月6日，文章“使用卷积神经网络和自适应梯度方法在野外进行头部姿态估计”已在Pattern Recogntion（Elsevier）中接受发表。 Deepgaze CNN头部姿势估计器模块基于此工作。 更新31/05/2017新软件包。 该软件包包含用于显着性检测的算法的实现 更新22/03/2017修复了mask_analysis.py中的一个

基于深度学习的高速公路上汽车检测和跟踪系统，自动驾驶，可以作为行车记录仪分析

视频序列中的运动对象检测和跟踪算法_英文_.doc