SPENCER多模式人员检测和跟踪框架 在欧盟FP7项目的背景下开发的针对移动机器人的基于ROS的多模式人员和组检测和跟踪框架。 功能一览 多模式检测：在一个通用框架中的多个RGB-D和2D激光检测器。 人员跟踪：基于最近邻居数据关联的高效跟踪器。 社会关系：通过连贯的运动指标估算人与人之间的空间关系。 群体追踪：根据人群的社会关系来检测和追踪人群。 鲁棒性：各种扩展功能（例如IMM，跟踪启动逻辑和高召回检测器输入）都使人员跟踪器即使在非常动态的环境中也能相对鲁棒地工作。 实时：在游戏笔记本电脑上以20-30 Hz的频率运行，跟踪器本身仅需要1个CPU内核的10％。 可扩展和可重用：结构良好的ROS消息类型和明确定义的接口使集成自定义检测和跟踪组件变得容易。 强大的可视化：一系列可重复使用的RViz插件，可通过单击鼠标进行配置，以及用于生成动画（2D）SVG文件的脚本。 评

face-min.js与tracking-min.js

Python ADS-B / Mode-S解码器 PyModeS是一个Python库，旨在对Mode-S（包括ADS-B）消息进行解码。 它可以导入到您的python项目中，也可以用作独立工具来查看和保存实时路况数据。 这是由工作的Sun Junzi创建的项目。 它得到了来自不同机构的许多支持。 介绍 pyModeS支持以下类型的消息的解码： DF4 / DF20：海拔代码 DF5 / DF21：身份代码（squawk代码） DF17 / DF18：自动相关监视广播（ADS-B） TC = 1-4 / BDS 0,8：飞机识别和类别 TC = 5-8 / BDS 0,6：表面位置 TC = 9-18 / BDS 0,5：空降位置 TC = 19 / BDS 0,9：空中速度 TC = 28 / BDS 6,1：空降状态[待实施] TC = 29 / BDS 6,2：目标状态和状态

“超过100 FPS的多人3D姿势估计的跨视图跟踪”数据集 注意：回购包含本文中使用的数据集，包括Campus，Shelf，StoreLayout1，StoreLayout2。 连同数据一起，我们提供了一些脚本来可视化2D和3D数据，并评估结果。 不包括源代码，因为这是一个商业项目，如果您有兴趣，请在找到更多信息。 数据集 在这里，我们提供了四个数据集，包括 校园： : 架子： ： StoreLayout1：由AiFi Inc.提出。 StoreLayout2：由AiFi Inc.提出。 为了方便起见，您可以一键式从找到并下载它们。 数据结构 对于每个数据集，目录的结构组织如下 Campus_Seq1 ├── annotation_2d.json ├── annotation_3d.json ├── calibration.json ├── detection.json ├─

java源码跟踪Android对象追踪 此存储库包含用于对象跟踪的源代码，该代码使用OpenCV Java库在PC和Android设备上实现。 文件夹Mean_Shift_tracker包含PC版本 文件夹ObjectTracking包含Android版本

毫不费力地追踪和安排你的电子邮件与班纳托格。 请注意-除非您（或您工作的公司）与Bananatag之间有与您使用Bananatag服务有关的单独的书面合同，否则，通过安装扩展程序，即表示您同意https：// bananatag上Bananatag的条款和条件 .com / terms / Bananatag允许您直接在Gmail或Google Apps中跟踪和安排电子邮件，跟踪文件并创建电子邮件模板。按下发送后，查看电子邮件发生了什么。当收件人打开您的电子邮件或单击链接时得到通知 •跟踪电子邮件•跟踪文件* Beta•计划电子邮件* Beta•电子邮件模板* Beta•计划重复出现的电子邮件•暂停要稍后阅读的电子邮件•CRM集成•团队跟踪和计划•电子邮件打开通知•链接点击通知•查看真棒在线电子邮件指标•可导出/可自定义的报告通知：打开跟踪的电子邮件或单击链接时，您将收到一条通知，显示该电子邮件的身份，位置，使用的设备类型以及使用的操作系统。电子邮件分析和报告：电子邮件分析向您展示了电子邮件成功和失败的概况。查看有关打开率和点击率以及从何处查看电子邮件以及在什么设备上查看它们的全面数据。计划和定价：Bananatag是免费使用的，但是每天跟踪或安排的消息数量是有限的。付费帐户可用于更大的交易量。有关详细信息，请访问http://www.bananatag.com/pricing。电子邮件调度|电子邮件追踪|定期电子邮件|追踪电子邮件 支持语言:English

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

车辆和车道线检测与跟踪 固态硬盘 Yolo3 神经网络 概述 将车道发现和车辆检测项目结合在一起。 添加汽车类别以跟踪检测到的车辆的位置（边界框）和历史记录。 沿摄像机方向覆盖车道的鸟瞰图的透视变换用于测量摄像机的x和y位移。 给出了使用SSD，Yolo3和Mask R-CNN模型的结果。 以米为单位的相对距离（dx，dy）显示在检测到的汽车的边界框上方。 边界框下方显示了以公里/小时为单位的相对速度（vx，vy）。 视频的左上方还提供了缩略图以及检测到的车辆的距离/速度。 车辆按照边框的大小按降序排序。 数据集 项目数据集由Udacity提供。 它分为和。 该数据集是KITTI视觉基准套件和GTI车辆图像数据库的组合。 GTI车辆图像分为远，左，右，中间关闭。 这些是汽车和非汽车的示例： 奇蒂 GTI远 GTI关闭 GTI左 GTI权利 非汽车1 非汽车2 非汽车3

基于扰动的刚体飞行器自适应反推滑模控制，路坤锋，夏元清，这篇文章研究了刚体飞行器的姿态跟踪控制问题。利用滑模控制技术和反推技术,设计了一个新的自适应控制器,其不仅能完成精确的飞行�

离散控制Matlab代码章鱼启发的连续体机器人的轨迹跟踪控制 该存储库包含与以下研究论文相关的Matlab代码： @article {lafmejani2020kinematic，title = {章鱼启发的超冗余机器人的运动学建模和轨迹跟踪控制}，作者= {Lafmejani，Amir Salimi和Doroudchi，Azadeh和Farivarnejad，Hamed和He，Ximin和Aukes，Daniel和Peetet ，Matthew M和Marvi，Hamidreza和Fisher，Rebecca E和Berman，Spring}，journal = {IEEE机器人与自动化快报}，卷= {5}，数字= {2}，页= {3460--3467}，年份= {2020}，发布者= {IEEE}} 该项目旨在解决章鱼手臂启发的连续机器人的运动学建模和控制问题。 我们提出了一个离散的多段模型，其中每个段是一个6自由度Gough-Stewart并行平台。 我们的模型是新颖的，因为它可以重现章鱼手臂的所有一般运动，包括伸长，缩短，弯曲，尤其是扭曲（通常不包括在此类模型中），同时还能增强