行人航位推算系统（PDR）因其无需部署信标节点、成本低廉的特点被广泛应用于室内定位中。围绕基于行人航位推算的室内定位问题，对行人航位推算中步态检测、步长推算以及方向推算的研究现状进行了系统的梳理和述评，综述了基于行人航位推算的室内定位的发展及该领域的一些主要研究成果，指出了该领域现有研究存在的问题，提出了相应建议和深入研究的方向。

PDR 行人航位推算（PDR）。 步行步数+方向。

利用PCA方法进行人脸识别，并且对给出的样本图片利用训练后的特征脸空间进行重建，并且比较了重建图像与真实图像之间的误差

摘要本文提出了一种行人混合疏散的系统-个体目标驱动进化模型。 系统级和个人级需求的宏观目标都可以通过使用进化算法来同时进行优化。

mtcnn对齐facenet部署 项目简介 本项目参考了bubbliiiing的和两个工程，在此对作者表示感谢！ 这两个工程都是keras模型，所提供的模型文件都只有权重没有网络结构，我利用作者提供的网络定义和权重文件重新生成了带有网络结构的权重文件。某个原始先只有权重的模型文件pnet.h5 ，生成包含网络结构和权重的模型文件PNET.h5 。接着用keras2onnx工具把它（ PNET.h5 ）转换成onnx模型pnet.onnx ，其他胶水部分的逻辑没什么变化。具体的转换代码请参考keras_onnx.py文件。 另外我还尝试了将keras h5模型转成tensorflow pb模型，具体代码请参考h5_to_pb.py文件。需要注意的是：每个tensorflow PB请模型单独执行h5_to_pb.py脚本生成。 （每次修改weight_file参数） 如果你想简单地测试一下mt

行人再识别Person-reID的Pytorch实现

旷视科技提出的Detection in Crowded Scenes: One Proposal, Multiple Predictions，使用实例集预测实例2020cvpr

实现车辆行人等识别跟踪以及双向计数

应用非极大抑制方法，可排除候选的重叠检测。我运行的环境为Python3.6(Anaconda3)+OpenCV3，IDE：PyCharm 1.其中如果安装Anaconda3就可以少安装很多库 2.如果安装了Anaconda3，就只需要配置一个库imutils 3.imutils安装方法 pip install imutils 确保imutils版本大于v0.3.1 pip install --upgrade imutils可以更新版本

资源为视频检测算法代码包括算法的模型，算法实现的原理是：首先在视频检测跟踪之前，对所有目标已经完成检测，那么当第一帧进来时，以检测到的目标初始化并创建新的跟踪器，标注ID，输出行人图片，输出一组向量，通过比对两个向量之间的距离，来判断两副输入图片是否是同一个行人。在后面帧进来时，先到卡尔曼滤波器中得到由前面帧box产生的状态预测和协方差预测，并且使用确信度较高的跟踪结果进行预测结果的修正。求跟踪器所有目标状态与本帧检测的box的IOU，通过匈牙利算法寻找二分图的最大匹配，在多目标检测跟踪问题中为寻找前后两帧的若干目标的匹配最优解，得到IOU最大的唯一匹配，在去掉匹配值小于iou_threshold的匹配对。 用本帧中匹配到的目标检测box去更新卡尔曼跟踪器，计算卡尔曼增益，状态更新和协方差更新。并将状态更新值输出，作为本帧的跟踪box，再对于本帧中没有匹配到的目标重新初始化跟踪器。 yolo v3首先通过特征提取网络对输入图像提取特征，得到一定size的feature map，通过尺寸聚类确定anchor box。对每个bounding box网络预测4个坐标偏移。如果feature map某一单元偏移图片左上角坐标,bounding box预选框尺寸为，即anchor尺寸，那么生成对预测坐标为,此为feature map层级.而为真值在feature map上的映射，通过预测偏移使得与一致。类别预测方面为多标签分类，采用多个scale融合的方式做预测。