基于检测的多目标跟踪，可自定义类别进行训练、测试。效果不错，可达实时。算法应用keras/torch编码，逻辑清楚，配有代码解析图，适合多目标跟踪入门新手。

kaist数据集

多粒度深度特征学习可实现强大的行人检测

opencv 目标识别，行人跟踪测试视频，5分钟长，含单人，多人，物体遮挡等多种街头场景，基本满足测试所需。

智能监控系统、人脸识别、智能抓拍、预警系统、机动车辆抓拍、行人抓拍、监控预警管理后台、人流监控、语音报警、轨迹分析、抓拍检索、园区监控、实时监控、录像回放、防盗预警、智能算法、跟踪分析、HTML  Axure原型演示及下载请点击：https://www.pmdaniu.com/storages/124729/3319ba522c9a78526dd3571b1666ef74-30328/start.html#id=ko2x88&p=%E8%8E%B7%E5%8F%96%E5%8E%9F%E5%9E%8B

1引言　　科学技术的突飞猛进直接把我们带进了信息化的社会，计算机的应用已普及到经济和社会生活的各个领域。特别是像北京这样的大都市，经济飞速发展，车辆繁多，人口密集。缓解交通已成为当务之急，特别是在非十字路口没有过街天桥、地下通道的路段，行人很难顺利的通过马路。为了解决这种问题，我们运用汉语编程单芯片来控制信号灯，以方便行人通过马路，并使车辆正常通行。　　1.1编写目的　　a．本说明的编写目的在于研究行人自控指示灯的研制方法及应用。　　b．本说明的预期读者是与行人自控指示灯系统有联系的决策人、项目开发者、领导和支持本项目的政府官员以及参与实施本项目的工作者。　　1.2背景及范围　　a．本项目的名

行人检测是视频监控中的一个基本问题，近年来已经取得了长足的进步。 然而，由于源训练样本和目标场景中行人样本之间的差异，在某些公共数据集上训练的通用行人检测器的性能在应用于某些特定场景时会明显下降。 另外，在目标场景中手动标记样本也是一项昂贵且费时的工作。 我们提出了一种新颖的转移学习框架，该框架可以自动将通用检测器转移到特定于场景的行人检测器，而无需手动标记目标场景中的训练样本。 在我们的方法中，我们通过对目标场景使用通用检测器来获得初始检测结果，我们将该结果称为目标样本。 我们使用了几种线索来过滤目标模板，从最初的检测结果中我们可以确定它们的标签。 高斯混合模型（GMM）用于获取每个视频帧中的运动区域和一些其他目标样本，这些目标样本无法被通用检测器检测到，因为这些目标样本距离摄像机较远。 目标样本和目标模板之间的相关性以及源样本和目标模板之间的相关性通过稀疏编码进行估算，然后用于计算源样本和目标样本的权重。 显着性检测是在源样本和目标模板之间进行相关性计算以消除非显着区域干扰之前的一项必不可少的工作。 所有这些考虑都是在单个目标函数下制定的，通过对所有这些样本添加基于稀疏编码的权重来

gazebo中为行人添加碰撞属性：actor_collisions.zip 具体使用方法参见博客： https://blog.csdn.net/allenhsu6/article/details/114068662

结合张量空间分析和主动外观模型进行人脸图像老化效果仿真

在掌握opencv与tensorflow基础知识的基础上，使用tensorflow object detection API与opencv dnn 模块，实现从数据标注与tf record数据生成，SSD模型迁移学习训练，模型导出在tensorflow中使用，OpenCV DNN模块中使用(C++与Python) API调用演示，实现从数据到模型训练到导出给OpenCV使用全链路的技术路径，学以致用，举一反三，可以套用到任意的对象检测问题的解决方案中！