次要针对近10几年来，常见的运动目标检测算法中比较有代表性的文章收集，如GMM，PDF，Codebook,SOBS,SACAN、W4,VIBE等。

该.py文件为基于vibe原理的目标检测Python代码。
由于第一次写Python，程序运转比较慢，欢迎交流。
运转方式：将该文件和名称为video的avi文件放在同一个文件夹，然后运转即可。
当然也可以在程序中修改待检测的视频文件名称。

基于python的目标检测代码，老手可以来学习一下

资源中包含了两个m文件。
yidongpingjunfa.m采用了背景差法检测运动目标，移动平均法提取图像背景。
minboundrect.m用于绘制运动目标的最小外接矩形框，可任意设置最小外接矩形框的角度。
本人做的是视频中运动车辆的检测，读者可自行更换检测算法以及参数调整以婚配不同的运动场景。

基于帧差法利用opencv2.0进行目标检测，适用于静态背景下

这是HaGRID手势识别数据集使用说明和下载，原文连接：https://panjinquan.blog.csdn.net/article/details/126725796，HaGRID数据集数量特别大，有716GB的大小，包含552,992个FullHD(1920×1080)RGB图像。
此外，如果帧中有第二只手，则某些图像具有no_gesture类。
这个额外的类包含123,589个样本。
数据分为92%的训练集和8%的测试集，其中509,323幅图像用于训练，43,669幅图像用于测试。
提供手势动作识别数据集，共18个手势类别，每个类别约含有7000张图片，总共123731张图片(12W+)提供所有图片的json标注格式文件，即原始HaGRID数据集的标注格式提供所有图片的XML标注格式文件，即转换为VOC数据集的格式提供所有手势区域的图片，每个标注框的手部区域都裁剪上去，并保存在Classification文件夹下可用于手势目标检测模型训练可用于手势分类识别模型训练

在中国安防产业中视频监控作为最重要的信息获取手段之一，能对目标有效的提取是重要而基础的问题，因此本文在此背景下，围绕对监控视频的前景目标有效的提取问题，研究了关于1）静态背景、动态背景的前景目标提取，能在背景复杂化的条件下，将运动的目标；
2）带抖动视频；
3）静态背景下多摄像头对多目标提取；
4）出现异常事件视频的判断等问题。
给出了在不同情况下的前景目标提取方案。
问题一是针对静态背景且摄像头稳定的情况下，如何对前景目标提取的问题。
在题目要求的基础上，通过对附件2中几组视频的分析，我们发现所有前景目标的运动短暂且光线明暗变化不明显。
由于传统的Vibe算法能抑制鬼影但是运行效果不理想，因此采用建立在帧差法上改进的Vibe算法模型求解问题。
并和传统的Vibe算法做对比，结果显示改进的Vibe算法明显优于传统的算法。
而且对我们的算法模型做了效果评价。
详细数据参考正文与附录。
问题二是在背景为动态（如有水波的产生）的情况下，对前景目标的提取问题。
在此问题中，由于动态背景存在使得提取出的图像帧具有大量的干扰噪声，对前景目标的识别和提取造成干扰，因此我们提出一种基于全局外观一致型的运动目标检测法。
在用Vibe算法对场景预检测的基础上，建立混合高斯模型分别对前景和背景进行全局外观建模，将运动目标检测出来，再引入超像素去噪，进一步优化结果。
详细结果参考正文与附录。
问题三是在问题一、二基础上的进一步深化。
问题一及问题二是建立在摄像机自身稳定的基础上，而问题三则是在摄像机抖动的情况下。
由于摄像机抖动一般具有旋转和平移，因此我们建立了坐标变换模型，以仿射变换作为模型基础，结合改进的高精度鲁棒的RANSAC算法提取前景目标，并对比灰度投影法，比较两种模型效果。
具体效果见正文与附录。
问题四是对前三个问题的综合应用。
运用基于混合高斯模型背景建模Vibe算法，对前景目标进行提取；
选出具有显著前景目标的参考帧，计算参考帧中显著前景目标所占的面积，并将此面积设定为阈值T，遍历所有的视频帧，计算其前景目标所占的面积，通过相减对比，判定显著前景目标。
若判定为显著前景目标则输出其所在视频帧中的帧号，并将显著前景出现的总帧数增加1。
问题五是针对多摄像头多目标的协同跟踪问题。
在问题二的混合高斯模型基础上我们建立了动态背景提取法，对不断变化的背景进行实时更新。
再利用单应性约束法对多目标发生重叠现象进行投影将重叠目标区分开来，对目标进行定位。
由于目标的不断运动，我们采用粒子滤波法对前景目标进行实时跟踪，通过多摄像头的协同通信完成对多前景目标的检测。
问题六是针对监控视频中前景目标出现异常情况时判断能否有异常事件的问题。
在基于稀疏表示的模型上，引入混合高斯模型用于学习不同类型的运动特征规律，然后通过各个单高斯模型中的均值建立一个相似矩阵作为字典。
以测试阶段生成的核矢量为基础，用该局部特征的核矢量计算基于稀疏表示的重构误差，并将其与已设定的阈值进行比较，如果重构误差大于阈值，则判为异常。

提取视频前景背景/运动目标检测运用叠加法、背景帧差法、直方图相减三种方法https://blog.csdn.net/zxm_jimin/article/details/87941858

1、demo文件夹：YOLOv4目标检测算法针对MVI_40192文件夹数据集的处理效果，比较满意，车辆信息基本都能检测到。
2、road1_demo文件夹：YOLOv4+DeepSort算法，针对road1.mp4视频数据的目标跟踪、车流量计数效果。
人工统计车流量292辆(可能有偏差)，算法统计车流量288辆。
3、road2_demo文件夹：YOLOv4+DeepSort算法，针对road2.mp4视频数据的目标跟踪、车流量计数效果。
人工统计车流量29辆，算法统计车流量29辆。
只需视频流车辆清晰、大小合适、轮廓完整，算法处理的精度挺高。
4、road1_tracking.mp4、road2_tracking.mp4：由目标跟踪处理结果合成的视频流。
***********************************************************************************************1、deepsort文件夹：含目标跟踪算法源码，包括：卡尔曼滤波、匈牙利匹配、边框类创建、Track类创建、Tracker类创建。
2、ReID文件夹：含特征提取算法源码，model_data存储着reid网络的结构、权重，feature_extract_model.py用于创建特征提取类。
3、YOLOv4文件夹：含目标检测算法源码，model_data存储yolov4网络配置、nets+utils用于搭建模型。
decode.py用于将检测结果解码。
4、car_predict.py、yolo.py：用于验证目标检测算法的效果。
5、main.py：整个项目的运行入口，直接运行main.py，就可以调用YOLOv4+DeepSort，处理视频流信息，完成目标跟踪和车流量统计。

空时自适应信号处理_王永良,彭应宁著.pdf空时自适应信号处理（STAP）是相控阵机载雷达杂波抑制与目标检测的关键技术，已成为雷达界抢手的研究方向。
本书以相控阵机载预警雷达为背景，系统、深入地阐述了空时自适应处理的理论、方法及面向实际工程应用所涉及的有关问题。
书中总结了作者多年来的研究成果以及国际上这一领域的研究进展。
全书由十一章组成。
主要内容有空时自适应处理的研究进展及其相关问题，机载相控阵雷达杂波特性及其分析，空时自适应处理基本概念与原理，空时自适应处理的典型方法与分析，空时自适应处理的统一理论与处理框架，天线非正侧面阵放置时的空时自适应处理，杂波和有源干扰同时抑制的方法，空时自适应处理的权值算法等。
此外，书中还专门介绍了传统的机载雷达杂波抑制技术。
本书是关于空时自适应处理的一部专著，可作为雷达领域的专业参考书，也可作为研究生的选修教材，对从事通信、导航与声纳等领域的专业技术人员也有一定的参考价值。

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。