MOEA/D的C++源代码，很好的资源哟，做多目标算法不可短少的哟！

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。

本书在深入浅出地介绍LINGO基本用法和LINGO与各种文件和数据库之间的数据传递和处理方法的基础上，分两个层次介绍了LINGO软件及其应用:层次以数学规划、图论与网络优化、多目标规划等LINGO软件常用领域为背景，介绍LINGO软件求解优化模型的常规手段和技巧；
第二个层次以博弈论、存贮论、排队论、决策分析、评价方法、二乘法等领域为背景，介绍LINGO软件在非优化领域的应用，充分展示LINGO软件的优势和应用扩展。
在各个领域本书都配有丰富的案例和求解程序，协助读者深入理解LINGO软件。
同时，本书专门配有一章介绍数学建模中的应用实例，以十个各种类型的数学建模经典案例为基础，其中九个案例的全部模型都用LINGO编程实现，并在LINGO12版本调试通过。
这些案例凝聚了作者多年来积累的编程经验和巧妙构思。

NSGA-II，多目标优化代码，含有ZDT、DTLZ、WFG测试问题，能直接运转。

一些关于多目标跟踪的新的文献，主要是有关概率假设密度（PHD）的

自顺应多目标粒子群优化器TheAdaptiveMulti-ObjectiveParticleSwarmOptimizer(AMOPSO）.

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。

（需求配置好opencv）支持多目标检测，人脸识别

（需求配置好opencv）支持多目标检测，人脸识别

Sustainsys.Saml2Sustainsys.Saml2库向ASP.NET网站添加了SAML2P支持，从而使该网站可以充当SAML2服务提供商（SP）。
该库以前称为Kentor.AuthServices。
Sustainsys.Saml2是开源的，欢迎贡献，请参阅以获取有关编码标准等的信息。
分行回购中有三个活动分支v1是仅受安全支持的版本，该版本使用System.IdentityModel库进行令牌处理，并支持HttpModule，Mvc，Owin和AspNetCore2（仅在完好的.NetFramework上）。
v2是当前受支持的版本，该版本使用Microsoft.IdentityModelnuget包进行代币处理，多目标并支持HttpModule，Mvc，Owin和AspNetCore2开发是仅支持Asp.NetCore的新版本（最终将以v3发行）的

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。