目标检测NMS-GPU和Cython（非极大值抑制）在window下的编译文件，包括soft_NMS实现。
小批量情况下Cython速度高于GPU

运动目标检测在计算机视觉，图像处理，模式识别等多领域有着广泛的应用，经历了多年的研究和探索，针对运动目标检测的算法层出不穷，我们也积累了许多相关的算法。
但是我们还远没有完成对这个充满挑战的领域的探索。
本文对运动目标检测的技术进行了一定的研究，实现了基于canny算子和光流法相结合的运动目标检测方法。
为了能够准确把握这个行业的动态，本文首先介绍了运动目标检测的三大经典方法：背景相减法，帧差法，光流法。
同时比较了各自的优缺点。
帧差法具有易实现，计算量小的优点，但是却无法准确的检测出运动目标的完整轮廓。
光流法具有对不断运动的运动目标进行目标检测，但是它却有很大的计算量，同时对噪声也比较敏感。
为了可以对运动目标进行更好的识别，我们提出了边缘检测算子与光流法相结合的新方法。
在对多种边缘检测算子进行了了解之后，我们确定了利用canny算子进行边缘检测，并且结合光流法进行运动目标检测的方法。
在用canny算子检测出运动物体边缘之后，借助光流法计算出物体的运动场，同时结合最大类间方差法分辨出运动目标和背景，接着将物体的边缘信息和物体的运动信息进行融合，最后运用数学形态学的方法对结果进行处理，得到最终的运动目标。
通过实验，我们发现该方法既克服了帧差法不能准确检测出运动物体轮廓，和光流法抗噪声能力差的缺点，可以准确检测运动目标，对运动目标具有更好的检测效果

SSD_SingleShotMultiBoxDetector2016.pdf,目标检测中比较经典的算法，速度快，效果好，而且代码相比faster-rcnn要简单易懂，代码在我的上一个上传资源里

此文件为yolo模型（1-3）的pytorch实现以及ssd目标检测的pytorch实现

基于CNN分类器和卷积的目标检测基于CNN分类器和卷积的目标检测基于CNN分类器和卷积的目标检测基于CNN分类器和卷积的目标检测

非下采样Contourlet变换（NonsubsampledContourletTransform,NSCT）是一种多分辨率分析方法，它结合了小波变换的多尺度特性与Contourlet变换的方向敏感性。
NSCT在图像处理和计算机视觉领域有广泛的应用，如图像压缩、图像增强、噪声去除和图像分割等。
这个“NSCT变换的工具箱”提供了实现NSCT算法的软件工具，对于研究和应用NSCT的人来说，是一个非常实用的资源。
非下采样Contourlet变换的核心在于其能够提供多方向、多尺度的图像表示。
与传统的Contourlet变换相比，NSCT不进行下采样操作，这避免了信息损失，保持了图像的原始分辨率。
这种特性使得NSCT在处理高分辨率图像时具有优势，特别是在保留细节信息方面。
NSCT工具箱通常包含以下功能：1.**NSCT变换**：对输入图像执行非下采样Contourlet变换，将图像分解为多个方向和尺度的系数。
2.**逆NSCT变换**：将NSCT系数重构回原始图像，恢复图像的完整信息。
3.**图像压缩**：利用NSCT的系数对图像进行编码，实现高效的图像压缩。
由于NSCT在高频部分有更好的表示能力，因此在压缩过程中可以有效减少冗余信息，提高压缩比。
4.**图像增强**：通过调整NSCT系数，可以对图像进行有针对性的增强，比如增强边缘或抑制噪声。
5.**噪声去除**：利用NSCT的多尺度和方向特性，可以有效地分离噪声和信号，实现图像去噪。
6.**图像分割**：在NSCT域中，图像的特征更加明显，有助于进行图像区域划分和目标检测。
该工具箱可能还包括一些辅助函数，如可视化NSCT系数、性能评估、参数设置等功能，方便用户进行各种实验和分析。
使用这个工具箱，研究人员和工程师可以快速地实现NSCT相关的算法，并在实际项目中进行测试和优化。
在使用NSCT工具箱时，需要注意以下几点：-输入图像的尺寸需要是2的幂，因为大多数NSCT实现依赖于离散小波变换，而DWT通常要求输入尺寸为二进制幂。
-工具箱可能需要用户自行配置或安装依赖库，例如MATLAB的WaveletToolbox或其他支持小波运算的库。
-NSCT变换的计算复杂度相对较高，特别是在处理大尺寸图像时，可能需要较长的计算时间。
-在处理不同类型的图像时，可能需要调整NSCT的参数，如方向滤波器的数量、分解层数等，以获得最佳性能。
"NSCT变换的工具箱"是一个强大的资源，对于那些希望探索非下采样Contourlet变换在图像处理中的潜力的人来说，这是一个必不可少的工具。
通过深入理解和熟练使用这个工具箱，可以进一步发掘NSCT在各种应用中的价值。

Trainingagenericobjectnessmeasuretoproduceasmallsetofcandidateobjectwindows,hasbeenshowntospeeduptheclassicalslidingwindowobjectdetectionparadigm.Weobservethatgenericobjectswithwell-definedclosedboundarycanbediscriminatedbylookingatthenormofgradients,withasuitableresizingoftheircorrespondingimagewindowsintoasmallfixedsize.Basedonthisobservationandcomputationalreasons,weproposetoresizethewindowto8×8andusethenormofthegradientsasasimple64Dfeaturetodescribeit,forexplicitlytrainingagenericobjectnessmeasure.Wefurthershowhowthebinarizedversionofthisfeature,namelybinarizednormedgradients(BING),canbeusedforefficientobjectnessestimation,whichrequiresonlyafewatomicoperations(e.g.ADD,BITWISESHIFT,etc.).ExperimentsonthechallengingPASCALVOC2007datasetshowthatourmethodefficiently(300fpsonasinglelaptopCPU)generatesasmallsetofcategory-independent,highqualityobjectwindows,yielding96.2%objectdetectionrate(DR)with1,000proposals.IncreasingthenumbersofproposalsandcolorspacesforcomputingBINGfeatures,ourperformancecanbefurtherimprovedto99.5%DR

人形目标检测与跟踪，对于视频图像，用方框或椭圆标出检测出的行人运动目标，以实现对目标的跟踪。

运动目标检测，用c++实现，具有图形界面，使用的是帧差法，，可以在此基础上面实现多种功能。
学习分享所用http://blog.sina.com.cn/msl1121

提取正负样本的HOG特征，目标可以是行人、车辆等等，提取的hog特征输入SVM中进行训练生成检测器，可以实现目标检测。
注：检测窗口根据目标大小进行设定。

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。