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

为了实现对合成孔径雷达(SAR)图像中舰船目标的实时检测，本文以双参数恒虚警(CFAR)算法为例，提出一种基于ARM+GPU架构的SAR图像舰船目标检测算法的实现方案。
该方案在NVIDIAJetsonTK1开发板上的测试结果表明，与传统基于CPU的SAR图像舰船检测算法相比，该方案能够达到数百倍的速度提升，有效解决了利用CPU平台进行舰船目标检测耗时长、效率低的问题。
JetsonTK1作为嵌入式处理平台，相对于工作站或服务器，在功耗和便携性方面都具有明显的优势。

 提出了一种基于Surendra改进的运动目标检测算法，通过对背景更新系数的改进，获取稳定准确的背景，再将背景帧与含运动区域的图像帧用差分运算获得运动目标图像。
实验结果表明，该算法能够较快反应环境的变化，准确地获得背景图像，提高运动目标检测的准确性。

yolov3是优秀的目标检测算法，笔者曾用yolov3完成《数字图像处理》的课程设计，课程设计是大型交通标志牌的检测，使用yolov3模型能够获得很好的效果，文件包括yolov3的论文、笔者录制的视频目标检测结果

背景差分与三帧差分结合的运动目标检测算法

目标检测（ObjectDetection）是计算机视觉领域的基本任务之一，学术界已有将近二十年的研究历史。
近些年随着深度学习技术的火热发展，目标检测算法也从基于手工特征的传统算法转向了基于深度神经网络的检测技术。
从最初2013年提出的R-CNN、OverFeat，到后面的Fast/FasterR-CNN，SSD，YOLO系列，再到2018年最近的Pelee。
短短不到五年时间，基于深度学习的目标检测技术，在网络结构上，从twostage到onestage，从bottom-uponly到Top-Down，从singlescalenetwork到featurepyramidnetwork，从面向PC端到面向手机端，都涌现出许多好的算法技术，这些算法在开放目标检测数据集上的检测效果和性能都很出色。

 针对帧差分法易产生空洞以及背景减法不能检测出与背景灰度接近的目标的问题，提出了一种将背景减和帧差法相结合的运动目标检测算法。
首先利用连续两帧图像进行背景减法得到两种差分图像，并用最大类间与类内方差比法得到合适的阈值将这两种差分图像二值化，然后将得到的两种二值化图像进行或运算，最后利用图像形态学滤波得到准确的运动目标。
实验结果表明，该算法简单、易实现、实时性强。

运动目标检测算法测试视频，可测试各种算法，在做视频监控时用到的

与多目标跟踪（MultipleObjectTracking简称MOT）对应的是单目标跟踪（SingleObjectTracking简称SOT），按照字面意思来理解，前者是对连续视频画面中多个目标进行跟踪，后者是对连续视频画面中单个目标进行跟踪。
由于大部分应用场景都涉及到多个目标的跟踪，因此多目标跟踪也是目前大家主要研究内容，本文也主要介绍多目标跟踪。
跟踪的本质是关联视频前后帧中的同一物体（目标），并赋予唯一TrackID。
随着深度学习的兴起，目标检测的准确性越来越高，常见的yolo系列从V1到现在的V5（严格来讲V5不太算），mAP一个比一个高，因此基于深度学习的目标检测算法实际工程落地也越来

使用matlab编写的运动目标跟踪算法，核心代码均自己手写，包括帧间差分法，ViBe算法和高斯混合建模法，并且使用了matlabGUI，可直接选择视频查看算法效果。

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。