在计算机视觉中，视频识别和检测是一个重要的方向。历年来CVPR和ICCV等顶会文章中这类论文是最多的。视频识别和检测也是最有落地场景前景的，像人脸识别、动作检测、异常检测、行人重识别、行人计数等都是很有落地前景的应用方向。本文介绍百度PaddlePaddle推出PP-Human行为识别模块，覆盖视频分类、检测、关键点识别等重要领域，既有demo又有代码，是初学者很好的入门学习资料。
针对在移动机器人跟随目标的过程中目标消失的情景，提出了基于视觉跟踪与自主导航的机器人目标跟随系统。将机器人跟随问题分为目标在机器人视野内时的常规跟随和目标消失后的自主导航两种情况。
基于深度学习的算法在图像和视频识别任务中取得了广泛的应用和突破性的进展。从图像分类问题到行人重识别问题，深度学习方法相比传统方法表现出极大的优势。与行人重识别问题紧密相关的是行人的多目标跟踪问题。
行人检测跟踪计数、人员行为分析、人员属性分析、人员操作及穿戴合规监测等场景化能力在工业、安防、金融、能源等行业有着极其广泛的应用需求。以深度学习视觉技术为核心的行人分析能力，则是以上任务的核心关键，也是近十年人工智能科技公司不断发力深耕的赛道。
原创声明：本文为 SIGAI 原创文章，仅供个人学习使用，未经允许，不得转载，不能用于商业目的。
行人检测是近年来计算机视觉领域的研究热点，同时也是目标检测领域中的难点。其目的是识别和定位图像中存在的行人，在许多领域中都有广泛的应用。交通安全方面，无人驾驶汽车通过提前检测到行人及时避让来避免交通事故的发生；安防保护方面，通过行人检测来防止可疑人员进入；公共场所管理方面，通过行人检测统计人流量数据，优化人力物力等资源的分配。
PyImageSearch昨天发布的行人计数的Blog，详述了使用OpenCV和Dlib库中的检测和跟踪算法如何完成该功能。原网址开源代码需要F-Q才能下载，我已经下载并上传到百度云，在“我爱计算机视觉”公众号后台回复counter，即可收到百度云下载地址。
行人检测、行为分析、跨镜跟踪、属性识别等能力在工业、安防、金融、能源等行业中可谓是核心财富密码！一套综合目标检测、跟踪、关键点检测等能力的开源实时行人分析工具，就是把握这些高价值场景的关键！ PP-Human多功能全景图 说来容易，但它真的切实可用，需要企业真实场景数据打磨优化，拥有人体属性分析、行为识别与流量技术与轨迹留存三大能力，兼容单张图片、单路或多路视频等多种数据输入类型，还需要适应不同光线、复杂背景及跨镜头场景。 今天给大家介绍的，就是这样一套不仅拥有上述能力，还直接提供目标检测、属性分析、关
目标检测技术作为计算机视觉的基础核心，支撑了包括人脸识别、目标跟踪、关键点检测、图像搜索等等70%以上视觉任务。虽然业界YOLO、Anchor Free、Transformer等系列目标检测算法层出不穷，却缺乏可以统一、敏捷、组合应用这些先进算法，并支持包括模型压缩、多端高性能部署等功能实现产业应用端到端落地的开发套件。
多目标跟踪(Multiple Object Tracking)简称MOT，在每个视频帧都要定位目标，并且绘制出他们的轨迹。
潜在应用：由于外界环境影响，导致图像成像效果不尽人意，从而影响后续对视频图像的处理。
2016年张姗姗等人从分析的角度对各个工作进行总结和归纳。通过分析错误案例来找到错误来源，并提出相应的解决方案以进一步提高检测率。研究发现，在高层级中主要有两类错误，分别是定位错误和背景分类错误。可以尝试两个解决方案，其一是针对检测框对齐性比较差这一现象，可以通过使用对齐性更好的训练样本标签来解决；而针对模型判别能力比较差的问题，可以通过在传统的 ICF 模型上使用 CNN 进行重新打分来提升检测的性能。
行人检测、行为分析、跨镜跟踪、属性识别等能力在工业、安防、金融、能源等行业中可谓是核心财富密码！一套综合目标检测、跟踪、关键点检测等能力的开源实时行人分析工具，就是把握这些高价值场景的关键！
AI 科技评论按：本文为上海交通大学林天威为 AI 科技评论撰写的独家稿件，得到了其指点和审核，AI 科技评论在此表示感谢。 视频中的人体动作分析是计算机视觉研究领域中的一个重要方向，包括动作分类，时序动作检测，时空动作检测等等方向。前几天日本东京大学在 arXiv 上放出的一篇论文（大概是 CVPR 投稿文章吧）提出了一个新的人体动作分析问题：第一人称视频中的行人轨迹预测问题，并提出了一个新的数据集以及一个新的行人轨迹预测算法。 论文的题目为：Future Person Localization in F
行人检测、行为分析、跨镜跟踪、属性识别等能力在工业、安防、金融、能源等行业中可谓是核心财富密码！一套综合目标检测、跟踪、关键点检测等能力的开源实时行人分析工具，就是把握这些高价值场景的关键。
在前面的课程里，我们提到了感知模块内的计算机视觉和深度学习，这节课我们来讲一讲感知任务中的分类、跟踪、语义分割和 Apollo 感知相关的内容。
内容一览：在疫情期间，公共场所中尽量避免人群聚集，可以有效控制疫情扩散。英国利兹大学的研究团队开源了 DeepSOCIAL 人群距离监测项目，通过 YOLOv4+SORT 的方式快速实现了这一应用。
作者 |神经星星 来源 |HyperAI超神经 By 超神经 内容一览：在疫情期间，公共场所中尽量避免人群聚集，可以有效控制疫情扩散。英国利兹大学的研究团队开源了 DeepSOCIAL 人群距离监测项目，通过 YOLOv4+SORT 的方式快速实现了这一应用。 关键词：DeepSOCIAL 疫情应用 目标检测 由英国利兹大学交通研究院的研究员 Mahdi Rezaei 开源的 DeepSOCIAL 人群距离监测项目，成了最近的网红应用。 DeepSOCIAL 是通过 YOLOv4 实现行人检测，再用 SOR
论文解读: Quantized Convolutional Neural Networks for Mobile Devices
近日，计算机视觉方向的三大国际顶级会议之一的ECCV 2020公布论文获奖结果。本次ECCV 2020有效投稿5025篇，最终被接受发表论文1361篇，录取率为27%，较上届有所下降。其中，oral的论文数为104篇，占提交总量的2%；spotlight的数目为161篇，占提交总量的5%；其余论文均为poster。
作为目标检测领域的扛把子，PaddleDetection当然不仅仅提供通用目标检测算法，还拥有多个业界先进、实用的关键点检测和多目标跟踪算法。除了可以准确识别、定位目标，还可以对移动的目标进行连续跟踪、分析路径，甚至进行姿态、行为分析！
https://blog.csdn.net/u012477435/article/details/104158573
姿态估计和行为识别作为计算机视觉的两个领域，对于新人来说，较为容易弄混姿态估计和行为识别两个概念。
作者：Borna Bićanić,Marin Oršić,Ivan Marković,Siniša Šegvić,Ivan Petrović
车辆是视频场景中最关键的对象之一，车辆 和 人 是视频检测永恒的话题。 车辆检测 是车辆分析中关键的一步，是后续进行 车型识别、车标识别、车牌识别、车辆特征 的基础。 关于检测的方法和
目标检测与跟踪是计算机视觉领域的重要任务，用于在图像或视频中自动检测和跟踪特定的目标。这项技术在人脸识别、行人检测、车辆跟踪等领域具有广泛应用。本文将以目标检测与跟踪概念为中心，为你介绍使用 OpenCV 进行目标检测和跟踪的基本原理、方法和实例。
本项目使用yolov5作为检测器，使用deepsort作为跟踪器，跟踪并计数镜头前走过的行人数量。
马路上不仅有许多玩智能手机的“低头族”，还有对汽车鸣笛声不闻不问的“耳机党”。考虑到这一点，研究人员正在开发一款全新耳机，以在车辆接近时警告佩戴者。
在当下自动驾驶、智慧城市、安防等领域对车辆、行人、飞行器等快速移动的物体进行实时跟踪及分析的需求可谓比比皆是， 但单纯的目标检测算法只能输出目标的定位+分类，无法对移动的目标具体的运动行为及特征进行分析，因此在具体的车辆行为分析、交通违章判别、嫌疑犯追踪、飞行器监管等场景，目标追踪发挥着不可替代的作用。
CVPR (Conference on Computer Vision andPattern Recognition) 作为人工智能领域计算机视觉方向的最重要的学术会议，每年都会吸引全球最顶尖的学术机构和公司的大量投稿。
随着人工智能的飞速发展，TSINGSEE青犀智能AI算法功能也日渐丰富，除了常见的人脸、工服、安全帽检测以外，人形检测算法的应用也十分广泛，主要可以应用在以下场景：
摘要：行人重识别（Person Re-Identification，简称Re-ID），是一种利用计算机视觉技术来检索图像或者视频序列中是否存在特定行人的AI技术，在智慧城市等监控场景中具有重要的应用意义和前景。本文介绍我们最新的IEEE TPAMI综述论文 《Deep Learning for Person Re-identification: A Survey and Outlook》，该文作者来自武汉大学、起源人工智能研究院（IIAI）、北理工、英国萨里大学、Salesforce亚洲研究院。
毫米波雷达指的是工作在毫米波波段的雷达。毫米波的波长范围是1-10mm、其对应的频率为30-300GHz。常用的毫米波雷达频段为24GHz、60GHz和77GHz这三个频段，其中24GHz的波长是1.25cm，但是业界也依然称之为毫米波，60GHz波长是5mm，77G的波长是3.9mm。频率高对应的波长短，其测量分辨率和精确度高。
在琳琅满目的视觉应用中，对车辆、行人、飞行器等快速移动的物体进行实时跟踪及分析，可以说是突破安防、自动驾驶、智慧城市等炙手可热行业的利器。
多目标跟踪（Multiple Object Tracking，MOT）是计算机视觉领域中一个关键领域，有广泛应用。当前研究主要集中在跟踪算法的开发和后处理技术的改进上。然而，对跟踪数据本身的特性缺乏深入的研究。
自动驾驶四大核心技术，分别是环境感知、精确定位、路径规划、线控执行。环境感知是其中被研究最多的部分，不过基于视觉的环境感知是无法满足无人驾驶要求的。
行人重识别(Person re-identification)也称行人再识别，被广泛认为是一个图像检索子问题，是利用计算机视觉技术判断图像或者视频中是否存在特定行人的技术，即给定一个监控行人图像检索跨设备下的该行人图像。行人重识别技术可以弥补目前固定摄像头的视觉极限，并可与行人检测、行人跟踪技术相结合，应用于视频监控、智能安防等领域。
据了解，在这款机器人研发出来之前，传感器性能较好、设备配置较先进的机器人，基本需要2000-5000美元的配置；
本文以日本无人驾驶开源软件Autoware为参考，汇总分析了无人驾驶所涉及的基本算法，最后给出了在一些典型数据集上测试的效果。
构建人数统计解决方案既可以是一个有趣的项目，又可以真正找到现实世界的应用程序。
如果你现在正在阅读这篇文章，那么你可能已经阅读了我的介绍文章（JS使用者福音：在浏览器中运行人脸识别）或者之前使用过face-api.js。如果你还没有听说过face-api.js，我建议你先阅读介绍文章再回来阅读本文。
主讲人：王志成 | 旷视研究院研究员 屈鑫 整理编辑 量子位 出品 | 公众号 QbitAI 12月13日晚，量子位·吃瓜社联合Face++论文解读系列第二期开讲，本期中旷视（Megvii）研究院解读了近期发表的人体姿态估计论文：Cascaded Pyramid Network for Multi-Person Pose Estimation。 基于这篇论文所提出的算法，Megvii(Face++)队在COCO2017人体姿态估计竞赛上获得了历史最好成绩，相对 2016年人体姿态估计的最好成绩提高了19%
由中国图象图形学学会和腾讯高校合作主办、中国图象图形学学会视觉大数据专委会承办的“ECCV 2018 China Pre-Conference论文宣讲研讨会”于7月30日在深圳腾讯大厦顺利举办。150余位来自学界、工业界的研究人员参与了本次研讨会。会议日程包含12篇论文口头报告，20篇论文海报展示，并邀请到多位业界专家开展题为“计算机视觉的今天与明天，城内与城外”的圆桌论坛，分享各自在计算机视觉领域的最新研究结果和相关技术观点。 论文口头报告-12篇 哈尔滨工业大学（深圳）张正博士带来题为“Highly-E
在视频监控与分析中，视频前后景分析、多目标检测、目标跟踪等算法需要协同工作，今天跟大家分享的开源库，给出了一个基于OpenCV的开源实现。供大家学习参考。
谷歌的人工智能平台Alpha Go让AI再次进入了普通老百姓的视野，我记得2016年3月时Alpha Go第一轮测试结果就令大家十分震惊。随着技术的进步，AI的能力一定会越来越强。我们可以看到近两年AI在深度学习方面的技术进展成果显著。今天我为大家准备了一些最近与摄像头相关的人工智能研究成果。
这篇文章有 4篇论文速递，都是目标检测方向，包括行人检测、车辆检测、指纹检测和目标跟踪等。
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
对象存储
实时音视频
即时通信 IM
