人体跟踪

该程序利用卡尔曼滤波算法，实现了对运动目标的跟踪功能。适用于目标运动轨迹符合线性模型，且过程和观测噪声符合高斯分布的场景。

该程序算法思想实现了基于视频的人体识别与跟踪，适用于安防监控产品的开发。

SimplePointPose 是一个用于人体姿态估计和跟踪的简洁高效的基准代码库，基于 PyTorch 实现，并在 COCO 关键点数据集上取得了出色成果。 主要特点： 提供一个简单有效的基线方法，有助于激发和评估该领域的新想法。 在具有挑战性的基准测试中取得优异结果，例如，在 COCO 关键点数据集上，最佳模型达到 74.3 mAP。 提供所有模型供研究使用。 MPII 验证集结果： | 指标 | 头部 | 肩膀 | 手肘 | 手腕 | 臀部 | 膝盖 | 脚踝 | 平均 || :----------------------: | :--: | :--: | :--: | :--: | :--: | :--: | :--: | :--: || 均值@0.1 (256x256) | 96.3 | 95.3 | 89.0 | 83.2 | 88.4 | 8 | - | - |

OpenPose 是一个实时人体关键点检测系统，可检测人体、手部和面部关键点（共 130 个）。先决条件：安装 CUDA、cuDNN、CMake GUI、protobuf 编译器。创建 Conda 环境，并安装 OpenCV、protobuf。克隆 OpenPose 存储库，并使用 Caffe 构建。

人体骨骼关键点检测算法在计算机视觉领域应用广泛，包括自动驾驶、姿势估计、行为识别等。由于人体的柔韧性和遮挡等因素影响，人体骨骼关键点检测极具挑战性。算法主要分为单人2D、多人2D、3D关键点检测。Heatmap方法用概率图表示关键点位置，越接近关键点位置，概率越高。

该存储库包含MathWorks的Wavelet Toolbox和深度学习示例中使用的人体心电图数据。为了遵守PhysioNet的复制策略，数据被修改并包含详细描述。示例代码适用于最新版本的MATLAB。

作为练习使用，这里提供了三个小文件，用于Matlab的图像目标跟踪实验。这些文件帮助用户熟悉目标跟踪技术的基本概念和应用方法。

优化cameanshift的跟踪程序，操作简便，注释清晰明了。

使用Matlab实现meanshift算法进行目标跟踪。

此存储库包含用于Matlab的灰度处理和细胞跟踪的源代码。该程序支持荧光或暗场电影的处理，以及相衬电影的跟踪。兼容Matlab 2018a及更早版本，支持'.tif'堆栈和'.nd2'文件格式。还提供适用于Linux的版本。