在目標檢測過程中，可能會遇到這樣的情況：乙個目標被標記為多個區域。
如果乙個目標被標記為多個區域，後續的跟蹤很容易出現跟錯、跟丟，這個情形在自動檢測場和是很避諱的。
以下提供乙個避免的方法：
通過一些條件判斷，可以將本為同一目標的區域辨識，前文應該講過判斷方法。
中心距離在閾值範圍內；
兩個區域存在交集（包含在內為交集的特殊情況）。
雖然不全面，但是在目標檢測場和有一定作用。
關於合併，筆者採用的流程如下：
尋找被合併區域的左上頂點；
計算合併區域的寬高。
左上頂點直接取頂點x、y最小值即可。關於合併後區域的寬高，可以採取這樣的操作：
計算四個頂點中，x、y最小最大值，寬高即為對應x、y的差值。
具體實現如下：
void cpos::areamerge(cv::rect &inrect1, cv::rect &inrect2, cv::rect &outrect)
目標檢測中的RPN區域提取演算法
用已知尺寸的視窗遍歷整個影象，生成很多子影象，漫無目的的搜尋。selective search在rcnn和fast rcnn中用到，它的具體做法是將影象分割成很多小的區域，計算區域之間的相似度 顏色 紋理等等 結合各尺度結果，進行融合，形成大一些的region。具體參見 本文主要講解的是region...
運動車體目標追蹤及區域檢測
基本的檢測方法是對幀做差，或考慮 背景 幀與其他幀之間的差異。但這種方法需要通過提前設定 預設 幀作為背景。在一些情況下 例如室外 由於光照變化頻繁，這種處理方法就顯得相當不靈活，所以考慮在追蹤系統中採用intelligent方法。筆者嘗試用knn的背景分割器，寫了乙個用於停車位區域監控攝像頭的ap...
目標檢測中的example mining
目標檢測，一般分為2個部分，定位和分類,example mining是選擇出特定樣本來計算損失函式 從實際問題出發hard example應該就是指定位較困難或分類較困難或者兩者都困難的候選框。ssd的caffe中支援negative mining和hard example mining，當shar...