目標檢測的一般思路是
1.獲取含有大量冗餘特徵的集合
2.利用機器學習的方法從特徵集合中找出能夠反映目標物體特性的特徵
3.利用找到的特徵構造分類器，實現目標檢測
當前通用目標檢測領域所使用的特徵主要可以分為兩類。
1.通過劃分或變換得到的特徵，如使用最廣泛的haar-like特徵。這類特徵的主要特點是：特徵計算十分簡單，特徵集合的冗餘資訊能夠很好地描述目標物體的特性。另外，只要影象大小確定，特徵集合中各個特徵的位置以及集合中總的特徵數量就是固定的，這使得利用類haar特徵構建分類器比較簡單；
2.另一類是針對目標物體提取出來的特徵，例如物體的紋理特徵或邊界特徵。這類特徵的共同點是特徵的位置並不是事先確定的，而是同待測的目標物體密切相關，這類特徵往往可以得到變形模板，從而更好地描述非剛體目標。其缺點是比較複雜特徵計算的時間比較長。
目標檢測與目標識別
目標識別 objec recognition 是指明一幅輸入影象中包含哪類目標。其輸入為一幅影象，輸出是該影象中的目標屬於哪個類別 class probability 目標檢測 object detection 除了要告訴輸入影象中包含哪類目標外，還要框出該目標的具體位置 bounding boxe...
基於級聯分類器的目標檢測objdect
opencv支援的目標檢測的方法是利用樣本的haar特徵進行的分類器訓練，得到的級聯boosted分類器 cascade classification 注意，新版本的c 介面除了haar特徵以外也可以使用lbp特徵。先介紹一下相關的結構，級聯分類器的計算特徵值的基礎類featureevaluator...
目標檢測 目標檢測通用框架總結
目標檢測框架個人總結 以下是筆記中包含的內容 目標檢測網路框架總結 yolov4中有圖 從最開始的神經網路到現在深度更深，模組更多的目標檢測深度學習神經網路，如今大致可以分為two stage detector 典型的為rcnn系列 和 one stage detector 典型為yolo系列 每個...