什么是物体检测？

你需要知道的3件事

对象检测是一种计算机视觉技术，用于在图像或视频中定位对象的实例。对象检测算法通常利用机器学习或深度学习产生有意义的结果。当人们观看图像或视频时，我们可以在瞬间识别并定位感兴趣的物体。目标探测的目标是用计算机复制这种智能。

为什么对象检测事项

对象检测是先进驾驶员辅助系统（ADA）的关键技术，使汽车能够检测驾驶通道或执行行人检测以提高道路安全性。对象检测在视频监控或图像检索系统之类的应用中也是有用的。

利用目标检测来识别和定位车辆。

这个怎么运作

使用深度学习的对象检测

您可以使用各种技术来执行对象检测。流行的深度学习方法使用卷积神经网络（CNNS），例如R-CNN和YOLO V2，自动学会检测图像内的对象。

您可以选择使用深度学习的对象检测开始的两个关键方法：

创建并训练一个自定义对象检测器。要从Scratch培训自定义对象探测器，您需要设计一个网络架构，以了解感兴趣对象的功能。您还需要编译一组非常大量的标记数据以培训CNN。自定义对象检测器的结果可能是显着的。也就是说，您需要在CNN中手动设置图层和权重，这需要大量时间和培训数据。
使用佩带的物体探测器。使用深度学习杠杆的许多对象检测工作流程转移学习，这种方法使您能够从预先训练好的网络开始，然后针对您的应用程序对其进行微调。这种方法可以提供更快的结果，因为目标探测器已经训练了数千，甚至数百万的图像。

使用佩带的R-CNN检测停止标志。看例子。

无论您是创建自定义对象检测器还是使用预训练的对象检测器，您都需要决定要使用哪种类型的对象检测网络:两级网络还是单级网络。

两阶段网络

两级网络的初始阶段，如R-CNN及其变体,确定区域提案，或可能包含对象的图像子集。第二阶段对区域提案中的目标进行分类。两阶段网络可以获得非常准确的目标检测结果;然而，它们通常比单级网络慢。

R-CNN（顶部）和快速R-CNN（底部）物体检测的高级架构。

单级网络

在单阶段网络中，如YOLO v2意思，CNN使用整个图像的区域产生网络预测锚箱并且，解码预测以生成对象的最终边界框。单级网络可以比两阶段网络更快，但它们可能无法达到相同的准确性水平，尤其是对于包含小对象的场景。

YOLO v2对象检测概述。

使用机器学习的目标检测

机器学习技术也常用于目标检测，它们提供的方法与深度学习不同。常见的机器学习技术包括:

聚合通道功能（ACF）
支持向量机分类使用直方图定向梯度(HOG)特征
人体脸部或上身检测中的jones算法

使用ACF目标检测算法跟踪行人。看例子。

类似于基于深度学习的方法，您可以选择从佩带的对象检测器开始或创建自定义对象检测器以适合您的应用程序。在使用计算机学习时，您需要手动选择对象的识别功能，与基于深度学习的工作流程中的自动特征选择相比。

机器学习vs.深度学习的目标检测

确定对象检测的最佳方法取决于您的应用程序和您尝试解决的问题。在机器学习和深度学习之间选择时要记住的主要考虑是您是否拥有强大的GPU和许多标记的培训图像。如果对这些问题中的任何一个的答案是否定，机器学习方法可能是更好的选择。当您有更多图像时，深入学习技术往往会更好地工作，并且GPU减少培训模型所需的时间。

深度学习介绍：机器学习与深度学习（3:47）

深度学习和传统机器学习：选择正确的方法

读电子书

其他对象检测方法

除了基于深度学习和机器学习的对象检测外，还有几种其他常用技术，根据您的应用可能是足够的，例如：

图像分割和斑点分析，使用简单的对象属性，如大小、形状或颜色
基于特征的对象检测，其中使用特征提取、匹配和RANSAC估计对象的位置

基于点特征匹配的杂波场景目标检测。看例子。

MATLAB对象检测

只有几行MATLAB^®代码，你可以建立机器学习和深度学习模型的目标检测，而不必是一个专家。

自动标签训练图像与应用程序

MATLAB提供交互式应用程序来准备训练数据和自定义卷积神经网络。为目标检测器标记测试图像是一件乏味的事情，它可能需要大量的时间来获得足够的训练数据来创建一个高性能的目标检测器。这图像贴标程序应用程序让您交互式标签对象在一个图像集合，并提供内置算法自动标签您的地面真相数据。对于自动驾驶应用程序，您可以使用Ground Truth Labeler应用，对于视频处理工作流，您可以使用视频贴标签机应用。