最近在研究关于目标检测的项目，所以学习了下目标检测相关的基础，也有些自己的理解，所以就想记录下，分享下。

目标检测的目的简单的说就是要找到图片里有什么东西，在什么位置，比如下面经典的图，能检测到一条狗，一辆自行车和一辆汽车，然后把他们所在的区域位置给显示出来： 那这个是怎么做到的呢，看到那么多框，应该会想到，是不是用很多个大小的框，一个个找过去，找到最像目标的东西，然后显示出来，没错，大致是这个思想，所以先介绍下传统的滑动窗口法。

简单来说，就是那个框，在图片上移动，就看框里面有没有你要找的目标，有就是了，网上找了个简单的图来说明下： 其实就是用不同大小的图，在图片上从左到右，从上到下的搜索，找到你要的目标，因为目标的大小不一样，所以很多时候你看你需要很多个尺寸的框来搜索，所以基本是属于穷举法啦，找到适合的为止。

先说下一些概念，后面会用到，方便理解，不讲具体细节，就讲个原理能理解就行。

简单理解为交集和并集的比值，交集和并集的概念应该知道吧，然后用在窗口上，也就是两个窗口相交的区域和并起来的区域的比值，反应的是两个窗口的重合度。 喜欢看公式的： 喜欢直观的：

简单理解就是把不是最大的给扔了，具体就是说把很多重叠的框按照分类分数排个序，取出最高的那个，把一些和他交并比大的给抛弃了，当然是有一个阈值的，然后剩下的一些继续做非极大抑制,直到全部处理完，最后留下的既是分类分数高的，又是框比较合适的窗口，如下图：

1.我们把要找的目标先训练好一个分类器，比如上面的狗，人，骑车，马，训练一个4分类器。比如用SVM或者CNN训练一个分类器，输入一个固定大小图片，输出类别概率。 2.用很多不同大小的窗口进行移动，把图片分成很多个小窗口，然后把每个窗口喂给分类器，如果给出较高的分类分数，那就说明这个窗口有物体，那就留着，这样处理完所有窗口。 3.处理完的窗口当然会有很多重叠的啦，我们当然希望处理一些比较像我们标注的窗口啦，然后我们就使用 非极大抑制，留下合适的框，丢弃其他的框。 4.得到各种窗口和对应的类别，此时可以拿标注的数据框来进行回归，让窗口更加精确点，当然不回归也可以，可能不是很精确啦。

找到一个比较完整的结构图，可以帮助理解:

1.如果考虑到有不同大小的物体，那需要不同的尺寸的框来进行处理，基本是穷举很多尺寸了，不然效果可能不好，所以效率非常低下。

2.很多个窗口的情况下，执行比较复杂的分类器，可能又会很耗时。

3.如果分类器的输入图片尺寸是固定的，还要把不同的窗口大小缩放到固定尺寸，又要耗时费力，可能还会对分类产生影响。

好了，今天就到这里了，希望对学习理解有帮助，大神看见勿喷，仅为自己的学习理解，能力有限，请多包涵，图片来自网络，侵删。