机器学习系列（7）:目标检测YOLO算法及Python实现以自动驾驶为例_yolo人脸检测python

一、目标检测

1.目标分类：

• 目标分类即对图像中的物体进行识别分类，是目标检测的第一阶，只要求分辨出对象的类别，常用卷积神经网络(CNN）实现。例如在自动驾驶应用中，目标分类的作用是识别出图片中的物体属于哪一个类别，属于是行人、汽车、自行车、红绿灯、护栏等。

2.目标定位：

• 目标定位即对图像中的物体进行位置识别，是目标检测的第二阶，要求输出对象的坐标信息，坐标常用中心点和长宽来表示。例如在自动驾驶中，目标定位的作用是确定图片中的行人、汽车等物体的具体位置。

3.特征点检测：

• 特征点检测即要对物体的某些特征进行识别，这可以通过神经网络输出相应特征点的坐标来实现，只需要把网络的输出改为特征点的坐标。例如在人脸识别应用中，识别出多组人脸特征点的信息，并根据识别出的特征点信息对此次检测的人脸进行识别。

4.滑动窗口检测：

• 滑动窗口检测即是要通过“滑动”检测窗口，对每一个窗口图像分别输入CNN进行识别，窗口大小可根据实际取值，例如图片像素为6286283，则可取正方形窗口边长为小于628的整数，然后滑动窗口到其它位置，按一定顺序遍历整张图片，输出每一次窗口里是否有物体，是什么物体，性能依赖于窗口大小的选取及滑动的步长，由于CNN需要一个个处理窗口图像，若步长和窗口较小，检测的精度提高，但需要很长的时间；如果步长和窗口较大，虽然时间减小，但可能会降低检测精度。