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 boxes）。
滑窗法是一種經典的物體檢測方法。滑窗法的原理：首先對輸入影象進行不同視窗大小的滑窗進行從左往右、從上到下的滑動。每次滑動時候對當前視窗執行分類器(分類器是事先訓練好的)。如果當前視窗得到較高的分類概率，則認為檢測到了物體。對每個不同視窗大小的滑窗都進行檢測後，會得到不同視窗檢測到的物體標記，這些視窗大小會存在重複較高的部分，最後採用非極大值抑制(non-maximum suppression, nms)的方法進行篩選。最終，經過nms篩選後獲得檢測到的物體。
選擇性搜尋(selective search)是主要運用影象分割技術來進行物體檢測。選擇搜尋演算法的原理：影象中物體可能存在的區域應該是有某些相似性或者連續性區域的。因此，選擇搜尋基於上面這一想法採用子區域合併的方法進行提取bounding boxes候選邊界框。首先，對輸入影象進行分割演算法產生許多小的子區域。其次，根據這些子區域之間相似性(相似性標準主要有顏色、紋理、大小等等)進行區域合併，不斷的進行區域迭代合併。每次迭代過程中對這些合併的子區域做bounding boxes(外切矩形)，這些子區域外切矩形就是通常所說的候選框。
深度學習之目標檢測與目標識別
目前可以將現有的基於深度學習的目標檢測與識別演算法大致分為以下 三大類 基於區域建議的目標檢測與識別演算法，如r cnn,fast r cnn,faster r cnn 基於回歸的目標檢測與識別演算法，如yolo,ssd 基於搜尋的目標檢測與識別演算法，如基於視覺注意的attentionnet，基於...
目標分割 目標識別 目標檢測和目標跟蹤的區別
粗略理解 典型的技術路線是 目標分割 目標檢測 目標識別 目標跟蹤 ot與od到底啥區別 最大的區別我覺得ot只給了第一幀的gt基於od的目標跟蹤演算法計算非常昂貴，需要對每幀畫面進行檢測，才能得到目標的運動軌跡。而且，只能追蹤已知的目標，因為目標檢測演算法就只能實現已知類別的定位識別。因此，od要...
目標識別與跟蹤演算法matlab 目標跟蹤演算法 彙總
一些目標跟蹤領域的benchmark，後期將會保持更新。參考 online object tracking a benchmark mot16 a benchmark for multi object tracking 主要是一些特徵提取 濾波類搜尋演算法。其中特徵提取主要有 區域性 全域性特徵 模...