目标识别与目标检测

物体检测和物体识别是用于识别对象类似的技术，但他们在他们的执行而变化。对象检测是在映像中查找对象实例的过程。在深度学习的情况下，对象检测是对象识别的一个子集，其中对象不仅被识别，而且还位于图像中。这允许在同一个映像中标识和定位多个对象。

对象识别技术

物体识别使用Deep学习

深学习技术已经成为做目标识别的常用方法。深学习模式诸如卷积神经网络，或细胞神经网络，用于自动学习，以确定对象物体的固有特征。例如，CNN可以学会通过分析数以千计的训练图像的学习，使猫狗不同的特征来识别猫和狗之间的差异。

有两种方法使用深度学习进行目标识别：

• 培训从无到有模型：要培养从头开始了深刻的网络，你收集一个非常大的数据集标记，设计的网络架构，将学习的特点和建立模型。其结果可能是令人印象深刻，但这种方法需要大量的训练数据，你需要设置图层和权重的CNN。
• 使用预训练的深度学习模式：最深刻的学习应用使用转移学习方法，涉及微调预训练模型的过程。在开始与现有的网络，诸如AlexNet或GoogLeNet，并在含有先前未知的类新的数据馈送。这种方法耗时少，可提供更快的结果，因为该模型已经在成千上万个图像的培训。

深度学习提供精度高的水平，但需要大量的数据做出准确的预测。

物体识别使用机器学习

机器学习技术也很受欢迎，对物体识别和提供比深度学习不同的方法。机器学习技术常见的例子有：

• 利用SVM提取HOG特征机器学习模型
• 一袋字模型的功能，如SURF和MSER
• 该Viola-Jones算法，其可以被用于识别各种物体，包括面和上半身

机器学习工作流程

要使用标准的机器学习方法进行目标识别，你的图像（或视频）的集合开始，并选择每个图像中的相关特征。例如，特征提取算法可能会提取可用于在数据类进行区分边或角的特征。

这些功能被添加到机器学习模型，将这些功能放在各自不同的类别，然后使用该信息时分析和分类的新对象。

您可以使用各种机器学习算法和特征提取方法，它们提供许多组合来创建精确的对象识别模型。

使用机器学习为目标识别提供了灵活选择的功能和分类的最佳组合学习。它可以实现用最少的数据准确的结果。

机器学习与深学习的物体识别

确定最佳的对象识别方法取决于您的应用程序和要解决的问题。在许多情况下，机器学习可能是一种有效的技术，特别是如果您知道图像的哪些特征或特征是区分对象类的最佳方法。

主要考虑机器学习和深度学习之间进行选择时要记住的是你是否有一个强大的GPU和大量标记的训练图像。如果答案要么这些问题是没有，机器学习的方法可能是最好的选择。深度学习技术往往工作更好地与更多的图像，以及GPU有助于减少训练模型所需的时间。

其他物体识别方法

对物体识别等更基本的方法可以根据不同的应用是足够的。

• 模板匹配- 它采用了小的图像，或模板，以找到匹配区域中较大的图像
• 图像分割和斑点分析-使用简单的对象属性，如大小、颜色或形状

通常，如果一个对象可以使用像图像分割一个简单的方法来识别，最好使用更简单的方法来启动。这可以提供一个强大的解决方案，不需要训练图像或过于复杂的解决方案数百或数千。

只需几行MATLAB^®代码，你可以建立机器学习和深入学习模型物体识别，而不必成为专家。

使用MATLAB进行目标识别使您能够成功地在更短的时间，因为它可以让你：

1. 用你的专业知识和与MATLAB学习科学的数据：

   您可以使用MATLAB学习和机器学习和深入学习领域获得的专业知识。MATLAB使学习有关这些领域的务实和访问。此外，MATLAB允许领域专家创建的对象识别模型 - 到数据科学家谁可能不知道你的行业或应用程序而不是移交任务。

2. 使用应用来标签数据和建立模型：

   MATLAB允许你建立自己的机器学习和深入学习模式用最少的代码。

   随着分类学习者应用，您可以快速构建机器学习模型，并比较不同的机器学习算法，而不需要编写代码。

   使用图片标志应用程序，您可以交互视频中的标签图像，并自动地实况标签中的对象进行训练和测试深刻的学习模式。这种互动性和自动化的方法能带来更好的结果在更短的时间。

3. 集成对象识别在单个工作流程：

   MATLAB可以在一个统一的工作流程多个域。有了MATLAB，你可以做你的思维和编程在一个环境中。它提供了深度学习和机器学习，并且还工具和功能的范围内结构域的饲料到这些算法，如机器人，计算机视觉，以及数据分析。

MATLAB自动化企业系统，集群，云和嵌入式设备部署您的模型。