物体检测是一种用于在图像或视频中定位物体实例的计算机视觉技术。目标检测技术训练预测模型或使用模板匹配来定位和分类目标。
目标检测是视频监控、图像检索系统和高级驾驶辅助系统(ADAS)等应用背后的关键技术。
有各种各样的技术可以用来执行目标检测。这些技术通常分为三大类:使用深度学习的目标检测、使用机器学习的目标检测和使用经典计算机视觉技术的目标检测。
流行的基于深度学习的方法，如R-CNN或YOLO v2，使用卷积神经网络(cnn)来学习检测物体所需的特征。
基于机器学习的方法在训练分类器之前使用特征提取来识别对象。目前流行的方法包括聚合信道特征(ACF)和Viola-Jones算法。
最后，更传统的计算机视觉方法可能就足够了，这取决于应用程序。一些例子包括模板匹配，图像分割和斑点分析，或特征提取和匹配等技术。
使用MATLAB，只需几行代码，您就可以尝试各种不同的方法，看看哪种方法最适合您的数据。您可以利用MATLAB提供的许多预训练的检测器之一，也可以为您的应用程序创建专门的自定义检测器。
我们还有其他关于机器学习和经典计算机视觉的物体检测的视频，所以在这个视频中，我将更多地关注深度学习。
使用深度学习进行物体检测的第一步是标记你想要识别的物体类型的样本。训练一个用于目标检测的预测模型通常需要数千甚至数百万个标记样本。
交互式应用程序可以帮助您自动为图像或视频中的对象标记。这可以帮助你把更多的精力集中在开发目标检测算法上，而不是准备训练数据。
使用MATLAB，您还可以在其他机器学习和深度学习框架之间进行互操作，以开发对象检测器。
如果您已经在MATLAB之外实现了一个网络，您可以使用ONNX导入功能导入它。相反，如果你在MATLAB中创建了一个网络，但想在其他地方使用它，你可以使用ONNX导入导出它。
一旦你有了MATLAB中的网络，你就可以用GPU加速训练过程S或通过更改单个名称-值对来计算集群。如果您正在使用预先训练好的网络，则可以使用迁移学习对应用程序的模型进行微调。这有助于进一步减少训练时间，提高网络性能。
首先，您可以使用文档中众多参考示例中的一个。要了解更多关于MATLAB对象检测的知识，请浏览在线文档页面。
