目標檢測
目標檢測是將目標從影象中提取出來。
運動目標檢測是從不斷變化的序列影象中進行目標檢測,分為靜態背景下的運動檢測和動態背景下的運動檢測。

兩種主要的思路:
依賴於目標的先驗知識,需要提前為運動目標建模,然後在影象序列中實時找到匹配的目標,不依賴於先驗知識,直接從影象序列中檢測到運動目標,並進行目標識別,最終跟蹤感興趣的運動目標。

在目標檢測和追蹤需要注意運動目標的表示,例如對其視覺特徵進行建模,並採用相似性度量來對影象進行匹配,在追蹤過程中需要處理大量冗餘資訊,採用搜尋演算法縮小比較範圍。
目前跟蹤分類主要基於主動輪廓的跟蹤、基於特徵、區域、模型的跟蹤等。

分類：
1.基於候選區域的目標檢測（RCNN）
先生成後院區域在檢測，降低資訊陳武冗餘程度，從而提高檢測速度。
2.SPP-Net
先卷積後生成區域，不僅減少儲存量而且加快了訓練速度，剪裁(擷取的區域未涵蓋整個目標)和縮放(影象扭曲變形)在很大程度上會丟失圖片原有的資訊，導致訓練效果不好。

3.Fast-RCNN,Faster-RCNN
Fast-RCNN使用選擇性搜尋生成候選區域效率低，Faster-RCNN使用一個區域提名網路實現。
Fastee-RCNN演算法步驟：
特徵提取，生成候選區域，興趣區域ROI池化，候選區域分類，邊界精調，NMS去重

4.YOLO
核心思想：利用整張圖作為網路的輸入，直接在輸出層迴歸bounding box的位置和bounding box所屬類別的類別。
5.MobileNet網路