基于统计的检测方法则扎根于统计学习。它将整个待检测图片看做一个像素矩阵，利用其统计特性结合一些机器学习的算法进行识别。鉴于深度神经网络强大的逻辑抽象能力、特征提取能力，目前的目标检测几乎都是基于深度学习框架的。基于深度学习的目标检测其检测对象更为广泛，涵盖了生活中各种各样的物体，如自行车、动物、人、车等等。进入深度学习时代以来，物体检测发展主要集中在两个方向：two stage算法如R-CNN系列和one stage算法如YOLO、SSD等。
Two stage算法该类算法首先对待检测的图片进行Region Proposal(候选区)提取，与滑动窗口所不同的是，Region Proposal利用了图像中的纹理、颜色等等信息，因此其产生的候选窗口数量更少，质量更高。相对于传统的目标检测算法，这类算法并没有完全抛弃Region Proposal这个设计理念，只不过使用相应的算法大大减少了Region Proposal的数量。Region Proposal提取出候选窗口后，剩下的就是利用深度神经网络对这些候选窗口自动提取特征并进行分类。然后合并包含相同目标的区域，最后输出我们要检测的目标区域。这类算法以RCNN ,Fast-RCNN ,Faster-RCNN ,SPP-net ,R-FCN为代表。 |