图像目标检测方法有多种，由简到难，如下：

• 第一阶段：
  使用传统cv方法进行目标检测、匹配
  样本量：1张标准图
• 第二阶段：
  使用机器学习HOG特征检测/SVM分类器
  样本量：每个模型100张图片
• 第三阶段：
  使用深度学习训练模型。
  样本量：每个模型500张图片
  ——————————————————————————————

传统方法：

理论基础：

1. 物体轮廓上关键点可代表物体特征
OpenCV的匹配方法：
1）Sift角点检测
2）Surf角点检测
3) Orb角点检测
2. 尺度不变特征：亮度，清晰度，旋转，缩放，颜色发生什么改变，轮廓特征都是明显的
例1：拼图

15246d178a96b8a714135fca5a4c55fb.jpeg

具体方法：

1. 二值化处理（黑白图），凸显出轮廓

20200519.jpg
2. 找到轮廓上的特征点
20200519.jpg
3. 特征点按照特征描述符进行匹配（对应连线）
OpenCV匹配方法：
1）BF_match：暴力匹配，一一对应
2）Knn_match： 返回k个可能与原点最匹配的点集，自行筛选，
3）Flann_match：适合大型数据集
例1:
20200519.jpg
例2: 联合丽华comp.png
———————————————————————————————
仿射/透视变换，是同一个物体，但是特征不一样
仿射变换：
截屏2020-05-19 上午11.31.14.png
透视变换：
截屏2020-05-19 上午11.31.53.png
———————————————————————————————
4. 标准图关键点集kp1 -> 匹配图关键点集kp2，中间经历了一堆变化，用矩阵M来代替这所有的变换，M是可以通过数理方程求解出的
截屏2020-05-19 上午12.46.49.png
OpenCV：
步骤1）Ransac去除坏点
在匹配过程可能会有一些错误，而这些错误会影响最终结果
Ransac原理：
a. 随机从数据集中随机抽出4个样本数据 (此4个样本之间不能共线)，计算出单应矩阵H，记为模型M；
b.计算数据集中所有数据与模型M的投影误差，若误差小于阈值，加入内点集 I ；
c.如果当前内点集 I 元素个数大于最优内点集 I_best , 则更新 I_best = I，同时更新迭代次数k ;
d.如果迭代次数大于k,则退出 ; 否则迭代次数加1，并重复上述步骤；
截屏2020-05-19 上午1.27.18.png
截屏2020-05-19 上午1.27.28.png
步骤2）求解单应性矩阵M

**5. 将标准图通过M变换到标准图’ **

截屏2020-05-19 上午11.17.32.png
6.标准图’的位置 = 标准图在测试图中的位置
image.png

缺点

1. 曲面无法检测
例子

2. 同一张图内 有多个目标 无法分开检测
解决方法：HOG/SVM行人检测
（如白色或纯色背景，可以分割图片分别检测；复杂背景无法分割）

20200519.jpg
3.角点检测，需要角点特征明显
如图形中出现大量圆形 or 简单图片，反而难以检测。（目标越复杂，越精准）
例1: 截屏2020-05-19 上午12.32.45.png
例2: 截屏2020-05-19 上午12.35.02.png
例3: pepsi_cn_s.png