物体检测第二步就是物体定位，我们不仅要知道他是属于哪一种物体，我们也要知道，这个物体的位置在哪里，所以就出现了物体的定位。那么如何定位这个物体呢，就需要一个边框来框出物体，由这个边框来告诉我们物体所在的位置。那么如何确定这个边框呢？可以是左下点和右上点坐标，也可以是边框中心坐标和边框的宽和高，这两种方法都有被用到。

1.3 交并比

物体检测的另一个重要概念就是物体的交并比，这个在所有目标检测算法中是不可缺少的，他的作用就是衡量两个边界框的相似度，即两个边界框相交面积与相并面积之比。公式如下：

下图用几何图形表示IOU的计算公式，可以更加直观的看出IOU是怎样计算的

1.4 非极大值抑制

物体检测的另一个基础就是非极大值抑制，它的流程如下：

1. 置信度或者其他衡量参数从高到低排序，得到列表L

2. 从L中选取最高置信度的预测边框A1为基准，移除与A1相似的预测边框

3. 重新排序列表L，从L中选取第二高置信度的预测边框A2为基准，移除与A2相似的预测边框。

4. 重复上一步骤，直到L中所有的预测边框都曾作为基准。

经过非极大值抑制之后，将多余边框去掉，之后猫和狗就剩下了一个预测边框，这个预测边框就是网络输出的结果。

1.5 目标检测分类

目标检测算法近20年的进程如图所示[1]

2016年后主要分为两种类型，一种是以YOLO为代表的一步检测法，物体的定位和分类同时实现，一步完成。另一种就是两步检测算法，物体的定位和分类是分开进行的，这一类的代表就是RCNN，Fast RCNN系列。YOLO系列我们已经讲完了，有兴趣的话可以看我之前的视频。今天我们要讲的是RCNN算法，接下来会讲Fast RCNN和Faster RCNN，最后会讲Faster RCNN的代码实现，帮助你去使用Faster RCNN训练自己的数据集。

2. RCNN [2]

2.1 Seletive search选择候选框

RCNN首先借鉴了传统的目标检测算法，传统方法采用滑动窗口来检测物体所在位置，而RCNN采用了一种新的策略：Seletive search，来选择候选框。具体步骤为：

step0：生成区域集R，具体参见论文《Efficient Graph-Based Image Segmentation》

step1：计算区域集R里每个相邻区域的相似度S={s1,s2,…}

step2：找出相似度最高的两个区域，将其合并为新集，添加进R

step3：从S中移除所有与step2中有关的子集

step4：计算新集与所有子集的相似度

step5：跳至step2，直至S为空

RCNN最后一共生成2000个标注框，标注框生成之后，将标注框归一化，使每个边框都变成224*224固定大小的图像。

2.2 候选框特征提取

将归一化之后的图像送入到网络中提取其特征，每张图片都产生一个4096的特征向量。

2.3 候选区域分类及边框微调

将产生的每一个特征特征向量在喂入到SVM中进行分类，此时SVM采用的OVR策略进行分类。如果特征向量包含目标物体，则对这个边框进行岭回归，来微调预测边框，使得边框就会更加准确。2000个边框都要经过重置大小，置入网络中提取特征，在分别进行分类和边框的微调，这样2000个边框都结束之后，图像上就只剩余包含物体的边框，而非目标物体上的边框被筛选去掉了。

2.4 非极大值抑制

这时每个物体仍然有好几个边框，这时我们要采用非极大值抑制的方法，将预选边框去除，去除流程如下：

1.每个框都会与真值框做IOU计算，按照IOU结果进行排序，A,B,C

2.计算B,C与A的IOU，如果大于设定阈值就会被舍弃掉，小于则会保留

3.保留的框重新排序，重复上述过程

经过非极大值抑制之后，每个目标物体就只剩下一个最好的预测边框了。

3. 总结

下图是论文的原始流程图，先用Seletive search在输入图像上筛选出大约2000个候选框，将候选框区域归一化到统一大小，再使用CNN对每个候选框进行特征提取，生成一个4096的特征向量，在将每个特征向量送入SVM中进行分类，在使用回归方法对候选框位置精修，之后使用NMS进行预选框最后的筛选，最后使得每个物体区域只保留一个最好的预测边框。