之前我们都是识别一张图片中的单一物体，在实际应用过程中，会遇到问题，就是我们需要识别的物体，未必会给我们机会去“摆拍”。
我们想要的数据是这样的：
实际上我们从摄像头得到的是这样的：
不仅要识别目标，更需要对目标进行定位 ——没有人会帮我们用截图工具从第二张图中“抠图”，得到第一张图中的样式，再给我们去训练深度学习模型。
如何在上图中识别车辆和行人？（以SSD为例子）
一、物体识别与定位原理
1、思路一——基于网格搜索
首先是物体 识别问题 ，CIFAR-10 给出了物体的截图信息：
根据这些截图训练出一个分类器来：
model.fit_generator(datagen.flow(X_train, Y_train, batch_size=batch_size), nb_epoch=nb_epoch, validation_data=(X_test, Y_test), callbacks=[tb])
训练好分类器 model 之后，可以载入新的图片，用训练好的模型预测分类结果：
# 使用训练好的模型，预测输入图片属于 CIFAR-10 哪个类 import cv2 NEW_IMG_MATRIX = cv2.imread("test.png") NEW_IMG_MATRIX = cv2.resize(NEW_IMG_MATRIX, (32, 32)) predictions = model.predict(NEW_IMG_MATRIX)
有了分类器，接下来就是用分类器扫描整张图像，定位特征位置。关键就是用什么算法扫描？
方法一：将图片分成若干网格，用分类器一格一格的扫描
这种方法的问题：
1、目标正好处在两格的交界处，这样分类器的结果在两边都不显著，容易造成漏报（True Negative）
2、目标过大或过小，导致网格结果不显著，也容易遭成漏报。
解决这两个问题的方法：
1、可以采用互相重叠的网格，比如一个网格大小是 32x32 像素，那么就网格向下移动时，只动 8 个像素，走四步才完全移出以前的网格。
2、可以采用大小网格相互结合的方法，32x32 网格扫完，64x64 网格再扫描一次，16x16 网格也再扫一次。
带来的问题：我们为了保证准确率，对同一张照片扫描次数过多，严重影响了计算速度，造成这种策略无法做到实时标注。也就是说，如果应用在无人驾驶汽车时，如果前面突然出现一个行人，此时模型一遍一遍扫描整个图片、终于完成标注之后，可能已经是三四秒以后了，此时汽车已经开出去几十米，会造成很大的危险。
2、思路二——深度学习框架对网格搜索的改进
为了快速、实时标注图像特征，对于整个识别定位算法，就有了诸多改进方法。
一个最基本的思路是，合理使用卷积神经网络的内部结构，避免重复计算。
用卷积神经网络扫描某一图片时，实际上卷积得到的结果已经存储了不同大小的网格信息，这一过程实际上已经完成了我们上一部分提出的改进措施，如下图所示，我们发现前几层卷积核的结果更关注细节，后面的卷积层结果更加关注整体：
对于问题1，如果一个物体位于两个格子的中间，虽然两边都不一定足够显著，但是两边的基本特征如果可以合理组合的话，我们就不需要再扫描一次。而后几层则越来越关注整体
对问题2，目标可能会过大过小，但是特征同样也会留下。
也就是说，用卷积神经网络扫描图像过程中，由于深度神经网络本身就有好几层卷积、实际上已经反复多次扫描图像， 以上两个问题可以通过合理使用卷积神经网络的中间结果得到解决 。
在 SSD 算法之前，MultiBox，FastR-CNN 法都采用了两步的策略，即第一步通过深度神经网络，对潜在的目标物体进行定位，即先产生Box；至于Box 里面的物体如何分类，这里再进行第二步计算。此外第一代的 YOLO 算法可以做到一步完成计算加定位，但是结构中采用了全连接层，而全连接层有很多问题，并且正在逐步被深度神经网络架构“抛弃”。
SSD 就是一种一步完成计算、不采用全连接层的计算架构。一步到位的计算框架可以使计算速度更快，并且由于完全抛弃全连接层，全连接层带来的过拟合问题也会得到改善。
二、SSD
大体思路，使用VGG深度神经网络的前五层，再额外加6层，然后提取其中几层（4,7,8,9,10,11）经过卷积后的结果，进行网格搜索，找到目标特征。
在卷积的结果中搜索网格的位置：
这里的关键是生成网格。
首先，由于 3x3 大小的卷积核，在卷积神经网络部分已经扫描了整个输入图像，并且还反复扫了很多层，所以这里不再需要考虑手动分网格是否会遗漏信息，因为各种卷积核已经将整张图像完全扫描一遍了。
同时，我们注意到 VGG16卷积层的像素大小在逐步降低，而各层表示的都是同样的输入图像，也就是说，单个像素所能表征的物体大小，是在逐步增加的，所以也不需要考虑物体大小的影响。
根据刚才的网络定义，SSD 会在 4、7、8、9、10、11 这六层生成搜索网格(Anchor Boxes)，并且其位置也是固定的。这几层搜索网格特征如下：
单个网格增强得到网格数目 = 1(原有) + 1(同时缩小) + 网格增强数目/2（长缩小宽放大、长扩大宽缩小）
网格增强比例，指的是在同一位置，原有宽度乘以一个系数、长度除以一个系数，得到新的长宽。当这个系数是 2 时，增强结果如下图：
整个过程如图所示：
