目標檢測 = 目標定位 + 目標分類： 利用圖像處理技術、 機器學習等多方向的知識， 從圖像（視頻）中定位感興趣的對象。目標分類負責判斷輸入的圖像中是否包含所需物體（object）， 目標定位則負責表示目標物體的位置， 並用外接矩形框定位。
不管是哪種方法，想要從一個集合中找到一個物體，就是要抓住它區別於其他物體的地方：特徵。
傳統目標檢測算法的典型代表：
1.SIFT算法（Scale-invariant feature transform）
平時生活中，用人眼去看一張照片時，隨着觀測距離的增加，圖像會逐漸變得模糊。那麼計算機在“看”一張照片時，會從不同的“尺度”去觀測照片，尺度越大，圖像越模糊。
那麼這裏的“尺度”就是二維高斯函數當中的σ值，一張照片與二維高斯函數卷積後得到很多張不同σ值的高斯圖像，這就好比你用人眼從不同距離去觀測那張照片。所有不同尺度下的圖像，構成單個原始圖像的尺度空間。“圖像尺度空間表達”就是圖像在所有尺度下的描述。
尺度是自然客觀存在的，不是主觀創造的。高斯卷積只是表現尺度空間的一種形式。
(參考 https://blog.csdn.net/weixin_38404120/article/details/73740612)
特徵穩定，對旋轉、尺度變換、亮度保持不變性，對視角變換、噪聲也有一定程度的穩定性；缺點是實時性不高，並且對於邊緣光滑目標的特徵點提取能力較弱。
2.SURF（Speeded Up Robust Features）
參考（https://www.cnblogs.com/jinjidexuetu/p/90ace4e8de574e3d5f4e6ac16a0dc157.html）
3.ORB
4.FAST
基於深度學習的目標檢測算法
1.基於分類的 R-CNN 系列目標檢測框架（two stage）
RCNN，spp-net，fast-rcnn，faster-rcnn
2.目標檢測轉換爲迴歸問題的算法（single stage）
YOLO，YOLO9000 和 SSD