目标检测 = 目标定位 + 目标分类： 利用图像处理技术、 机器学习等多方向的知识， 从图像（视频）中定位感兴趣的对象。目标分类负责判断输入的图像中是否包含所需物体（object）， 目标定位则负责表示目标物体的位置， 并用外接矩形框定位。
不管是哪种方法，想要从一个集合中找到一个物体，就是要抓住它区别于其他物体的地方：特征。
传统目标检测算法的典型代表：
1.SIFT算法（Scale-invariant feature transform）
平时生活中，用人眼去看一张照片时，随着观测距离的增加，图像会逐渐变得模糊。那么计算机在“看”一张照片时，会从不同的“尺度”去观测照片，尺度越大，图像越模糊。
那么这里的“尺度”就是二维高斯函数当中的σ值，一张照片与二维高斯函数卷积后得到很多张不同σ值的高斯图像，这就好比你用人眼从不同距离去观测那张照片。所有不同尺度下的图像，构成单个原始图像的尺度空间。“图像尺度空间表达”就是图像在所有尺度下的描述。
尺度是自然客观存在的，不是主观创造的。高斯卷积只是表现尺度空间的一种形式。
(参考 https://blog.csdn.net/weixin_38404120/article/details/73740612)
特征稳定，对旋转、尺度变换、亮度保持不变性，对视角变换、噪声也有一定程度的稳定性；缺点是实时性不高，并且对于边缘光滑目标的特征点提取能力较弱。
2.SURF（Speeded Up Robust Features）
参考（https://www.cnblogs.com/jinjidexuetu/p/90ace4e8de574e3d5f4e6ac16a0dc157.html）
3.ORB
4.FAST
基于深度学习的目标检测算法
1.基于分类的 R-CNN 系列目标检测框架（two stage）
RCNN，spp-net，fast-rcnn，faster-rcnn
2.目标检测转换为回归问题的算法（single stage）
YOLO，YOLO9000 和 SSD