Faster-RCNN圖片識別
Faster-RCNN物件檢測演算法是R-CNN物件檢測的第三個版本演算法，其前面還有Fast-RCNN與RCNN演算法，由於R-CNN無法實現End-to-End訓練，Fast R-CNN Selective Search耗時比較長等原因，作者在此2版的基礎上，更新到了Faster-RCNN物件檢測演算法。
物件檢測
從下方結構圖可以看出：Faster-RCNN物件檢測演算法將特徵提取、proposal提取、Bounding Box Regression、Classification整合到一個網路中，物件檢測速度不僅有了提示還避免了前2個版本的缺點。
Faster R-CNN
Faster R-CNN物件檢測流程：
1、特徵提取(convolutional layer)：Faster R-CNN使用卷積+relu+pooling池化層提取被檢測物件的特徵。
2、區域預測網路(Region Proposal Network)：RPN透過softmax函式判斷錨點(anchors)屬於某個特徵，再利用邊界框迴歸(bounding box regression)修正anchors獲得精確的物件檢測值。
3、目標區池化(Roi Pooling)：收集輸入的特徵資料和候選目標區域，利用此層資訊提取目標區域特徵資料，然後全連線層識別圖片。
4、分類(Classification)：利用目標區域特徵資料計算太識別圖片，同時利用邊界框迴歸獲得物件檢測的精確位置。
Faster R-CNN流程圖
如何來實現Faster R-CNN，以及Faster R-CNN的具體工作是如何實現的，小編也參考了很多網友的原始碼，無奈程式碼量太大（少的也得幾千行），我們前期分享瞭如何使用opencv與MobileNet SSD的影像識別以及影片實時識別
同樣使用opencv也可以來實現Faster R-CNN的物件檢測演算法，很多程式碼都比較類似，小夥伴們也可以參考往期文章
使用OpenCV進行基於Faster R-CNN 深度學習的物件檢測
Faster R-CNN prototxt 與Faster R-CNN model模型已經共享：
回覆：RCNN 即可領取
模型一共2種：
faster_rcnn_inception_v2與faster_rcnn_resnet50，2種模型是在不同的訓練集上訓練的資料，其中faster_rcnn_inception_v2模型較小，速度較快，本期按照此模型來搭建物件檢測，其faster_rcnn_resnet50模型跟faster_rcnn_inception_v2模型的程式碼完全一致，只是修改一下模型的路徑便可
在本節中，我們將使用 OpenCV中的深度神經網路（ dnn）模組與Faster R-CNN prototxt 與Faster R-CNN model來構建我們的物件檢測器
1、模型以及第三方庫
模型以及第三方庫
首先匯入模型以及模型引數，若使用faster_rcnn_resnet50模型， 12 、13行直接修改為faster_rcnn_resnet50模型的相對地址
2、定義模型識別型別
定義模型識別型別
Faster R-CNN模型相比SSD來說，能夠識別的種類，豐富了很多，大概有100個種類，幾乎包含了生活中所能涉及的種類，當然，若你有強大的資料支撐，也可以來訓練自己的模型（後期分享如何來訓練自己的模型）
3、opencv建立神經網路
opencv建立神經網路
對比51 、52行可以知道，SSD模型是在caffe上訓練的模型，而Faster R-CNN模型是tensorflow上訓練的模型，但是強大的opencv庫使用dnn函式就能很方便的載入預訓練模型，且可以對比看出，其模型與引數檔案前後有區別
4、計算blob，進行神經網路的預測
計算blob，進行神經網路的預測
獲取圖片的長寬引數，重新調整圖片長寬為300*300，來進行圖片blob的計算，然後blob傳入神經網路來進行計算，使用前向傳播來預測圖片
5、遍歷預測值，提取設定閾值的物件
遍歷預測值，提取設定閾值的物件
此部分跟SSD物件檢測程式碼完全一致，小夥伴們可參考往期文章，此模型需要載入在opencv3.4.2版本以上。
關於此程式碼如何利用在影片檢測上，如何透過多程式來加速神經網路，請參考往期文章