利用opengl实现光线跟踪算法_为了实现高效的人体跟踪，我测试了这些开源CV算法...

最近，yolo之父Joseph Redmon退出CV界以表达抗议，拒绝AI算法用于军事和隐私窥探。计算机视觉这把双刃剑已经日益深入到我们的生活，虽说大神已经退圈，但我们的研究还是要继续。

为了实现一套CPU独立可运行的高效人体跟踪方案，尽量降低程序的时间复杂度和空间复杂度，可应用在资源有限的嵌入式设备中，我测试了多种主流的开源算法，今天与大家一起分享。

整个方案主要分为两大部分，目标检测+目标跟踪：

 

目标检测

说到目标检测，大家脑海里可能浮现很多检测的方法。在以前，大家可能是通过传统的图像处理，手工提取特征描述子，利用滑动窗+SVM的方案来实现检测。比如在2006年，就有人通过HOG+SVM的方法实现了行人检测。

随着计算机算力的逐步提高，2012年CNN在ImageNet大赛中一鸣惊人，以高出第二名近10%的成绩将深度学习推向热潮。卷积神经网络在分类器上取得显著成效，人们很快将其应用在了目标检测当中，于是乎就有了RCNN、Fast-RCNN、Faster-RCNN三兄弟。

(图1 ALexNet网络结构)

(图2 RCNN算法流程)

2016年，yolo算法提出了一种新的单阶段检测方案，后面逐步优化，出现了v2,v3的版本。单阶段的方法省去了生成候选区域的(RPN)的步骤，所以其速度相较于二阶段的算法来说有很大的优势，但是其对于小物体的检测效果较差。从图3我们可以看出，yolo v3的速度是优于其他网络结构的。

(图3 Yolo算法性能对比)</