（2） 基于SVM：HOG+SVM or DPM等
（3） 模版匹配（特殊情况下可以用到）
人工特征和LBP，HAAR特征级联分类器容易出现找不到目标的情况，但是优点是响应速度快，硬件投入低，训练模型快速
因为有时候找不到目标所以舍弃。
2、现在采用深度学习的方法，主要尝试了以下几种方法
（1）cnn fast-cnn faster-cnn 该类方法主要是基于region proposal(two stage) 有响应慢的特点 但是目标找到的返回率很高，
因为我们的样本是固定的背景，并且货品目标不存在差异，所以找到目标的概率可以满足需求。
（2）为了满足响应速度，采用了yolo算法和ssd算法，yolo算法的优势在于响应速度快，但是目标查找成功率较低，网传性能为
泰坦显卡X版本可以达到100张图片每秒。由此计算，一个GPU可以同时管理几百个货柜，因为一个人开关一个柜子大概需要几秒钟时间。
（3）为了提高精度采用和yolo同样基于基于回归(one stage)的SSD算法，SSD算法因为结合了YOLO和anchor进行检测所以可以
达到和上述基于region proposal(two stage)同样的精度。
其实还有个叫做DSSD，因为DSSD为了提高精度所以在SSD网络后面加入了新的连接层，速度较慢。详见下图结构（比较SSD和DSSD）
综上所述采用SSD算法，测试SSD算法结果如下：
本机win10系统，CPU 14核心28线程 
训练时间为7天（该截图为昨晚迭代计时）如果用腾讯云GPU服务器可以缩短到几个小时，也就是几个小时就可以上新货。
测试代码如下（使用VOC07数据集训练结果）：
开始时间：
结束时间：
处理一千张图片 总共耗时 466秒 通过计算 该机器的处理速度为 每秒2.15张，所以网传速度较为真实。
测试图片如下：
原文地址：http://blog.51cto.com/yixianwei/2086347
