本文将opencv的contrib库中的dnn模块下的SSD检测方法的demo运行过程作以记录。
运行环境：win7 64位旗舰版，opencv3.1以及contrib库。
opencv dnn模块
到写本文的时间，opencv已经出到3.2版本了，由于之前装了3.1故版本没有更新，不过一般建议使用最新版本，新版本在兼容性和速度上都会有提升。
我们这里只使用contrib库的dnn模块，并且读取以及训练好的模型来进行检测。下面是opencv3.2的dnn模块简介。
上面的介绍，我们可以看出，dnn模块支持caffe、TensorFlow、torch三种深度学习框架。也可以自己写网络层，读取网络结构和已经训练好的模型。
SSD方法
该方法在YOLO的基础上增加了多尺度的处理，对于不同尺寸的目标有了更好的检测效果，提高了准确率，同时还去掉了一些全连接层以提高检测速度。作者的实验中SSD300模型可以达到46FPS，同时VOC2007的mAP也达到了77.2。
demo运行
准备工作
1.使用cmake编译opencv以及contrib库（官网下载）。
2.下载SSD模型，在上述的主页中可以下载，这里我用的是VGG_VOC0712_SSD_300x300_iter_120000.caffemodel及其对应的结构deploy.prototxt。
开始运行
1.在..\opencv_contrib-master\modules\dnn\samples下面的ssd_object_detection.cpp就是官方给出的例子。
与以往不同的是，这个例程使用了opencv的
CommandLineParser类，这是个命令行解析类，详情参见这篇博客OpenCV中CommandLineParser类。编译过后我们可以使用命令行来输入参数，这里我们直接在vs中调试。参数修改如下：
-
const char* about = "This sample uses Single-Shot Detector "
-
"(https://arxiv.org/abs/1512.02325)"
-
"to detect objects on image\n"; // TODO: link
-
-
const char* params
-
= "{ help | false | print usage }"
-
"{ proto |deploy.prototxt| model configuration }"
-
"{ model |VGG_VOC0712_SSD_300x300_iter_120000.caffemodel| model weights }"
-
"{ image |rgb.jpg | image for detection }"
-
"{ min_confidence | 0.5 | min confidence }";
修改参数后直接运行会报错，一般都是读取网络结构时，没有xxx层或者读取出错。这里我们按照报错以及给出的VGG_VOC0712_SSD_300x300_iter_60000.prorotxt来修改deploy文件。
（1）Normalize->NormalizeBBox
（2）norm_para->normalize_bbox_para
（3）step->#step (注释掉)
（4）offset->#offset（注释掉）
以上在文件中查找并替换就可以了。
3.运行
接下来就可以直接运行demo了。结果如下：
