Faster R-CNN是當前目標檢測領域內性能最好的算法之一，它將RPN（Region Proposal Network）網絡和Fast R-CNN網絡結合到了一起，實現了一個端到端的目標檢測框架。作者Shaoqing Ren在github上公開了源代碼，可以很方便地在自己的機器上進行測試。本文記錄的是Ubuntu14.04下配置和測試Faster R-CNN的過程，其中包括Caffe的安裝和編譯過程，針對的是Matlab和僅使用CPU的環境。
文章arXiv鏈接：
https://arxiv.org/abs/1506.01497
下載源代碼
Matlab源碼鏈接：
https://github.com/ShaoqingRen/faster_rcnn
Python實現源碼：
https://github.com/rbgirshick/py-faster-rcnn
下載源碼faster_rcnn-master.zip以及其中的caffe源碼，解壓至本地目錄。
安裝編譯Caffe
1.安裝依賴項[1]
sudo apt-get install libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev libhdf5-serial-dev protobuf-compiler
sudo apt-get install --no-install-recommends libboost-all-devsudo apt-get install libatlas-base-devsudo apt-get install the python-devsudo apt-get install libgflags-dev libgoogle-glog-dev liblmdb-dev# glog
wget https://google-glog.googlecode.com/files/glog-0.3.3.tar.gz
tar zxvf glog-0.3.3.tar.gz
cd glog-0.3.3
./configure
make && make install
# gflags
wget https://github.com/schuhschuh/gflags/archive/master.zip
unzip master.zip
cd gflags-master
mkdir build && cd build
export CXXFLAGS="-fPIC" && cmake .. && make VERBOSE=1
make && make install
# lmdb
git clone https://github.com/LMDB/lmdb
cd lmdb/libraries/liblmdb
make && make install2.編譯
Caffe可以採用Make或者CMake兩種方式來編譯，我使用的是Make，且編譯之前需要根據個人情況修改caffe目錄下的Makefile.config.example文件。具體需要修改的地方如下：
- 僅使用CPU的情況下，需要取消該文件中
CPU_ONLY := 1的註釋。 - 指定Matlab的安裝路徑，我的是
MATLAB_DIR := /usr/local/MATLAB/R2016a。
修改完成後，執行如下命令：
cp Makefile.config.example Makefile.config
make clean
make all
make test
make runtestmake matcaffe之後在matlab/+caffe/private目錄下將會生成caffe_.mex64文件，可以直接被Matlab調用。
3.測試示例[2]
在正式測試前，需要下載訓練好的caffemodel文件[3]。有兩種方式，直接在瀏覽器裏輸入地址下載，也可以運行腳本文件下載。我選擇直接用瀏覽器下載，下載地址如下：
http://dl.caffe.berkeleyvision.org/bvlc_reference_caffenet.caffemodel
該模型文件243.9M，下載完成後將其拷貝到caffe根目錄下的models/bvlc_reference_caffenet/文件夾中。
接着啓動Matlab，切換到caffe的根目錄，將caffe_.mex64的路徑添加進來，便於加載。
addpath('./matlab/+caffe/private');I = imread('../../examples/images/cat.jpg');
[scores, maxlabel] = classification_demo(I, 0);Elapsed time is 0.025054 seconds.
Elapsed time is 1.069503 seconds.
Cleared 0 solvers and 1 stand-alone nets
從圖中可以看出，該圖片被分到第282類的概率最高。至此，程序測試完成，說明Caffe安裝配置成功。
配置運行Faster R-CNN
Faster R-CNN的配置和運行十分簡單，啓動Matlab，切換到faster_rcnn目錄下。運行faster_rcnn_build.m，在僅使用CPU的情況下，Compiling nms_gpu_mex時會出錯[4]。但是其他能夠編譯成功，這裏不用擔心。
run faster_rcnn_build.m
run startup.m獲取訓練好的模型，可以通過執行文件下載：
run fetch_data/fetch_faster_rcnn_final_model.m個人建議直接通過作者github主頁上的鏈接來下載模型，地址在主頁最後一行給出，選擇其一下載。
3.Final RPN+FastRCNN models: OneDrive, DropBox, BaiduYun
模型較大，下載完成後直接將其解壓至faster_rcnn根目錄下。
在experiments目錄下有測試文件，因爲只使用CPU，運行前需要將其設置爲不使用GPU。
experiments/script_faster_rcnn_demo.m
文件中的第3、4行需要註釋掉，第9行的opts.use_gpu改爲false。以下是修改後的代碼，
%% -------------------- CONFIG --------------------
opts.caffe_version = 'caffe_faster_rcnn';
% opts.gpu_id = auto_select_gpu;
% active_caffe_mex(opts.gpu_id, opts.caffe_version);
opts.per_nms_topN = 6000;
opts.nms_overlap_thres = 0.7;
opts.after_nms_topN = 300;
opts.use_gpu = false;
opts.test_scales = 600;此外，由於VGG16模型較大，運行過程中會崩潰，因此將模型改爲ZF，修改後如下：
% model_dir = fullfile(pwd, 'output', 'faster_rcnn_final', 'faster_rcnn_VOC0712_vgg_16layers'); %% VGG-16
model_dir = fullfile(pwd, 'output', 'faster_rcnn_final', 'faster_rcnn_VOC0712_ZF'); %% ZF至此，修改完畢。執行該程序，能夠正常運行說明測試成功。我的處理器是Intel® Core™ i7-2600 CPU @ 3.40GHz × 8 ，輸出如下信息：
001763.jpg (500x375): time 3.258s (resize+conv+proposal: 2.452s, nms+regionwise: 0.806s)
004545.jpg (500x375): time 4.073s (resize+conv+proposal: 2.543s, nms+regionwise: 1.530s)
000542.jpg (500x375): time 3.064s (resize+conv+proposal: 2.526s, nms+regionwise: 0.538s)
000456.jpg (500x375): time 3.757s (resize+conv+proposal: 2.497s, nms+regionwise: 1.259s)
001150.jpg (500x375): time 3.400s (resize+conv+proposal: 2.481s, nms+regionwise: 0.919s)
mean time: 3.510s
Cleared 0 solvers and 2 stand-alone nets
參考文獻：
[1]http://caffe.berkeleyvision.org/install_apt.html
[2]http://www.aichengxu.com/view/2422137
[3]http://www.cnblogs.com/denny402/p/5111018.html
[4]http://blog.csdn.net/qq_30040223/article/details/48491997