（1）输入图像预处理；
1、图像（三通道），每个像素点减去一个均值像素，默认为（102.9801,
115.9465, 122.7717）；
2、缩放；根据插值法进行图像缩放，规则为：首先将图像最短边固定为600个像素点，最长边根据这个缩放比例进行相应调整，如果此时最长边大于1000个像素点，则将最长边固定为1000个像素，最短边根据长边的缩放比例进行相应的调整；（保证都不大于1000，也即长宽比<5:3）
（2）网络前向计算；
Faster
RCNN的检测过程，主要分为三部分（如下图）：第一部分利用VGG网络结构进行基础的特征提取；第二部分是RPN网络，负责计算可能存在目标的区域（proposals）的坐标以及判断是前景/背景以及利用RPN网络得到的目标区域再经过ROIPooling层得到相同长度的特征向量；第三部分，最后经过两个全连接层接入softmax实现具体分类和更精确的回归坐标。整体结构如下图所示：
1、基础的特征提取网络结构（vgg16）：
(我们需要处理的图像长宽比基本符合小于5:3，因此缩放后输入网络的大小通常为：（800,600,3）)
2、RPN网络：
产生anchor
box
conv5_3对应的特征图大小为50×38，每个位置将产生9个不同尺度和长宽比的anchor
box，用于目标区域位置的计算。9个boxes的坐标为：array([
[ -83., -39., 100., 56.],
[-175.,-87., 192., 104.],
[-359.,-183., 376., 200.],
[-55., -55., 72., 72.],
[-119.,-119., 136., 136.],
[-247.,-247., 264., 264.],
[-35., -79., 52., 96.],
[-79., -167., 96., 184.],
[-167.,-343., 184., 360.]])
计算这些boxes在原图像上的实际坐标（从原图像到conv5_3的映射，其实就是缩小了16倍），保证conv5_3每个特征点位置对应原图像上9个boxes，如下图所示，在实际图像中包含的boxes个数为50×38×9。
rpn网络结构：
proposal(Python)层操作：rpn_bbox_pred得到四个数值，并不是实际的坐标值，而是4个修改量（boundingbox
regression），再根据上面计算的anchor
boxes对应在原图像中的坐标，就可以计算回归得到的实际坐标(bounding boxes)：
得到实际坐标之后，会存在一些坐标超出图像边界，此时删除这类boxes.
接着根据余下的bounding
boxes对应的rpn_bbox_pred（是前景的概率）进行降序排序，根据设定的参数，提取概率较大的6000个box；然后根据nms（非极大值抑制,阈值设为0.7）再一次减小boxes的个数；最后再次根据前面的排序结果只留下300个box，用于后续的具体分类。
roi_pool5层：将proposal层产生的实际坐标值映射到relu5_3(conv5_3)层，在feature
map上产生不同区域大小的boxes，再经过ROIPooling操作得到固定长度的特征向量，我们这里固定为7*7，所以每个roi经过该层，都会得到数据大小为（channels(512),7,7），整体的数据格式为(num_rois,512,7,7)。
3、全连接网络结构：
从PoI Pooling获取到7x7=49大小的proposal feature maps后，送入后续网络，可以看到做了2个操作：
1. 通过全连接和softmax对proposals进行分类，这实际上是深度学习的识别范畴了。
2. 再次对proposals进行bounding box regression，获取更高精度的rectbox。
