摄像头设置：我们在客厅设置了一些立体摄像头。即，监测室内环境。对于立体相机，使用广角镜头（3.5mm）来覆盖很大的体积。
离地面的高度约为2.8米。物体（如杯子、瓶子、电话）至少距离 3 米。例如，距离相机 3 米的物体 (75mmx102mm) 在相机图像中用 15x20px 表示。因此，图像在远场变得越来越小。
我有大约 30 种不同的物体需要识别。
我不使用深度信息，因为它不是那么准确。我只使用来自单个相机的 RGB 值。图像分辨率为 1360 x 1024 像素。
方法：1.点检测器/描述符，匹配（数据库中的一些模型，并逐个检查匹配）2.视觉世界包+SVM分类（5个对象类别）
我有使用 Haar-cascade 的经验，但我从未尝试过解决当前的问题。
我应该尝试调查哪些方法/方法？
先感谢您，
我在这里分享你关于深度无用的假设。
基于点检测器的方法#1似乎也无用，因为您的参考（学习）图像和真实图片中对象的表示之间可能存在比例差异，而实际图片中的对象表示如此之大以至于点检测变得无用。信息不在同一级别。
因此，您只剩下方法 #2了，这听起来很合理，因为它也或多或少是对象检测基准中的最新技术。您可以通过使用具有真实（测试）图像中对象大小的训练图片集来提高系统的性能。
此外，您将仅使用现有关键点的描述符部分并将其应用于滑动窗口。由于 oyu 对对象的分辨率很差，我相信类似 SIFT 的描述符（例如，HoG）的性能会很差，而二进制描述符（LBP、BRISK、FREAK、ORB）可能会表现得更好（它们对像素的依赖性较小准确的分辨率）。
此外，如果您的对象非常不同，您可以尝试简单的图像关联（再次使用缩小到测试图片中对象实际大小的学习图像）。