通过你的描述我认为，原始数据和间接数据其实是指的特征维度的不同的关系，可以通过分析数据的特征之间的关系来解答你的问题：
1.当某个维度特征是其他维度特征的线性组合的时候，在特征空间上这个维度特征是和其他特征线性相关的，也就意味着他并没有扩展特征空间，这种特征对于数据来说是可以替代的，对于大多数学习算法来说，都是可以被很好地学习的，而其数据本身如果只是单纯由已知的数据进行计算得到的话，那么其对于一般不会提升模型性能。（意味着其是冗余的）；但是如果该数据是并非来自已知的数据，那么就可以为模型提供新的信息，这个信息来自于已知特征维度之间的线性或者非线性组合关系。
2.如果某个维度特征和其他维度特征是非线性的，甚至高度非线性的，又或者是独立于其他维度特征的，那么就会带来新的信息，这时候是对于模型来说是有好处的，有可能能够提升模型的性能。
我认为可以参考像是核方法一类的理论，都是将数据投射到更高的维度上，使得线性可分的可能性更大，从而让模型更容易找到答案。

不是大佬。
如果使用传统视觉算法，根据你的描述应该是大部分待检测物体是具有直线特征的，可以考虑边缘检测+霍夫曼变换+直线检测。传统视觉算法重点在于抓住哪个特征来做，然后找相对应的方法就可以。
如果用神经网络，直接拿 YOLO 、SSD 、RCNN 系列当目标检测任务来试试。

五源牛肉干，便宜好吃