深度学习 - 目标检测算法

1. 传统目标检测

传统目标检测算法流程为：多尺度滑动窗口，对每个窗口进行特征提取，分类器分类。以adaboost人脸检测算法为例：

1）多尺度滑动窗口提取很多不同尺度的窗口。

2）对每个窗口进行特征提取，在人脸检测中常用的harr特征，如下图：

分别对应的特征是：边缘特征，线性特征，方向特征。特征计算方式是白色区域像素之和 - 黑色区域像素之和。

3）分类器分类，一般分为两类：背景，目标。

4）框出最佳窗口，即bounding box。

2. 基于候选区域的目标检测

经典的算法是：RCNN，fast-RCNN。基本过程介绍：

2.1 RCNN：region with cnn features

RCNN本身与上面的传统方法没有太大区别，只是使用了多尺度卷积核的卷积网来代替了人工提取特征的过程。

2.2 selective search：选择性搜索

选择性搜索就是在一张图片上提取2000个窗口（当然数目灵活选择），使之尽可能覆盖整张图片。具体来说就是先对整张图像进行图像分割（如Efficient Graph-BasedImage Segmentation基于图的图像分割算法），然后对分割后的区域进行相似度度量，然后融合（根据颜色，纹理，大小进行融合），融合后的每个区域对应一个bounding box。

2.3 warp：图像变换

将搜索到的所有bounding box，进行缩放处理，固定成同样大小。

2.4 CNN提取特征

将得到的2000个bounding box输入到卷积网，进行特征提取，并在末端添加全连接层，将得到的特征向量输入到SVM进行分类。

2.5 NMS+SVM 

IOU：交并比，假设有两个区域A，B，则IOU(A, B) = (A∩B) / (A∪B)。

NMS：非极大值抑制，主要是计算IOU来去除冗余窗口。

在训练阶段，图像包含train_x，train_y。但是我们圈出来的2000个bounding box几乎不太可能与训练图像中标注的bounding box完全重合。因此我们就要对这2000个bounding box进行标注。使用的指标就是当前bounding box与标准的bounding box的重合度IOU，比如IOU>0.5，当前bounding box就标注为目标，否则为背景。这样2000个目标都被标注之后，就可以进行SVM训练了。

2.6 回归bounding box

回归是对bounding box位置进行精调，根据分类结果中的目标回归出bounding box位置：(x, y ,w, h)，xy方向的平移和缩放。(x, y)为目标中心位置。

3. 回归方法的深度学习目标检测

经典的算法是：YOLO。与RCNN不同之处在于YOLO是直接回归出bounding box的位置，设要预测的目标类别为C种，基本过程介绍：

1） 给定一个输入图像，首先将图像划分为S*S的网格。

2）每个网格预测B个边框，一个边框使用一个5维向量来表示(x, y, w, h, confidence)。

3）每个网格使用C维向量，表示每个网格属于每个类别的概率。

4）最终形成一个S*S * (5B + C)的张量。