传统目标检测算法综述

一 Viola-Jones（人脸检测）

1.Haar特征抽取

•     Haar特征（value = 白-黑）

           

• Adaboost算法

        初始化样本的权重w，样本权重之和为1

        训练弱分类器

        更新样本权重

        循环第二步

        结合做个分类器结果，进行投票

2.训练人脸分类器

3.滑动窗口

二 HOG + SVM（行人检测，Opencv实现）

1.提取HOG特征

    HOG特征：

• 灰度化+Gamma变换
• 计算梯度map
• 图像划分成小的cell，统计每个cell梯度直方图
• 多个cell组成一个block，特征归一化
• 多个block串联，并归一化

2.训练SVM分类器（通过去寻找两种样本空间上的最大分类间隔面来进行建模）

3.利用滑动窗口提取目标区域，进行分类判断

4.NMS

5.输出检测结果

三 DPM（物体检测）

1.2009年Pedro Felzenszwalb提出

2.VOC，07，08，09年的检测冠军

3.2010 VOC 授予“终身成就奖”

4.HOG的扩展

5.利用SVM训练得到物体的梯度

步骤：

• DPM特征提取（有符号梯度；无符号梯度）

• 计算DPM特征图
• 计算响应图（root filter和part filter）：（表示当前区域可能为目标的值，这个值可以理解为能量分布，当前能量分布越高的时候，可能为目标区域的可能性就越大）
• latent SVM分类器训练
• 检测识别

四 NMS（非极大值抑制算法）

    目的：为了消除多余的框，找到最佳的物体检测的位置

    思想：选取那些邻域里分数最高的窗口，同时抑制那些分数低的窗口，首先对所有的检测框按照它们的得分进行排序，这个得  分就是我们利用分类器进行分类的时候得到的概率值，选出得分最大的检测框，然后将那些同这个得分最大的检测框的iou面积大于某些阈值的框，也就是重叠率高的那些框删除。同样也会有一些检测框同当前的检测框完全不重叠的，或者重叠面积非常小，接下来我们就可以对那些没有处理过的检测框重新进行排序，排序完成之后同样会选出一个得分最大的检测框，以此类推。不断迭代这个过程，直到所有的检测框都被处理过之后，输出最终的检测结果。

改进：Soft-NMS（非极大值抑制算法）

    我们直接采用阈值来对检测框进行判定是不太合理的，处理起来过于粗暴

1.相邻区域内的检测框的分数进行调整而非彻底抑制，从而提高了高检索率情况下的准确率

2.在低检索率时仍能对物体检测性能有明显提升