常见传统目标检测算法

一 概览

首先，我们先来看下目标检测的发展历程：
1.2001年，V-J检测器诞生，主要用于人脸的检测；
2.2006年，HOG + SVM的方法出现，主要用于行人的检测；
3.2008年，rgb大神（记住这个人，后面的R-CNN系列检测算法也是出自他之手）研究出了著名的DPM算法，在深度学习方法成熟之前的很长一段时间里，就是这个算法一直在目标检测中发挥作用；

以上算法是属于传统目标检测的算法，都是基于图像处理和计算机视觉的！

------------------------------------------------------------------分割线------------------------------------------------

到了2012年CNN的崛起，开始了深度学习和计算机视觉结合的旅程！

4.2013年，出现了Overfeat；
5.2014年，rgb大神提出了大名鼎鼎的R-CNN检测算法，开始了two-stage的旅程；
6.2014年，SPPNet诞生；
7.2015年，R-CNN的快速版Fast RCNN 和 Faster RCNN，以及yolo，yolo的到来标志着one-stage检测算法的开启；
8.2016年，大家都爱的SSD到来；
9.2017-2018年，Pyramid Networks，还有Retina-Net;

二 传统目标检测算法流程

这个时期，我们提取的特征主要围绕底层特征和中层次特征来展开，像颜色，纹理等；

三 V-J检测算法

1）Haar特征提取：关于Haar特征，通俗点讲就是白色像素点于黑色像素点的差分，即value = 白 - 黑，是一种纹理特征；有多个方向，我截了个图：

2）训练人脸分类器：
最典型的当然要属Adaboost算法了，原理如下：
a 初始化样本的权重w， 权重之和为1；
b 训练弱分类器；
c 更新样本权重；
d 重复步骤b
e 最后结合多个弱分类器的结果进行投票；

3）候选框选取：
主要采用滑动窗口的方法，这里就不多说了，很简单。

四 HOG + SVM检测算法
1）主要步骤
a 提取HOG特征；
b 训练SVM分类器；
c 利用滑动窗口提取目标区域，进行分类；
d 利用NMS算法进行候选框的筛选与合并；
e 输出最后检测的结果；

2）HOG特征
a 首先对图片进行灰度化以及gamma变换；
b 计算梯度map
c 将图像划分成多个小cell，分别统计每个cell的梯度直方图
d 多个cell组成一个block，进行特征归一化
e 将多个block拼接，做归一化处理

注：HOG+SVM一般都用opencv来实现，而且HOG特征通常维度较大，一般需要PCA降维；

3）SVM

关于svm，不懂得同学可以去看我之前写的博客SVM在这里
其主要思想就是两点：最大间隔，以及核函数技巧；

五 DPM算法

2008年由rgb提出，获得了VOC数据集上的08年，09年，10年的检测冠军，2010年rgb本人也因此被VOC授予终身成就奖；

DPM算法其实是对HOG的扩展，利用svm训练得到物体的梯度；

1）DPM特征提取：分为有符号梯度和无符号梯度

2）主要步骤
a 计算DPM特征图
b 计算响应图（root filter 和 part filter）
c 利用Latent SVM分类器进行训练
d 检测识别

关于DPM算法，详细的原理介绍后面我会更新，这里就先简单阐述下；

六 NMS算法

全名叫非极大值抑制算法，该算法的主要目的是为了消除检测得到的多余框，找到目标物体的最佳位置；
主要思想是选取邻域里分数最高的box，同时抑制那些分数低的，但是这样的一种操作是hard的，不是soft的，所以有人又提出了一种Soft-NMS算法，主要思想就是对相邻区域内的box框的分数进行适当的调整，而非直接抑制，这样就提高了准确率；
调整公式：