目标检测算法基础介绍---（2）传统目标检测（笔记）

传统目标检测算法基本流程

候选框的提取通常采用滑动窗口的方法。

滑动窗口方法：首先对输入图像进行不同窗口大小的滑窗进行从左往右、从上到下的滑动。每次滑动时候对当前窗口执行分类器(分类器是事先训练好的)。如果当前窗口得到较高的分类概率，则认为检测到了物体。对每个不同窗口大小的滑窗都进行检测后，会得到不同窗口检测到的物体标记，这些窗口大小会存在重复较高的部分，最后采用非极大值抑制(Non-Maximum Suppression, NMS)的方法进行筛选。

特征提取：
底层特征：颜色、纹理…
中层次特征：基于低层特征进行机器学习挖掘后的那些特征。
高层次特征：将低层次特征或者中层次特征进一步挖掘和表示后的特征，如：人是否戴帽子戴眼镜什么的。

（1） Viola-Jones（人脸检测）

• Harr特征提取
• 训练人脸分类器（Adaboost算法等）
• 滑动窗口 （问题：互动窗口的步长好大小）

Haar特征
主要是差分。
四种基本特征：

value=白 - 黑
第一种表示相邻像两个素点，4个方向进行差值，0度，180度，45度，135度，
第二种线性特征，宽的区域表示两个像素点。
第三种中心特征，相邻区域同中心点进行差分。像LDP特征。
第四种多个像素点彼此的关系。
最终选取所抽取的直方图，差分运算本身就是在梯度求解。因此Haar特征属于文理特征。

Adaboost算法
属于集成学习方法。

• 初始化样本权重w，样本权重之和为1
• 训练弱分类器
• 更新样本权重（分类错误的样本加大权重）
• 循环第二步
• 结合各个分类器结果，进行投票

（2）HOG + SVM （行人检测、opencv实现）

• 提取HOG特征
• 训练SVM分类器
• 利用滑动窗口提取目标区域，进行分类判断
• NMS
• 输出检测结果

HOG特征
也属于纹理特征的一种。

• 灰度化 + Gamma 变换 （对值进行根号求解）
• 计算梯度map （计算每一个点在x、y方向的梯度值，利用梯度值到梯度夹角，即得到tan = x/y，求方向角）
• 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 （拼接）
• 多个block串联，并归一化
  与量化角度和cell大小有关系（cell越小，梯度维度越大），通常维度会很大。

SVM
与Adaboost不同，但都能完成分类，都属于分类器。
它是通过寻找两种样本在样本空间内的最大分类间隔面来进行建模，分类间隔面如下：

保证两条虚线能将两类分开，害的保证两条虚线的间隔最大。最终找的分类间隔面就是中间的实线。二维就是一条直线，多维的就是一个超平面。
松弛变量就是分类器能接受多大的误差。

（3）DPM（物体检测）

DPM特征提取

• 有符号梯度
• 无符号梯度
  
  有符号：整个角度空间表示为18维向量，0 ~ 360度
  无符号：0 ~ 180度，每个cell得到27维直方图
  HOG中多维情况是采用PCA对HOG进行降维。
  DPM是采用一种逼近PCA的方法进行近似处理，就是对每一个cell所提取的27维直方图进行求和表示，水平方式累加求和4个值，垂直求和27个值，在进行拼接得到最终31维的特征向量。累加方式速度有所提升。

DPM（物体检测）

• 计算DPM特征图
• 计算相应图（roof filter和part filter） （就是当前区域可能为目标区域的一个值，理解为能量分布）
• Latent SVM分类器训练
• 检测识别

NMS（非极大值抑制算法）

• 目标：为了消除多余的框，找到最佳的物体检测位置
• 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。
• Soft-NMS（改进算法）

Soft-NMS

• 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。
• 在低检索率时仍能对物体检验性能有明显提高
  
  左边是NMS，右边Soft-NMS

来自慕课笔记。