深度学习——目标检测常用算法实战(一)：传统检测方法

b站资源(3 4)： https://www.bilibili.com/video/av57436842/?p=3

传统检测算法巅峰三巨头：
Viola-Jones -->人脸
hog-svm -->行人
DMP -->物体

传统流程:

1 基于手工设计的特征 特征提取：（低层特征）
颜色（直方图），纹理（hog double），形状   

2 基于学习的特征（中层特征）
PCA降维 LDA空间投影

3 语义特征（高层次特征）
是否带戴帽子，眼镜

一般用12 ，

深度学习流程：

特征提取-->变为卷积神经网

候选框部分->RPN网络完成（2阶段,RCNN）， 直接回归（1阶段算法,SSD YOLO）

 

 

1 V-J 

 

2 HOG + SVM

hog属于纹理特征

 

3 DPM （目标检测--传统巅峰）

 

维度低，速度快

特征抽取分 ：
1 有符号梯度方向
2 无符号梯度方向

 

对于每个cell: 得到27维直方图
1 有符号梯度方向360量化到18维  1-18
2 无符号梯度方向180量化到9维  19-27

 

HOG: 通常用PCA对HOG降维，

DPM: 采用逼近PCA的方法，近似处理，
对每个cell的27维直方图进行求和，
水平方向上累加求和得到4个值（PS:这里的水平竖直指的下图，特征排列）
垂直方向求和，得到27个值
一共31维特征向量，

此方法好处：
避免PCA降维，其中极值分解会带来性能上消耗，
累加，性能好
较好的降维效果，与PCA近似
纬度低，速度快

进一步计算响应图，
训练SVM分类器分类识别

1 root检测（整体）
2 局部检测(头腿)