DPM（Deformable Parts Models）-----目标检测算法理解

DPM（Deformable Parts Models）翻译成中文是可变型部件模型，是一种用于目标探测的方法。

首先说一下什么是目标探测。

目标探测概念：我的理解，目标探测就是输入一幅图像，输出该图像中包含的物件以及该物件的位置，或者输入一幅图像，探测该图像中是否有目标物件。所以，总得来说目标探测需要完成两大目标，一是寻找物件的位置，二是识别该物件。目标探测的任务是实现单个目标或多个目标的识别。

目标探测应用：目标探测常用于无人驾驶。

然后说一下解决该任务的传统方法DPM。

DPM方法在2012年之前在目标探测领域都是应用非常广泛的一种方法，但是在12年之后，这种方法逐渐走下没落。

DPM算法思想：输入一幅图像，对图像提取图像特征，针对某个物件制作出相应的激励模板，在原始的图像华东计算，得到该激励效果图，根据激励的分布，确定目标位置。

制作激励模板就相当于人为地设计一个卷积核，一个比较复杂的卷积核，拿这个卷积核与原图像进行卷积运算得到一幅特征图。比如拿一个静止站立的人的HOG特征形成的卷积核，与原图像的梯度图像进行一个卷积运算，那么目标区域就会被加密。如下图所示：

那么说到这里就会出现一个问题，人在图像中可能有各种的姿态，比如躺着，趴着，坐着等等，我们只用一个静止站立状态的人的激励模板去做探测就会失败。也就是说图像中的物件可能会发生形变，那么我们用固定的激励模板去探测目标物件的时候就不再适用，那么该如何解决这一问题呢，这就引出了局部模板，也就是说，我们不做一个整体的人的激励模板，转而去做人的部分组件的模板，比如头、胳膊、腿等，其实这就是DPM算法。

DPM算法的步骤：

1、产生多个模板，整体模板以及不同的局部模板；

2、拿这些不同的模板同输入图像“卷积”产生特征图；

3、将这些特征图组合形成融合特征；

4、对融合特征进行传统分类，回归得到目标位置。

DPM算法优点：

1、方法直观简单；

2、运算速度块；

2、适应动物变形；

DPM算法缺点：

1、性能一般

2、激励特征人为设计，工作量大；

   这种方法不具有普适性，因为用来检测人的激励模板不能拿去检测小猫或者小狗，所以在每做一种物件的探测的时候，都需要人工来设计激励模板，为了获得比较好的探测效果，需要花大量时间去做一些设计，工作量很大。

3、无法适应大幅度的旋转，稳定性很差；