计算机视觉目标检测算法总结1——简介

1. 目标检测是在图片中对可变数量的目标进行查找和分类
   1. 目标种类和数量问题
   2. 目标尺度问题
   3. 外在环境干扰问题
2. 目标检测方法（深度学习）
   1. 基于一体化卷积网络的检测：Overfeat->YOLO->SSD->Retina-Net
   2. 基于Object Proposal的检测：RCNN->SPPNet->Fast RCNN->Faster RCNN->Pyramid Networks
3. 目标检测算法基本流程
   • 输入图片->候选框->特征提取->分类器判定目标or背景->NMS->输出
4. 传统目标检测方法
   • Viola-Jones
   • HOG+SVM
   • DPM
   • ...
5. 深度学习目标检测方法
   • One-stage(YOLO和SSD系列)
   • Two-Stage(Faster RCNN系列)
6. 传统目标检测算法和深度学习目标检测算法比较
   • 传统：
     • 手动设计特征
     • 滑动窗口
     • 传统分类器
     • 多步骤
     • 准确度和实时性差
   • 深度：
     • 深度网络学习特征
     • Proposal或者直接回归
     • 深度网络
     • 端到端
     • 准确度高实时性好
7. Viola-Jones(人脸检测)
   • Haar特征抽取
   • 训练人脸分类器（adaboost）
   • 滑动窗口
8. HOG+SVM（行人检测、opencv实现）
   • 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
9. DPM（目标检测）
   • HOG的扩展，利用SVM训练得到物体的梯度
   • DPM特征提取：有符号梯度和无符号梯度
   • 过程：
     • 计算DPM特征图
     • 计算响应图
     • Latent SVM分类器训练
     • 检测识别
10. 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
11. Soft-NMS（非极大值抑制算法）
    • 相邻区域内的检测框的分数进行调整而非彻底抑制，从而提高了高检测率情况下的准确率
    • 在低检测率时仍能对物体检测性能有明显提升