传统目标检测算法总结

1. 传统 VS 深度学习

2. 传统目标检测方法

特征提取：

• 底层特征：颜色、纹理等基本特征
• 中层特征：基于底层特征通过机器学习的方法进行特征挖掘，特征学习之后得到的特征，比如 PCA（主成分分析）特征，LDA（线性判别分析）学习后的特征。
• 高层特征：将低层次，中层次特征进行进一步挖掘表示得到的特征。

2.1 Viola-Jones

• Haar特征提取（value = 白 - 黑）
  
• 训练人脸分类器（Adaboost算法等）
  
• 滑动窗口

2.2 HOG+SVM（主要用于行人检测、Opencv实现）

• 提取HOG特征
  - 灰度化 + Gamma变换
  - 计算梯度map
  - 图像划分为小的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
• 训练SVM分类器（可参考周志华--《机器学习》）
  - 最大分类间隔面（KKT条件）
  
• 利用滑动窗口提取目标区域，进行分类判断
• 非极大值抑制（NMS）
• 输出检测结果

2.3 DPM（物体检测）

• 2008年，由Pedro Felzenszwalb提出
• VOC数据集，07，08，09年的检测冠军
• 2010年，VOC授予“终身成就奖”
• 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
  - 无符号梯度
  
  - 计算DPM特征图

   - 计算响应图（root filter 和 part filter）
   - Latent SVM分类器训练
   - 检测识别
  

  

2.4 非极大值抑制

• 目的：为了消除多余的框，找到最佳的物体检测位置 。
• 思想：选取那些邻域分数最高的窗口，同时抑制那些分数低的窗口
• Soft-NMS

Soft-NMS算法

• 相邻区域内的检测框的分数进行调整而非彻底抑制，从而提高了高检索率情况下的准确率
• 在低检索率时仍能对物体检测性能有明显提升
  
  左图为NMS，右图为Soft-NMS