目标检测之Selective Search原理

对于目标检测往往第一步就是生成可能的region proposal，但是region proposal是如何获取的？

下面介绍一下最常见的方法Selective Search方法。

首先通过简单的区域划分算法，将图片划分成很多小区域，再通过相似度和区域大小（小的区域先聚合，这样是防止大的区域不断的聚合小区域，导致层次关系不完全）不断的聚合相邻小区域。

那么如何进行合并聚合呢？

即是：

step0：生成区域集R。
step1：计算区域集R里每个相邻区域的相似度S={s1,s2,…}。
step2：找出相似度最高的两个区域，将其合并为新集，添加进R。
step3：从S中移除所有与step2中有关的子集。
step4：计算新集与所有子集的相似度。
step5：跳至step2，直至S为空。

其中每次产生的图像块包括合并的图像块我们都保存下来。

如何计算相似性呢？

为了保持合并多样性策略，可以采用多种方法来保证候选区域的多样性：

• 多种颜色空间，考虑RGB、灰度、HSV及其变种等
• 多种相似度度量标准，既考虑颜色相似度，又考虑纹理、大小、重叠情况等。
• 通过改变阈值初始化原始区域，阈值越大，分割的区域越少。

当然，生成了候选区域之后，还可以进一步优化，减少候选区域，具体方法这里就不一一介绍了。