文章目錄

• 目標檢測問題定義
• • 介紹
  • 目標檢測和圖像分類、圖像分割的區別
• 目標檢測問題方法
• • 傳統目標檢測
  • 深度學習目標檢測
  • 傳統 Vs 深度學習
• 傳統目標檢測綜述
• • Viola-Jones
  • HOG+SVM
  • DPM
• NMS 非極大值抑制

目標檢測問題定義

介紹

目標種類與數量問題：種類不同。種類越多，難度越大。數量越多（遮擋），難度越大。

目標尺度問題：同一種類的物體，也會有不同的尺度。尺度變化越大，目標檢測的難度越大。尤其是在尺度非常小的時候。由于物體是運動的，所以尺度上也會變化。

一張圖片，他的物體和數量都是不確定的，這就是目標檢測的目的。位置一般是矩形框，在矩形框內，我們還要做目標分類。對于目標檢測問題，我們用到的網絡是多任務的網絡，通常完成目標位置的定位和目標分類。

目標檢測和圖像分類、圖像分割的區別

框上的數值，是置信度，當前檢測框屬于查找目標的概率值。我們通常會設定一個閾值，用于過濾分類概率低的目標。不同顏色的矩形框，表示不同的類別。

分類需要識別類別，檢測還要識別出位置。目標分割，需要找到當前目標所占的區域。第3張圖，是語義分割，第4章圖，是實例分割。

目標檢測問題方法

傳統的手動設計特征，以及滑動窗口。設計特征往往很難設計，而且對于一些條件可能不適應或者不魯邦，設計特征效率也是很低。另外滑動窗口提取目標框，流程也是非常耗時。
2012之后，利用深度學習卷積神經網絡，在做目標檢測，效果得到了很大的提升。一開始RCNN只是用神經網絡用于特征的提取，后面當faster RCNN，徹底完成了端到端的網絡。不需要在滑動窗口提取，而是通過RPN，來做候選框。Yolo是不需要候選框，而是直接用回歸的方法，直接來找目標，他的速度非常的快，后面的精確度也隨著Yolo的改進，得到了很大的提升。

傳統目標檢測

VJ：積分圖特征+Adaboost分類起
HOG+SVM：主要用于行人檢測
DPM：基于HOG的一種變種，DPM加入額外的策略，來提升精度，是除深度學習之外，最強的算法。在深度學習用到了一些DPM的概念，比如候選框。

深度學習目標檢測

One-Stage：Yolo和SSD。
Two0-Stage：Faster-RCNN。先找出候選框，再做回歸和分類。

2013-2018

傳統 Vs 深度學習

深度學習往往通過不同的網絡結構，來學習不同的特征。

傳統目標檢測綜述

關于圖像特征表示的一些方法，基于紋理，顏色，形狀以及一些高層次語義的方法，這些方法是需要學習來找到的，比如抽取直方圖特征或者紋理特征，HOG特征，這些稠密特征，通過PCA降維，或者LDA對特征進行空間的投影，對抽取的基本特征，來學習更魯邦的特征出來。

傳統的特征分類：低層特征、中層次特征（機器方法-特征挖掘-PCA-LDA）、高層次特征（語義特征）（將低、中層的特征，進一步挖掘）。
在傳統目標檢測方法中，主要集中低、中的特征。

對于候選區域提取的特征，進行分類判定。對于單類別目標檢測，只需要判斷窗口對象是否為要檢測的目標即可。對于多分類問題，我們先看是否為背景，如果不是，再做多分類。

候選框可能存在重疊的情況，我們需要用NMS對于候選框進行合并，得到我們要檢測的目標。

對于深度學習的目標檢測方法，區別在于特征提取，變成CNN。區域提取，用RPN網絡。（2-stages）

Viola-Jones

VJ：主要用于人臉檢測。特征抽取采用Haar。

特征表示方式是直方圖。包含不同種類的集成圖特征。對于每一個像素點，我們會計算出一個值，這個值用白色區域減去黑色的區域，作為我們表示的一個值。

Edge表示相鄰的像素點，進行差值。

HOG+SVM

行人的姿態，存在非常多的差異。所以行人的檢測，存在一定的難度。

HOG特征，紋理特征的一種。HOG主要用于灰度圖上。Gamma變化，就是對于值開平方根。計算每一點在x和y方向的梯度值，來計算梯度夾角。再將0-360，量化為若干個方向（18個方向，每個方向20度）。每個cell就是18維，相鄰的4個cell組成block。通過組合，將特征歸一化處理，讓特征更加的魯邦。

這里其實通過cell，可以看到一些yolo的影子。

DPM

DPM在進行特征檢測，會基于HOG，但是比HOG處理的更加精細。HOG是計算梯度方向，所以是紋理特征的一種。對于方向特征，包括0-360度，我們成為有方向的梯度。如果是0-180，是無方向的梯度。

NMS 非極大值抑制

分數就是我們的框上面那個confidence，對于該類物體的置信度。
與最高的框，IOU大于閾值的框，刪掉。完全不重疊，或者重疊很小的，被留下。然后重復。

soft-NMS不是直接刪除，而是軟抑制。是深度學習算法提出的一個小的技巧。

總結

以上是生活随笔為你收集整理的目标检测 Chapter1 传统目标检测方法的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。