目标检测 2021 /11/20

1. 目标检测定义

   在图片中对可变数量的目标进行查找和分类

2. 目标检测存在的三个难点

   目标种类与数量问题(人群的稠密与稀疏)
   目标尺度问题(行人远近的问题)
   外界环境干扰问题(光照的变化，遮挡，图像的质量)
   行人的移动
   

3. 目标检测 vs 图像分类
   

目标检测：用不同的矩形框选出不同的物体，矩形框上的数字代表该物体的可信度。

图像分类：把相同的图片分成不同的类别。

4. 目标检测，图像处理是计算机视觉基础的内容，后续会有目标跟踪，譬如：多目标跟踪，单目标跟踪等。
5. 目标分割

1 semantic segmentation 语义分割，同类用相同颜色处理。
2 instance segmentation 实例分割，同类别也划分不同实例。
3 二者都要在像素层面给出结果。

目标检测的变迁

传统目标检测局限性：

1. 设计特征很难设计，设计的特征存在各种各样的问题。
2. 效率存在瓶颈
3. 通过滑动窗口的方式提取目标框，费时。

算法的基本流程

传统目标检测算法vs深度学习目标检测算法

传统目标检测算法综述

输入：待检测的图片
候选框：滑动窗口
特征提取：计算机视觉+模式识别 特征分为三个层次，底层特征：颜色，纹理。中层特征：基于底层特征，pca特征，lda特征。高层次特征：基于底层、中层特征，是否带帽子，是否戴眼镜。

V-J 检测算法

主要用于人脸识别

Haar特征提取
训练人脸分类器(Adaboost算法)
滑动窗口

Hog+SVM 检测算法（行人检测，Opencv实现）

Hog特征提取
Svm分类器
滑动窗口选取

DPM算法

Hog的拓展
利用SVM训练得到物体的梯度

NMS(Non-maximum-suppression)

目的：为了消除冗余的框，找到最佳物体的检测位置
思想：选取那些邻域里分数最高的窗口，同事抑制分数低的窗口

版权声明：本文为CSDN博主「你的笑很夕阳」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/m0_61928877/article/details/121434713