“目標(biāo)檢測也叫目標(biāo)提取酣倾，是一種基于目標(biāo)幾何和統(tǒng)計特征的圖像分割舵揭，它將目標(biāo)的分割和識別合二為一，定位目標(biāo)躁锡，確定目標(biāo)位置及大小午绳。”---百度百科
目標(biāo)檢測是目前圖像處理算法中的一個熱門話題映之。特別是最近幾年隨著深度學(xué)習(xí)的發(fā)展拦焚，我們可以看到不管是工業(yè)界還是學(xué)術(shù)界蜡坊，目標(biāo)檢測在準(zhǔn)確度和實時性方面都取得了長足的進步。由于篇幅原因赎败，本文只介紹傳統(tǒng)的目標(biāo)檢測算法秕衙，在后續(xù)的文章中，我們將介紹基于深度學(xué)習(xí)的目標(biāo)檢測算法僵刮，基于深度學(xué)習(xí)的目標(biāo)檢測算法的整體思路非常優(yōu)雅据忘，敬請大家期待。
???????由于物體在不同的角度搞糕，不同的距離具有不同的形態(tài)勇吊，所以準(zhǔn)確檢測目標(biāo)的難度是非常高的。傳統(tǒng)的目標(biāo)檢測算法是從圖像中通過滑動窗口的方法取得候選區(qū)域窍仰，然后在候選區(qū)域通過分類算法判斷是否是所需要的目標(biāo)汉规。也有根據(jù)物體的形態(tài)紋理等特征獲得候選區(qū)域的方法，包括selective search等一系列方法辈赋。這些方法在一定程度上能夠滿足應(yīng)用的需要鲫忍。
???????傳統(tǒng)的目標(biāo)檢測算法由兩部分構(gòu)成，一個是目標(biāo)候選區(qū)域的提取钥屈，另一個是對候選區(qū)域的分類悟民。這兩個部分構(gòu)成了傳統(tǒng)目標(biāo)檢測算法的整體框架。因此篷就，傳統(tǒng)目標(biāo)檢測的不同算法也由這兩個部分的差異而不同射亏。本文將從這兩個不同的結(jié)構(gòu)介紹不同的算法。
???????根據(jù)目標(biāo)候選區(qū)域的提取方式不同竭业，傳統(tǒng)目標(biāo)檢測算法可以分為基于滑動窗口的目標(biāo)檢測算法和基于紋理的目標(biāo)檢測算法智润。
1 基于滑動窗口的目標(biāo)檢測算法
采用滑動窗口的目標(biāo)檢測算法思路非常簡單，它將檢測問題轉(zhuǎn)化為了圖像分類問題未辆。其基本原理就是采用不同大小和比例（寬高比）的窗口在整張圖片上以一定的步長進行滑動窟绷，然后對這些窗口對應(yīng)的區(qū)域做圖像分類，這樣就可以實現(xiàn)對整張圖片的檢測了咐柜。但是這個方法有致命的缺點兼蜈，就是你并不知道要檢測的目標(biāo)大小是什么規(guī)模，所以你要設(shè)置不同大小和比例的窗口去滑動拙友，而且還要選取合適的步長为狸。但是這樣會產(chǎn)生很多的子區(qū)域，并且都要經(jīng)過分類器去做預(yù)測遗契，這需要很大的計算量辐棒，所以你的分類器不能太復(fù)雜，因為要保證速度。
2 基于紋理的目標(biāo)檢測算法
???????由于基于滑動窗口提取候選區(qū)域的方式計算量太大漾根，因此有學(xué)者提出根據(jù)紋理特征提取候選區(qū)域的方法,而其中非常具有代表性的一種方法是selective search.在選擇性搜索（selective search泰涂，SS）中，我們首先將每個像素作為一組立叛。然后负敏，計算每一組的紋理，并將兩個最接近的組結(jié)合起來秘蛇。但是為了避免單個區(qū)域吞噬其他區(qū)域其做，我們首先對較小的組進行分組。我們繼續(xù)合并區(qū)域赁还，直到所有區(qū)域都結(jié)合在一起妖泄。
step0：生成區(qū)域集R，具體參見論文《Efficient Graph-Based Image Segmentation》
step1：計算區(qū)域集R里每個相鄰區(qū)域的相似度S={s1,s2,…}
step2：找出相似度最高的兩個區(qū)域艘策，將其合并為新集蹈胡，添加進R
step3：從S中移除所有與step2中有關(guān)的子集
step4：計算新集與所有子集的相似度
step5：跳至step2，直至S為空
?????? 根據(jù)使用的候選區(qū)域分類模型的不同朋蔫，又可以對目標(biāo)檢測算法進行更加細致的分類罚渐。在分類模型中，常用的圖像特征有HOG驯妄，SIFT荷并，HBP，Haar等特征青扔，常用的分類算法有SVM源织，隨機森林以及各種級聯(lián)分類器，這些特征和分類算法共同組成了豐富的目標(biāo)檢測算法微猖。這些算法由于篇幅原因本文將不再贅述谈息。
??????? 本文介紹了傳統(tǒng)的目標(biāo)檢測算法，這些方法在一定程度上能夠滿足應(yīng)用的需要凛剥。但是隨著實時檢測要求的日益增高侠仇，上面算法由于效率低下不能適應(yīng)新的需求，迫切希望提出更高效的算法替代傳統(tǒng)的算法犁珠。目前深度學(xué)習(xí)算法在圖像分割中應(yīng)用廣泛傅瞻，由于深度學(xué)習(xí)在目標(biāo)檢測中的理論非常豐富,因此需要額外找出時間對其進行總結(jié)。最后歡迎各位讀者批評指正盲憎。
圖像處理系列歷史文章:
參考文獻:
selective search : https://blog.csdn.net/guoyunfei20/article/details/78723646
目標(biāo)檢測 : https://blog.csdn.net/T7SFOKzorD1JAYMSFk4/article/details/80117518
本文內(nèi)容發(fā)表于公眾號"無熵大雅" , 歡迎關(guān)注公眾號了解更多內(nèi)容!
