CNN广泛应用于目标检测的各个场景,残差网络在目标检测方面取得了领先结果。对于传统应用,使用全局特征+级联分类器的思路仍然被持续使用。常用的级联方法有haar特征+Adaboost决策树分类器级联检测 和HOG特征 + SVM分类器级联检测。
图像的全局特征可以直接用于图像分类和目标检测,基于图像块提取特定维度的特征,常用的全局特征有HOG特征、HaarLike特征、LBP特征等。
几个主要的全局特征算法年代发展表:
1. 1994年的LBP特征:(Local Binary Pattern,局部二值模式)是一种用来描述图像局部纹理特征的算子;它具有旋转不变性和灰度不变性等显著的优点。它是首先由T. Ojala, M.Pietikäinen, 和 D. Harwood 在1994年提出,用于纹理特征提取。而且,提取的特征是图像的局部的纹理特征;并在人脸识别方面得到普遍应用。
2. 2001年的Haar-Like特征:2001年,Viola和Jones两位大牛发表了经典的《Rapid Object Detection using a Boosted Cascade of Simple Features》和《Robust Real-Time Face Detection》,在AdaBoost算法的基础上,使用Haar-like小波特征和积分图方法进行人脸检测,他俩不是最早使用提出小波特征的,但是他们设计了针对人脸检测更有效的特征,并对AdaBoost训练出的强分类器进行级联。这可以说是人脸检测史上里程碑式的一笔了,也因此当时提出的这个算法被称为Viola-Jones检测器。又过了一段时间,Rainer Lienhart和Jochen Maydt两位大牛将这个检测器进行了扩展,最终形成了OpenCV现在的Haar分类器。
参考文章:目标检测之Haar特征、积分图、级联、AdaBoost
3. 2005年的HOG特征:方向梯度直方图(Histogram of Oriented Gradient, HOG)特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。它通过计算和统计图像局部区域的梯度方向直方图来构成特征。Hog特征结合SVM分类器已经被广泛应用于图像识别中,尤其在行人检测中获得了极大的成功。
4.2008年的DPM方法:DPM方法在行人检测上取得了使用传统特征提取+机器学习方法的顶峰,被称为非深度学习方法的最后一个里程碑。由Felzenszwalb在2008年提出,并发表了一系列的cvpr,NIPS。并且还拿下了2010年,PASCAL VOC的“终身成就奖”。DPM方法的主要贡献为可变性描述子+隐式向量机模型。
参考资料:
LBP特征:图像全局特征提取-LBP特征
Haar-Like特征:浅析人脸检测之Haar特征
HOG特征:目标检测之HOG特征提取