目标检测之一（传统算法和深度学习的源码学习）

目标检测之一（传统算法和深度学习的源码学习）

本系列写一写关于目标检测的东西，包括传统算法和深度学习的方法都会涉及到，注重实验而不着重理论，理论相关的看论文去哈，主要依赖opencv。

一、目标检测有哪些算法，历史简介

       最近在做一些目标检测相关的东西，目标检测是计算机视觉里面最重要的课题之一了，很多场合检测和识别都是很重要的，比如现在很火的无人驾驶，就非常依赖目标检测和识别，需要非常高的检测精度和定位精度。

       目标检测从很早就开始有了。

传统算法的典型代表有：

Haar特征+Adaboost算法

Hog特征+Svm算法

DPM算法

深度学习的目标检测典型代表有：

RCNN系列，RCNN，spp-net，fast-rcnn，faster-rcnn

YOLO系列，YOLO和YOLO9000

SSD

后来有了深度残差网络ResNet之后，又出现了RFCN，还有最近的mask-rcnn等等，检测效果越来越好，精度越来越高。

 

二、Haar特征+Adaboost特征检测   

作为本系列的第一篇，先来点简单的，我们从Haar特征+Adaboost算法开始。原理很简单。网络上教程一大堆，我这里就不废话了，稍微提下下。

Haar特征有以下几种：

       Adaboost算法是机器学习里面的一种集成学习的算法，说的通俗点，就是用弱分类器（分类能力较差，但是也要大于0.5）级联加权组合成强分类器（分类能力较强），在训练过程中会着重训练前面分类错误的样本，及具体做法是增加样本对应的权重。

本次实验检测目标为车辆

使用Haar+Adaboost算法目标检测分为三个步骤：

1、 样本的创建和标记

2、 训练分类器

3、 利用训练好的分类器进行目标检测。

 

1. 样本的创建和标记

自己做样本是一个非常痛苦和麻烦的事，最好还是自己去网上找些公开的数据集，毕竟像ImageNet比赛或者无人驾驶这么火，公开的数据集很多的。