目标检测子区域划分之Selective Search

在Selective Search for Object Detection (C++ / Python)文中提到的五中解决办法:

       在这几种算法中，Selective Search是最常用的，因为这种方式法的回召率最高。

       选择搜索算法（Selective Search）的主要观点：图像中物体可能存在的区域应该是有某些相似性或者连续性区域的。因此，选择搜索基于上面这一想法采用子区域合并的方法进行提取bounding boxes候选边界框。首先，对输入图像进行分割算法产生许多小的子区域。其次，根据这些子区域之间相似性(相似性标准主要有颜色、纹理、大小等等)进行区域合并，不断的进行区域迭代合并。每次迭代过程中对这些合并的子区域做bounding boxes(外切矩形)，这些子区域外切矩形就是通常所说的候选框。

       那么问题来了：

       1.回召率是什么？

          目标检测中召回率（Recall），精确率（Precision）

       2.为什么选择回召率大的？

          按照文章中提到的观点，

         

           说白了，就是时间换精确率。检测出许多错误目标也无所谓，反正他们过不了选择器。但是如果正确的目标没有被检测出来，那就尴尬了。

•  算法流程

          

           1.使用基于像素强度的图像分割算法（Felzenszwalb and Huttenlocher’s ）切割图像。

             

                                                   

                                          原图片输入                                                                                 输出

           2.再次细分

              以步骤1的输出结果作为输入，在次利用Felzenszwalb and Huttenlocher’s 算法分割图像。

                      

 

              从步骤1可以了解到，一个实际的物体包含多个区域。比如一个杯子就被分成了黄色、蓝色、绿色、红色区域。所以我们需要将相近的区域进行合并。

          3.合并加框

             对步骤2的结果进行以下三个步骤进行处理：

           （1）对子区域列表（可能存在物体的区域）的所有对象加框

             (2)根据相似性合并相邻的两个片段

             (3)回到(1)

 

              在每次迭代中，都会产生一个更大的片段。采用自底而上的时方法可以逐步合并小片段生成大片段。如图：

                

            

• 参考文献 

1. https://www.learnopencv.com/selective-search-for-object-detection-cpp-python/