CV学习：目标检测简述

目录

1. 基本概念

1.1. 什么是目标检测？

1.2. 目标检测的发展脉络

1.3. 传统目标检测算法

1.4. 深度学习目标检测算法

2. 目标检测应用场景

2.1. 行人检测

2.2. 人脸检测

2.3. 文本检测

2.4. 交通信号检测

2.5. 遥感目标检测

3. 参考内容

---

1. 基本概念

1.1. 什么是目标检测？

目标检测（Object Detection）的任务是找出图像中所有感兴趣的目标（物体），确定它们的类别和位置，是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态，加上成像时光照、遮挡等因素的干扰，目标检测一直是计算机视觉领域最具有挑战性的问题。

计算机视觉中关于图像有四大类任务：

• 分类（Classification）：解决“是什么”的问题，即给定一张图片或一段视频判断里面包含什么类别的目标。
• 定位（Location）：解决“在哪里”的问题，即定位出这个目标的位置。
• 检测（Detection）：解决“在哪里”，“是什么”的问题，即定位出这个目标的位置并且知道目标物是什么。
• 分割（Segmentation）：解决“每个像素属于哪个目标物或场景”的问题，可分为语义分割和实例分割。

1.2. 目标检测的发展脉络

目标检测的发展脉络可以划分为两个周期：传统目标检测算法时期(1998年-2014年)和基于深度学习的目标检测算法时期(2014年-至今)。而基于深度学习的目标检测算法又发展成了两条技术路线：Anchor based方法(一阶段，二阶段)和Anchor free方法。

1.3. 传统目标检测算法

不同于现在的卷积神经网络可以自动提取高效特征进行图像表示，以往的传统目标检测算法主要基于手工提取特征。传统检测算法流程可概括如下：

• 选取感兴趣的区域，选取可能包含的区域
• 对可能包含物体的区域进行特征提取
• 对提取的特征进行检测分类

Viola Jones Detector

VJ检测器采用滑动窗口的方式以检查目标是否存在窗口之中，该检测器看起来似乎很简单稳定，但由于计算量庞大导致时间复杂度极高，为了解决该项问题，VJ检测器通过合并三项技术极大提高了检测速度，这三项技术分别是：1)特征的快速计算方法-积分图，2)有效的分类器学习方法-AdaBoost，3)高效的分类策略-级联结构的设计。

HOG Detector

HOG(Histogram of Oriented Gradients)检测器于2005年提出，是当时尺度特征不变性(Scale Invariant Feature