最全整理 | 万字长文综述目标检测领域，您要的，都在这里！

点击蓝色“AI专栏”关注我哟

选择“星标”，重磅干货，第一时间送达

   

这是站长的第 42 篇原创优质长文

上一篇站长写的优质原创文章是【看完这篇AI算法和笔记，跟面试官扯皮没问题了 | 基于深度学习和传统算法的人体姿态估计】，其实在人体姿态估计前面的工作，一般还需要进行目标检测以提高最后姿态估计的准确度。那么这一次呢，站长就来跟大家谈谈目标检测，并花心思为大家整理了万字长文来详细介绍目标检测领域。

关于目标检测领域，您要的，都在这里！

目标检测是计算机视觉中的一个重要问题，近年来传统检测方法已难以满足人们对目标检测效果的要求，随着深度学习在图像分类任务上取得巨大进展，基于深度学习的目标检测算法逐渐成为主流。
总体上站长我都做了summary，先上图为敬：

01

PART

目标检测要干什么?

目标检测是机器视觉中最常见的问题。是一种基于目标几何和统计特征的图像分割，它将目标的分割和识别合二为一，其准确性和实时性是整个系统的一项重要能力，近年来，目标检测在人工智能，人脸识别，无人驾驶等领域都得到了广泛的应用。然而，在目标检测的过程中会受到各种各样干扰，比如角度、遮挡、光线强度等因素，这些因素会导致目标发生畸变，为目标检测增加了新的挑战。

相比于图像分类，目标检测更具难度。目标检测，就是将目标定位和目标分类结合起来，利用图像处理技术、机器学习等多方向的知识，从图像（视频）中定位感兴趣的对象。目标分类负责判断输入的图像中是否包含所需物体，目标定位则负责表示目标物体的位置，并用外接矩形框定位。这需要计算机在准确判断目标类别的同时，还要给出每个目标相对精确的位置。

02

PART

目标检测算法有哪些？

现有的目标检测算法有传统检测算法和基于深度学习的检测算法。传统的目标检测算法，多是基于滑动窗口的框架或是根据特征点进行匹配。自2012年AlexNet在当年度ImageNet大规模视觉识别挑战赛中一举夺冠，且效果远超传统算法，将大众的视野重新带回到深度神经网络。

传统的检测算法

如下图所示，传统检测方法一般分三个步骤：

1. 首先在给定图像上采用不同大小的滑动窗口对整幅图像进行遍历选择候选区域，使用不同大小的滑动窗口框住待测图像中的某一部分作为候选区域，然后提取该候选区域相关的视觉特征；

2. 特征提取，如人检测和普通目标检测常用的HOG和SIFT 特征等，然后对这些区域提取特征；

3. 分类器分类，即使用训练完成的分类器进行分类，如常用的支持向量机，最后使用分类器进行分类。

虽然这种方法取得了不错的结果，但是采用滑动窗口进行区域选择时没有针对性导致时间复杂度高且窗口冗余，另外手工设计的特征没有很好的鲁棒性。

基于深度学习的检测算法

2014年R-CNN的提出，使得基于CNN的目标检测算法逐渐成为主流。深度学习的应用，使检测精度和检测速度都获得了改善。

自从AlexNet 在比赛中使用卷积神经网络进而大幅度提高了图像分类的准确率，便有学者尝试将深度学习应用到目标类别检测中。卷积神经网络不仅能够提取更高层、表达能力更好的特征，还能在同一个模型中完成对于特征的提取、选择和分类。

在这方面，主要有两种主流的算法：

1. 一类是结合regionproposal、CNN网络的，基于分类的R-CNN 系列目标检测框架（two stage）；

2. 另一类则是将目标检测转换为回归问题的算法（single stage）。

03

PART

传统的目标检测算法

    传统的目标检测算法大致可以分为目标实例检测与传统目标类别检测两类：

1. 目标实例检测问题通常利用模板和图像稳定的特征点，获得模板与场景中对象的对应关系，检测出目标实例。目标实例检测关注的只是具体目标本身，图像中的其余对象都是无关量。

2. 传统目标类别检测则通过使用AdaBoost算法，HOG特征和支持向量机等方法，根据选定的特征和分类器，检测出有限的几种类别。

   

基于SIFT系列算法

SIFT算法

Lowe提出的SIFT算法，通过查找不易受光照、噪声、仿射变换影响的特征点来匹配目标，是目前应用极为广泛的关键点检测和描述算法。
该算法通过使用高斯模糊实现尺度空间，高斯差分函数进行极值检测，