物体检测算法的历史发展脉络综述

 

---

物体检测（或目标检测），是计算机视觉领域非常重要的应用，是许多项目的基础。在计算机视觉识别领域，主要有分类和检测两大主要任务，分类只需要把当前物体归属到特定类别，而检测除了需要分类外，还需要检测出物体的具体位置坐标，是一种更严格意义上的识别。物体检测应用领域很广，比如人脸检测， 汽车检测、人体及其他部件检测、logo检测、常见物体检测等。

对于一个专业的计算机视觉从业者来说，能较好的了解物体检测的历史发展脉络，则能把握整个技术趋势，拓展思维，明白算法的原理，对算法改进和应用大有益处。

从整个目标检测的发展来看，主要经历了两个阶段：

1. 滑动窗方法：

2. region proposal方法：

1. 滑动窗方法

滑动窗方法，是用不同尺寸的窗口在图片内滑动，提取当前窗口的视觉特征，然后送给分类器进行类别判别，最后根据每个滑动窗的分类置信度，拟合出最终的物体位置。

滑动窗方法有两个缺点：一是计算效率，需要处理成千上万个窗口，未做优化策略的情况下，性能低下；二是手工设计特征（如hog特征， haar特征， LBP特征， color特征及各种特征的组合等），不能更加详尽的表达物体的特点，造成识别率较低。

物体检测早期的算法，大多基于滑动窗，有三个重要的算法里程碑：

（1）cascade + haar特征：

 https://becominghuman.ai/face-detection-using-opencv-with-haar-cascade-classifiers-941dbb25177

(2)  svm + hog/lbp特征：

https://medium.com/@mithi/vehicles-tracking-with-hog-and-linear-svm-c9f27eaf521a

https://medium.com/@richa.agrawal228/person-detection-in-various-posture-using-hog-feature-and-svm-classifier-2c3a3991022c

(3) dpm + hog特征

https://www.rossgirshick.info/　（ｒｂｇ大神的主页，凭借DPM获得终身成就奖，之后的rcnn系列也是该大神创世之作）

Object Detection with Discriminatively Trained Part Based Models　

Visual Object Detection with Deformable Part Models　// 这是两篇ＤＰＭ的杰作，阐述了训练，测试，ｃａｓｃａｄｅ等，个人觉得，ｄｐｍ不过时，需要认真研究一下，许多概念都对今后的基于proposal的检测方法有奠基作用（bound boxing, anchor, nms, cascade等等）, dpm的源码（lsvm, llda）等在优化之后，能够达到较高的训练和推理效率，值得研究和移植

https://www.cv-foundation.org/openaccess/content_cvpr_2015/papers/Girshick_Deformable_Part_Models_2015_CVPR_paper.pdf // 这篇文章，大神论证了dpm就是卷积神经网络，个人觉得也是，dpm是ｒｃｎｎ的一种过度，其实svm也是两层的简单神经网络（wx+b）

２．region proposal方法：

（１）ｒｂｇ大神系列

Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation // rcnn

Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition // 何凯明

Fast R-CNN // fast rcnn

Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks // faster rcnn , 此三篇功力深厚(rpn网络，　roi-pooling)

(2) r-fcn

https://arxiv.org/abs/1605.06409 代季峰，何凯明　　// 解决检测中roi-pooling与平移的矛盾，同时降低了roi-pooling 逐个计算的负载

(3) Mask R-CNN

(4) yolo & ssd:

基本原理就是合并rpn网络和分类网络，box位置经过一次回归得到，同时以固定的网格作为默认的anchor, 速度提升

(5)data driven:

主要之STN(spatial transform network, deformable R-FCN等)，通过训练，学习一些变换参数，个人觉得，这个方向可能会成为主流

 

总之，在工程实践过程中，需要根据实际需要，熟悉每种检测技术的优缺点，酌情使用，没有哪一種检测技术或者分类技术是万能的，也没有哪一种网络是最棒的，论文研究和实际应用还是有很大不同．