图像处理之目标检测

　　目标检测的发展历程可以分为3个阶段：

　　1.传统的目标检测方法

　　　传统的目标检测方法通常可以分为三个阶段：首先在给定的图像上选择一些候选区域，然后对这些区域进行特征提取，最后使用训练的分类器进行分类，其中人工提取特征的好坏直接影响到分类及检测的准确性，由于实际图像受光照及背景影响较大，人工特征提取往往存在一定局限性．

　　　传统的目标检测算法中比较好的模型为DFM，其将物体视为由多个物件组成，用物件间的关系来描述物体，可看作为HOG+SVM的扩展，很好的继承了两者的优点，同时在人脸检测,行人检测等任务上取得了不错的效果．

• SIFT

　　　Paper: SUMMARY: DISTINCTIVE IMAGE FEATURES FROM SCALE-INVARIANT KEYPOINTS

　　　SIFT算法于1999年被David Lowe提出，并于2004年进行了补充和完善，此后广泛应用于目标识别，自动导航，图像拼接，三维建模，手势识别，视频跟踪等．

　　　SIFT全称Scale-Invariant Featuure Transform，即对图像的尺度和旋转能够保持不变性，同时对于亮度变化具有很强的鲁棒性，对于噪声和视角的微小变化也能保持一定的稳定性．

　　　SIFT算法可以分为4个阶段^[1]: 

　　1).尺度空间极值检测:该阶段是在图像的全部尺度和全部位置上进行搜索,并通过应用高斯差分函数可以有效地识别出尺度不变性和旋转不变性的潜在特征点来; 
　　2).特征点的定位:在每个候选特征点上,一个精细的模型被拟合出来用于确定特性点的位置和尺度。而特征点的最后选取依赖的是它们的稳定程度; 
　　3).方向角度的确定:基于图像的局部梯度方向,为每个特性点分配一个或多个方向角度。所有后续的操作都是相对于所确定下来的特征点的角度、尺度和位置的基础上进行的,因此特征点具有这些角度、尺度和位置的不变性; 
　　4).特征点的描述符:在所选定的尺度空间内,测量特征点邻域区域的局部图像梯度,将这些梯度转换成一种允许局部较大程度的形状变形和亮度变化的描述符形式。

• SURF

　　　Paper: SURF:Speeded Up Robust Features 

　　　SURF算法于2006年被Herbert Bay等人提出，并于2008年进行了完善，该算法的部分灵感来自于SIFT算法，具有重复性高的检测器和可区分性好的描述特点外，还有很强的鲁棒性以及更高的执行速度．

　　　SURF全称Speeded Up Robust Features，在保证正确性的前提下进行了简化和近似，并且多次运用积分图像的概念，因此在效率上比SIFT快3倍以上.

　　　SURF算法可以分为几个阶段