yolo算法的优缺点分析_小目标检测技术分析

小目标检测技术分析

小目标检测及跟踪系统分为四个模块：

· 硬件模块

　　该模块基于标准PCI总线，并配以超大规模可编程芯片(DSP、FPGA)，具有极强的运算、处理能力。

· DSP 程序模块

　　其功能主要实现复杂背景下的小目标检测、跟踪。考虑到系统的实时性要求，复杂背景下的小目标检测采用红外能量积累技术。首先对红外图像进行增强；然后在对小目标进行粗检测；最后在视频序列上分割提取小目标。同时，采用预测技术对目标的可能位置和存在区域进行估计，以实现实时、准确跟踪(或记忆)目标。系统按照搜索、捕获、跟踪、记忆跟踪四个状态及其转换运行，以实现小目标的实时检测与跟踪。

· 驱动程序模块

　　其主要功能是实现硬件模块与上层应用程序进行数据通信与信息交互。系统采用了PCI 9054 Target 方式的单周期读/写；在图像数据传送的时候为了满足每秒２５帧图像的实时传送和处理的要求，采用了PCI 9054的Scatter/Gather DMA方式的数据传输。在整个系统的信息交互中，采用了一次握手协议，也就是请求—应答协议。

· 上层应用程序模块

该模块主要功能是向硬件模块下载DSP跟踪程序，启动/停止DSP，实时显示场景视频，对运动目标序列进行实时存储，对运动目标序列的基本特性进行实时分析和结果显示。

目标检测（object detection），就是在给定的一张图片中精确找到物体所在的位置，并标注出物体的类别。所以，目标检测要解决的问题就是物体在哪里以及是什么的整个流程问题。但是，在实际照片中，物体的尺寸变化范围很大，摆放物体的角度、姿态、在图片中的位置都不一样，物体之间可能还有重叠现象，这使得目标检测的难度变得很大。

目标检测近些年取得了较大发展，主要原因就是卷积神经网络在目标检测任务的应用代替了原有的基于人工规则提取特征的方法。

· 传统的目标检测算法：
Cascade + HOG/DPM + Haar/SVM以及上述方法的诸多改进、优化。
传统的目标检测中，多尺度形变部件模型DPM（Deformable Part Model）表现比较优秀，连续获得VOC（Visual Object Class）2007到2009的检测冠军，。DPM把物体看成了多个组成的部件（比如人脸的鼻子、嘴巴等），用部件间的关系来描述物体，这个特性非常符合自然界很多物体的非刚体特征。DPM可以看做是HOG+SVM的扩展，很好的继承了两者的优点，在人脸检测、行人