目标检测算法（传统&基于深度学习的）

目标检测算法

最近在学目标检测各类算法，主要分为传统的目标检测方法和基于深度学习的目标检测算法，这里记录了一些基本的算法介绍。下图是目标检测算法的发展历程

传统目标检测方法

分三部分：区域选择–>特征提取–>分类器

①　VJ（Viola-Jones）

Viola-Jones人脸检测算法可以说是非常经典的一个算法，所有从事人脸检测研究的人，都会熟悉了解这个算法，Viola-Jones算法在2001年的CVPR上提出，因为其高效而快速的检测即使到现在也依然被广泛使用。在无约束条件（如肤色分割）的情况下首次实现了人脸的实时监测。

这个算法包含以下几个重要的部分：
１　利用Haar 特征描述人脸的共有属性；
Haar特征：是一种反映图像的灰度变化的，像素分模块求差值的一种特征。
２　建立了一种称为积分图像的特征，并且基于积分图像，可以快速获取几种不同的矩形特征；
３　利用Adaboost 算法进行训练；
４　建立层级分类器。

采用：滑动窗口检测，查看图像中所有可能的位置和比例，判断是否有窗口包含人脸

②　HOG+SVM

HOG核心思想：检测局部物体的梯度和边缘方向信息得到被检测物体的局部特征，HOG能较好的捕捉到局部形状信息，对几何以及光学的变化有很好的不变性。

流程：输入图像–>提取HOG特征–>训练SVM分类器–>滑动窗口提取目标区域进行分类判断–>提取HOG特征–>输出结果

③　DPM（Deformable Part-based Model）是经典算法发展巅峰。

VOC07、08、09三年的检测冠军。DPM遵循“分而治之”的检测思想，训练简单的看作是学习一种正确的分解对象的方法，推理可看作是对不同对象部件的检测的集合。检测“汽车” 的问题可以看作是检测他的窗口、车身和车轮等部件的问题，检测行人问题可以类似的被分解为对人头、四肢、躯干等部件的检测问题。

流程：计算DPM特征图–>计算响应图–>使用SVM对响应图进行分类–>对最后的选框做局部检测识别。

基于深度学习的目标检测方法

One-stage（YOLO和SSD系列）

不需要region proposal阶段，直接产生物体的类别概率和位置坐标值，经过单次检测即可直接得到最终的检测结果，因此有着更快的检测速度，多数可以达到实