目标检测笔记
目标检测：主要指在图片中对可变数量的目标进行查找和分类
a ：图像分类 只需指出所属的类别
b：目标检测，还要定位目标出现的位置，表示为一个矩形框
目标分割，找到当前目标所占的区域
c ：语义分割，除去背景区域，只要找到同一类物体所占区域即可，具体位置精确到像素级别
d：实例分割，不仅区分语义层面的目标，对同一类别的目标，也要划分出不同实例
检测：主要定位物体位置，位置信息表示为一个矩形框，可通过4位数据表示，往往采用上采样，反卷积
分割：对每个像素点进行不同类别的划分，结果需要同原来图片保持一致
传统目标检测方法 和 深度学习目标检测方法
1.特征很难设计，且会存在问题，不鲁棒，效率低，提取滑动窗口慢，耗时。
传统：
深度学习：通过学习来获取特征，设计不同的网络结构来学习不同的特征，特征会更鲁棒
目标区域判定：深度网络，分类器学习由之前的特征完成，在特征和分类通过一个网络完成，相对传统网络更加端到端
传统目标检测方法基本流程
给出一个图片输入，采用滑动窗口进行候选框提取，对每一个窗口局部图像信息进行特征抽取(基于颜色 纹理 形状中层次、高层次语义特征等方法)，分类器基于之前的特征来进行分类判定，分类器是由之前学习得到的。对于但类别目标检测，只需区分当前窗口的对象是否是背景还是目标，多分类则为区分是否是背景或哪一类，得出一系列可能为检测目标的候选框，候选框可能会出现重叠，采用nms算法，合并候选框，最后的扫算法输出结果
常见的目标检测算法
Viola-Jones（主要用于人脸检测）
- Haar特征抽取
value = 白色区域 - 黑色区域
-
训练人脸分类器
-
滑动窗口
**HOG + SVM（行人检测、Opencv实现）
DPM(物体检测)