计算机视觉与应用 课件 5.1 目标检测简介

5.1目标检测简介CONTENTS目录引言01目标检测算法分类02传统目标检测算法03基于深度学习的目标检测算法04CONTENTS目录引言01目标检测算法分类02传统目标检测算法03基于深度学习的目标检测算法04图像分类目标检测多目标检测语义分割引言目标检测是指从复杂的图像（视频）背景中定位出目标，并分离背景，对目标进行分类，找到感兴趣的目标，从而更好地完成后续的跟踪、信息处理与响应等任务。目标检测在很多领域都有应用，如对于脸部、行车、路人等物体的检测，以及一些交叉领域的应用，如自动驾驶领域交通标志的识别、工程领域里材质表面的缺陷检测，农作物病害检测和医学图像检测等等，所以对目标检测的研究很有实际价值，目标检测具体应用如图5-1-1所示。CONTENTS目录引言01目标检测算法分类02传统目标检测算法03基于深度学习的目标检测算法04目标检测算法分类目标检测（ObjectDetection）的任务是找出图像中所有感兴趣的目标（物体），确定它们的类别和位置，是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态，加上成像时光照、遮挡等因素的干扰，目标检测一直是计算机视觉领域最具有挑战性的问题。目前学术和工业界出现的目标检测算法分成如下两类：传统目标检测算法和基于深度学习的目标检测算法。CONTENTS目录引言01目标检测算法分类02传统目标检测算法03基于深度学习的目标检测算法04传统目标检测算法目标检测（ObjectDetection）的任务是找出图像中所有感兴趣的目标（物体），确定它们的类别和位置，是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态，加上成像时光照、遮挡等因素的干扰，目标检测一直是计算机视觉领域最具有挑战性的问题。目前学术和工业界出现的目标检测算法分成如下两类：传统目标检测算法和基于深度学习的目标检测算法。Cascade+HOG/DPM+Haar/SVM以及上述方法的诸多改进、优化等都属于传统目标检测的算法，都是基于图像处理和计算机视觉的，其算法流程如图5-1-2所示。具体应用实例如图5-1-3所示。传统目标检测算法传统目标检测算法（1）V-J目标检测算法2001年，P.Viola和M.Jones在没有任何约束（例如皮肤颜色分割）的情况下，第一次实现了实时人脸检测。该检测器能够在可比检测正确率下，比当时其他任何算法都要快十倍甚至上百倍。该检测算法后来被称为VJ检测器。VJ检测器采用最直接的检测方法，即滑动窗口(slidewindow)：查看一张图像中所有可能的窗口尺寸和位置并判断是否有窗口包含人脸。这一过程所需的计算量远远超出了当时计算机的算力。VJ检测器结合了“积分图像”、“特征选择”和“检测级联”三种重要技术，大大提高了检测速度。1）积分图像：这是一种计算方法，以加快盒滤波或卷积过程。与当时的其他目标检测算法一样，在VJ检测器中使用Haar小波作为图像的特征表示。积分图像使得VJ检测器中每个窗口的计算复杂度与其窗口大小无关。2）特征选择：VJ检测器没有使用一组手动选择的Haar基过滤器，而是使用Adaboost算法从一组巨大的随机特征池(大约18万维)中选择一组对人脸检测最有帮助的小特征。3）检测级联：VJ检测器中引入了一个多级检测范例(又称“检测级联”,detectioncascades)，通过减少对背景窗口的计算，而增加对人脸目标的计算，从而减少了计算开销。传统目标检测算法（2）HOG+SVM检测算法2006年，HOG+SVM的方法出现，主要用于行人的检测，实现步骤如图5-1-4所示。HOG（Histogramoforientedgradient，方向梯度直方图）是应用在计算机视觉和图像处理领域，用于目标检测的特征描述器。SVM（SupportVectorMachine，支持向量机）是一种二分类模型，它将实例的特征向量映射为空间中的一些点，SVM的目的就是想要画出一条线，以“最好地”区分这两类点。传统目标检测算法HOG特征提取过程包括：首先对图片进行灰度化以及Gamma变换。采用Gamma校正法对输入图像进行颜色空间的标准化（归一化），目的是调节图像的对比度，降低图像局部的阴影和光照变化所造成的影响，同时可以抑制噪音的干扰。计算梯度图：计算每一个点在x，y方向上的梯度值，并利用梯度值计算梯度角，每个像素点会转化为一个HOG特征值，也就是梯度图。将图像划分成多个小的连通区域，把它称为细胞单元（cell），分别统计每个细胞单元（cell）中各像素点的梯度的或边缘的方向直方图。多个细胞单元（cell）组成一个块(block),特征归一化：每一个细胞单元（cell）会得到一个18维的特征，然后假设每4个细胞单元cell组合成一个块（block），块（block）的维度就是4×18维，维度没有变化。这样组合的意义在于组合后将特征进行归一化处理。多个块（block）串联，并归一化：多个块（block）串联时也会进行归一化处理。 需要说明的是：HOG+SVM一般都用OpenCV来实现，而且HOG特征通常维度较大，一般需要PCA降维；HOG+SVM目标检测算法HOG的优点：

HOG能较好地捕捉局部形状信息，对几何和光学变化都有很好的不变性。HOG特征向量中隐含了该块与检测窗口之间的空间位置关系。HOG的缺陷：

很难处理遮挡问题，人体姿势动作幅度过大或物体方向改变也不易检测。HOG不具有旋转不变性、尺度不变性。此外，由于梯度的性质，HOG对噪点相当敏感。[3]Dalal,Navneet,andB.Triggs."HistogramsofOrientedGradientsforHumanDetection."

IEEEComputerSocietyConferenceonComputerVision&PatternRecognition

IEEE,2005.传统目标检测算法DPM算法DPM算法是一种基于部件的检测方法，对目标的形变具有很强的鲁棒性。DPM算法采用了改进后的HOG特征，SVM分类器和滑动窗口检测思想，针对目标的多视角问题，采用了多组件的策略，针对目标本身的形变问题，采用了基于图结构的部件模型策略。传统目标检测算法DPM算法传统目标检测算法CONTENTS目录引言01目标检测算法分类02传统目标检测算法03基于深度学习的目标检测算法04One-stagevstwo-stageOne-stage检测算法不需要regionproposal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。Two-stage检测算法将检测问题划分为两个阶段，首先产生候选区域（regionproposal），然后对候选区域分类

。基于深度学习的目标检测算法One-stagevstwo-stage04One-stageTwo-stageYOLOv1SSDYOLOv2YOLOv3R-CNNFastR-CNNFasterR-CNNSPP-Net速度快精度高基于深度学习的目标检测算法Two-stage算法04R-CNN基于深度学习的目标检测算法Two-stage算法04SPP-Net基于深度学习的目标检测算法Two-stage算法FastR-CNN[11]基于深度学习的目标检测算法Two-stage算法04FasterR-CNN基于深度学习的目标检测算法One-stage算法YOLOv1[13],YouOnlyLookOnce[13]Redmon,Joseph,etal."YouOnlyLookOnce:Unified,Real-TimeObjectDetection."(2015).基于深度学习的目标检测算法One-stage算法YOLOv1,YouOnlyLookOnce基于深度学习的目