其他分享
首页 > 其他分享> > 目标检测 2021 /11/20

目标检测 2021 /11/20

作者:互联网

文章目录

  1. 目标检测定义

    在图片中对可变数量的目标进行查找和分类

  2. 目标检测存在的三个难点

    目标种类与数量问题(人群的稠密与稀疏)
    目标尺度问题(行人远近的问题)
    外界环境干扰问题(光照的变化,遮挡,图像的质量)
    行人的移动
    在这里插入图片描述

  3. 目标检测 vs 图像分类
    在这里插入图片描述

目标检测:用不同的矩形框选出不同的物体,矩形框上的数字代表该物体的可信度。
在这里插入图片描述
图像分类:把相同的图片分成不同的类别。

  1. 目标检测,图像处理是计算机视觉基础的内容,后续会有目标跟踪,譬如:多目标跟踪,单目标跟踪等。
  2. 目标分割

在这里插入图片描述
在这里插入图片描述

1 semantic segmentation 语义分割,同类用相同颜色处理。
2 instance segmentation 实例分割,同类别也划分不同实例。
3 二者都要在像素层面给出结果。

目标检测的变迁

在这里插入图片描述

传统目标检测局限性:

  1. 设计特征很难设计,设计的特征存在各种各样的问题。
  2. 效率存在瓶颈
  3. 通过滑动窗口的方式提取目标框,费时。

算法的基本流程

在这里插入图片描述

传统目标检测算法vs深度学习目标检测算法

在这里插入图片描述

传统目标检测算法综述

在这里插入图片描述

输入:待检测的图片
候选框:滑动窗口
特征提取:计算机视觉+模式识别 特征分为三个层次,底层特征:颜色,纹理。中层特征:基于底层特征,pca特征,lda特征。高层次特征:基于底层、中层特征,是否带帽子,是否戴眼镜。

V-J 检测算法

主要用于人脸识别

Haar特征提取
训练人脸分类器(Adaboost算法)
滑动窗口

Hog+SVM 检测算法(行人检测,Opencv实现)

Hog特征提取
Svm分类器
滑动窗口选取

DPM算法

Hog的拓展
利用SVM训练得到物体的梯度

NMS(Non-maximum-suppression)

在这里插入图片描述

目的:为了消除冗余的框,找到最佳物体的检测位置
思想:选取那些邻域里分数最高的窗口,同事抑制分数低的窗口

标签:11,Hog,20,特征,检测,目标,算法,2021,窗口
来源: https://blog.csdn.net/m0_61928877/article/details/121434713