传统物体检测

序

本文主要参考网上博客和文章，为后面r-cnn, fast-rcnn打好基础。

1 传统物体检测过程概览

1.1 图像数据库汇总

数据库 图像数 类别数 应用场景 图像大小 难度 Mnist 60000 10 字符识别 28*28 容易 Cifar10 60000 10 物体分类 32*32 中等 PASCAL VOC 20010-2012 9963 20 分类检测 470*380 很难 ImageNet 1400万 10万 物体分类 500*400 很难 KITTI 15000 – 车辆分类检测 – 中等 CompCars 30000 281 车辆分类 – 中等

附数据集链接（知乎达人收集）
https://zhuanlan.zhihu.com/p/25138563

1.2 物体检测

传统物体检测是滑动窗口设计+特征提取+分类器的方式。

1) 滑动窗口设计：

穷举策略：图像中所有可能出现框的位置从左往右，从上往下遍历一次，并缩放一组图像尺寸，得到图像金字塔进行多尺度搜索。存在问题：时间复杂度高，窗口冗余。

2) 特征提取

Harr角点检测：提取多种边缘变化信息，快速计算。
LBP: 提取纹理信息，对均匀变化光照有很强适应性。
HOG: 对物体边缘使用直方图统计进行编码，特征能力强。
SIFT: 提取局部特征，具有尺度不变性。
特征设计需要研究者经验驱动，组合不同特征，进行调优。

3) 分类器设计

Adaboost, SVM, DT，RF等。