計算機視覺目標檢測的框架
阿新 • • 發佈：2019-01-02
目標的檢測大體框架：
一、基於傳統方法
流程為：特徵提取+分類器
常用特徵：
haar、LBP、HOG、Gabor、ACF、ICF等
常見組合：
haar+adaboost
lbp+adaboost
Hog+SVM
常用分類器：
SVM, adaboost
基於傳統方法目標檢測分為以下幾個步驟：
1、訓練分類器所需訓練樣本的建立
2、特徵提取、歸一化
3、用特徵向量來訓練分類器
4、利用訓練好的分類器進行目標檢測（滑動視窗檢測）
5、學習和改進分類器（hard-mining）
二、基於深度學習方法
1）、候選區域proposals+分類classify
Faster rcnn 系列。
1、提取候選區域（rpn網路或者傳統方法selective search）
2、將ROI pooling後的候選框送入cnn網路中進行分類、同時進行檢測框的精確位置迴歸。
MTCNN。
用多級小網路生成和篩選候選框，同時進行檢測框的精確位置迴歸。在最後一個網路中增加了關鍵點的迴歸。
2）、基於迴歸方法
YOLO，SSD等。
1、直接回歸檢測框的座標
3）混合
Mask-Rcnn等。
Mask-Rcnn：在Faster-rcnn的基礎上增加了影象分割分支，即基於畫素點的分類。