标签：11 Hog 20 特征 检测 目标 算法 2021 窗口
文章目录
-
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
-
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
-
目标检测 vs 图像分类
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。
图像分类：把相同的图片分成不同的类别。
- 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。
- 目标分割
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
传统目标检测局限性：
- 设计特征很难设计，设计的特征存在各种各样的问题。
- 效率存在瓶颈
- 通过滑动窗口的方式提取目标框，费时。
算法的基本流程
传统目标检测算法vs深度学习目标检测算法
传统目标检测算法综述
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)
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
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。