一 viola-jones（人臉檢測）
1.haar特徵抽取
初始化樣本的權重w，樣本權重之和為1
訓練弱分類器
更新樣本權重
迴圈第二步
結合做個分類器結果，進行投票
2.訓練人臉分類器
3.滑動視窗
二 hog + svm（行人檢測，opencv實現）
1.提取hog特徵
hog特徵：
2.訓練svm分類器（通過去尋找兩種樣本空間上的最大分類間隔面來進行建模）
3.利用滑動視窗提取目標區域，進行分類判斷
4.nms
5.輸出檢測結果
三 dpm（物體檢測）
1.2023年pedro felzenszwalb提出
2.voc，07，08，09年的檢測冠軍
3.2010 voc 授予「終身成就獎」
4.hog的擴充套件
5.利用svm訓練得到物體的梯度
步驟：
四 nms（非極大值抑制演算法）
目的：為了消除多餘的框，找到最佳的物體檢測的位置
思想：選取那些鄰域裡分數最高的視窗，同時抑制那些分數低的視窗，首先對所有的檢測框按照它們的得分進行排序，這個得 分就是我們利用分類器進行分類的時候得到的概率值，選出得分最大的檢測框，然後將那些同這個得分最大的檢測框的iou面積大於某些閾值的框，也就是重疊率高的那些框刪除。同樣也會有一些檢測框同當前的檢測框完全不重疊的，或者重疊面積非常小，接下來我們就可以對那些沒有處理過的檢測框重新進行排序，排序完成之後同樣會選出乙個得分最大的檢測框，以此類推。不斷迭代這個過程，直到所有的檢測框都被處理過之後，輸出最終的檢測結果。
改進：soft-nms（非極大值抑制演算法）
我們直接採用閾值來對檢測框進行判定是不太合理的，處理起來過於粗暴
1.相鄰區域內的檢測框的分數進行調整而非徹底抑制，從而提高了高檢索率情況下的準確率
2.在低檢索率時仍能對物體檢測效能有明顯提公升
目標檢測演算法綜述
1.傳統的目標檢測框架，主要包括三個步驟 1 利用不同尺寸的滑動視窗框住圖中的某一部分作為候選區域 2 提取候選區域相關的視覺特徵。比如人臉檢測常用的harr特徵 行人檢測和普通目標檢測常用的hog特徵等 3 利用分類器進行識別，比如常用的svm模型 2.目標檢測領域的深度學習方法主要分為兩類 對於...
目標檢測演算法綜述筆記
主要參考兩篇綜述 object detection in 20 years a survey recent advances in deep learning for object detection csdn上有翻譯版，對照這翻譯版，能夠更快的理解，注意如果是菜鳥，最好review三遍，三遍是我從...
目標檢測演算法
基於深度學習的回歸方法 yolo ssd densebox 傳統目標檢測流程 rcnn解決的就是預先找出圖中目標可能出現的位置，即候選區域，再對這些區域進行識別分類。r cnn 具體步驟如下 步驟二 對該模型做fine tuning 微調 步驟三 特徵提取 步驟四 訓練乙個svm分類器來判斷這個候選...