傳統的目標檢測方法

傳統的目標檢測方法分為4個階段：影象預處理、目標區域選擇、特徵提取、分類器分類。

對於一張輸入影象首先會對其進行降噪、平滑等預處理工作，然後在給定影象上選擇一些目標出現概率較高的候選區域，接著對這些候選區域進行特徵值提取，最後使用分類器對提取到的特徵值進行分類，得到候選框所屬的類別。

1.影象預處理：影象預處理的主要目的是消除與檢測目標無關的資訊，恢復影象中有用的真實資訊，增強有關資訊的可檢測性並最大限度地簡化資料，從而改進特徵抽取、影象分割，匹配和識別的可靠性。常用的方法有高斯濾波、均值濾波、影象腐蝕和膨脹、二值化等。

2.目標區域選擇：對目標可能出現的位置進行定位。由於目標可能出現在影象中的任何位置，且目標的大小、長寬比例在一開始可能無法確定，因此最原始的方法是採用不同尺寸大小的滑動視窗對全圖進行遍歷。

3.特徵提取：對圖形中目標區域的視窗進行提取，常用的影象特徵有顏色.特徵、紋理特徵、形狀特徵、空間關係特徵等。這個階段是目標檢測中最為重要的階段，因為所提取的特徵好壞程度直接影響最後分類結果的準確率。

4.分類器分類：將特徵提取的結果表示成向量形式，交給特徵分類器進行分類，給出所屬分類的概率（這裡使用到的分類方法屬於有監督學習，因此需要預先對人工標註的特徵進行訓練）。

傳統的目標檢測方法主要有兩個問題：

1.滑動視窗：基於滑動視窗的區域選擇策略沒有針對性，時間和空間複雜度高，產生大量無用的特徵。

2.特徵工程：需要人工對目標區域選擇合適的特徵，工程時間長，另外，經過特徵工程選擇的特徵不一定能夠符合多樣性特徵，其魯棒性較差。