目标检测(2)—传统目标检测算法
传统目标检测方法基本流程给定一张图片作为输入进行候选框的提取,通常会采用滑动窗口来进行特征抽取,会采用一些计算机视觉中经典的模式识别的图像特征表示的一些方法,常见分别为:基于颜色的方法,基于纹理的方法等,低层次特征,中层次特征——分类器(事先学习和训练)根据提取的特征判定是目标还是背景,如果不是背景的话,是哪一类?得到候选框(目前存在的候选框可能存在重叠)NMS(非极大值抑制)...
·
传统目标检测方法基本流程
- 给定一张图片作为输入
- 进行候选框的提取,通常会采用滑动窗口来进行
- 特征抽取,会采用一些计算机视觉中经典的模式识别的图像特征表示的一些方法,常见分别为:基于颜色的方法,基于纹理的方法等,低层次特征,中层次特征——
- 分类器(事先学习和训练)根据提取的特征判定是目标还是背景,如果不是背景的话,是哪一类?得到候选框(目前存在的候选框可能存在重叠)
- NMS(非极大值抑制)的方法对候选框进行合并
- 得到最终的输出结果
常见的传统的目标检测方法
- Viola-Jones
主要是用于人脸检测
①Haar特征抽取
②训练人脸分类器(Adaboost算法等)
③滑动窗口进行候选框的提取(滑动窗口可能会导致候选框冗余)
- HOG+SVM
主要是用于行人检测,Opencv实现)
HOG特征主要是用于灰度图
梯度map(x/y,量化)
- DPM
主要是用于物体检测,是传统目标检测的巅峰之作
NMS(非极大值抑制算法)
目的:为了消除多余的框,找到最佳的目标检测的位置
思想:选取那些邻域里分数最高的窗口,同时抑制那些分数低的窗口
Sofe-NMS
- 相邻区域内的检测框的分数进行调整,而不是彻底抑制,从而提高了高检测率情况下的准确度。
- 在低检索率时仍能对物体检测性能有明显的提升
更多推荐
已为社区贡献1条内容
所有评论(0)