物體檢測算法的曆史發展脈絡綜述

物體檢測（或目标檢測），是計算機視覺領域非常重要的應用，是許多項目的基礎。在計算機視覺識别領域，主要有分類和檢測兩大主要任務，分類隻需要把目前物體歸屬到特定類别，而檢測除了需要分類外，還需要檢測出物體的具體位置坐标，是一種更嚴格意義上的識别。物體檢測應用領域很廣，比如人臉檢測， 汽車檢測、人體及其他部件檢測、logo檢測、常見物體檢測等。

對于一個專業的計算機視覺從業者來說，能較好的了解物體檢測的曆史發展脈絡，則能把握整個技術趨勢，拓展思維，明白算法的原理，對算法改進和應用大有益處。

從整個目标檢測的發展來看，主要經曆了兩個階段：

1. 滑動窗方法：

2. region proposal方法：

1. 滑動窗方法

滑動窗方法，是用不同尺寸的視窗在圖檔内滑動，提取目前視窗的視覺特征，然後送給分類器進行類别判别，最後根據每個滑動窗的分類置信度，拟合出最終的物體位置。

滑動窗方法有兩個缺點：一是計算效率，需要處理成千上萬個視窗，未做優化政策的情況下，性能低下；二是手工設計特征（如hog特征， haar特征， LBP特征， color特征及各種特征的組合等），不能更加詳盡的表達物體的特點，造成識别率較低。

物體檢測早期的算法，大多基于滑動窗，有三個重要的算法裡程碑：

（1）cascade + haar特征：

 https://becominghuman.ai/face-detection-using-opencv-with-haar-cascade-classifiers-941dbb25177

(2)  svm + hog/lbp特征：

https://medium.com/@mithi/vehicles-tracking-with-hog-and-linear-svm-c9f27eaf521a

https://medium.com/@richa.agrawal228/person-detection-in-various-posture-using-hog-feature-and-svm-classifier-2c3a3991022c

(3) dpm + hog特征

https://www.rossgirshick.info/　（ｒｂｇ大神的首頁，憑借DPM獲得終身成就獎，之後的rcnn系列也是該大神創世之作）

Object Detection with Discriminatively Trained Part Based Models　

Visual Object Detection with Deformable Part Models　// 這是兩篇ＤＰＭ的傑作，闡述了訓練，測試，ｃａｓｃａｄｅ等，個人覺得，ｄｐｍ不過時，需要認真研究一下，許多概念都對今後的基于proposal的檢測方法有奠基作用（bound boxing, anchor, nms, cascade等等）, dpm的源碼（lsvm, llda）等在優化之後，能夠達到較高的訓練和推理效率，值得研究和移植

https://www.cv-foundation.org/openaccess/content_cvpr_2015/papers/Girshick_Deformable_Part_Models_2015_CVPR_paper.pdf // 這篇文章，大神論證了dpm就是卷積神經網絡，個人覺得也是，dpm是ｒｃｎｎ的一種過度，其實svm也是兩層的簡單神經網絡（wx+b）

２．region proposal方法：

（１）ｒｂｇ大神系列

Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation // rcnn

Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition // 何凱明

Fast R-CNN // fast rcnn

Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks // faster rcnn , 此三篇功力深厚(rpn網絡，　roi-pooling)

(2) r-fcn

https://arxiv.org/abs/1605.06409 代季峰，何凱明　　// 解決檢測中roi-pooling與平移的沖突，同時降低了roi-pooling 逐個計算的負載

(3) Mask R-CNN

(4) yolo & ssd:

基本原理就是合并rpn網絡和分類網絡，box位置經過一次回歸得到，同時以固定的網格作為預設的anchor, 速度提升

(5)data driven:

主要之STN(spatial transform network, deformable R-FCN等)，通過訓練，學習一些變換參數，個人覺得，這個方向可能會成為主流

總之，在工程實踐過程中，需要根據實際需要，熟悉每種檢測技術的優缺點，酌情使用，沒有哪一種檢測技術或者分類技術是萬能的，也沒有哪一種網絡是最棒的，論文研究和實際應用還是有很大不同．