随着人工智能的兴起，目标检测算法在各行业中起的作用越来越大，怎么落地，这是一个非常严峻的话题。今天看到一位大牛的分享，学习了。
把该领域的算法和历史做个梳理。方便后续研究。
按照时间分类，可以把该算法分成两类：传统算法和CCN算法。
传统算法：
- 级联分类器框架：Haar/LBP/积分HOG/ACF feature+Adaboost
级联分类器最先由Paul Viola and Michael J. Jones在CVPR 2001中提出来。
其实这就是boosting由简单弱分类拼装强分类器的过程，现在看起来很low，但是这个算法第一次使目标检测成为现实！
OpenCV有对级联分类器的经典实现：https://docs.opencv.org/2.4.11/modules/objdetect/doc/cascade_classification.html?highlight=haar
至于使用的特征，Haar简单也够用了，LBP实在是没必要去扒了。。。
至于HoG/ACF，下面说。
- HoG+SVM
Histograms of oriented gradients for human detection，2005，CVPR
由于原始的Haar特征太简单，只适合做刚性物体检测，无法检测行人等非刚性目标，所以又提出了HOG+SVM结构。
在OpenCV中也有实现：https://docs.opencv.org/2.4.11/modules/gpu/doc/object_detection.html?highlight=hog
之后又有人魔改出LoG/DoG/RoG等一系列特征，没啥意思就不多说了。
值得一提的是，有人把SVM中的HoG改为Integral HoG，用于级联分类器。这也就是目前OpenCV级联分类器的积分HOG的原型：
Integral Histogram: A Fast Way to Extract Histograms in Cartesian Spaces
后续又有人发展出了Aggregate Channel Feature(ACF)等特征，论文主要是下面2个：
Aggregate Channel Features for Multi-view Face Detection，2014，IJCB
Fast Feature Pyramids for Object Detection，2014，PAMI
亮点就是这个Fast，加速了Integral HoG的计算，效果好而且快，依然活跃在嵌入式领域。
- Discriminatively trained deformable part models(DPM)
项目主页：http://www.rossgirshick.info/latent/
DPM是使用弹簧模型进行目标检测，如下图。即进行了多尺度+多部位检测，底层图像特征抽取采用的是fHoG。反正也是轰动一时了。
后续又有DPM+/DPM++，没啥意思不提也罢。
- 模版匹配：就是在一幅图像中寻找另一幅模板图像最匹配（也就是最相似）的部分的技术。相关的实现参考：https://www.cnblogs.com/skyfsm/p/6884253.html
链接：https://www.zhihu.com/question/53438706/answer/148973444
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。
CNN方法：
- 基于region proposal(two stage)：R-CNN家族，包括Faster R-CNN/Mask R-CNN/RFCN
然而DPM火了没到2年，R-CNN家族出现了，终于不再用各种魔改版HoG特征搞检测了！
其中R-CNN家族最有代表性的就是Faster R-CNN。Faster R-CNN由RPN网络先产生region proposal，再对region proposals进行classification，就是所谓的two stage。
Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks
其实R-CNN系列检测关注他：Kaiming He - FAIR，完全足够了。
- 基于回归(one-shot)：YOLO/YOLO2/SSD/DSSD
YOLO和SSD都是产生proposal的同时进行classification+regression，一次性完成，即所谓的one-shot。相比two stage速度占优，Precision/Recall略低。
SSD：SSD: Single Shot MultiBox Detector
至于YOLO，目前有YOLO v1，YOLO 9000(v2)，YOLO v3
另外我觉得，后续版本DSSD和YOLO v2/v3之间真的没啥差距了，感觉都一样。
这也说明检测已经趋于瓶颈，没有算法突破很难像以前，一下提高几十个点。
- 特殊的文字序列检测：CTPN(LSTM + R-CNN)／Seglink(SSD魔改）
除了一般意义上的检测，还有一类文字检测，用于OCR前的文字定位。这类检测和一般的检测还有一点点不一样。目前效果比较好的2种：CTPN和Seglink
Faster R-CNN的继承：CTPN水平or竖直文字检测
Detecting Text in Natural Image with Connectionist Text Proposal Network, ECCV, 2016.
SSD的继承：Seglink倾斜文字检测
Detecting Oriented Text in Natural Images by Linking Segments，CVPR，2017
代码 https://github.com/dengdan/seglink
当然文字检测算法也有传统的，比如这个OpenCV自带：
Real-Time Scene Text Localization and Recognition, CVPR 2012
不过不建议去折腾了，没必要。
总结：
传统方法的优势就是速度快，即使在嵌入式平台也可以做到高速实时；缺点就是Precision/Recall都不是很理想，简单说就是效果差；
CNN方法优势就是Precision/Recall都好很多；缺点对应的，速度慢。
目前在嵌入式中，传统算法还有一些空间，但是被Mobilenet等轻量化网络挤压；在服务器端，完全是深度网络的天下了。
参考文档：