版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
目标检测问题方法
一、目标检测方法的变迁
二、 基于传统手工特征的检测算法的问题
1.通过传统方法设置特征，一方面很难设计，另一方面设计出来的特征往往存在各种问题，比如对于某一个特定条件不适应，即不鲁棒，效率低
2.通过滑动窗口的方式来提取目标框，并对目标框进行分类判定的这种策略，在提取滑动窗口时的流程是非常繁琐耗时
深度学习阶段，神经网络可以代替传统手工设计特征并完成目标检测，但这只是利用卷积神经网络来进行特征提取，并没有从本质上改变搜索框提取目标区域的策略，直到Fast RCNN这类方法出现，通过RPN网络来代替原始滑动窗口的策略的提出，打破技术进步的瓶颈
三、算法基本流程
流程一：
给定一张图片作为输入，提取候选框，对候选框进行特征提取并用分类器进行特征判定，最后利用NMS进行候选框的合并，最终得到目标输出结果
流程二：
给定一张图片作为输入，采用特征提取+目标框回归的方法来进行目标区域的提取，最后同样利用NMS进行候选框的合并，最终得到目标输出结果
流程一适用于传统的目标检测方法和基于深度学习的目标检测方法
流程二使用与基于深度学习的目标检测方法
四、传统的目标检测算法
- Viola-Jones(VJ)：主要是采用积分图特征结合adaboost分类器来进行人类检测等任务
- HOG+SVM：主要用于行人检测，通过对行人目标候选区域提取HOG特征并结合SVM分类器来进行判定
- DPM：同样基于HOG特征的一种变种，不同点是加入了一些额外策略来提高精度，传统目标检测算法的巅峰之作
- …
五、深度学习目标检测算法
- One-stage(YOLO和SSD系列)：通过直接回归目标的位置来进行目标检测和定位
- Two-stage(Faster RCNN系列)：通过利用RPN网络来对候选区域进行推荐
六、传统目标检测算法VS深度学习目标检测算法
