【《目标检测理论基础概述》3500字】

目标检测理论基础概述目录TOC\o"1-3"\h\u8598目标检测理论基础概述 111991.1.1定位与检测 1185701.1.2目标检测数据集 4205331.1.3性能指标与计算方法 4定位与检测目标检测是计算机检测非常基本的任务，作为计算机视觉的三大基本任务之一，目标检测的目的是从复杂度不同的背景识别运动目标，分离背景完成跟踪、识别等后续任务。在现实场景中得到了广泛的应用，在实际应用场景中，根据不同的工作要求，实现了不同的技术，广泛应用于机器人导航、智能视频监控、工业检测、航空航天等诸多领域。它主要做两件事情，那就是对于图片上的物体我们要识别出它是什么，也就是说我们给被检测出的物体给出类别标签，另外给出置信度得分，来对要被检测的物体的类别判断及确定，另外要对识别出的物体用一个矩形框框出来，这个矩形框又称之为BoundingBox，BoundingBox给出了物体在图片中的定位，预测该对象从属的类别。目标尺度是影响目标检测性能的重要因素之一，目前无论是在公共数据集中还是在真实图像中，小目标的检测精度都远低于高目标和中尺度目标，经常出现漏检和误检，小目标的检测在许多实际场景中有着重要的应用，甚至是许多智能设备有效、安全运行的关键，例如在非导电系统中，当目标（如红绿灯或行人）相对较小时，非驾驶车辆仍需准确识别这些目标并采取相应措施；在卫星成像分析中，对车辆和船舶进行检测需求大，但是这些目标往往由于太小而难以检测，因此，研究有效的小目标检测方法，提高小目标检测性能显得十分重要和迫切。现阶段面临的问题是小目标检测困难，一是底层特征缺乏语义信息，二是目标在分类数据集中的尺度分布与目标在检测数据集中的尺度分布存在一定的差异，三是小目标的训练样本数据量较少，小目标检测得不到充分学习。图STYLEREF1\s图STYLEREF1\s2SEQ图\*ARABIC\s11目标识别流程图图STYLEREF1\s图STYLEREF1\s2SEQ图\*ARABIC\s12图STYLEREF1\s2图STYLEREF1\s23区域选择：获取候选框的方法有两种，一种是滑动窗口法，由于目标可能出现在图像的任意位置，对目标的大小无法确定，最初采用滑动窗口的方法对整幅图像进行遍历，我们需要设计大量的不同尺度和长宽比的“滑窗”来使它们通过CNN，然而这个计算量是非常巨大的，图2-2、2-3所示，将产生大量的冗余窗口，对后续特征提取和分类的速度和性能有一定的影响[16]，为了保证速度，分类器不能太复杂。如需快速定位到目标的潜在区域，来减少大量的不必要计算。由此另一种方法，从图片中选出候选边界框（BoundingBox），先是利用分割算法对图像进行分割产生多个子区域，再经过比较相似子区域进行区域合并，不断迭代合并得到结果。特征提取:设计一个鲁棒的特征并不容易，常常受一些因素影响，如背景复杂程度、光照强度不同，同一目标形态各异等,逐步完善全局特征以过滤和提取更多关键特征，例如纹理特征，颜色特征等，这使得提取的特征越来越详细，提取的复杂特征可以在解析那些复杂样本中起到很好的作用。HOG（定向梯度直方图）特征由RobertK.McConnell[17]于1986年首次提出，在粗略的空间采样，精细的方向采样和强大的局部光学归一化的条件下，行人通常只要保持直立的姿势，就可以允许一些微妙的身体运动，而这些微妙的运动可以被忽略而不会影响检测效果，因此常用于行人识别，识别效果好。该特征与DPM算法[18]结合在一起即可完成目标识别任务；SIFT(缩放入侵功能转换)特征是由DavidLowe于2004提出的[19]，它对于旋转，缩放和亮度变化是不变的，并且对于角度变化，仿射变换和噪声在一定程度上是稳定的，在目标识别、姿态识别、目标跟踪等领域被广泛使用;LBP特征是于1994年由Ojala和Harwood等人首先提出,由于具有不受光照变化影响的优势，主要用于人脸检测任务。受特征点以前成功的就是SIFT/SURF/FAST之类，现在完全可以通过CNN模型形成的特征图来定义。分类:分类的准确性与特征提取的好坏相关联,分使用训练好的分类器对特征进行目标类别识别，分类器主要有SVM、AdaBoost等。传统的目标检测方法在取得一定效果的同时，也暴露出其固有的缺陷：一是采用滑动窗口进行区域选择，时间复杂度和窗口冗余度较高；二是外观的多功能性，由于光照变化和背景多样性的不确定性，导致人工设计的特征提取方法的稳健性和泛化性较差，算法步骤复杂，检测效率和准确性较差，传统的检测方法难以满足算法的需要高性能目标检测。目前目标检测深度学习方法主要分为两类[20]：(1)以RCNN系列算法为代表的、“两步走”的基于候选区域的目标检测算法。由算法生成一系列作为样本的候选框，再通过卷积神经网络进行样本分类。R-CNN训练过程涵盖内容包括有，选出潜在目标候选框（ROI）、训练一个好的特征提取器、训练最终分类器、训练回归模型。有RCNN、FastR-CNN、FasterR-CNN。(2)以YOLO、SSD为代表的、“一步走”的基于回归的目标检测算法。不需要产生候选框，直接将目标框定位的问题转化为回归问题来处理。在单阶段目标检测方法中，不再使用建议框进行“粗检测+精修”，而采用一步到位的方式得到结果。单阶段目标检测方法只进行一次前馈网络计算，因此在速度上有了很大的提升。基于候选区域的目标检测算法从理论上来讲比基于回归的目标检测算法精准度更高,而基于候选区域的目标检测算法从理论上来讲比基于回归的目标检测算法速度更快。目标检测数据集(1)PASCALVOC数据集：PASCALVOC2007，9964张图像，24640个标注；PASCALVOC2012，11530张图像，27450个标注。该数据集有20个分类：Person:person

Animal:bird，cat，cow，dog，horse，sheep

Vehicle:aeroplane，bicycle，boat，bus，car，motorbike，train

Indoor:bottle，chair，diningtable，pottedplant，sofa，tv/monitor图STYLEREF1\s2图STYLEREF1\s2SEQ图\*ARABIC\s13几种公共数据集对比图（3）ImageNet数据集：于2010年发布，增加类和图像数，是图像识别最大的数据库，其中数据集1200多万张，2.2万个类别，类别标注图片103万张，包含了200个对象类别，由于数据集过大，加重了训练时的计算量，目标检测难度提升。性能指标与计算方法A.检测精度相关指标图表2-1是二分类混淆矩阵（confusionmatrix），第一位T/F表示预测对错，第二位P/N表示预测的结果。TruePositive（真正,TP）被模型预测为正的正样本；

TrueNegative（真负,TN）被模型预测为负的负样本；

FalsePositive（假正,FP）被模型预测为正的负样本；

FalseNegative图表STYLEREF1\s图表STYLEREF1\s2SEQ图表\*ARABIC\s11二分类混淆矩阵查准率，又称精度Precision是评估预测的准不准，会跟随预测的进程上下波动，其计算方法如式(1)：Precision=TP/(TP+FP)(1)查全率，又称召回率Recall是评估找的全不全，会跟随包含更多预测而增加，其计算方法如式(2)：Recall=TP/(TP+FN)(2)平均精确率AveragePrecision，简称AP，衡量的是学习出来的模型在每个类别上的好坏，是不同召回率下的平均，先前往往通过平滑锯齿形图形近似计算，将recall分为11个级别，计算最大精度的平均值如式(3)、(4)所示，因PR曲线下的面积是precision对recall的积分，2010年修正新的计算方法，假设这N个样本中有M个正例，那么将得到M个recall值，对每个recall值r计算出对应（r'>r）的最大precision，后对M个precision值取平均。P(3)AP=(4)查准率与查全率通常难以同时顾及，不可兼得，往往需要通过修改参数来实现一个查准率和查全率的曲线，该曲线与x轴、y轴围成的面积为AUC，是用来衡量预测模型的好坏，同时囊括了查准率与查全率这两个指标，由于计算复杂，所以被F-score来近似代替，其计算方法为：F−score=（2∗precision∗recall）/（precision+recall）(5)交并比IoU(IntersectionoverUnion)这个是预测出的bbox和实际标注的bbox的交集除以他们的并集。显然，这个数值越大，说明预测的结果越好，目标值为1，IoU=1意味着预测框和实际框完全重叠，设置一IoU阈值为0.5，如果IoU>=0.5，把这个目标检测分类为TruePositive（TP）,如果IoU<0.5，则认为是误检了分类为FalsePositive(FP)，IoU设置越大，Recall相应地可能会提高。PR曲线(Pecision-Recallcurve)为不同置信度阈值下的查准率和查全率情况。mAP:不同类别下的平均值，m表示平均，即所有类别的平均准确率之和除以所有类别，即数据集中所有类别的平均准确率的平均值。mAP衡量的是学习出的模型在所以类别上的好坏。mAP值是其最直观的表达方式，mAP值越大