物體檢測

在傳統視覺領域，物體檢測是一個非常熱門的研究方向。受70年代落後的技術條件和有限應用場景的影響，物體檢測直到上個世紀90年代才開始逐漸走入正軌。物體檢測對於人眼來説並不困難，通過對圖片中不同顏色、紋理、邊緣模塊的感知很容易定位出目標物體，但計算機面對的是RGB像素矩陣，很難從圖像中直接得到狗和貓這樣的抽象概念並定位其位置，再加上物體姿態、光照和複雜背景混雜在一起，使得物體檢測更加困難。

檢測算法裏面通常包含三個部分，第一個是檢測窗口的選擇， 第二個是特徵的設計，第三個是分類器的設計。隨着2001年Viola Jones提出基於Adaboost ^[1]  的人臉檢測方法以來，物體檢測算法經歷了傳統的人工設計特徵加淺層分類器的框架，到基於大數據和深度神經網絡的End-To-End的物體檢測框架，物體檢測一步步變得愈加成熟。

在2001年，一篇基於Haar+Adaboost的檢測方法在學術界和工業界引起了非常大的轟動，它第一次把檢測做到實時，並且在當時的技術限制下，檢測性能也做的非常亮眼。縱觀2012年之前的物體檢測算法，可以歸結為三個方面的持續優化：檢測窗口的選擇、特徵的設計和分類器的設計。

拿人臉檢測舉例，當給出一張圖片時，我們需要框出人臉的位置以及人臉的大小，那麼最簡單的方法就是暴力搜索候選框，把圖像中所有可能出現框的位置從左往右、從上往下遍歷一次。並且通過縮放一組圖片尺寸，得到圖像金字塔來進行多尺度搜索。

但是這種方法往往計算量很大並且效率不高，在實際應用中並不可取。人臉具有很強的先驗知識，比如人臉膚色YCbCr空間呈現很緊湊的高斯分佈，通過膚色檢測可以去除很大一部分候選區域，僅留下極小部分的區域作為人臉檢測搜索範圍。由於膚色的提取非常快，只是利用一些顏色分佈的信息，把每個像素判斷一下，整體速度提升很多。但膚色提取只是用到簡單的顏色先驗，如果遇到和膚色很像的，比如黃色的桌子，很有可能被誤判成人臉的候選檢測區域。

進一步提高精度衍生出如Selective Search ^[2]  或EdgeBox ^[3]  等區域提取的方法，基於顏色聚類、邊緣聚類的方法來快速把不是所需物體的區域給去除，相對於膚色提取精度更高，極大地減少了後續特徵提取和分類計算的時間消耗。

在傳統的檢測中，Haar由於提取速度快，能夠表達物體多種邊緣變化信息，並且可以利用積分圖快速計算，得到廣泛的應用；LBP更多的表達物體的紋理信息，對均勻變化的光照有很好的地適應性；HOG通過對物體邊緣使用直方圖統計來進行編碼，特徵表達能力更強，在物體檢測、跟蹤、識別都有廣泛的應用。傳統特徵設計往往需要研究人員經驗驅動，更新週期往往較長，通過對不同的特徵進行組合調優，從不同維度描述物體可以進一步提升檢測精度，如ACF檢測，組合了20種不同的特徵表達。

傳統的分類器包含Adaboost、SVM、Decision Tree等。

一個弱分類器往往判斷精度不高，通過Adaboost自適應地挑選分類精度高的弱分類器並將它們加權起來，從而提升檢測性能。比如説，人臉檢測中一個候選窗口需要判斷是否為人臉，其中一些弱分類器為顏色直方圖分量（如紅黃藍三種顏色），如果黃色分量大於100，那我就認為這塊可能是人臉的候選區域，這就是個非常簡單的弱分類器。可是，單個這麼弱的分類器判斷是很不準的，那麼我們就需要引入另外一些分量做輔助。比如再引入紅色分量大於150，將幾個條件疊加起來，就組成了一個比較強的分類器。

這裏弱分類器的設計往往就是確定顏色判斷的閾值，為什麼會選擇100呢？其實這是我們需要學習得到的閾值，學習得到，當閾值設定為100時，分類的精度是最高的。另外，為什麼要選擇紅黃藍三種顏色？同樣，因為它們分類的精度更高。通過不斷進行特徵挑選並學習弱分類器，最終組合提升為Adaboost強分類器。

SVM通過最大化分類間隔得到分類平面的支持向量，在線性可分的小數據集上有不錯的分類精度，另外通過引入核函數將低維映射到高維，從而線性可分，在檢測場景被廣泛使用。

決策樹（Decision Tree）是一種樹形結構，其中每個內部節點表示一個屬性上的測試，每個分支代表一個測試輸出，每個葉子節點代表一種類別。

以二叉樹為例，假如從樹根進來有個二分類，我們需要區分它是人臉或者是非人臉，左邊是非人臉，右邊是人臉。當我進入第一個二叉樹分類器節點判斷，如果是非人臉的話直接輸出結果，如果是人臉候選的話進入下一層再做進一步的分類。通過學習每個節點的分類器來構造決策樹，最終形成一個強分類器。

通過對決策樹進行Ensemble，組合成隨機森林更好的提高分類或者回歸精度。

物體檢測常用的數據集有：PASCAL VOC和COCO。

PASCAL VOC為圖像識別和分類提供了一整套標準化的優秀的數據集，從2005年到2012年每年都會舉行一場圖像識別挑戰賽。

COCO數據集是微軟發佈的，除了圖片以外還提供物體檢測、分割(segmentation)和對圖像的語義文本描述信息。

物體檢測算法的演變分為兩個階段：一個就是基於傳統特徵的解決方法，另外一個就是深度學習算法。在2013年之前主流檢測算法是傳統的特徵優化檢測方法。但是，在2013年之後，整個學術界和工業界都逐漸利用深度學習來做檢測。

基於深度學習的早期的物體檢測，大都使用滑動窗口的方式進行窗口提取，這種方式本質是窮舉法 R-CNN ^[4]  。後來提出Selective Search ^[2]  等區域窗口提取算法，對於給定的圖像，不需要再使用一個滑動窗口進行圖像掃描，而是採用某種方式“提取”出一些候選窗口，在獲得對待檢測目標可接受的召回率的前提下，候選窗口的數量可以控制在幾千個或者幾百個。

後來，又出現了SPP ^[5]  ，其主要思想是去掉了原始圖像上的crop/warp等操作，換成了在卷積特徵上的空間金字塔池化層。那麼為什麼要引入SPP層呢？其實主要原因是CNN的全連接層要求輸入圖片是大小一致的，而實際中的輸入圖片往往大小不一，如果直接縮放到同一尺寸，很可能有的物體會充滿整個圖片，而有的物體可能只能佔到圖片的一角。SPP對整圖提取固定維度的特徵，首先把圖片均分成4份，每份提取相同維度的特徵，再把圖片均分為16份，以此類推。可以看出，無論圖片大小如何，提取出來的維度數據都是一致的，這樣就可以統一送至全連接層。

實際上，儘管R-CNN 和SPP在檢測方面有了較大的進步，但是其帶來的重複計算問題讓人頭疼，而 Fast R-CNN ^[6]  的出現正是為了解決這些問題。 Fast R-CNN使用一個簡化的SPP層 —— RoI（Region of Interesting） Pooling層，其操作與SPP類似，同時它的訓練和測試是不再分多步，不再需要額外的硬盤來存儲中間層的特徵，梯度也能夠通過RoI Pooling層直接傳播。Fast R-CNN還使用SVD分解全連接層的參數矩陣，壓縮為兩個規模小很多的全連接層。

Fast R-CNN使用Selective Search來進行區域提取，速度依然不夠快。Faster R-CNN則直接利用RPN （Region Proposal Networks）網絡來計算候選框。RPN以一張任意大小的圖片為輸入，輸出一批矩形區域，每個區域對應一個目標分數和位置信息。從 R-CNN 到 Faster R-CNN ^[7]  ，這是一個化零為整的過程，其之所以能夠成功，一方面得益於CNN強大的非線性建模能力，能夠學習出契合各種不同子任務的特徵，另一方面也是因為人們認識和思考檢測問題的角度在不斷髮生改變，打破舊有滑動窗口的框架，將檢測看成一個迴歸問題，不同任務之間的耦合。

除了R-CNN、Fast R-CNN 和 Faster R-CNN等兩階段檢測算法外，還有YOLO ^[8-9]  、SSD ^[10]  等一階段檢測算法——將物體檢測看作一個迴歸問題。