DPM（Deformable Parts Models）翻譯成中文是可變型部件模型，是一種用于目標探測的方法。

首先說一下什么是目標探測。

目標探測概念：我的理解，目標探測就是輸入一幅圖像，輸出該圖像中包含的物件以及該物件的位置，或者輸入一幅圖像，探測該圖像中是否有目標物件。所以，總得來說目標探測需要完成兩大目標，一是尋找物件的位置，二是識別該物件。目標探測的任務是實現單個目標或多個目標的識別。

目標探測應用：目標探測常用于無人駕駛。

然后說一下解決該任務的傳統方法DPM。

DPM方法在2012年之前在目標探測領域都是應用非常廣泛的一種方法，但是在12年之后，這種方法逐漸走下沒落。

DPM算法思想：輸入一幅圖像，對圖像提取圖像特征，針對某個物件制作出相應的激勵模板，在原始的圖像華東計算，得到該激勵效果圖，根據激勵的分布，確定目標位置。

制作激勵模板就相當于人為地設計一個卷積核，一個比較復雜的卷積核，拿這個卷積核與原圖像進行卷積運算得到一幅特征圖。比如拿一個靜止站立的人的HOG特征形成的卷積核，與原圖像的梯度圖像進行一個卷積運算，那么目標區域就會被加密。如下圖所示：

那么說到這里就會出現一個問題，人在圖像中可能有各種的姿態，比如躺著，趴著，坐著等等，我們只用一個靜止站立狀態的人的激勵模板去做探測就會失敗。也就是說圖像中的物件可能會發生形變，那么我們用固定的激勵模板去探測目標物件的時候就不再適用，那么該如何解決這一問題呢，這就引出了局部模板，也就是說，我們不做一個整體的人的激勵模板，轉而去做人的部分組件的模板，比如頭、胳膊、腿等，其實這就是DPM算法。

DPM算法的步驟：

1、產生多個模板，整體模板以及不同的局部模板；

2、拿這些不同的模板同輸入圖像“卷積”產生特征圖；

3、將這些特征圖組合形成融合特征；

4、對融合特征進行傳統分類，回歸得到目標位置。

DPM算法優點：

1、方法直觀簡單；

2、運算速度塊；

2、適應動物變形；

DPM算法缺點：

1、性能一般

2、激勵特征人為設計，工作量大；

? ?這種方法不具有普適性，因為用來檢測人的激勵模板不能拿去檢測小貓或者小狗，所以在每做一種物件的探測的時候，都需要人工來設計激勵模板，為了獲得比較好的探測效果，需要花大量時間去做一些設計，工作量很大。

3、無法適應大幅度的旋轉，穩定性很差；

總結

以上是生活随笔為你收集整理的DPM（Deformable Parts Models）-----目标检测算法理解的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。