基于形變部件模型（Deformable Part Models）的目標檢測

        上節說了基于cascade的目標檢測，cascade的級聯思想可以快速拋棄沒有目標的平滑窗（sliding window）,因而大大提高了檢測效率，但也不是沒缺點，缺點就是它僅僅是個很弱的特征，用它做分類的檢測器也是弱分類器，僅僅比隨機猜的要好一些，它的精度靠的是多個弱分類器來實行一票否決式推舉（就是大家都檢測是對的）來提高命中率，確定分類器的個數也是經驗問題。這節就來說說改進的特征，盡量使得改進的特征可以檢測任何物體，當然Deep Learning學習特征很有效，但今天還是按論文發表順序來說下其他方法，（服務器還沒配置好，現在還不能大批跑Deep Learning ^.^）,在第四節說了ASM并且簡單的提了下AAM，這兩個模型其實就是形變模型（deform model）,說到基于形變模型檢測物體的大牛，就不得說說芝加哥大學教授Pedro F. Felzenszwalb，Pedro發表很多有關基于形變部件來做目標檢測的論文，并靠這個獲得了VOC組委會授予的終身成就獎，另外它早期發表的《Belief propagation for early vision》也很出名，雖然比不上Science那樣的開辟新領域的Paper,但在不犧牲精度的情況下大

總結

以上是生活随笔為你收集整理的目标检测（Object Detection）原理与实现的全部內容，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。