（2） HOG 檢測器

方向梯度直方圖（HOG）特征描述器最初是由N． Dalal和B．Triggs在2005年提出的［11］。HOG對當時的尺度不變特征變換（scale－invariant feature transform）和形狀語境（shape contexts）做出重要改進。為了平衡特征不變性 （ 包括平移、尺度、光照等 ） 和非線性 （ 區(qū)分不同對象類別 ），HOG描述器被設計為在密集的均勻間隔單元網(wǎng)格（稱為一個“區(qū)塊”）上計算，并使用重疊局部對比度歸一化方法來提高精度。雖然HOG可以用來檢測各種對象類，但它的主要目標是行人檢測問題。如若要檢測不同大小的對象，則要讓HOG檢測器在保持檢測窗口大小不變的情況下，對輸入圖像進行多次重設尺寸（rescale）。這么多年來，HOG檢測器一直是許多目標檢測器和各種計算機視覺應用的重要基礎(chǔ)。

方向梯度直方圖（HOG），計算出每個像素朝四周的梯度方向和梯度強度，并統(tǒng)計形成梯度直方圖

（3） 基于可變形部件的模型（DPM）

DPM作為voco －07、－08、－09屆檢測挑戰(zhàn)賽的優(yōu)勝者，它曾是傳統(tǒng)目標檢測方法的巔峰。DPM最初是由P． Felzenszwalb提出的［12］，于2008年作為HOG檢測器的擴展，之后R． Girshick進行了各種改進［13］［14］。

DPM遵循“分而治之”的檢測思想，訓練可以簡單地看作是學習一種正確的分解對象的方法，推理可以看作是對不同對象部件的檢測的集合。例如，檢測“汽車”的問題可以看作是檢測它的窗口、車身和車輪。工作的這一部分，也就是“star model”由P．Felzenszwalb等人完成。后來，R． Girshick進一步將star model擴展到 “ 混合模型 ”，以處理更顯著變化下的現(xiàn)實世界中的物體。

一個典型的DPM檢測器由一個根過濾器（root－filter）和一些零件濾波器（part－filters）組成。該方法不需要手動設定零件濾波器的配置（如尺寸和位置），而是在開發(fā)了一種弱監(jiān)督學習方法并使用到了DPM中，所有零件濾波器的配置都可以作為潛在變量自動學習。R． Girshick將這個過程進一步表述為一個多實例學習的特殊案例，同時還應用了“困難負樣本挖掘（hard－negative mining）”、“邊界框回歸”、“語境啟動”等重要技術(shù)以提高檢測精度。而為了加快檢測速度，Girshick開發(fā)了一種技術(shù)，將檢測模型“ 編譯 ”成一個更快的模型，實現(xiàn)了級聯(lián)結(jié)構(gòu)，在不犧牲任何精度的情況下實現(xiàn)了超過10倍的加速。

雖然今天的目標探測器在檢測精度方面已經(jīng)遠遠超過了DPM，但仍然受到DPM的許多有價值的見解的影響，如混合模型、困難負樣本挖掘、邊界框回歸等。2010年，P． Felzenszwalb和R． Girshick被授予PASCAL VOC的 “終身成就獎”。

基于卷積神經(jīng)網(wǎng)絡的雙級檢測器

隨著手動選取特征技術(shù)的性能趨于飽和，目標檢測在2010年之后達到了一個平穩(wěn)的發(fā)展期。2012年，卷積神經(jīng)網(wǎng)絡在世界范圍內(nèi)重新煥發(fā)生機［15］。由于深卷積網(wǎng)絡能夠?qū)W習圖像的魯棒性和高層次特征表示，一個自然而然的問題是：我們能否將其應用到目標檢測中？R． Girshick等人在2014年率先打破僵局，提出了具有CNN特征的區(qū)域（RCNN）用于目標檢測［16］。從那時起，目標檢測開始以前所未有的速度發(fā)展。在深度學習時代，目標檢測可以分為兩類：“雙級檢測（two－stage detection）” 和 “單級檢測（one－stage detection）”，前者將檢測框定為一個“從粗到細 ”的過程，而后者將其定義為“一步到位”。

雙級檢測的發(fā)展及各類檢測器的結(jié)構(gòu)［2］

（1） RCNN

RCNN［17］的思路很簡單：它首先通過選擇性搜索來提取一組對象作為“提案（proposal）”并當做對象的候選框。然后將每個提案重新調(diào)整成一個固定大小的圖像，再輸入到一個在ImageNet上訓練得到的CNN模型（如AlexNet） 來提取特征。最后，利用線性SVM分類器對每個區(qū)域內(nèi)的目標進行預測，識別目標類別。RCNN在VOC07測試集上有明顯的性能提升，平均精準度 （mean Average Precision，mAP） 從33．7％（DPM－v5） 大幅提高到58．5％。

雖然RCNN已經(jīng)取得了很大的進步，但它的缺點是顯而易見的：需要在大量重疊的提案上進行冗余的特征計算 （一張圖片超過2000個框），導致檢測速度極慢（使用GPU時每張圖片耗時14秒）。同年晚些時候，有人提出了SPPNet并克服了這個問題。

（2） SPPNet

2014年，K． He等人提出了空間金字塔池化網(wǎng)絡（ Spatial Pyramid Pooling Networks，SPPNet）［18］。以前的CNN模型需要固定大小的輸入，例如AlexNet需要224x224圖像。SPPNet的主要貢獻是引入了空間金字塔池化（SPP）層，它使CNN能夠生成固定長度的表示，而不需要重新調(diào)節(jié)有意義圖像的尺寸。利用SPPNet進行目標檢測時，只對整個圖像進行一次特征映射計算，然后生成任意區(qū)域的定長表示以訓練檢測器，避免了卷積特征的重復計算。SPPNet的速度是R－CNN的20多倍，并且沒有犧牲任何檢測精度（VOC07 mAP＝59．2％）。

SPPNet雖然有效地提高了檢測速度，但仍然存在一些不足：第一，訓練仍然是多階段的，第二，SPPNet只對其全連接層進行微調(diào)，而忽略了之前的所有層。而次年晚些時候出現(xiàn)Fast RCNN并解決了這些問題。