在傳統(tǒng)視覺(jué)領(lǐng)域，物體檢測(cè)是一個(gè)非常熱門(mén)的研究方向。受70年代落后的技術(shù)條件和有限應(yīng)用場(chǎng)景的影響，物體檢測(cè)直到上個(gè)世紀(jì)90年代才開(kāi)始逐漸走入正軌。物體檢測(cè)對(duì)于人眼來(lái)說(shuō)并不困難，通過(guò)對(duì)圖片中不同顏色、紋理、邊緣模塊的感知很容易定位出目標(biāo)物體，但對(duì)于計(jì)算機(jī)來(lái)說(shuō)，面對(duì)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并定位其位置，再加上物體姿態(tài)、光照和復(fù)雜背景混雜在一起，使得物體檢測(cè)更加困難。

檢測(cè)算法里面通常包含三個(gè)部分，第一個(gè)是檢測(cè)窗口的選擇， 第二個(gè)是特征的設(shè)計(jì)，第三個(gè)是分類(lèi)器的設(shè)計(jì)。隨著2001年Viola Jones提出基于Adaboost的人臉檢測(cè)方法以來(lái)，物體檢測(cè)算法經(jīng)歷了傳統(tǒng)的人工設(shè)計(jì)特征+淺層分類(lèi)器的框架，到基于大數(shù)據(jù)和深度神經(jīng)網(wǎng)絡(luò)的End-To-End的物體檢測(cè)框架，物體檢測(cè)一步步變得愈加成熟。

傳統(tǒng)檢測(cè)算法

在2001年，一篇基于Haar+Adaboost的檢測(cè)方法在學(xué)術(shù)界和工業(yè)界引起了非常大的轟動(dòng)，它第一次把檢測(cè)做到實(shí)時(shí)，并且在當(dāng)時(shí)的技術(shù)限制下，檢測(cè)性能也做的非常亮眼。縱觀2012年之前的物體檢測(cè)算法，可以歸結(jié)為三個(gè)方面的持續(xù)優(yōu)化：

檢測(cè)窗口的選擇

拿人臉檢測(cè)舉例，當(dāng)給出一張圖片時(shí)，我們需要框出人臉的位置以及人臉的大小，那么最簡(jiǎn)單的方法就是暴力搜索候選框，把圖像中所有可能出現(xiàn)框的位置從左往右、從上往下遍歷一次。并且通過(guò)縮放一組圖片尺寸，得到圖像金字塔來(lái)進(jìn)行多尺度搜索。

但是這種方法往往計(jì)算量很大并且效率不高，在實(shí)際應(yīng)用中并不可取。人臉具有很強(qiáng)的先驗(yàn)知識(shí)，比如人臉膚色YCbCr空間呈現(xiàn)很緊湊的高斯分布，通過(guò)膚色檢測(cè)可以去除很大一部分候選區(qū)域，僅留下極小部分的區(qū)域作為人臉檢測(cè)搜索范圍。由于膚色的提取非常快，只是利用一些顏色分布的信息，把每個(gè)像素判斷一下，整體速度提升很多。但膚色提取只是用到簡(jiǎn)單的顏色先驗(yàn)，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(cè)區(qū)域。

進(jìn)一步提高精度衍生出如Selective Search或EdgeBox等proposal提取的方法，基于顏色聚類(lèi)、邊緣聚類(lèi)的方法來(lái)快速把不是所需物體的區(qū)域給去除，相對(duì)于膚色提取精度更高，極大地減少了后續(xù)特征提取和分類(lèi)計(jì)算的時(shí)間消耗。

特征的設(shè)計(jì)

在傳統(tǒng)的檢測(cè)中，Haar由于提取速度快，能夠表達(dá)物體多種邊緣變化信息，并且可以利用積分圖快速計(jì)算，得到廣泛的應(yīng)用；LBP更多的表達(dá)物體的紋理信息，對(duì)均勻變化的光照有很好的地適應(yīng)性；HOG通過(guò)對(duì)物體邊緣使用直方圖統(tǒng)計(jì)來(lái)進(jìn)行編碼，特征表達(dá)能力更強(qiáng)，在物體檢測(cè)、跟蹤、識(shí)別都有廣泛的應(yīng)用。傳統(tǒng)特征設(shè)計(jì)往往需要研究人員經(jīng)驗(yàn)驅(qū)動(dòng)，更新周期往往較長(zhǎng)，通過(guò)對(duì)不同的特征進(jìn)行組合調(diào)優(yōu)，從不同維度描述物體可以進(jìn)一步提升檢測(cè)精度，如ACF檢測(cè)，組合了20種不同的特征表達(dá)。

分類(lèi)器的設(shè)計(jì)

傳統(tǒng)的分類(lèi)器包含Adaboost、SVM、Decision Tree等。

Adaboost

一個(gè)弱分類(lèi)器往往判斷精度不高，通過(guò)Adaboost自適應(yīng)地挑選分類(lèi)精度高的弱分類(lèi)器并將它們加權(quán)起來(lái)，從而提升檢測(cè)性能。比如說(shuō)，人臉檢測(cè)中一個(gè)候選窗口需要判斷是否為人臉，其中一些弱分類(lèi)器為顏色直方圖分量（如紅黃藍(lán)三種顏色），如果黃色分量大于100，那我就認(rèn)為這塊可能是人臉的候選區(qū)域，這就是個(gè)非常簡(jiǎn)單的弱分類(lèi)器。可是，單個(gè)這么弱的分類(lèi)器判斷是很不準(zhǔn)的，那么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于150，將幾個(gè)條件疊加起來(lái)，就組成了一個(gè)比較強(qiáng)的分類(lèi)器。

這里弱分類(lèi)器的設(shè)計(jì)往往就是確定顏色判斷的閾值，為什么會(huì)選擇100呢？其實(shí)這是我們需要學(xué)習(xí)得到的閾值，學(xué)習(xí)得到，當(dāng)閾值設(shè)定為100時(shí)，分類(lèi)的精度是最高的。另外，為什么要選擇紅黃藍(lán)三種顏色？同樣，因?yàn)樗鼈兎诸?lèi)的精度更高。通過(guò)不斷進(jìn)行特征挑選并學(xué)習(xí)弱分類(lèi)器，最終組合提升為Adaboost強(qiáng)分類(lèi)器。

SVM分類(lèi)器

SVM通過(guò)最大化分類(lèi)間隔得到分類(lèi)平面的支持向量，在線性可分的小數(shù)據(jù)集上有不錯(cuò)的分類(lèi)精度，另外通過(guò)引入核函數(shù)將低維映射到高維，從而線性可分，在檢測(cè)場(chǎng)景被廣泛使用。

比如線性SVM分類(lèi)器就是一些支持向量，將物體表示為一些特征向量，實(shí)際當(dāng)中學(xué)到的分類(lèi)器就是一些系數(shù)向量，這些系數(shù)向量和特征向量做一個(gè)加權(quán)的話可以得到分類(lèi)分?jǐn)?shù)，對(duì)分?jǐn)?shù)進(jìn)行閾值判斷，就可以判斷是否是某一類(lèi)。

Decision Tree

決策樹(shù)是一種樹(shù)形結(jié)構(gòu)，其中每個(gè)內(nèi)部節(jié)點(diǎn)表示一個(gè)屬性上的測(cè)試，每個(gè)分支代表一個(gè)測(cè)試輸出，每個(gè)葉子節(jié)點(diǎn)代表一種類(lèi)別。

用從樹(shù)根到樹(shù)葉的二叉樹(shù)來(lái)舉個(gè)簡(jiǎn)單例子。假如從樹(shù)根進(jìn)來(lái)有個(gè)二分類(lèi)，我們需要區(qū)分它是人臉或者是非人臉，左邊是非人臉，右邊是人臉。當(dāng)我進(jìn)入第一個(gè)二叉樹(shù)分類(lèi)器節(jié)點(diǎn)判斷，如果是非人臉的話直接輸出結(jié)果，如果是人臉候選的話進(jìn)入下一層再做進(jìn)一步的分類(lèi)。通過(guò)學(xué)習(xí)每個(gè)節(jié)點(diǎn)的分類(lèi)器來(lái)構(gòu)造決策樹(shù)，最終形成一個(gè)強(qiáng)分類(lèi)器。

Random Forest

通過(guò)對(duì)決策樹(shù)進(jìn)行Ensemble，組合成隨機(jī)森林更好的提高分類(lèi)或者回歸精度。假設(shè)剛剛提到的決策樹(shù)是一棵樹(shù)，那么現(xiàn)在我想學(xué)十棵樹(shù)，每個(gè)樹(shù)采用不同的輸入或者分類(lèi)準(zhǔn)則，從不同維度來(lái)做分類(lèi)。以十棵樹(shù)的分類(lèi)結(jié)果進(jìn)行投票，8個(gè)樹(shù)認(rèn)為這個(gè)框是人臉，2個(gè)認(rèn)為是非人臉，最終輸出為人臉。投票策略可以更好地降低分類(lèi)誤差，在實(shí)際場(chǎng)景中得到廣泛應(yīng)用。

從傳統(tǒng)方法到深度學(xué)習(xí)

眾所周知，檢測(cè)算法的演變分為兩個(gè)階段，一個(gè)就是基于傳統(tǒng)特征的解決方法，另外一個(gè)就是深度學(xué)習(xí)算法。在2013年之前傳統(tǒng)方法還算是主流，大家都是基于傳統(tǒng)的feature優(yōu)化檢測(cè)方法。然而，在2013年之后，,整個(gè)學(xué)術(shù)界和工業(yè)界都逐漸利用深度學(xué)習(xí)來(lái)做檢測(cè)。

實(shí)際上，這是由于深度學(xué)習(xí)在分類(lèi)上超越了很多傳統(tǒng)的方法，在2012年的ImageNet上，Hinton兩個(gè)學(xué)生就曾用ConvNet獲得了冠軍。與傳統(tǒng)方法相比，深度學(xué)習(xí)在分類(lèi)精度上提高很多。起先，深度學(xué)習(xí)只是在分類(lèi)上有非常明顯的提升，之后也帶動(dòng)了檢測(cè)這一塊。從物體分類(lèi)到物體檢測(cè)，利用了深度學(xué)習(xí)比較強(qiáng)的feature的表達(dá)能力，可以進(jìn)一步提高檢測(cè)的精度。

檢測(cè)方面有兩個(gè)比較典型的公開(kāi)測(cè)試集，PASCAL VOC和COCO。從這兩個(gè)測(cè)試集上可以看到傳統(tǒng)的檢測(cè)方法和深度學(xué)習(xí)的檢測(cè)方法在精度上的差別非常的大。傳統(tǒng)的物體檢測(cè)方法因?yàn)槠涮卣鞅容^弱，所以每類(lèi)都需要訓(xùn)練一個(gè)檢測(cè)器。每個(gè)檢測(cè)器都是針對(duì)特定的物體訓(xùn)練，如果有20類(lèi)的話，就需要跑20次前向預(yù)測(cè)，相當(dāng)于單次檢測(cè)的20倍，作為一個(gè)2C端產(chǎn)品，時(shí)間消耗和精度性能使得傳統(tǒng)方法檢測(cè)的應(yīng)用場(chǎng)景不是很多。

目前最新的檢測(cè)都是基于深度學(xué)習(xí)的方法，最開(kāi)始的RCNN，它算是深度學(xué)習(xí)應(yīng)用到檢測(cè)里的鼻祖，從起初它平均49.6的精度記錄，到如今已然提升了快40個(gè)點(diǎn)。而在傳統(tǒng)的方法中SVM-HOG，它的精度才到了31.5，和深度學(xué)習(xí)相比低了很多。

值得注意的是，傳統(tǒng)檢測(cè)方法隨著數(shù)據(jù)量增大檢測(cè)性能會(huì)趨于飽和，也就是說(shuō)隨著數(shù)據(jù)量的增大，檢測(cè)性能會(huì)逐漸提高，但到了一定程度之后數(shù)據(jù)量的提高帶來(lái)的性能增益非常少。而深度學(xué)習(xí)的方法則不同，當(dāng)符合實(shí)際場(chǎng)景分布的數(shù)據(jù)越來(lái)越多時(shí)，其檢測(cè)性能會(huì)越來(lái)越好。

深度學(xué)習(xí)的物體檢測(cè)

深度學(xué)習(xí)早期的物體檢測(cè)，大都使用滑動(dòng)窗口的方式進(jìn)行窗口提取，這種方式本質(zhì)是窮舉法 R-CNN。后來(lái)提出Selective Search等Proposal窗口提取算法，對(duì)于給定的圖像，不需要再使用一個(gè)滑動(dòng)窗口進(jìn)行圖像掃描，而是采用某種方式“提取”出一些候選窗口，在獲得對(duì)待檢測(cè)目標(biāo)可接受的召回率的前提下，候選窗口的數(shù)量可以控制在幾千個(gè)或者幾百個(gè)。

之后又出現(xiàn)了SPP，其主要思想是去掉了原始圖像上的crop/warp等操作，換成了在卷積特征上的空間金字塔池化層。那么為什么要引入SPP層呢？其實(shí)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(shí)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(huì)充滿整個(gè)圖片，而有的物體可能只能占到圖片的一角。SPP對(duì)整圖提取固定維度的特征，首先把圖片均分成4份，每份提取相同維度的特征，再把圖片均分為16份，以此類(lèi)推。可以看出，無(wú)論圖片大小如何，提取出來(lái)的維度數(shù)據(jù)都是一致的，這樣就可以統(tǒng)一送至全連接層。

實(shí)際上，盡管R-CNN 和SPP在檢測(cè)方面有了較大的進(jìn)步，但是其帶來(lái)的重復(fù)計(jì)算問(wèn)題讓人頭疼，而 Fast R-CNN 的出現(xiàn)正是為了解決這些問(wèn)題。 Fast R-CNN使用一個(gè)簡(jiǎn)化的SPP層 —— RoI（Region of Interesting） Pooling層，其操作與SPP類(lèi)似，同時(shí)它的訓(xùn)練和測(cè)試是不再分多步，不再需要額外的硬盤(pán)來(lái)存儲(chǔ)中間層的特征，梯度也能夠通過(guò)RoI Pooling層直接傳播。Fast R-CNN還使用SVD分解全連接層的參數(shù)矩陣，壓縮為兩個(gè)規(guī)模小很多的全連接層。

Fast R-CNN使用Selective Search來(lái)進(jìn)行區(qū)域提取，速度依然不夠快。Faster R-CNN則直接利用RPN（Region Proposal Networks)網(wǎng)絡(luò)來(lái)計(jì)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(qū)域，每個(gè)區(qū)域?qū)?yīng)一個(gè)目標(biāo)分?jǐn)?shù)和位置信息。從 R-CNN 到 Faster R-CNN，這是一個(gè)化零為整的過(guò)程，其之所以能夠成功，一方面得益于CNN強(qiáng)大的非線性建模能力，能夠?qū)W習(xí)出契合各種不同子任務(wù)的特征，另一方面也是因?yàn)槿藗冋J(rèn)識(shí)和思考檢測(cè)問(wèn)題的角度在不斷發(fā)生改變，打破舊有滑動(dòng)窗口的框架，將檢測(cè)看成一個(gè)回歸問(wèn)題，不同任務(wù)之間的耦合。

R-CNN到Faster R-CNN都是一些通用的檢測(cè)器。深度學(xué)習(xí)中還有許多特定物體檢測(cè)的方法，如Cascade CNN等，隨著技術(shù)的發(fā)展，深度學(xué)習(xí)的檢測(cè)越來(lái)越成熟。

難點(diǎn)

盡管深度學(xué)習(xí)已經(jīng)使得檢測(cè)性能提升了一大截，但其實(shí)依舊存在許多難點(diǎn)。主要難點(diǎn)就是復(fù)雜光照情況（過(guò)暗、過(guò)曝）以及非剛性物體形變（如人體、手勢(shì)的各種姿態(tài)）、低分辨率和模糊圖片的檢測(cè)場(chǎng)景。

眾所周知，目前大多數(shù)檢測(cè)算法還是靜態(tài)圖的檢測(cè)，而海量視頻數(shù)據(jù)已然出現(xiàn)了，未來(lái)檢測(cè)數(shù)據(jù)支持的類(lèi)別肯定越來(lái)越多，涵蓋的面越來(lái)越廣，檢測(cè)技術(shù)在這方面也需要繼續(xù)發(fā)展?；谝曨l時(shí)序連續(xù)性的物體檢測(cè)和像素級(jí)的實(shí)例檢測(cè)將是未來(lái)重點(diǎn)突破的方向。

本文來(lái)自公眾號(hào)：閱面科技（ID：readsense)，作者：童志軍