[科普中國]-物體檢測

物體檢測是計(jì)算機(jī)視覺中的經(jīng)典問題之一，其任務(wù)是用框去標(biāo)出圖像中物體的位置，并給出物體的類別。從傳統(tǒng)的人工設(shè)計(jì)特征加淺層分類器的框架，到基于深度學(xué)習(xí)的端到端的檢測框架，物體檢測一步步變得愈加成熟。

概述在傳統(tǒng)視覺領(lǐng)域，物體檢測是一個(gè)非常熱門的研究方向。受70年代落后的技術(shù)條件和有限應(yīng)用場景的影響，物體檢測直到上個(gè)世紀(jì)90年代才開始逐漸走入正軌。物體檢測對于人眼來說并不困難，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(biāo)物體，但計(jì)算機(jī)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，使得物體檢測更加困難。

檢測算法里面通常包含三個(gè)部分，第一個(gè)是檢測窗口的選擇， 第二個(gè)是特征的設(shè)計(jì)，第三個(gè)是分類器的設(shè)計(jì)。隨著2001年Viola Jones提出基于Adaboost1的人臉檢測方法以來，物體檢測算法經(jīng)歷了傳統(tǒng)的人工設(shè)計(jì)特征加淺層分類器的框架，到基于大數(shù)據(jù)和深度神經(jīng)網(wǎng)絡(luò)的End-To-End的物體檢測框架，物體檢測一步步變得愈加成熟。

傳統(tǒng)檢測算法在2001年，一篇基于Haar+Adaboost的檢測方法在學(xué)術(shù)界和工業(yè)界引起了非常大的轟動，它第一次把檢測做到實(shí)時(shí)，并且在當(dāng)時(shí)的技術(shù)限制下，檢測性能也做的非常亮眼?？v觀2012年之前的物體檢測算法，可以歸結(jié)為三個(gè)方面的持續(xù)優(yōu)化：檢測窗口的選擇、特征的設(shè)計(jì)和分類器的設(shè)計(jì)。

檢測窗口的選擇拿人臉檢測舉例，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。并且通過縮放一組圖片尺寸，得到圖像金字塔來進(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，比如人臉膚色YCbCr空間呈現(xiàn)很緊湊的高斯分布，通過膚色檢測可以去除很大一部分候選區(qū)域，僅留下極小部分的區(qū)域作為人臉檢測搜索范圍。由于膚色的提取非?？?，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區(qū)域。

進(jìn)一步提高精度衍生出如Selective Search2或EdgeBox3等區(qū)域提取的方法，基于顏色聚類、邊緣聚類的方法來快速把不是所需物體的區(qū)域給去除，相對于膚色提取精度更高，極大地減少了后續(xù)特征提取和分類計(jì)算的時(shí)間消耗。

特征的設(shè)計(jì)在傳統(tǒng)的檢測中，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，對均勻變化的光照有很好的地適應(yīng)性；HOG通過對物體邊緣使用直方圖統(tǒng)計(jì)來進(jìn)行編碼，特征表達(dá)能力更強(qiáng)，在物體檢測、跟蹤、識別都有廣泛的應(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，更新周期往往較長，通過對不同的特征進(jìn)行組合調(diào)優(yōu)，從不同維度描述物體可以進(jìn)一步提升檢測精度，如ACF檢測，組合了20種不同的特征表達(dá)。

分類器的設(shè)計(jì)傳統(tǒng)的分類器包含Adaboost、SVM、Decision Tree等。

（1）Adaboost

一個(gè)弱分類器往往判斷精度不高，通過Adaboost自適應(yīng)地挑選分類精度高的弱分類器并將它們加權(quán)起來，從而提升檢測性能。比如說，人臉檢測中一個(gè)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(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)非常簡單的弱分類器?？墒?，單個(gè)這么弱的分類器判斷是很不準(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，就組成了一個(gè)比較強(qiáng)的分類器。

這里弱分類器的設(shè)計(jì)往往就是確定顏色判斷的閾值，為什么會選擇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)樗鼈兎诸惖木雀?。通過不斷進(jìn)行特征挑選并學(xué)習(xí)弱分類器，最終組合提升為Adaboost強(qiáng)分類器。

（2）SVM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(shù)據(jù)集上有不錯(cuò)的分類精度，另外通過引入核函數(shù)將低維映射到高維，從而線性可分，在檢測場景被廣泛使用。

（3）決策樹

決策樹（Decision Tree）是一種樹形結(jié)構(gòu)，其中每個(gè)內(nèi)部節(jié)點(diǎn)表示一個(gè)屬性上的測試，每個(gè)分支代表一個(gè)測試輸出，每個(gè)葉子節(jié)點(diǎn)代表一種類別。

以二叉樹為例，假如從樹根進(jìn)來有個(gè)二分類，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)二叉樹分類器節(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。通過學(xué)習(xí)每個(gè)節(jié)點(diǎn)的分類器來構(gòu)造決策樹，最終形成一個(gè)強(qiáng)分類器。

（4）隨機(jī)森林

通過對決策樹進(jìn)行Ensemble，組合成隨機(jī)森林更好的提高分類或者回歸精度。

物體檢測數(shù)據(jù)集物體檢測常用的數(shù)據(jù)集有：PASCAL VOC和COCO。

PASCAL VOC為圖像識別和分類提供了一整套標(biāo)準(zhǔn)化的優(yōu)秀的數(shù)據(jù)集，從2005年到2012年每年都會舉行一場圖像識別挑戰(zhàn)賽。

COCO數(shù)據(jù)集是微軟發(fā)布的，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。

基于深度學(xué)習(xí)的檢測算法物體檢測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年之前主流檢測算法是傳統(tǒng)的特征優(yōu)化檢測方法。但是，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)來做檢測。

基于深度學(xué)習(xí)的早期的物體檢測，大都使用滑動窗口的方式進(jìn)行窗口提取，這種方式本質(zhì)是窮舉法 R-CNN4。后來提出Selective Search2等區(qū)域窗口提取算法，對于給定的圖像，不需要再使用一個(gè)滑動窗口進(jìn)行圖像掃描，而是采用某種方式“提取”出一些候選窗口，在獲得對待檢測目標(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)。

后來，又出現(xiàn)了SPP5，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，以此類推。可以看出，無論圖片大小如何，提取出來的維度數(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在檢測方面有了較大的進(jìn)步，但是其帶來的重復(fù)計(jì)算問題讓人頭疼，而 Fast R-CNN6 的出現(xiàn)正是為了解決這些問題。 Fast R-CNN使用一個(gè)簡化的SPP層 —— RoI（Region of Interesting） Pooling層，其操作與SPP類似，同時(shí)它的訓(xùn)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征，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(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-CNN7，這是一個(gè)化零為整的過程，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)識和思考檢測問題的角度在不斷發(fā)生改變，打破舊有滑動窗口的框架，將檢測看成一個(gè)回歸問題，不同任務(wù)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YOLO89、SSD10等一階段檢測算法——將物體檢測看作一個(gè)回歸問題。

本詞條內(nèi)容貢獻(xiàn)者為:

王慧維 - 副研究員 - 西南大學(xué)