图像处理算法及其Python实践 课件 第6-7章 目标检测、人脸识别.pptx

第6章目标检测

6.1概述6.2常用数据集6.3目标检测常用方法介绍6.4目标检测实战

6.1概述目标检测技术概述现代智能设备广泛应用图像方式存储信息，虽便于记录，但在信息检索方面存在不足。随着硬件性能提升和数据库扩展，卷积神经网络（CNN）成为主流的目标检测算法。目标检测：识别图像或视频中感兴趣的对象（如人脸、汽车、建筑等）并定位其位置。应用领域广泛，如安检中的人脸识别、智慧交通中的行人与车辆识别与跟踪等。目标检测任务包括两个核心步骤：提取图像区域的特征表示（如特征向量）；利用分类算法对特征区域进行识别与分类。

6.1概述传统目标检测与深度学习的突破传统算法：分为区域选择、特征提取和分类三步，存在通用性差、复杂度高、实时性差的问题。深度学习兴起（2012年）：卷积神经网络（CNN）为图像识别和目标检测提供了强大工具。两阶段目标检测（Two-stage）：先选取候选区域，再通过CNN提取特征进行分类。R-CNN的提出（Girshick等，2014年）：首次结合CNN和目标检测，采用选择性搜索（SelectiveSearch，Uijlings等，2013）作为候选区域生成方法。

6.1概述YOLO：单阶段目标检测的代表YOLO（YouOnlyLookOnce）

Redmon等人于2016年提出，是首个单阶段目标检测方法，跳过“两阶段”过程，直接对整幅图像进行预测，速度极快但精度略逊。YOLO演进：YOLOv2/YOLOv3（2017/2018）：提升精度，保持高速度。YOLOv4（2020，Bochkovskiy）：进一步优化性能。YOLOv5（2020，Ultralytics团队Jocher）：准确率和速度兼具，特别适合嵌入式与移动端应用。YOLOv5优势：精度超越多数两阶段模型推理速度快，适用于实时检测任务

6.1概述目标检测的发展趋势从传统方法到深度学习：

传统目标检测依赖图像手工特征，难以应对形态多样、光照不均、背景复杂等实际场景，检测精度有限。

卷积神经网络的引入有效解决了特征提取不稳的问题。从两阶段到单阶段检测：两阶段检测：特征提取+分类，结构复杂、收敛难、速度慢单阶段检测：通过一个神经网络完成全部任务，兼顾精度与实时性发展趋势：

网络结构持续优化，模型性能不断提升，目标检测技术正向更高效、智能的方向发展。

6.2常用数据集常用目标检测数据集COCO（2015）场景复杂、目标多样（含小目标、多目标）30万+图像，250万+目标标注包含91类目标，平均每图约7个目标TinyPerson由中国科学院发布，仅包含“人”类目标训练集与测试集共约1600张图像适合小目标检测任务研究ImageNet（2010起）支持图像分类、目标检测、场景理解等多任务1200万+图像，2.2万+类目目标检测任务中标注了约103万张图，涵盖200类目标

6.2常用数据集（4）UCAS-AOD：是一种远程目标检测数据集，只包含车辆、飞机两个类别。其中，飞机小目标样本7482个，汽车小目标样本7114个。（5）RSOD数据集：由武汉大学发布的航空遥感图像，包括飞机、操场、桥、油罐4个类别。其中桥类图像176张，飞机类图像446张，操场类图像190张图像，油罐类图像165张。（6）OICOD数据集：基于OpenImageV4的最大的公用数据集。不同于ILSVRC和MSCOCO目标检测数据集，它包括更多的类别、图像、边界框、实例分割分支和海量的注释处理，OICOD还为目标实例提供了可以手动验证的标签。（7）OpenImageV4：使用分类器标注图像标签，可通过人工标注得到得分很高的标签。（8）URPC2018：水下物体数据集，共包含训练图像近2900幅和测试图像近800幅，类别包括海参、海星、海胆和贝类。

6.3目标检测常用方法介绍传统目标检测算法：主要基于手工特征提取与分类器，依赖图像特征设计，适应性较弱。深度学习的引入：卷积神经网络（CNN）在图像与视频特征提取方面表现优越，推动目标检测技术突破。两大类深度学习目标检测算法：Two-stage：基于候选区域（如R-CNN系列），检测精度高，速度相对较慢One-stage：基于回归方法（如YOLO系列），速度快，图6-1常用的目标检测算法

6.3目标检测常用方法介绍传统的目标检测算法1.传统的目标检测算法流程传统的目标检测算法基于特征分类，其流程如图6-2所示，算法的检测过程可分为3个步骤：（1）用滑动窗口在给定的图像上选出候选区域或感兴趣区域。（2）根据特定的任务，在候选区域或感兴趣区域上提取目标对象所需要的特征。（3）使用SVM、随机森林等分类器，对提取到的特征进行处理。图6-2传统目标