轉(zhuǎn)載：傳統(tǒng)目標(biāo)檢測算法之DPM

前面介紹了一下HOG，HOG有一個缺點：很難處理遮擋問題，人體姿勢動作幅度過大或物體方向改變也不易檢測。

繼2005年HOG提出之后，DPM模型在借鑒了HOG之后也被提了出來同時還取得了不錯的成績。

DPM概述

DPM（Deformable Part Model），正如其名稱所述，可變形的組件模型，是一種基于組件的檢測算法，其所見即其意。該模型由大神Felzenszwalb在2008年提出，并發(fā)表了一系列的cvpr，NIPS。并且還拿下了2010年，PASCAL VOC的“終身成就獎”。

DPM算法采用了改進(jìn)后的HOG特征，SVM分類器和滑動窗口（Sliding Windows）檢測思想，針對目標(biāo)的多視角問題，采用了多組件（Component）的策略，針對目標(biāo)本身的形變問題，采用了基于圖結(jié)構(gòu)（Pictorial Structure）的部件模型策略。此外，將樣本的所屬的模型類別，部件模型的位置等作為潛變量（Latent Variable），采用多示例學(xué)習(xí)（Multiple-instance Learning）來自動確定。

DPM特征

DPM檢測模型

DPM檢測流程

Latent SVM

傳統(tǒng)的Hog+SVM和DPM+LatentSVM的區(qū)別如上面公式所示。

由于，訓(xùn)練的樣本中，負(fù)樣本集肯定是100%的準(zhǔn)確的，而正樣本集中就可能有噪聲。因為，正樣本的標(biāo)注是人工進(jìn)行的，人是會犯錯的，標(biāo)注的也肯定會有不精確的。因此，需要首先去除里面的噪聲數(shù)據(jù)。而對于剩下的數(shù)據(jù)，里面由于各種角度，姿勢的不一樣，導(dǎo)致訓(xùn)練的模型的梯度圖也比較發(fā)散，無規(guī)則。因此需要選擇其中的具有相同的姿勢的數(shù)據(jù)，即離正負(fù)樣本的分界線最近的那些樣本，將離分界線很近的樣本稱為Hard-examples，相反，那些距離較遠(yuǎn)的稱為Easy-examples。

實際效果圖如下圖所示：

Latent SVM接下來有時間獨立開一篇去整理學(xué)習(xí)一下。

優(yōu)缺點

DPM算法的步驟：

1、產(chǎn)生多個模板，整體模板以及不同的局部模板；

2、拿這些不同的模板同輸入圖像“卷積”產(chǎn)生特征圖；

3、將這些特征圖組合形成融合特征；

4、對融合特征進(jìn)行傳統(tǒng)分類，回歸得到目標(biāo)位置。

DPM算法優(yōu)點：

1、方法直觀簡單；

2、運算速度塊；

2、適應(yīng)動物變形；

DPM算法缺點：

1、性能一般

2、激勵特征人為設(shè)計，工作量大；

這種方法不具有普適性，因為用來檢測人的激勵模板不能拿去檢測小貓或者小狗，所以在每做一種物件的探測的時候，都需要人工來設(shè)計激勵模板，為了獲得比較好的探測效果，需要花大量時間去做一些設(shè)計，工作量很大。

3、無法適應(yīng)大幅度的旋轉(zhuǎn)，穩(wěn)定性很差；

---

前面官方的話講了一大堆，簡單概括一下整體流程吧

首先要有根模型（root filter）和若干部件模型(part filter)和部件模型的偏離損失。這些東西就是通過已有的人體，四肢等樣本提取HOG特征然后經(jīng)過svm訓(xùn)練而來的。
用root filter提取原始圖像的DMP特征圖，再對DMP特征圖用root filter和part filter計算響應(yīng)圖。（實際上就是一個模版匹配）
加權(quán)平均root的和part的，得到最終的融合特征圖
對融合特征進(jìn)行傳統(tǒng)分類，回歸得到目標(biāo)位置。

DPM算法思想：輸入一幅圖像，對圖像提取圖像特征，針對某個物件制作出相應(yīng)的激勵模板，在原始的圖像中計算，得到該激勵效果圖，根據(jù)激勵的分布，確定目標(biāo)位置。

制作激勵模板就相當(dāng)于人為地設(shè)計一個卷積核，一個比較復(fù)雜的卷積核，拿這個卷積核與原圖像進(jìn)行卷積運算得到一幅特征圖。比如拿一個靜止站立的人的HOG特征形成的卷積核，與原圖像的梯度圖像進(jìn)行一個卷積運算，那么目標(biāo)區(qū)域就會被加密。

那么說到這里就會出現(xiàn)一個問題，人在圖像中可能有各種的姿態(tài)，比如躺著，趴著，坐著等等，我們只用一個靜止站立狀態(tài)的人的激勵模板去做探測就會失敗。也就是說圖像中的物件可能會發(fā)生形變，那么我們用固定的激勵模板去探測目標(biāo)物件的時候就不再適用，那么該如何解決這一問題呢，這就引出了局部模板，也就是說，我們不做一個整體的人的激勵模板，轉(zhuǎn)而去做人的部分組件的模板，比如頭、胳膊、腿等，其實這就是DPM算法。

再概括一下，HOG的特征提取比較死板，一定要是一個人，這個人還只能是特定的姿態(tài)比如站立，動作幅度改變不能太大。而DMP就是先檢測整個人，再檢測四肢，然后綜合兩者的信息去判斷。

總結(jié)

以上是生活随笔為你收集整理的传统目标检测算法之DPM的全部內(nèi)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(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。