如何使用OpenCV对物体进行搜索检测与识别 _相似性

在本教程中，我们将了解对象检测中称为“选择性搜索”的重要概念。我们还将用C ++和共享代码。
物体检测与物体识别
对象识别算法识别图像中存在哪些对象。它将整个图像作为输入，并输出该图像中存在的对象的类标签和类概率。例如，类标签可以是“狗”，相关的类概率可以是97％。
另一方面，对象检测算法不仅告诉您图像中存在哪些对象，还输出边界框（x，y，宽度，高度）以指示图像内对象的位置。
所有物体检测算法的核心是物体识别算法。假设我们训练了一个物体识别模型，该模型识别图像斑块中的狗。该模型将判断图像中是否有狗。它不会告诉对象的位置。
为了本地化对象，我们必须选择图像的子区域（块），然后将对象识别算法应用于这些图像块。对象的位置由图像块的位置给出，其中对象识别算法返回的类概率高。
生成较小子区域（补丁）的最直接方法称为滑动窗口方法。然而，滑动窗口方法有几个局限性。一类称为“区域提议”算法的算法克服了这些限制。选择性搜索是最受欢迎的区域提案算法之一。
滑动窗口算法
在滑动窗口方法中，我们在图像上滑动框或窗口以选择补丁，并使用对象识别模型对窗口覆盖的每个图像补丁进行分类。它是对整个图像上的对象的详尽搜索。我们不仅需要搜索图像中的所有可能位置，还必须搜索不同的比例。这是因为对象识别模型通常以特定尺度（或尺度范围）进行训练。这导致对数万个图像块进行分类。
问题并没有在这里结束。滑动窗口方法适用于固定宽高比的物体，如面部或行人。图像是3D对象的2D投影。宽高比和形状等对象特征会根据拍摄图像的角度而有很大差异。滑动窗口方法，因为当我们搜索多个宽高比时，计算上非常昂贵。
【如何使用OpenCV对物体进行搜索检测与识别】区域提案算法
到目前为止我们讨论的问题可以使用区域提议算法来解决。这些方法将图像作为输入和输出边界框，对应于图像中最可能是对象的所有面片。这些区域提议可能是嘈杂的，重叠的并且可能不完全包含对象，但是在这些区域提议中，将有一个非常接近图像中的实际对象的提议。然后我们可以使用对象识别模型对这些提议进行分类。具有高概率得分的区域提议是对象的位置。
区域提议算法使用分段识别图像中的预期对象。在分割中，我们基于一些标准（例如颜色，纹理等）将相邻区域彼此相似地分组。与我们在所有像素位置和所有尺度上寻找对象的滑动窗口方法不同，区域建议算法通过以下方式工作：将像素分组为较少数量的段。因此，生成的最终提案数量比滑动窗口方法少很多倍。这减少了我们必须分类的图像补丁的数量。这些生成的区域提议具有不同的比例和宽高比。
区域提案方法的一个重要特性是具有非常高的召回率。这只是一种奇特的说法，即包含我们正在寻找的对象的区域必须在我们的区域提案列表中。为了实现这一点，我们的区域提议列表最终可能会包含许多不包含任何对象的区域。换句话说，区域提议算法可以产生大量的误报，只要它能够捕获所有真正的正数。大多数这些误报将被物体识别算法拒绝。当我们有更多的误报并且精度受到轻微影响时，检测所需的时间就会增加。但是，召回率高仍然是一个好主意，因为错过包含实际对象的区域的替代方案会严重影响检测率。
已经提出了几种区域提议方法，例如
在所有这些区域提议方法中，选择性搜索是最常用的，因为它速度快且召回率很高。