传统目标检测方法的比较


·


适用范围


优点


缺点



(1)摄像头固定场景;

(2)实时性要求高;

(3)目标的信息要求不高;


(1)对运动目标敏感;

(2)计算简单;

(3)检测速度快、实时性高;


(1)光线变化快时,算法失效;

(2)缓慢运动和背景颜色一致时不能提取出特征像素点;

(3)相邻帧之间目标重叠部分不能检测来;



(1)摄像头固定;

(2)实时性要求不高;

(3)目标信息要求高;


(1)速度快,检测准确,易于实现,

(2)能够达到实时检测视频中运动物体的要求

(3)轮廓完整,信息丰富


(1)外界光照的改变、天气的变化、背景的运动等造成背景图像的动态变化

(2)对背景模型的更新要求高;

(3)对阴影比较敏感;



(1)摄像头固定和运动皆可;

(2)实时性要求不高;

(3)特殊的硬件支持;


(1)携带大量运动信息;

(2)支持运动型摄像机;

(3)当不知道场景先验知识时,可以检测出目标区域;


(1)没有相应的硬件支持时

计算耗时、检测实时性差;

(2) 抗噪性能差

时间: 2024-12-13 06:46:36

传统目标检测方法的比较的相关文章

CVPR2019目标检测方法进展综述

CVPR2019目标检测方法进展综述 置顶 2019年03月20日 14:14:04 SIGAI_csdn 阅读数 5869更多 分类专栏: 机器学习 人工智能 AI SIGAI 版权声明:本文为博主原创文章,遵循CC 4.0 BY-SA版权协议,转载请附上原文出处链接和本声明. 本文链接:https://blog.csdn.net/SIGAI_CSDN/article/details/88687747 SIGAI特约作者 陈泰红研究方向:机器学习.图像处理 目标检测是很多计算机视觉应用的基础,

目标检测方法__第一版

这篇写在两年前!!! 目标检测问题,对应英文:Target Detection 下面是解决这类问题的state-of-the-art方法的基本介绍: https://www.zhihu.com/question/34223049 https://zhuanlan.zhihu.com/p/21533724 http://zhangliliang.com/2015/05/19/paper-note-object-proposal-review-pami15/ http://people.eecs.b

目标检测方法——SSD

SSD论文阅读(Wei Liu--[ECCV2016]SSD Single Shot MultiBox Detector) 目录 作者 文章的选择原因 方法概括 方法细节 相关背景补充 实验结果 与相关文章的对比 总结 作者 文章的选择原因 性能好,single stage 方法概括 文章的方法介绍 SSD主要用来解决目标检测的问题(定位+分类),即输入一张待测图像,输出多个box的位置信息和类别信息 测试时,输入一张图像到SSD中,网络输出一个下图最右边的tensor(多维矩阵),对该矩阵进行

【转】目标检测方法——R-FCN

目录 作者及相关链接 方法概括 方法细节 实验结果 总结 参考文献 作者及相关链接 作者: 作者链接:代季峰,何恺明,孙剑 论文链接:论文传送门 代码链接:matlab版,python版 方法概括 R-FCN解决问题--目标检测 整个R-FCN的结构 一个base的conv网络如ResNet101, 一个RPN(Faster RCNN来的),一个position sensitive的prediction层,最后的ROI pooling+投票的决策层 R-FCN的idea出发点(关键思想) 分类需

基于深度学习的目标检测研究进展

前言 开始本文内容之前,我们先来看一下上边左侧的这张图,从图中你看到了什么物体?他们在什么位置?这还不简单,图中有一个猫和一个人,具体的位置就是上图右侧图像两个边框(bounding-box)所在的位置.其实刚刚的这个过程就是目标检测,目标检测就是"给定一张图像或者视频帧,找出其中所有目标的位置,并给出每个目标的具体类别". 目标检测对于人来说是再简单不过的任务,但是对于计算机来说,它看到的是一些值为0~255的数组,因而很难直接得到图像中有人或者猫这种高层语义概念,也不清楚目标出现在

深度学习之目标检测常用算法原理+实践精讲 YOLO / Faster RCNN / SSD / 文本检测 / 多任务网络

深度学习之目标检测常用算法原理+实践精讲 YOLO / Faster RCNN / SSD / 文本检测 / 多任务网络 资源获取链接:点击这里 第1章 课程介绍 本章节主要介绍课程的主要内容.核心知识点.课程涉及到的应用案例.深度学习算法设计通用流程.适应人群.学习本门课程的前置条件.学习后达到的效果等,帮助大家从整体上了解本门课程的整体脉络. 1-1 课程导学 第2章 目标检测算法基础介绍 本章节主要介绍目标检测算法的基本概念.传统的目标检测算法.目前深度学习目标检测主流方法(one-sta

第十八节、基于传统图像处理的目标检测与识别(HOG+SVM附代码)

其实在深度学习分类中我们已经介绍了目标检测和目标识别的概念.为了照顾一些没有学过深度学习的童鞋,这里我重新说明一次:目标检测是用来确定图像上某个区域是否有我们要识别的对象,目标识别是用来判断图片上这个对象是什么.识别通常只处理已经检测到对象的区域,例如,人们总是会使在已有的人脸图像的区域去识别人脸. 传统的目标检测方法与识别不同于深度学习方法,后者主要利用神经网络来实现分类和回归问题.在这里我们主要介绍如何利用OpecnCv来实现传统目标检测和识别,在计算机视觉中有很多目标检测和识别的技术,这里

基于深度学习的目标检测

普通的深度学习监督算法主要是用来做分类,如图1(1)所示,分类的目标是要识别出图中所示是一只猫.而在ILSVRC(ImageNet Large Scale Visual Recognition Challenge)竞赛以及实际的应用中,还包括目标定位和目标检测等任务.其中目标定位是不仅仅要识别出来是什么物体(即分类),而且还要预测物体的位置,位置一般用边框(bounding box)标记,如图1(2)所示.而目标检测实质是多目标的定位,即要在图片中定位多个目标物体,包括分类和定位.比如对图1(3

DPM目标检测算法(毕业论文节选)

各位看客,如发现错误(应该还有蛮多--),望不吝指教.训练部分没有写 以前写的部分内容: DPM(Deformable Parts Model)--原理(一) DPM(Defomable Parts Model) 源码分析-检测(二) DPM(Defomable Parts Model) 源码分析-训练(三) 推荐阅读: DPM: http://blog.csdn.net/masibuaa/article/category/2267527 HOG: HOG(毕业论文节选) DPM目标检测算法 D