目标检测的简介和评价指标

目标检测算法的定义为分类和定位图像中存在的目标，将其用矩形框选出，并标出其置信度。评价一个目标检测算法的好坏，可以通过以下几个指标进行判断：

AP（average precision）代表平均精度。IOU（Intersection-Over-Union）IoU指的是两个区域的交集除以两个区域的并集的结果。Precision（准确率）指的是符合要求的正确识别的物体的个数占总识别出的物体个数的百分数。Recall（召回率）指的是符合要求正确识别物体的个数占测试集中物体的总个数的百分数。

TP：true positive 即预测正确，IoU>0.5的检测框数量

FP：false negative即预测错误，即此处没有物体却被预测到，IoU<=0.5的预测框数量

FN：false negative即此处有物体却未被检测到，指没有检测到ground truth的数量

Precision=TP⁄((TP+FP))

Recall=TP⁄((TP+FN))

在不同置信度阈值下面得到不同的precision和recall，AP即相当于以recall为横轴，以precision为纵轴所构成的PR曲线的面积。

mAP（mean Average Precision）指的是各类别AP的平均值。
——————————————————————————————————————————————————————————————————————————————————————————————————————————————————

传统的目标检测算法

传统的目标检测算法的具体操作步骤为首先通过滑动窗口进行穷举，在每个窗口内提取特征，再利用分类器执行分类。在特征提取阶段的主要方法有Haar、HOG、LBP等，常用的分类器有SVM、Random Forest等。其优点包括在CPU上运行仍然很快，算法解释性较好，容易调试找到错误，在数据量小的样本上表现不错等，但也存在很多缺点，比如，在大数据集上表现很差，特征层很浅，无法表达复杂的特征等。
——————————————————————————————————————————————————————————————————————————————————————————————————————————————————

目标检测发展历史图

image image