目標(biāo)判別：對(duì)候選區(qū)域提取出的特征進(jìn)行分類判定，如單類別（區(qū)別背景、目標(biāo)）、多類別（區(qū)分當(dāng)前窗口中對(duì)象的類別）。

非極大值抑制（NonMaximum Suppression，NMS）：解決候選框重疊問題，NMS對(duì)候選框進(jìn)行合并。

2）基于深度學(xué)習(xí)的常見檢測算法，如Faster RCNN、YOLO系列等。

三、分割

許多計(jì)算機(jī)視覺任務(wù)需要對(duì)圖像中的內(nèi)容進(jìn)行理解與分割，并使每個(gè)部分的分析更加容易。目前，圖像分割技術(shù)主要通過計(jì)算機(jī)視覺深度學(xué)習(xí)模型來理解圖像的每個(gè)像素所代表的真實(shí)物體，從而進(jìn)行“像素級(jí)別”的分類。圖像分割，顧名思義就是根據(jù)某些規(guī)則將圖片分成若干特定的、具有獨(dú)特性質(zhì)的區(qū)域，并抽取出感興趣的目標(biāo)。

圖像分割子領(lǐng)域圖，主要包括以下幾種：

1）語義分割（Semantic Segmentation）：對(duì)于一張圖像，分割出所有的目標(biāo)（包括背景），但對(duì)于同一類別的目標(biāo)，無法區(qū)別不同個(gè)體。例如，你可以將與貓相關(guān)的所有像素分離出來，并將它們涂成綠色。這也被稱為dense預(yù)測，因?yàn)轭A(yù)測了每個(gè)像素的含義。

2) 實(shí)例分割（Instance Segmentation）：將圖像中除背景之外的所有目標(biāo)分割出來，并且可以區(qū)分同一類別下的不同個(gè)體。例如，下圖每輛車都用不同的顏色表示。

3) 全景分割（Panoptic Segmentation）：在實(shí)例分割的基礎(chǔ)上，可以分割出背景目標(biāo)。

a）圖像 b）語義分割 c）實(shí)例分割 d）全景分割 圖片來源網(wǎng)絡(luò)

深度學(xué)習(xí)使用的算法傳統(tǒng)的圖像分割在效率上不如深度學(xué)習(xí)技術(shù)，因?yàn)樗鼈兪褂脟?yán)格的算法，需要人工干預(yù)和專業(yè)知識(shí)，主要包括：

1）基于閾值：將圖像分割為前景和背景。指定的閾值將像素分為兩個(gè)級(jí)別之一，以隔離對(duì)象。閾值化將灰度圖像轉(zhuǎn)換為二值圖像或?qū)⒉噬珗D像的較亮和較暗像素進(jìn)行區(qū)分。

2）基于K-means 聚類：算法識(shí)別數(shù)據(jù)中的組，變量K表示組的數(shù)量。該算法根據(jù)特征相似性將每個(gè)數(shù)據(jù)點(diǎn)（或像素）分配到其中一組。聚類不是分析預(yù)定義的組，而是迭代地工作，從而有機(jī)地形成組。

3）基于直方圖的圖像分割：使用直方圖根據(jù)“灰度”對(duì)像素進(jìn)行分組。簡單的圖像由一個(gè)對(duì)象和一個(gè)背景組成。背景通常是一個(gè)灰度級(jí)，是較大的實(shí)體。因此，一個(gè)較大的峰值代表了直方圖中的背景灰度。一個(gè)較小的峰值代表這個(gè)物體，這是另一個(gè)灰色級(jí)別。

4) 基于邊緣檢測：識(shí)別亮度的急劇變化或不連續(xù)的地方。邊緣檢測通常包括將不連續(xù)點(diǎn)排列成曲線線段或邊緣。例如，一塊紅色和一塊藍(lán)色之間的邊界。

基于深度學(xué)習(xí)的圖像分割方法下面介紹幾個(gè)經(jīng)典的基于深度學(xué)習(xí)的圖像分割方法，包括全卷積網(wǎng)絡(luò)（FullyConvolutional Networks,FCN）、ReSeg和 Mask R-CNN。

1) FCN：FCN是一種基于上采樣/反卷積的分割方法，能夠?qū)崿F(xiàn)圖像端到端的分割。

2) ReSeg：由于FCN沒有考慮到局部乃至全局的信息，對(duì)各個(gè)像素分別進(jìn)行分類，沒有充分考慮像素與像素的關(guān)系，缺乏空間一致性，而在語義分割中這種像素間的依賴關(guān)系是非常有用的。因此在ReSeg中使用RNN去檢索上下文信息，以此作為分割的一部分依據(jù)。

3) MaskRCNN：MaskRCNN的本質(zhì)是基于候選區(qū)域的分割方法，是一個(gè)基于asterRCNN模型的一種新型的實(shí)例分割模型。在MaskRCNN的工作中，它主要完成了目標(biāo)檢測、目標(biāo)分類、像素級(jí)分割三件事情。

四、關(guān)鍵點(diǎn)

在圖像處理中，關(guān)鍵點(diǎn)本質(zhì)上是一種特征，在圖像中用一個(gè)點(diǎn)表示物體特定部位的特征。它是對(duì)物體的一個(gè)固定區(qū)域或者空間物理關(guān)系的抽象描述，它不僅是一個(gè)點(diǎn)信息，更代表著關(guān)鍵點(diǎn)周圍鄰域特征的組合關(guān)系。

常見關(guān)鍵點(diǎn)有人臉關(guān)鍵點(diǎn)、人體骨骼關(guān)鍵點(diǎn)、標(biāo)識(shí)關(guān)鍵點(diǎn)等。人臉關(guān)鍵點(diǎn)涉及人臉識(shí)別的相關(guān)場景，人體骨骼關(guān)鍵點(diǎn)可以應(yīng)用于分析人體的行為動(dòng)作，標(biāo)識(shí)關(guān)鍵點(diǎn)則一般和智能駕駛等場景相關(guān)。

在自動(dòng)駕駛當(dāng)中，通過關(guān)鍵點(diǎn)檢測可以識(shí)別人或者其他不可控障礙物的行為動(dòng)作，進(jìn)而預(yù)測其下一步動(dòng)作及意圖。在智能座艙系統(tǒng)中，通過人臉關(guān)鍵點(diǎn)的檢測可以識(shí)別出駕駛?cè)藛T的情緒、精神狀態(tài)等。

其次，交通標(biāo)志的關(guān)鍵點(diǎn)檢測使得汽車能夠感知交通環(huán)境下的各種標(biāo)志信息。例如在自動(dòng)泊車中，需要先檢測出車位，然后通過關(guān)鍵點(diǎn)檢測把車位的角點(diǎn)識(shí)別出來。通過車位的角點(diǎn)坐標(biāo)信息，可以精確獲取車位相對(duì)自車的位置信息，然后通過控制模塊實(shí)現(xiàn)對(duì)自車的控制，實(shí)現(xiàn)自動(dòng)泊車功能。因此，車位的關(guān)鍵點(diǎn)檢測對(duì)自動(dòng)泊車來說是非常重要的信息。

因?yàn)殛P(guān)鍵點(diǎn)檢測的算法在不同場景下差異較大，而且方法眾多，這里主要介紹兩個(gè)基礎(chǔ)檢測方法，包括坐標(biāo)點(diǎn)方法以及熱力圖方法。坐標(biāo)點(diǎn)方法主要是發(fā)源自人臉關(guān)鍵點(diǎn)檢測，用CNN提取特征，然后使用全連接層直接數(shù)值回歸關(guān)鍵點(diǎn)的坐標(biāo)。經(jīng)典網(wǎng)絡(luò)包括DeepPose、MTCNN等。

研究人員在研究人體關(guān)鍵點(diǎn)檢測算法時(shí)發(fā)現(xiàn)，照搬人臉關(guān)鍵點(diǎn)的暴力回歸做法效果不太好，主要是由于人體的姿態(tài)動(dòng)作變化較多，網(wǎng)絡(luò)針對(duì)關(guān)鍵點(diǎn)的學(xué)習(xí)難度增大，而人臉的關(guān)鍵點(diǎn)基本在一個(gè)平面上,相對(duì)穩(wěn)定，內(nèi)在規(guī)律比較簡單，網(wǎng)絡(luò)學(xué)起來也相對(duì)容易。

基于以上分析，研究人員進(jìn)而提出使用熱力圖預(yù)測的方法，類似分割中的dense預(yù)測的思想，網(wǎng)絡(luò)預(yù)測的結(jié)果也是一張熱力圖，通過對(duì)預(yù)測結(jié)果進(jìn)行后處理提取關(guān)鍵點(diǎn)的坐標(biāo)。經(jīng)典網(wǎng)絡(luò)包括Hourglass、Openpose、Simplebaseline、HRNet等。