各种目标检测方法介绍（懒人可以直接略过）
目标检测是一个老话题了，在很多算法当中都有它的身影。目标检测要做的就两件事：检测当前图片中有没有目标？如果有的话，在哪？按照先验知识和背景运动来划分的话，目标检测方法大概可以分为两大类：
第一，已知目标的先验知识。在这种情况下检测目标有两类方法，第一类方法是用目标的先验知识训练一堆弱分类器，然后这些弱分类器一起投票来检测目标，如boosting, random forest 都是这个思路，大家熟知的adaboost人脸检测也是如此，这一类方法我会在以后的文章中讨论。第二类方法是根据先验知识找到目标和非目标的最佳划分线，如SVM.这两类方法各成一家，各有所长，都有着不错的表现。
第二，未知目标的先验知识。此时不知道要检测的目标是什么，于是什么是目标就有了不同的定义。一种方法是检测场景中的显著目标，如通过一些特征表达出场景中每个像素的显著性概率，然后找到显著目标。另一种方法就是检测场景当中的运动目标了，这也是本文下面将要讨论的重点内容。
在检测运动目标时，如果背景是静止的，so easy,略过。当背景也跟随一起运动时就比较麻烦了，现如今大概有两种方法来处理。第一种方法是背景补偿，即通过平移，缩放，仿射变换等计算出背景的运动，然后补偿背景再做差分。不过这种方法有两个问题，一是仿射变换运算量巨大，二是即使求出背景补偿向量，背景中的远景和近景的向量也会有相对误差，所以这种方法几乎不可行。第二种方法就是传说中的optical flow（光流）了，下面进入正文。
正文
光流法的大致流程如下：
1.在一帧图像中选取大量的光流点（具体选取方法可以不同，如fast角点，随机选，等间隔选...)。
2.计算所有光流点的运动矢量(常用方法有LK光流，HS光流等）。
3.根据这些矢量和其它一些特征检测运动目标。
下面以一个具体例子进行分析
1.首先在一帧图像内随机均匀选取k个点，并滤除那些邻域纹理太光滑的点，因为这些点不利于计算光流
2.计算这些点与上一帧图像的光流矢量，如上右图，此时已经可以看出背景运动的大概方向了
3.接下来的这一步方法因人而异了。
2007年cvpr的一篇文章Detection and segmentation of moving objects in highly dynamic scenes的方法是把这些光流点的（x, y, dx, dy, Y, U, V)7个特征通过meanshift聚类来聚合到一起，最后形成运动目标轮廓。
而我的方法很简单，只用到了(dx, dy)两个特征，如上左图，首先把所有光流点投射到直角坐标，图中的坐标轴是(dx,dy), 然后通过meanshift找到密度最大的(dx, dy)坐标点,也就是背景矢量最集中的位置（图中点的亮度越大代表该位置矢量的密度越大），如红圈所示,红圈外面的矢量就可以认为是运动目标了，如上右图所示。
补充：
最近问我问题的人太多了，补充几组实验图片供大家参考：
第一组是用dx,dy两个特征检测的结果：
第二组在dx, dy 的基础上混入了显著性（saliency）特征:
第三组同上
