近来，一直在看有关目标检测的文章，尤其是关注这些文章所能解决的问题和创新点。主要原因有二：一是因为最近老板的项目催进度催得急，却总有些问题没办法解决，；另外一方面是自己想找些灵感，写篇把文章。文章倒是看了不少，下面写写心得。
目标检测是计算机视觉应用的一个基础环节，在众多国内国外杂志和会议上是一直是一个热门的话题，为此，还专门举办如ICCV，ACCV，ECCV，CVPR等国际等级的会议。然而，尽管有这么多的研究者一直在研究这个问题，并不断的提出新的算法，新的解决Schemes，但是至今还没有一个能在某一个专门领域取得非常完美的Applications。纵观原因，其实不难发现，就是现实世界里遇到的问题总比想象中的多，解决起来比想象中的difficult。
目标检测类的算法主要可以分为pixel-based , region-based以及integrate pixel-based and region-based，或者从另外一方面来说就是temporal-based, spatial-base, integrate temporal-based and spatial-based(当然有可能还包括spectral-based)。对于刚开始，一般都在关注pixel-based的，pixel-based算法比较简单，而且在现有的算法中已经举不胜举，并对于大多数场景也能取得比较好的效果如(codebook, GMM等），但是这些算法在应用的时候有效效果不太理想（如背景模型与前景信息similar时、场景中混有大量无规律噪声时、以及可能会出现场景信息丢失（如镜面反光时出现的大面积的白光））。面对这些难题，研究者们慢慢的又将注意力转移到region-based（spatial-based)上，希望在这上面取得一定的突破，令人鼓舞的是在这上面，研究学者们也作出了大量的成果，并解决了很多实际中遇到的问题（如LBP算子能够解决背景和前景相似的均匀区域，还有如clustering的方式解决只有部分目标的情况等）。然而，当老问题解决了，新问题还是会出现（这就验证了在科研领域解决的问题总比遇到的多）。于是，研究学者开始提出了 coarse-fine-hierarchical的multi-layer的思路，并进行了研究，也取得了客观的效果，在这里慢慢的将场景中的特征信息提到了应用场合上（主要有feature-based 和contour-matching-based),用通过训练classifier的方式来进行背景建模、前景检测（这方面典型的应用就是face detect）。而对于其他一些常见的问题，发现论文里也提到了相关的解决思路，尤其是看到“学习用于移动物体检测和分割的颜色和位置提示”的时候，发现很多问题是有思路的，只是我们想到问题的时候就已却步（推荐上面那文章，虽然复杂度可能比较高，而且对于实时应用没有意义，但是它是解决实际问题的一个成果，而且有很大的应用前景，具有很重要的借鉴意义）。
还有一点，在一些文章里看到了feature pool的概念，而feature-based 的machine learning方法也在这方面研究也有一定的进展(如SVM）。就说这么多吧，希望对大家有所帮助。
