传统的目标检测方法也称为基于手工特征的目标检测方法
基于手工特征的目标检测方法 = 手工特征 + 机器学习方法
三种手工特征
Haar特征、HOG（梯度直方图特征）、LBP（局部二值模式特征）
图 1给出了三种手工特征模板。LBP特征（局部二值模式）如图 1（a）所示，模板中心周围的像素值均与模板中心像素值比较，大于中心像素值为1，小于中心像素值为 0。从模板左上角开始，顺时针旋转组成的二进制数对应的十进制数即为中心点像素值。Ojala 等人对LBP特征做出改进，提出了具有灰度不变性和旋转不变性LBP特征。LBP特征对光照具有很强的鲁棒性，针对的是物体的纹理特征，当物体纹理与背景纹理相似时，会降低检测效果。HOG 特征如图 1（b）所示，Block 在Window 内滑动，内部包含多个 Cell。Block 内所有 Cell的梯度直方图串联即为 Block 的梯度直方图（Block 的HOG 特征描述），为了获得光照不变性和阴影不变性，需要对比度归一化 Window 内重叠的 Block。Window内所有 Block 的梯度直方图串联即为 Window 的 HOG特征描述，通过滑动窗口，收集整幅图片的 HOG 特 征。HOG特征提取的是物体边缘特征，对图像中的噪声敏感；图1（c）所示是四种基本Haar特征，每种特征特征值等于白色区域的像素和减去黑色区域的像素和。Haar特征利用灰度图中物体表面明暗变化提取特征，因 此Haar特征对光照鲁棒性很差。
三种机器学习方法
AdaBoost、SVM（Support Vector Machine）、DPM（Deformable PartModel）机器学习方法
AdaBoost通过选取多个最优弱分类器组成强分类器，多个强分类器级联成最终分类器。AdaBoost算法，训练前期，选取最优弱分类器比较快速，后期最优弱分类器的选取越来越困难，需要大量的训练样本，训练时间越来越长，而且容易出现过拟合。SVM（Support Vector Machine）引入核函数的概念，在低维度计算高维数据。SVM 的分类效果与核函数选取以及核函数参数有关，核函数的参数是不定的（训练得到），参数的选取与训练过程中模型收敛速度和过拟合情况有关。2008 年，Felzenszwalb 等人提出 DPM（DeformablePart Model）算法，利用图像金字塔，提取同一图像不同
尺度的特征。DPM 使用的特征，本质是一种改进的 HOG 特征，取消了 HOG 特征的 block，改变了 Cell 梯度直方图的归一化方式，通过对图像金字塔采集特征得到 HOG 特征金字塔，特征金字塔顶部是粗略 HOG 特征，底部是精细 HOG 特征。DPM 设计了根滤波器（root filter）以及部件滤波器（parts filter），root filter匹配目标粗略 HOG 特征，得到目标整体轮廓并得到匹配分数，parts filter 匹配目标精细 HOG 特征，得到目标部分细节并得到匹配分数，最后综合两种滤波器匹配得分，确定检测结果。DPM 连续三年获得 CVPR VOC 挑战赛冠军，设计者本人 Felzenszwalb，在 2010 年被 VOC 授予“终身成就奖”，可见 DPM 的成功之处。DPM 只对刚性物体和高度可变物体检测效果好，其模型复杂，在模型训练过程中，正样本选取复杂，root filter 和 parts filter 的位置作为潜在变量（latent values）进行训练，训练难度大，检测精度低。
Uijlings 等提出选择性搜索（Selective Search），通过先对图像做分割，再对分割区域做相似性融合，得到整幅图像中目标可能存在区域，提取可能区域 HOG 特征，利用 SVMs 分类，得到检测结果。Selective Search结合了分割和枚举搜索的优点，通过对可能区域提取HOG 特征，判断可能区域是否有目标，不用对整张图片提取特征再进行判断，检测精度有所提升。由于Selective Search 对刚性物体和非刚性物体都可以较好地提出可能区域，Selective Search成为提取目标可能存在区域的常用方法。
改进的基于特征的方法
近年来，Feature-Based 方法得到改进，冯等利用增加新的 Haar 特征结合 AdaBoost 算法提升了人脸检测的精度，但是训练时间更长，抗干扰能力差，检测速度慢；汪等以及欧阳等改进了 AdaBoost 选取最优弱分类器时权值更新的方法，降低过拟合对检测结果的影响，提升了系统的检测速度与检测精度，但是仍未摆脱手工特征抗干扰能力差的束缚；吕等将 HOG 特征与 LBP 结合用于药材识别，通过检测图像纹理和边缘特征，提升了药材识别率，但是其抗干扰能力差，泛化能力弱；闫等将 AdaBoost 中的弱分类器与 SVM 级联构成最终的分类器用于车标识别；杨等结合 AdaBoost 和SVM 用于识别棉叶螨危害等级，比单独使用 AdaBoost 和 SVM 取得更高识别正确率，其模型复杂，训练困难，抗干扰能力差。
传统方法和 CNN 方法的比较
目标检测效果受多种因素影响，例如光照条件、遮挡情况、应用场景、物体尺寸等，Feature-Based方法受手工特征设计质量高低和机器学习方法自身存在的缺陷影响，检测效果差，在实际运用中受到多种限制。基于CNN 方法通过提取更深层次特征，大幅提升检测速度与检测精度，增强了目标检测在实际应用中的效果。但是，基于 CNN 方法仍有不足之处，例如，使用基于 CNN 方法时仍需要在检测精度与检测速度之间进行权衡。