轉載：傳統目標檢測算法之DPM
前面介紹了一下HOG，HOG有一個缺點：很難處理遮擋問題，人體姿勢動作幅度過大或物體方向改變也不易檢測。
繼2005年HOG提出之后，DPM模型在借鑒了HOG之后也被提了出來同時還取得了不錯的成績。
DPM概述
DPM（Deformable Part Model），正如其名稱所述，可變形的組件模型，是一種基於組件的檢測算法，其所見即其意。該模型由大神Felzenszwalb在2008年提出，並發表了一系列的cvpr，NIPS。並且還拿下了2010年，PASCAL VOC的“終身成就獎”。
DPM算法采用了改進后的HOG特征，SVM分類器和滑動窗口（Sliding Windows）檢測思想，針對目標的多視角問題，采用了多組件（Component）的策略，針對目標本身的形變問題，采用了基於圖結構（Pictorial Structure）的部件模型策略。此外，將樣本的所屬的模型類別，部件模型的位置等作為潛變量（Latent Variable），采用多示例學習（Multiple-instance Learning）來自動確定。
DPM特征
DPM檢測模型
DPM檢測流程
Latent SVM
傳統的Hog+SVM和DPM+LatentSVM的區別如上面公式所示。
由於，訓練的樣本中，負樣本集肯定是100%的准確的，而正樣本集中就可能有噪聲。因為，正樣本的標注是人工進行的，人是會犯錯的，標注的也肯定會有不精確的。因此，需要首先去除里面的噪聲數據。而對於剩下的數據，里面由於各種角度，姿勢的不一樣，導致訓練的模型的梯度圖也比較發散，無規則。因此需要選擇其中的具有相同的姿勢的數據，即離正負樣本的分界線最近的那些樣本，將離分界線很近的樣本稱為Hard-examples，相反，那些距離較遠的稱為Easy-examples。
實際效果圖如下圖所示：
Latent SVM接下來有時間獨立開一篇去整理學習一下。
優缺點
DPM算法的步驟：
1、產生多個模板，整體模板以及不同的局部模板；
2、拿這些不同的模板同輸入圖像“卷積”產生特征圖；
3、將這些特征圖組合形成融合特征；
4、對融合特征進行傳統分類，回歸得到目標位置。
DPM算法優點：
1、方法直觀簡單；
2、運算速度塊；
2、適應動物變形；
DPM算法缺點：
1、性能一般
2、激勵特征人為設計，工作量大；
這種方法不具有普適性，因為用來檢測人的激勵模板不能拿去檢測小貓或者小狗，所以在每做一種物件的探測的時候，都需要人工來設計激勵模板，為了獲得比較好的探測效果，需要花大量時間去做一些設計，工作量很大。
3、無法適應大幅度的旋轉，穩定性很差；
前面官方的話講了一大堆，簡單概括一下整體流程吧
- 首先要有根模型（root filter）和若干部件模型(part filter)和部件模型的偏離損失。這些東西就是通過已有的人體，四肢等樣本提取HOG特征然后經過svm訓練而來的。
- 用root filter提取原始圖像的DMP特征圖，再對DMP特征圖用root filter和part filter計算響應圖。（實際上就是一個模版匹配）
- 加權平均root的和part的，得到最終的融合特征圖
- 對融合特征進行傳統分類，回歸得到目標位置。
DPM算法思想：輸入一幅圖像，對圖像提取圖像特征，針對某個物件制作出相應的激勵模板，在原始的圖像中計算，得到該激勵效果圖，根據激勵的分布，確定目標位置。
制作激勵模板就相當於人為地設計一個卷積核，一個比較復雜的卷積核，拿這個卷積核與原圖像進行卷積運算得到一幅特征圖。比如拿一個靜止站立的人的HOG特征形成的卷積核，與原圖像的梯度圖像進行一個卷積運算，那么目標區域就會被加密。
那么說到這里就會出現一個問題，人在圖像中可能有各種的姿態，比如躺着，趴着，坐着等等，我們只用一個靜止站立狀態的人的激勵模板去做探測就會失敗。也就是說圖像中的物件可能會發生形變，那么我們用固定的激勵模板去探測目標物件的時候就不再適用，那么該如何解決這一問題呢，這就引出了局部模板，也就是說，我們不做一個整體的人的激勵模板，轉而去做人的部分組件的模板，比如頭、胳膊、腿等，其實這就是DPM算法。
再概括一下，HOG的特征提取比較死板，一定要是一個人，這個人還只能是特定的姿態比如站立，動作幅度改變不能太大。而DMP就是先檢測整個人，再檢測四肢，然后綜合兩者的信息去判斷。