傳統的目標檢測方法也稱為基於手工特征的目標檢測方法
基於手工特征的目標檢測方法 = 手工特征 + 機器學習方法
三種手工特征
Haar特征、HOG（梯度直方圖特征）、LBP（局部二值模式特征）
圖 1給出了三種手工特征模板。LBP特征（局部二值模式）如圖 1（a）所示，模板中心周圍的像素值均與模板中心像素值比較，大於中心像素值為1，小於中心像素值為 0。從模板左上角開始，順時針旋轉組成的二進制數對應的十進制數即為中心點像素值。Ojala 等人對LBP特征做出改進，提出了具有灰度不變性和旋轉不變性LBP特征。LBP特征對光照具有很強的魯棒性，針對的是物體的紋理特征，當物體紋理與背景紋理相似時，會降低檢測效果。HOG 特征如圖 1（b）所示，Block 在Window 內滑動，內部包含多個 Cell。Block 內所有 Cell的梯度直方圖串聯即為 Block 的梯度直方圖（Block 的HOG 特征描述），為了獲得光照不變性和陰影不變性，需要對比度歸一化 Window 內重疊的 Block。Window內所有 Block 的梯度直方圖串聯即為 Window 的 HOG特征描述，通過滑動窗口，收集整幅圖片的 HOG 特 征。HOG特征提取的是物體邊緣特征，對圖像中的噪聲敏感；圖1（c）所示是四種基本Haar特征，每種特征特征值等於白色區域的像素和減去黑色區域的像素和。Haar特征利用灰度圖中物體表面明暗變化提取特征，因 此Haar特征對光照魯棒性很差。
三種機器學習方法
AdaBoost、SVM（Support Vector Machine）、DPM（Deformable PartModel）機器學習方法
AdaBoost通過選取多個最優弱分類器組成強分類器，多個強分類器級聯成最終分類器。AdaBoost算法，訓練前期，選取最優弱分類器比較快速，后期最優弱分類器的選取越來越困難，需要大量的訓練樣本，訓練時間越來越長，而且容易出現過擬合。SVM（Support Vector Machine）引入核函數的概念，在低維度計算高維數據。SVM 的分類效果與核函數選取以及核函數參數有關，核函數的參數是不定的（訓練得到），參數的選取與訓練過程中模型收斂速度和過擬合情況有關。2008 年，Felzenszwalb 等人提出 DPM（DeformablePart Model）算法，利用圖像金字塔，提取同一圖像不同
尺度的特征。DPM 使用的特征，本質是一種改進的 HOG 特征，取消了 HOG 特征的 block，改變了 Cell 梯度直方圖的歸一化方式，通過對圖像金字塔采集特征得到 HOG 特征金字塔，特征金字塔頂部是粗略 HOG 特征，底部是精細 HOG 特征。DPM 設計了根濾波器（root filter）以及部件濾波器（parts filter），root filter匹配目標粗略 HOG 特征，得到目標整體輪廓並得到匹配分數，parts filter 匹配目標精細 HOG 特征，得到目標部分細節並得到匹配分數，最后綜合兩種濾波器匹配得分，確定檢測結果。DPM 連續三年獲得 CVPR VOC 挑戰賽冠軍，設計者本人 Felzenszwalb，在 2010 年被 VOC 授予“終身成就獎”，可見 DPM 的成功之處。DPM 只對剛性物體和高度可變物體檢測效果好，其模型復雜，在模型訓練過程中，正樣本選取復雜，root filter 和 parts filter 的位置作為潛在變量（latent values）進行訓練，訓練難度大，檢測精度低。
Uijlings 等提出選擇性搜索（Selective Search），通過先對圖像做分割，再對分割區域做相似性融合，得到整幅圖像中目標可能存在區域，提取可能區域 HOG 特征，利用 SVMs 分類，得到檢測結果。Selective Search結合了分割和枚舉搜索的優點，通過對可能區域提取HOG 特征，判斷可能區域是否有目標，不用對整張圖片提取特征再進行判斷，檢測精度有所提升。由於Selective Search 對剛性物體和非剛性物體都可以較好地提出可能區域，Selective Search成為提取目標可能存在區域的常用方法。
改進的基於特征的方法
近年來，Feature-Based 方法得到改進，馮等利用增加新的 Haar 特征結合 AdaBoost 算法提升了人臉檢測的精度，但是訓練時間更長，抗干擾能力差，檢測速度慢；汪等以及歐陽等改進了 AdaBoost 選取最優弱分類器時權值更新的方法，降低過擬合對檢測結果的影響，提升了系統的檢測速度與檢測精度，但是仍未擺脫手工特征抗干擾能力差的束縛；呂等將 HOG 特征與 LBP 結合用於葯材識別，通過檢測圖像紋理和邊緣特征，提升了葯材識別率，但是其抗干擾能力差，泛化能力弱；閆等將 AdaBoost 中的弱分類器與 SVM 級聯構成最終的分類器用於車標識別；楊等結合 AdaBoost 和SVM 用於識別棉葉蟎危害等級，比單獨使用 AdaBoost 和 SVM 取得更高識別正確率，其模型復雜，訓練困難，抗干擾能力差。
傳統方法和 CNN 方法的比較
目標檢測效果受多種因素影響，例如光照條件、遮擋情況、應用場景、物體尺寸等，Feature-Based方法受手工特征設計質量高低和機器學習方法自身存在的缺陷影響，檢測效果差，在實際運用中受到多種限制。基於CNN 方法通過提取更深層次特征，大幅提升檢測速度與檢測精度，增強了目標檢測在實際應用中的效果。但是，基於 CNN 方法仍有不足之處，例如，使用基於 CNN 方法時仍需要在檢測精度與檢測速度之間進行權衡。