从零开始的无人驾驶 02：Vehicle Detection
在 CNN (Convolutional Neural Networks 卷积神经网络) 普遍运用之前，车辆检测是通过使用条件随机场或者SVM(支持向量机)来实现的。操作上分为两步，先是从图像上提取特征，然后基于特征建立模型，判断车辆位置。
template matching 模板匹配
对于图像上的每一块颜色，计算与背景图的distance
甚至更硬核一点，直接把各种可能的车辆图片存起来，然后跟相机视角的图片进行比较
这类解决方案统称 template matching
Color Histogram
template matching的缺陷也很明显，对于没有预存过的模板，自然无从识别。因此出现了 Color Histogram方案
将车辆的模板转换成颜色直方图，运算时比较目标物体与预存直方图的相似度。优点是同一个物体在不同角度仍可识别。比如对于一辆红色的车，从不同方向看过去，模板匹配无法很好地识别，而利用Color Histogram则不受影响。
HOG
Histogram of Oriented Gradients (定向梯度直方图), 相比于之前的特征，HOG特征更加健壮，并且无视颜色的影响。
操作的时候，首先捕捉图像的轮廓与纹理信息
然后将图像划分为多个cell。对每个cell计算梯度方向
统计每个cell的局部直方图
将结果归一化，得到的主方向将成为局部特征梯度方向
汇总每个cell得到的局部信息，就可以得到HOG特征
Features Combination
首先是数据预处理，这里主要是进行特征组合。
比如HOG特征是针对梯度信息的特征，HSV特征则是针对颜色信息的特征
可以直接将二者拼接，得到颜色+梯度的组合信息
这里面有一些要注意的地方，一般多个特征拥有不同的模量，所以数字上相差很大
那么就需要进行正则化，将数据对齐
还可以利用决策树等方法，舍弃影响不大的变量
Sliding Windows
使用滑动窗口进行车辆检测，在这种场景下有一些机巧
首先还是ROI, 车辆其实只会出现在图片的下半块区域
其次可以预先设定好车辆可能的最大宽度和最小宽度
这样在检测时进行有限的multi-scale window
减小搜索空间
Multiple Detection
最后对于同一车辆的Multiple Detection
建立heat-map，计算中心位置
Build Model & Tracking
模型的选取倒是比较简单，SVM, Decision Tree, Nerual Network, etc. 这些都是常见的选择
针对每一帧图像，检测车辆位置，形成连续追踪
总结自Udacity无人车专项，合集版在掘金更新