特徴点に基づく方法と深層学習を用いた物体検出アルゴリズム
左の本文を選ぶと、右側の官報原文画像で該当箇所を照合できます。
### 2.2.1.1 Harris 角点检测
Harris 角点检测是一种经典的角点检测方法，它通过计算图像的自相关矩阵来判断一个像素点是否为角点。该方法对旋转和光照变化具有一定的鲁棒性。
$$M = \sum_{x,y} w(x,y) \begin{bmatrix} I_x^2 & I_x I_y \\ I_x I_y & I_y^2 \end{bmatrix}$$
其中，$I_x$ 和 $I_y$ 分别是图像在 x 和 y 方向上的梯度，$w(x,y)$ 是窗口函数。
### 2.2.1.2 SIFT 特征描述子
SIFT（Scale-Invariant Feature Transform）是一种尺度不变的特征描述子，它能够有效地描述图像中的局部特征，并且对尺度、旋转和光照变化具有很强的鲁棒性。
14号)
随着深度学习的发展，基于深度学习的目标检测算法逐渐取代了传统方法。这类算法主要分为两类：一类是基于区域建议的目标检测算法（Region-based Convolutional Neural Networks, R-CNN），另一类是基于回归的目标检测算法（You Only Look Once, YOLO）和 Single Shot MultiBox Detector (SSD)。
### 2.2.2.1 基于区域建议的目标检测算法
R-CNN系列算法是早期基于深度学习的目标检测算法之一，其核心思想是通过选择性搜索（Selective Search）生成候选区域，然后利用卷积神经网络提取特征，最后通过支持向量机（SVM）进行分类和边界框回归。尽管R-CNN在精度上表现优异，但其计算复杂度较高，难以满足实时性要求。
### 2.2.2.2 基于回归的目标检测算法
YOLO和SSD等算法摒弃了传统的区域建议步骤，直接将目标检测问题转化为回归问题。这些算法能够在单次前向传播中完成目标的定位和分类，显著提高了检测速度。然而，由于缺乏显式的区域选择机制，这类算法在小目标检测和密集场景下的性能相对较弱。