4. 目标检测基础：滑动窗口、图像金字塔、非极大值抑制(NMS)

目标检测这个方向，我做了快十年了。说实话，刚入行那会儿，觉得检测不就是分类加个框嘛。后来踩的坑多了才明白，滑动窗口、图像金字塔、NMS 这三个东西，是理解整个检测体系的基石。今天咱们就掰开揉碎了聊聊。

4.1 滑动窗口：最朴素的检测思路

滑动窗口的概念其实特别简单。你想想看，一张图里目标可能出现在任何位置，那怎么办？最直接的办法就是拿一个固定大小的窗口，从左到右、从上到下，把整张图扫一遍。

每个窗口位置，我们都把里面的图像区域送到分类器里判断一下。是猫？是狗？还是背景？这就是滑动窗口的核心思想。

核心要点：滑动窗口 = 穷举搜索 + 区域分类

我在项目中遇到过一个问题：窗口步长设多大？步长小了，计算量爆炸；步长大了，容易漏检。我个人习惯是，先根据目标最小尺寸来定步长，一般取窗口宽高的 10%~20%。

伪代码大概长这样：

def sliding_window(image, window_size, stride):
    windows = []
    for y in range(0, image.height - window_size[1], stride):
        for x in range(0, image.width - window_size[0], stride):
            crop = image[y:y+window_size[1], x:x+window_size[0]]
            windows.append((x, y, crop))
    return windows

嗯，这里要注意：滑动窗口的缺点很明显——窗口大小固定。你拿一个 64x64 的窗口去扫，大目标和小目标就顾此失彼了。怎么解决？这就引出了图像金字塔。

4.2 图像金字塔：多尺度检测的利器

说白了，图像金字塔就是对同一张图做不同尺度的缩放。大的尺度看小目标，小的尺度看大目标。这样，固定大小的窗口就能适应不同尺寸的目标了。

常见的金字塔有两种：

类型 做法 典型应用
高斯金字塔 先高斯模糊，再下采样 传统目标检测、SIFT特征
拉普拉斯金字塔 高斯金字塔的差分 图像融合、超分辨率

在目标检测里，我们主要用高斯金字塔。每次把图像缩小为原来的 0.5 倍或 0.8 倍，然后对每一层都做滑动窗口检测。

我的经验：金字塔层数不是越多越好。层数太多，小尺寸图像上的信息损失严重，反而容易误检。一般 3~5 层就够用了。我曾经试过堆到 8 层，结果检测速度慢了 3 倍，精度反而下降了。

为什么会有精度下降？因为图像缩得太小，目标的纹理细节都没了，分类器根本认不出来。所以，金字塔的缩放因子一般取 0.7~0.9 之间，别太激进。

4.3 非极大值抑制（NMS）：去掉重复框

好，现在滑动窗口加金字塔，我们确实能检测到目标了。但问题来了——同一个目标，会被多个窗口框住。比如一只猫，窗口稍微挪一点，分类器可能还是判定为猫。结果就是，一只猫周围围了十几个框。

怎么办？NMS 就是干这个的。它的逻辑很简单：

  1. 把所有检测框按置信度从高到低排序
  2. 选置信度最高的框，保留它
  3. 去掉所有跟这个框重叠度（IoU）大于阈值的框
  4. 重复 2~3 步，直到没有框剩下

重叠度用 IoU（Intersection over Union）来衡量：

def iou(box1, box2):
    # box = [x1, y1, x2, y2]
    x1 = max(box1[0], box2[0])
    y1 = max(box1[1], box2[1])
    x2 = min(box1[2], box2[2])
    y2 = min(box1[3], box2[3])
    
    inter = max(0, x2 - x1) * max(0, y2 - y1)
    area1 = (box1[2]-box1[0]) * (box1[3]-box1[1])
    area2 = (box2[2]-box2[0]) * (box2[3]-box2[1])
    union = area1 + area2 - inter
    
    return inter / union if union > 0 else 0

NMS 的代码实现也不复杂：

def nms(boxes, scores, iou_threshold=0.5):
    indices = sorted(range(len(scores)), key=lambda i: scores[i], reverse=True)
    keep = []
    
    while indices:
        i = indices[0]
        keep.append(i)
        rest = indices[1:]
        indices = [j for j in rest if iou(boxes[i], boxes[j]) < iou_threshold]
    
    return keep

避坑指南：我曾经因为 IoU 阈值设得太低（比如 0.3），导致密集场景下大量目标被误删。反过来，阈值设得太高（比如 0.9），又会有很多重复框残留。一般取 0.5~0.7 比较稳妥。具体调多少，得看你的业务场景——检测稀疏大目标可以低一点，检测密集小目标就要高一点。

4.4 三者如何配合？

这三兄弟在实际系统中是串在一起用的：

  • 图像金字塔：生成多尺度图像
  • 滑动窗口：在每个尺度上提取候选区域
  • 分类器：判断每个候选区域是不是目标
  • NMS：合并重复检测结果

举个例子。我做过一个行人检测项目，用的就是这套流程。先构建 3 层金字塔，每层用 64x128 的窗口以 8 像素步长滑动，HOG 特征加 SVM 分类器，最后 NMS 阈值设 0.6。效果还不错，就是慢了点——处理一张 1080p 的图要 2 秒多。

这也是为什么后来大家转向了 R-CNN、YOLO 这些端到端的方法。但说实话，滑动窗口 + 金字塔 + NMS 的思想，至今仍然深深影响着现代检测器的设计。比如 Anchor 机制，本质上就是预置了不同尺度和长宽比的滑动窗口。NMS 更是几乎所有检测器的标配后处理。

一句话总结：滑动窗口负责「在哪找」，图像金字塔负责「找多大」，NMS 负责「去重」。这三板斧，是理解一切目标检测算法的起点。

好了，这一章就聊到这儿。下一章咱们会深入聊聊 Anchor 机制，看看现代检测器是怎么把滑动窗口的思想玩出花的。

← 上一章 📖 返回目录 下一章 →