在 CNN (Convolutional Neural Networks 卷積神經網路) 普遍運用之前，車輛檢測是通過使用條件隨機場或者SVM(支援向量機)來實現的。操作上分為兩步，先是從影象上提取特徵，然後基於特徵建立模型，判斷車輛位置。

template matching 模板匹配

對於影象上的每一塊顏色，計算與背景圖的distance

甚至更硬核一點，直接把各種可能的車輛圖片存起來，然後跟相機視角的圖片進行比較

這類解決方案統稱 template matching

Color Histogram

template matching的缺陷也很明顯，對於沒有預存過的模板，自然無從識別。因此出現了 Color Histogram方案

將車輛的模板轉換成顏色直方圖，運算時比較目標物體與預存直方圖的相似度。優點是同一個物體在不同角度仍可識別。比如對於一輛紅色的車，從不同方向看過去，模板匹配無法很好地識別，而利用Color Histogram則不受影響。

HOG

Histogram of Oriented Gradients (定向梯度直方圖), 相比於之前的特徵，HOG特徵更加健壯，並且無視顏色的影響。

操作的時候，首先捕捉影象的輪廓與紋理資訊

然後將影象劃分為多個cell。對每個cell計算梯度方向

統計每個cell的區域性直方圖

將結果歸一化，得到的主方向將成為區域性特徵梯度方向

彙總每個cell得到的區域性資訊，就可以得到HOG特徵

Features Combination

首先是資料預處理，這裡主要是進行特徵組合。

比如HOG特徵是針對梯度資訊的特徵，HSV特徵則是針對顏色資訊的特徵

可以直接將二者拼接，得到 顏色+梯度的組合資訊

這裡面有一些要注意的地方，一般多個特徵擁有不同的模量，所以數字上相差很大

那麼就需要進行正則化，將資料對齊

還可以利用決策樹等方法，捨棄影響不大的變數

Sliding Windows

使用滑動視窗進行車輛檢測，在這種場景下有一些機巧

首先還是ROI, 車輛其實只會出現在圖片的下半塊區域

其次可以預先設定好車輛可能的最大寬度和最小寬度

這樣在檢測時進行有限的multi-scale window

減小搜尋空間

Multiple Detection

最後對於同一車輛的Multiple Detection

建立 heat-map，計算中心位置

Build Model & Tracking

模型的選取倒是比較簡單，SVM, Decision Tree, Nerual Network, etc. 這些都是常見的選擇

針對每一幀影象，檢測車輛位置，形成連續追蹤