[Intensive Reading]目标检测(object detection)扩展系列（一） Selective Search：选择性搜索算法

关注

原创最新推荐文章于 2026-03-10 01:30:28 发布 2.1k 阅读 AI 写同款· GEO 优化 ›

Faster R-CNN with ResNet101: 深度学习目标检测优化本文还有配套的精品资源，点击获取简介：本压缩包提供了一个针对计算机视觉目标检测优化的深度学习模型——Faster R-CNN，它采用ResNet101作为其骨干网络。Faster R-CNN通过集成区域提议网络（RPN）和深度残差网络（ResNet101），实现了快速且精确的图像物体检测。其中，ResNet101的深度残差学习能力允许网络更有效地训练和传递特征，而Fast... 阅读详情

目标检测扩展系列：
目标检测(object detection)扩展系列（一） Selective Search：选择性搜索算法
 目标检测(object detection)扩展系列（二） OHEM：在线难例挖掘
 目标检测(object detection)扩展系列（三） Faster R-CNN，YOLO，SSD，YOLOv2，YOLOv3在损失函数上的区别

简介

在Faster R-CNN算法之前，R-CNN，SPP-Net和Faster R-CNN这些方法中，都用到了SS（Selective Search）算法，它其实是一种区域建议算法为后续的检测任务提供候选框，SS的论文是《Selective Search for Object Recognition》，即便是这篇论文自己的任务最后都是目标识别：
在这里插入图片描述
如果我们再把时间往前推移一段，在HOG行人检测任务里，也在做类似的事情，只是HOG用的是滑动窗遍历，这就比较尴尬，图像中的目标总会以不同的尺寸，位置出现，滑动窗的大小和步长是个不好选择的参数，所以在RPN和one stage的检测方法没有出来的时候，类似SS的区域建议方法是个不错的选择。

Selective Search原理

选择性搜索算法使用基于图的分割算法（Graph-Based Segmentation）生成初始区域，随后使用一系列的相似度判别规则决定哪些区域应该被合并到一起，再次合并后最终实现区域建议生成。

基于图的分割算法

基于图的图像分割算法其实是一个独立经典的图像分割的方法，它更加古老，是一篇2004年的论文《Efficient Graph-Based Image Segmentation》，不过，目前直接用它做分割的应该比较少，很多算法用它作预处理过程，比如Selective Search。

最小生成树（MST）

基于图的分割算法将图像用加权图的形式抽象化表示，一个无向图 $G$ 由顶点集 $V$ 与边集 $E$ 组成，那么图 $G$ 可以表示为 $G = (V, E)$ ，连接一对顶点 $V_{i},V_{j})$ 的边 $e(V_{i},V_{j})$ 具有权重 $w(V_{i},V_{j})$ ，无向图指顶点间的边没有方向，下面这张图就是一个无向图的示例，其中数字表示边 $E$ 的权重 $w$ ，比如边 $e (a, b)$ 的权重是4 。
在这里插入图片描述
树结构是一种特殊的图，树中的点的集合互不交叉，这意味着在图中将不存在使集合产生回路的边。上图中实线表示的边与其连接的点组成的就是一棵树。
而最小生成树（minimun spanning tree，MST）又是一种特殊的树结构，给定需要连接的顶点，选择边的权重之和最小时的树结构就是最小生成树，我们假设上面的树结构就是最小生成树。

分割策略

在基于图的分割算法中，将每一个像素点做为图中一个顶点，然后将顶点逐步合并为一个区域。合并区域是以最小生成树作为依据连接，保证整个无向图中没有重叠的区域，而且每个区域的权重和都是最小的。那么在图像中，顶点间的权重应该怎么表示？
对于一对像素点 $(a, b)$ 的边 $e (a, b)$ ，其权值 $w (a, b)$ 用两点灰度值的欧氏距离来表示，当图像为RGB三通道时，权值的公式为：
$\sqrt{(R_{a}-R_{b})+(G_{a}-G_{b})+(B_{a} - B_{b})}$
$R_{a}$ 表示像素点 $a$ 的 $R$ 通道的灰度值，其余的同理。权重 $w (a, b)$ 可以做为衡量两个像素点间差异的标准，即两点间的不相似度。两个区域间的不相似度同样依照该方法求取，对于两个区域 $G_{1}$ 和 $G_{2}$ ，其连接方式如下图。
在这里插入图片描述
其中，像素点 $a$ ， $b$ ， $c$ 构成区域 $G_{1}$ ，像素点 $d$ ， $e$ ， $f$ 构成区域 $G_{2}$ ，图中虚线为可能使 $G_{1}$ 和 $G_{2}$ 合并的连接方式。根据MST定义，如果 $G_{1}$ 和 $G_{2} 合并为一个区域，将选择权重$ w(G_{1},G_{2}) $最小的边$ e(G_{1},G_{2})$，定义其为类间差异 $diff(G_{1},G_{2})$ ，并与设定阈值的比较决定是否合并这两个区域。
下面的问题就是，阈值是什么？
基于图的分割算法使用一种局部自适应阈值的方式，避免了全局阈值带来的分割过细或过粗糙的问题。阈值选择为区域的类内差异 $I n t (G)$ ：
$,E\in{G}$
其中 $E$ 为 $G$ 的边集，类内差异为边集中每个边的不相似度的最大值。最终两个区域是否合并的条件是类间差异是不是小于类内差异：
$diff(G_{1},G_{2})\leq Min(Int(G_{1}),Int(G_{2}))$
这样一来，就解决了两个区域是否要合并的问题，但是问题是，在一张图像开始的时候用最小生成树生成区域，它会有只剩下一个像素点的情况，这就是区域的特殊情况，一个像素点就是一个区域。单个像素点的类内差异是0，想要让上面的公式成立，就要类间的差异也是0，这显然不可能，这样一来，就会造成过分割。
为了解决这个问题，要为每个像素点分配一个初始的类内差异 $r_{C}=\frac{k}{C}$ ， $C$ 是像素点的个数， $k$ 是一个人为设定的超参数。当区域内像素点个数逐渐增多， $r_{C}$ 的作用将越来越小，而对于单个的像素点， $r_{C}=k$ 将保持初始值不变。增加初始值后的类间差异为：
$Int(G)=Max(E)+r_{C} ,E\in{G}$

相似度判别原理

经过初始分割之后,效果就像下图中左侧最下方那张图，分割的效果过细，无法作为区域建议使用。在此基础上，SS算法根据颜色，纹理，尺寸和空间交叠率四个方面衡量区域间的相似度，对分割后的结果进行再一次的合并。
在这里插入图片描述

颜色相似度

颜色的相似度计算选用HSV颜色空间中的色调，对于RGB图像中的每个区域 $G$ 中单个通道的色调在bin=25的直方图上进行投票，其结果用 $c_{i}$ 表示，所以三通道情况下bin=75。区域之间颜色相似度，通过归一化后直方图交叉核式子来计算：
$S_{color}(G_{i},G_{j})=\sum_{k-1}^{n}min(c_{i}^{k},c_{j}^{k})$
纹理相似度

纹理相似度采用的高斯分布在8邻域方向做梯度统计，然后每个通道的梯度方向以bins=10计算直方图，其结果用 $t_{i}$ 表示，所以直方图维度为 $8\times3\times10=240$ 。最后使用与颜色相似度相同的方式计算纹理相似度：
$S_{texture}(G_{i},G_{j})=\sum_{k-1}^{n}min(t_{i}^{k},t_{j}^{k})$
尺寸相似度

尺寸相似度采用像素面积计算，其中 $size_{image}$ 为整个图像的像素面积， $size_{G_{1}}$ 为区域 $G_{1}$ 的像素面积， $size_{G_{2}}$ 为区域 $G_{2}$ 的像素面积。显然当 $G_{1}$ 与 $G_{2}$ 都很小时，尺寸相似度趋近1，这保证了较小的区域优先合并，从而避免大区域不断合并小区域。
$S_{size}(G_{i},G_{j})=1-\frac{size_{G_{1}}+size_{G_{2}}}{size_{image}}$

空间交叠率

交叠相似度同样采用像素面积计算，其中 $size_{BB_{ij}}$ 是区域 $size_{G_{i}}$ 和区域 $size_{G_{j}}$ 的最小外接矩形的像素面积。越高的重叠度意味着两个区域接触的像素点越多，两个区域占 $size_{BB_{ij}}$ 的比例就会越高，交叠相似度也就会越高，这保证了交叠度高的区域优先合并。
$S_{fill}(G_{i},G_{j})=1-\frac{size_{BB_{ij}}-size_{G_{i}}-size_{G_{j}}}{size_{image}}$

最终的相似度是上述四个相似度的加权和：
$S(G_{i},G_{j})=aS_{color}(G_{i},G_{j})+bS_{texture}(G_{i},G_{j})+cS_{size}(G_{i},G_{j})+dS_{fill}(G_{i},G_{j})$

合并候选框

通过上面的相似度判别依据，接下来要逐个合并图分割生成的候选框，SS采用这样的策略：
在这里插入图片描述

算法：
利用切分方法得到候选的区域集合R = {r1,r2,…,rn}
初始化相似集合S = ϕ
遍历邻居区域对(ri,rj) do
     计算相似度s(ri,rj)
     S = S  ∪ s(ri,rj)
while S not=ϕ do
     从S中得到最大的相似度s(ri,rj)=max(S)
     合并对应的区域rt = ri ∪ rj
     移除ri对应的所有相似度：S = S\s(ri,r*)
     移除rj对应的所有相似度：S = S\s(r*,rj)
     计算rt对应的相似度集合St
     S = S ∪ St
     R = R ∪ rt
L = R中所有区域对应的边框

最终，候选框会被合并成一张图，但是每次的合并过程所对应的图层，以及它们合并时的相似度大小，都被记录下来了。这样一来就会有很多的图层，每个图层中又有若干的区域，这些区域还存在很大的重复，并且，不同的目标可能在这个图层中存在，在另一图层中又没了，所以我们需要一些策略对这些区域建议打分，最终的阈值决定将哪些区域最后输出出来。