1.基于滑动窗口的目标检测算法
滑动窗口>>特征提取>>分类器
图 滑动窗口目标检测流程
对输入的图像设置不同大小的滑窗，确定步长遍历整个图像，每次滑动完成后对当前选择框进行特征提取（SIFT、HOG等），并使用事先训练好的分类器（SVM、Adaboost等）判断该区域中存在目标的概率。得到所有可能存在目标的滑窗，因为这些窗口会存在重复较高的部分，最后采用非极大值抑制(Non-Maximum Suppression, NMS)的方法进行筛选，经过NMS筛选后得到检测目标。
缺点
滑窗法简单易于理解，但是不同大小比例的窗口遍历图像导致选择框冗余；同时设计窗口时还需要考虑物体长宽比，增加了设计复杂度；手工设计的特征鲁棒性较差；效率低下，对于实时性要求较高的任务，不推荐使用滑窗法。
2.基于选择性搜索（Selective Search）的目标检测算法
利用图像中的边缘、纹理、颜色等信息，保证在选取较少(几百至几千）窗口的情况下保持较高的召回率（Recall）。
选择性搜索>>特征提取>>分类器
图 基于相似度的分割区域合并
首先使用图像分割方法初始化分割区域，然后计算相邻两个区域的相似度，每次合并最相似（通过颜色、纹理、大小和形状交叠判断）的两个区域，每次迭代过程中使用搜索框定位合并区域，直到最终剩下一块完整的区域，最后进行特征提取与分类。
总结
滑动窗口最大的缺点就在于选择框冗余，而选择性搜索可以有效地去除冗余候选框，使得计算量大大的减小。
