出租车后座遗留物品检测：目标检测/图像差分/分类方案选型

从你的场景需求来看，优化后的图像差分方案是最合适的选择，三类方案的适配性分析如下：

各方案适配性对比 #

• 目标检测：你提到的长尾物品覆盖问题是无法解决的硬伤，不可能把所有形状、材质的遗留物都纳入训练集，异形布袋、零散小物件的漏检率会非常高，完全不符合你要覆盖所有遗留物品的需求，直接排除。
• 图像分类：本质还是依赖训练样本的覆盖度，你无法穷举所有可能的遗留物、摆放角度、光照组合，遇到训练集外的物品依然会漏检，而且分类结果没有可解释性，出问题很难排查，除非你能攒到百万级的正负样本，否则效果远不如差分方案，不推荐。
• 图像差分：本身完全适配你不需要识别物品类别、只需要判断有无新增物品的需求，你提到的光照干扰是可优化的问题，不属于方案本身的硬伤。

图像差分方案的优化方法 #

按照以下步骤调整，就能把误检率降到可用水平：

1. 动态更新基准图：不要使用固定的基准图，每次司机确认本次乘车无遗留后，就把当前的后座图像替换为新的基准图，保证基准图和后续检测图的光照、座椅褶皱等环境变量的时间差最多只有一次乘车的时长，大幅降低环境变化带来的差值干扰。
2. 光照对齐预处理：差分计算前先做预处理，将两张图都转至LAB色彩空间，仅提取亮度L通道做差分，或者对两张灰度图做直方图均衡化对齐光照分布，过滤大部分光照波动带来的干扰。
3. 噪点过滤：差分得到的差值掩码先做形态学的腐蚀+膨胀操作，去掉零散的噪点，再统计掩码中高亮区域的面积，仅当面积超过预设阈值（可按对应实际物品大小为巴掌大调整，比如对应30*30像素）才判定为存在遗留物，过滤座椅褶皱、小灰尘的干扰。
4. 可选优化：如果设备算力有富余，可以加一个极轻量的语义分割小模型，只识别后座的有效区域，差分计算仅在有效区域内进行，排除脚垫、车门、安全带等无关区域的干扰，误检率能再降70%以上。
   该方案开发成本、算力要求都远低于另外两类方案，而且不存在未知物品漏检的问题，完全适配当前场景。

内容的提问来源于stack exchange，提问作者230490