【技术实现步骤摘要】
本专利技术属于图像处理，特别涉及一种改善实时视频流目标检测误检和漏检的方法。
技术介绍
1、目标检测技术是在输入图片或视频帧中判断是否待检测目标，如果有，那么将待检测目标的位置标注出来。这项技术被广泛应用在智能安防领域。传统安防在不需要人为干预的情况下，系统能自动实现对监控画面中的异常情况进行检测、在有异常时能及时报警。
2、以人形检测为例，现有技术在复杂多变的实际应用场景中，会将树、猫、狗、鸟、灯柱等物体在某些环境下误检为人形，并且误检的概率较高；还经常出现对同一个误检目标进行重复报警，从而降低安防人员对告警的敏感性处理。
3、因此，现有技术中存在的缺陷包括：
4、基于yolov5人形检测，并增加一个二分类算法，当目标连续多次被检测为人形时输出报警信息。而增加二分类算法会降低算法效率，增加cpu占用率和内存消耗，在终端设备上运行不友好。
5、此外，现有技术中的常用术语如下：
6、1、目标检测算法：基于cnn卷积神经网络模型实现画面中感兴趣目标的检测，比如yolov5的人形、车辆检测等。
7、2、iou:全称为交并比(intersection over union)，iou计算的是“预测的边框”和“真实的边框”的交集和并集的比值。
8、3、目标跟踪：基于卡尔曼滤波和匈牙利匹配算法实现目标跟踪。
技术实现思路
1、为了解决上述问题，本申请的目的在于：本专利技术基于yolov5多目标检测算法，结合目标跟
2、具体地，本专利技术提供一种改善实时视频流目标检测误检和漏检的方法，所述方法使用跟踪模块进行历史信息保留；对检测结果使用两种阈值进行控制，新目标生成使用高阈值，经过历史跟踪过的目标使用低阈值，基于yolov5目标检测算法结果统计得出的规律，根据结果历史信息去除异常得分的误报和找回得分不够的漏报；使用目标的类别得分来判断目标可信性辅助判断，当类别差异小时，认为当前检测结果可信性不高对结果进行滤波去除异常结果。
3、所述基于yolov5目标检测算法结果统计得出的规律，根据结果历史信息去除异常得分的误报和找回得分不够的漏报，进一步包括：
4、1)当把置信度阈值设置为thres1时漏检率低，误检率高，其中thres1取值范围0.0～1.0并能够根据实际测试效果进行调整；当把置信度阈值设置为thres2时误检率低，漏检率也会升高，其中thres2取值范围0.0～1.0并能够根据实际测试效果进行调整，但是漏检情况主要发生在同一目标，即连续检测多次其中偶尔会无法检测到几次到底目标是否为同一个目标，其中偶尔量化为小于20％的概率；且满足thres1<thres2；
5、2)当置信度阈值设置为thres2时误检目标出现的频次低，即偶尔会触发一次，其中偶尔量化为小于20％的概率，此时根据跟踪的历史帧信息对偶尔的异常误报进行过滤，滤除掉大部分误报。
6、所述使用目标的类别得分来判断目标可信性辅助判断，类别得分差异取值范围在0.1～0.3，当类别得分差异小于0.2时，认为当前检测结果可信性不高对结果进行滤波去除异常结果，进一步包括：
7、目标误检时发现该误检目标的类别置信度clsconfidence与误检类别的clsconfidence接近即两者clsconfidence差值小于0.2即认为接近，其中clsconfidence表示该目标判定为预设类别的可信性得分，取值范围0.0～1.0，值越大被判定为预设类别中某一类的概率越大，而非误检目标的clsconfidence与误检类别的clsconfidence差距大即两者clsconfidence差值大于0.2即认为差距大，说明当目标容易出现误检时类别分类已经出现不确定性。
8、所述方法进一步包括以下步骤：
9、s1，基于yolov5目标检测算法将第t帧画面中的所有目标进行检测，置信度阈值根据经验值预置thres1为0.3，即包含目标置信度confidence>＝thres1的目标框信息进行保存到det(t)数据组里但不直接输出；
10、s2，跟踪模块对步骤s1中输出的所有结果进行搜索匹配，这里输出的是confidence>＝thres1目标框信息，其匹配策略：新建跟踪目标，除了满足卡尔曼预测结果和匈牙利匹配结果基础上再增加一个条件，其中，
11、所述卡尔曼预测:使用卡尔曼滤波器预估目标框位置；
12、所述匈牙利匹配：用于解决二分图最优匹配；
13、所述增加的一个条件即被新建目标框objconfidence>＝thres2，所述objconfidencce:检测框为目标物的置信度，其中，thres2经验值预置为0.6；已存在和已消失的跟踪目标只需满足卡尔曼预测和匈牙利匹配条件即可；
14、s3，所述跟踪模块对每个跟踪目标最多会保留n组历史数据，n能够根据使用情况自由配置，当历史跟踪数据大于n时，删除最早的历史数据添加最新的跟踪结果数据；其中，每个跟踪目标的历史数据需要包含坐标信息、目标objconfidence信息、类别clsconfidence信息；
15、s4，输出结果判定，对步骤s2中得到的所有跟踪结果进行判断，对每个跟踪目标进行如下判断：
16、s4.1，历史数据个数大于等于>＝n是否满足？如果满足继续下一步；如果小于n不做后续处理；
17、s4.2，记录thres2>confidence>＝thres1的目标个数l；这里的confidence是置信度结果；
18、s4.3，记录confidence>＝thres2的目标个数h；
19、s4.4，h/(l+0.00001)>thres3是否满足？其中，thres3根据实际情况设定数值即可，经验值预置为1.5；
20、s4.5，当clsconfidence与其他类别clsconfidencei满足：clsconfidence/clsconfidencei>thres4，其中，i可取待检测目标类别数-1；thres4根据实际情况设定数值，其经验值预置为1.5；则对该目标进行标记为m；判断m/n>thres5是否满足？thres5根据实际情况设定为数值，其经验值预置为0.5；当跟踪目标同时满足上述目标即步骤s4.1-s4.5中的所有条件时就把该目标检测框作为最终输出；
21、s5，经过步骤s4将视频流中偶尔触发的误报大幅度过滤掉，以及偶尔导致的漏报进行找回，其中，所述误报属于低概率事件，触发次数很难达到n，在步骤s4中去除即可；所述漏报也属于低概率事件即大部分情况目标个数能够满足n，在这个基础上降低置信度阈值能够从置信度比较低的目标框里找出同目标的结果。
22、所述n取值范围>＝2，能够根据实本文档来自技高网...
【技术保护点】
1.一种改善实时视频流目标检测误检和漏检的方法，其特征在于，所述方法使用跟踪模块进行历史信息保留；对检测结果使用两种阈值进行控制，新目标生成使用高阈值，经过历史跟踪过的目标使用低阈值，基于yolov5目标检测算法结果统计得出的规律，根据结果历史信息去除异常得分的误报和找回得分不够的漏报；使用目标的类别得分来判断目标可信性辅助判断，当类别差异小时，认为当前检测结果可信性不高对结果进行滤波去除异常结果。
2.根据权利要求1所述的一种改善实时视频流目标检测误检和漏检的方法，其特征在于，所述基于yolov5目标检测算法结果统计得出的规律，根据结果历史信息去除异常得分的误报和找回得分不够的漏报，进一步包括：
3.根据权利要求2所述的一种改善实时视频流目标检测误检和漏检的方法，其特征在于，所述使用目标的类别得分来判断目标可信性辅助判断，类别得分差异取值范围在0.1～0.3，当类别得分差异小于0.2时，认为当前检测结果可信性不高对结果进行滤波去除异常结果，进一步包括：
4.根据权利要求3所述的一种改善实时视频流目标检测误检和漏检的方法，其特征在于，所述方法进
5.根据权利要求4所述的一种改善实时视频流目标检测误检和漏检的方法，其特征在于，所述N取值范围>＝2，能够根据实际效果进行调整，默认设定为5。
...【技术特征摘要】
1.一种改善实时视频流目标检测误检和漏检的方法，其特征在于，所述方法使用跟踪模块进行历史信息保留；对检测结果使用两种阈值进行控制，新目标生成使用高阈值，经过历史跟踪过的目标使用低阈值，基于yolov5目标检测算法结果统计得出的规律，根据结果历史信息去除异常得分的误报和找回得分不够的漏报；使用目标的类别得分来判断目标可信性辅助判断，当类别差异小时，认为当前检测结果可信性不高对结果进行滤波去除异常结果。
2.根据权利要求1所述的一种改善实时视频流目标检测误检和漏检的方法，其特征在于，所述基于yolov5目标检测算法结果统计得出的规律，根据结果历史信息去除异常得分的误报和找回...
【专利技术属性】
技术研发人员：蔡俊杰，
申请(专利权)人：北京君正集成电路股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。