[发明专利]一种提升目标检测模型精度的方法

说明书

本发明提供一种提升目标检测模型精度的方法，所述方法在检测过程中增加一个目标分类模型，首先将获取的待测检测目标的图片进入检测模型进行检测，再将检测出来的数据送入增加的所述目标分类模型用以判断是否为目标，只有当目标分类模型认定为目标后，才输出检测目标的图片位置。利用增加一个目标分类模型将一个高精度的模型再提升一个档次，并且基本保持了原有召回率，解决了对高精度的要求。

技术领域

本发明涉及智能图像处理技术领域，特别涉及一种提升目标检测模型精度的方法。

背景技术

随着计算机技术的发展和计算机视觉原理的广泛应用，使用计算机图像处理技术来实时检测跟踪目标变得越来越流行。在智能交通系统，智能监控系统和军事目标检测中使用目标的动态实时跟踪和定位，并且将手术器械定位在医学导航手术中具有广泛的应用价值。目标检测的任务是找出图像中所有感兴趣的目标，确定它们的位置和大小，是机器视觉领域的核心问题之一。由于各类物体有不同的外观、形状、姿态，加上成像时光照，遮挡等因素的干扰，目标检测一直是机器视觉领域最具有挑战性的问题。

近年来由于电动车电瓶引起的火灾事件越来越多，电动车报警系统就是为了防止电动车进入室内充电，这类系统的开发与应用已刻不容缓。

现有目标检测中常用的减少误报方法：增加负样本数据，增加负样本数据也可分为两类，一种是找一些多样的没有目标的图片直接放进训练数据中；另一种是用现有的模型对无目标图片进行检测，会出现一些检测错误的图片，将这些检测出来的图片当负样本放进训练数据中；除了增加负样本数据外还可以通过提高正样本质量来减少误报，需要对训练样本重新进行筛选，过滤不好的样本；当然还可以通过使用更深更复杂的网络，只是这样会改变网络结构，这样一来，检测时间也会相应增加。

现有的提升精度的方法只能提升到一定程度，精度到达一定程度后就很难再提升。而且提升之后召回率会下降很多。在保持模型大小不变的情况下，精度更难提升。召回率和精确度很难兼得。

现有技术中的常用术语如下：

1.召回率：就是正检率，例如一共有100个电动车，检测出80个，召回率为80％。

2.精确度：例如模型检测出100个电动车，其中有80个是真正的电动车，20个是误检，则精确度为80％。

3.COCO的全称是Common Objects in COntext，是微软团队提供的一个可以用来进行图像识别的数据集。MS COCO数据集中的图像分为训练、验证和测试集。COCO通过在Flickr上搜索80个对象类别和各种场景类型来收集图像，其使用了亚马逊的MechanicalTurk(AMT)。

发明内容

针对用传统方法目标检测模型精度达到一定程度后，很难再提升的问题，本申请的目的在于：在保持召回率的情况下将原本很高的精度再显著提升。

具体地，本发明提供一种提升目标检测模型精度的方法，所述方法在检测过程中增加一个目标分类模型，首先将获取的待测检测目标的图片进入检测模型进行检测，再将检测出来的数据送入增加的所述目标分类模型用以判断是否为目标，只有当目标分类模型认定为目标后，才输出检测目标的图片位置。

所述方法包括以下步骤：

S1.训练检测目标检测模型

先训练一个检测目标检测模型，用提升精度的模型方法训练出该检测模型，数据采用的是室外的图片数据和应用场景内的图片数据；训练出来的检测目标的图片精度为97％；