[发明专利]一种消除宠物检测中误报的方法

说明书

本发明提供一种消除宠物检测中误报的方法，包括：S1添加人头标注：加入了人头这一类，只标注正面；S2改变网络增加误检目标分类：宠物检测网络是基于目标检测框架改进的；S3训练模型：完成增加人头的数据和添加分类后，即可进行数据训练；S4检测模型并调整：测试训练出的模型，在保证不影响宠物检测精度的情况下适量调整人头样本，以此来调整数据，直到在不影响精度的情况下消除误报；S5检测结果过滤误报类：由于添加的人头是为消除误报而添加，所以检测结果应滤掉这类，找到此类的class_id，通过判断过滤掉此类。增加一类来容纳误报类，在不影响召回率的情况下消除猫狗检测中人的误报。

技术领域

本发明涉及智能视频处理技术领域，特别涉及一种消除宠物检测中误报的方法。

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。

如今猫狗当宠物越来越受大众喜爱，其相关需求也相继而生。目前猫狗检测技术应用广泛，猫狗检测可以用在宠物家庭中，如猫狗喂食器，当猫狗走近猫狗喂食器，猫狗喂食器检测到猫狗时便自动打开盖子，方便猫狗进食等。

现有目标检测中常用的减少误报方法大多是：增加负样本数据，增加负样本数据也可分为两类，一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。

现有的消除误报方法如增加负样本数据，这种方法可以解决一些泛化的误报，但是增加负样本必然会导致召回率的下降；筛选正样本，提高样本质量，如猫狗中出现人的误检是由于，框的猫狗正样本中一部分数据包含了人，只需调整正样本避开人的标注，便可消除对人的误报，这种方法会减少正样本的多样性，从而导致召回率的下降；使用更深的网络会导致网络的改变，增加检测时间，增加模型的大小；并且这些传统方法不能消除相似物体的误报，如猫检测中的狗误报，猫脸狗脸检测中的人脸误报，大头照中的人头误报，即使加入人负样本也不能消除误检。

发明内容

本申请解决了上述问题，本申请的目的在于，通过增加一类来容纳误报类，在不影响召回率的情况下完美消除猫狗检测中人的误报。

具体地，本发明提供一种消除宠物检测中误报的方法，所述方法包括以下步骤：

S1，添加人头标注：加入了人头这一类，把训练样本中的人头标注出来，只标注正面；

S2，改变网络增加误检目标分类：宠物检测网络是基于目标检测框架改进的，将配置文件中的cfg中的classes属性值加一，将数据配置文件中data文件的classes属性值加一，在数据配置文件中name文件中添加误检类name属性；

S3,训练模型：经过上述两个步骤便完成了增加人头的数据和添加分类，即可进行数据的训练，由于增加了一类，训练时可加载之前的宠物类模型；

S4,检测模型并调整：测试训练出的模型，若影响了宠物检测精度，可适当减少人头样本；若人头误报的消除效果不好，在保证不影响宠物检测精度的情况下适量增加人头样本，以此来调整数据，直到在不影响精度的情况下消除误报；

S5，检测结果过滤误报类：由于添加的人头是为消除误报而添加，所以检测结果应滤掉这类，找到此类的class_id，通过判断过滤掉此类。