使用卷积神经网络在对视频流进行连续目标检测时,因光照和角度等环境的不确定因素会出现某一帧漏检、错检或多帧连续漏检的问题。针对这一问题,基于视频流中的时间相关性,提出一种基于时间相关性的置信度矫正算法,以显著降低目标漏检和错检率。该算法能够针对异常检测数据,使用指数平滑法对置信度较低的漏检目标进行预测矫正;对错检数据的置信度进行抑制。通过多个真实数据集的验证,结果表明,通过置信度矫正后的目标检测性能得到显著的提高,MAP平均提高了7.7%。
科研之友
微信
新浪微博
Facebook
分享链接
