利用多次判断提高模型准确度

假如 ，使用训练好的模型在验证集上的准确率是99% ，那就是平均100张有1张错误。在视频识别的过程中，如果视频帧数为比较低的30帧，那也代表3秒内平均有3次错误。如果是流畅视频就更高了。

理论上模型的识别是几乎没有到达100%。损失函数也几乎不可能为0，那样几乎就是过拟合了。

为了提高在视频里面的识别准确率，采用多次判别，并且每次判别结果都一致之后，才进行输出。这是我常采用的方法。

number_count = 0
number =0
N_K = 0
def judge_number(frame,count=5):
    #在判定杀人的情况下，判定击杀人数
    global kill_number_count
    global number
    global N_K
   
    cut = cut_number(frame)
    cut = cv2.resize(cut,(50,50))
    cut = cv2.cvtColor(cut, cv2.COLOR_BGR2LAB)
    b, g, r = cv2.split(cut)
    out = g
    ret,binary=cv2.threshold(out,165,255,cv2.THRESH_BINARY_INV)  
    binary = np.expand_dims(binary, axis=0)
    
    predict=model.predict(binary)
    A = predict[0].tolist()
    result = (A.index(max(A)))+1
    number_count += 1
    if number_count >= count:
        if number == result:
            N_K += 1
            if N_K > 90:
                number_count = 0
                N_K = 0
                return result
        number = result

• 使用 count 来判别 连续5个画面都有查找到需要识别的内容
• 然后使用 N_k 来判别，连续90次的结果都是一致的才进行输出

在帧数为60的视频里，90次的画面判别也只需要1.5秒。在我目前做的项目中已经可以达到要求。关键是不能输出错误的结果
如果调整的连续正确画面数目太大，可能会造成没有输出；但是调小之后如果造成输出不准确，有两个方面进行考虑：

1. 调整N_K 参数，到合适的范围（这是个费时间的过程）；
2. 提高模型的准确率，提高方法就有许多了 ：）