假如 ，使用訓(xùn)練好的模型在驗證集上的準(zhǔn)確率是99% ，那就是平均100張有1張錯誤。在視頻識別的過程中，如果視頻幀數(shù)為比較低的30幀，那也代表3秒內(nèi)平均有3次錯誤。如果是流暢視頻就更高了。

理論上模型的識別是幾乎沒有到達(dá)100%。損失函數(shù)也幾乎不可能為0，那樣幾乎就是過擬合了。

為了提高在視頻里面的識別準(zhǔn)確率，采用多次判別，并且每次判別結(jié)果都一致之后，才進(jìn)行輸出。這是我常采用的方法。

number_count = 0
number =0
N_K = 0
def judge_number(frame,count=5):
    #在判定殺人的情況下，判定擊殺人數(shù)
    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 來判別 連續(xù)5個畫面都有查找到需要識別的內(nèi)容
• 然后使用 N_k 來判別，連續(xù)90次的結(jié)果都是一致的才進(jìn)行輸出

在幀數(shù)為60的視頻里，90次的畫面判別也只需要1.5秒。在我目前做的項目中已經(jīng)可以達(dá)到要求。關(guān)鍵是不能輸出錯誤的結(jié)果
如果調(diào)整的連續(xù)正確畫面數(shù)目太大，可能會造成沒有輸出；但是調(diào)小之后如果造成輸出不準(zhǔn)確，有兩個方面進(jìn)行考慮：

1. 調(diào)整N_K 參數(shù)，到合適的范圍（這是個費時間的過程）；
2. 提高模型的準(zhǔn)確率，提高方法就有許多了 ：）