一种基于深度学习网络的轻量化的高分辨率鸟群识别方法

1.本发明涉及机场鸟类识别技术领域，特别涉及一种基于深度学习网络的轻量化的高分辨率鸟群识别方法。


背景技术：

2.随着航空业的快速发展和空中航线的不断增多，飞行器和鸟类对空域的争夺愈发激烈，其起飞和降落环境的安全性受到高度重视。尤其是在沿海地区，机场周边分布有大面积的滩涂湿地，吸引了大量湿地鸟类在湿地和浅水生态集群觅食，致使临海机场同时受到陆地鸟和水鸟的双重影响，造成严重的鸟击风险。目前机场中主流的飞鸟检测手段包括雷达法、热成像法和图像处理等技术。其中，雷达法是通过使用探鸟雷达对飞行的鸟类进行探测，获取目标的经纬度信息，计算出目标的飞行速度和方向，热成像法主要是在夜间将鸟类发出的不可见红外能量转变为可见的热图像进行检测。然而这两种方法需要专业检测设备，性价比较低，获得的鸟类信息有限，相比之下，图像处理技术则相对廉价，只需通过摄像头将图像信息传入处理器进行处理即可，并且可以向地面工作人员提供机场中鸟类的数量、位置和个体大小等信息，提高驱鸟工作效率。这项鸟群场景识别视觉任务主要包括鸟群计数和定位两个子任务，鸟群计数的目的是估算图像或视频中出现鸟类的数量，鸟群定位是在鸟群计数的同时识别场景中每个实例的位置和尺度大小，这对于改善现有驱鸟模式，提高驱鸟工作效果具有重要的实用价值。此外，性能良好的鸟群计数和定位算法可以应用到其他视觉领域，如公共安全、交通管理、环境保护、农业监控和医学细胞计数等，具有重要的现实意义和应用价值。
3.对鸟群图像或视频进行推理是一项具有挑战的计算机视觉任务，对模型的效率和准确率都有较高要求。现有技术中，鸟群图像的计数和定位任务主要面临以下四个困难：
4.(1)鸟群场景中存在严重的遮挡，形态变化多样，受光照和色彩变化影响严重，不利于鸟群区域的识别；
5.(2)由于摄像设备距离鸟群目标距离不同，导致同一目标在不同图像之间存在较大的尺度变化；
6.(3)非均匀的鸟群分布，图像中正样本(鸟类)和负样本(背景)分布不均衡，给训练过程带来了巨大挑战。
7.(4)目前公开的鸟类数据集大多侧重于鸟类分类，每张图片中通常包含少量鸟类，并且拍摄距离较近，无法应用于鸟群计数和定位的研究。


技术实现要素：

8.本发明提供一种基于深度学习网络的轻量化的高分辨率鸟群识别方法，用以解决鸟群场景中存在严重的遮挡，形态变化多样，受光照和色彩变化影响严重，不利于鸟群区域的识别；由于摄像设备距离鸟群目标距离不同，导致同一目标在不同图像之间存在较大的尺度变化；非均匀的鸟群分布，图像中正样本(鸟类)和负样本(背景)分布不均衡，给训练过
程带来了巨大挑战。目前公开的鸟类数据集大多侧重于鸟类分类，每张图片中通常包含少量鸟类，并且拍摄距离较近，无法应用于鸟群计数和定位的研究的情况。
9.一种基于深度学习网络的轻量化的高分辨率鸟群识别方法，包括：
10.基于hrnet网络构建有四个并行子网组成的鸟群场景识别网络；
11.基于点级注释和聚焦逆距离算法生成fidt图，通过所述fidt图对所述鸟群场景识别网络进行监督训练；
12.将机场鸟群图片集导入所述监督训练后的鸟群场景识别网络，通过联合上采样，获取最终特征图集合；
13.根据所述最终特征图集合，基于预设的计数准则和定位准则，确定鸟群的唯一计数定位图。
14.作为本发明的一种实施例：所述并行子网包括第一子网、第二子网、第三子网和第四子网；其中，
15.所述第四子网的分辨率为第三子网分辨率的一半；
16.所述第三子网的分辨率为第二子网分辨率的一半；
17.所述第二子网的分辨率为第一子网分辨率的一半；
18.所述并行子网的分辨率依次减半降低；其中，
19.所述子网得分辨率在减半降低时，所述子网的通道数翻倍；
20.所述四个并行子网用于生成四个不同尺寸的特征图。
21.作为本发明的一种实施例：所述方法还包括：
22.基于非对称卷积和冗余特征图线性变换机制，构建鸟群场景识别网络的残差模块；其中，
23.所述残差模块包括多个acgblock模块和多个acgneck模块；
24.所述第一子网由4个acgneck模块构成；
25.所述第二子网由一个多分辨率块构成；
26.所述第三子网由四个多分辨率块构成；
27.所述第四子网由三个多分辨率块构成；
28.所述多分辨率块由四个acgblock模块构成。
29.作为本发明的一种实施例：所述冗余特征图线性变换机制包括：
30.基于所述普通卷积层通过的卷积核生成部分原始特征图；
31.通过所述特征通道卷积层，将所述部分原始特征图进行线性变换，生成通道特征图。
32.作为本发明的一种实施例：所述方法还包括：
33.对所述四个不同尺寸的特征图进行插值上采样，其包括如下步骤：
34.将所述四个不同尺寸的特征图调整为相同的通道数进行输出；
35.并将所述特征图内的鸟群特征映射至相同的空间，确定机场鸟群图片集在四个不同尺寸下的多尺度信息。
36.作为本发明的一种实施例：所述基于点级注释和聚焦逆距离算法生成fidt图包括：
37.获取标注工具；
38.通过所述标注工具对预设训练数据集中每张图像进行点级标注；
39.根据所述点级标注，确定坐标位置和鸟群数量，并生成点级标注的标注训练数据集；
40.将所述标注训练数据集通过聚焦逆距离算法，进行聚焦变换，生成fidt图。
41.作为本发明的一种实施例：所述基于点级注释和聚焦逆距离算法生成fidt图还包括：
42.基于所述fidt图，进行数据扩展；其中，
43.所述数据集扩展包括：图像缩放、图像剪切和图像旋转；
44.在数据扩展后，构建3*3的池化层；
45.根据所述3*3的池化层，确定fidt图中鸟群位置信息；
46.根据所述fidt图中鸟群位置信息，设置自适应阈值，判断所述点级注释是否漏报。
47.作为本发明的一种实施例：所述方法还包括：
48.根据所述最终特征图，建立基于负样本抑制损失函数与区域结构损失函数的联合损失函数；其中，
49.所述联合损失函数定义为：
[0050][0051]
其中，为控制负样本抑制损失函数权重的超参数，l2为欧里几德损失，l
i-s
为区域结构损失函数，l
mf
为负样本抑制损失函数
[0052]
所述负样本抑制损失函数定义为：
[0053][0054]
其中，z表示在图像i中鸟类数量，表示对j像素点预测的可能性，当为1时表示当前像素点为鸟类，为0时表示背景，γ为控制易分类样本权重的参数，δ为降低鸟类周围背景比例的惩罚参数；
[0055]
所述区域结构损失函数为：
[0056][0057]
其中，en表示预测的fidt图中第n只鸟类所在的区域；gn表示真实fidt图中第n只鸟类所在的区域；n表示fidt图中鸟类数量；n为正整数。
[0058]
根据所述联合损失函数，判断所述鸟群的计数定位图是否正确。
[0059]
作为本发明的一种实施例：所述计数准则包括：
[0060]
根据所述最终特征图集合，计算平均绝对误差和均方程误差；
[0061]
将所述平均绝对误差作为第一评估准则；其中，
[0062]
所述第一评估准则如下式所示：
[0063][0064]
将所述均方程误差作为第二评估准则；其中，
[0065]
所述第二评估准则为：
[0066][0067]
其中，t是最终特征图的数量；ci和分别表示第i张鸟群图像预测的鸟类数量；表示第i张鸟群图像预测的真实数量；i为正整数；
[0068]
基于预先设定的计算平均绝对误差阀值和均方程误差阀值，判断计数准确概率。
[0069]
作为本发明的一种实施例：所述定位准则包括：
[0070]
分别设定准确率阈值、召回率阈值和综合评价指标阈值；
[0071]
并基于所述准确率阈值、召回率阈值和综合评价指标阈值，对所述唯一计数特征图集合进行定位性能评估，确定定位准确概率。
[0072]
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
[0073]
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
[0074]
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
[0075]
图1为本发明实施例中一种基于深度学习网络的轻量化的高分辨率鸟群识别方法的方法流程图；
[0076]
图2为本发明实施例中鸟群识别场景网络的结构图；
[0077]
图3为本发明实施例中acgblock模块和acgneck模块的结构组成图；
[0078]
图4为本发明实施例中联合上采样结构图；
[0079]
图5为本发明实施例中鸟群数据集样本示意图；
[0080]
图6为本发明实施例中fidt图。
具体实施方式
[0081]
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
[0082]
在本发明中：
[0083]
hrnet全称为high resolution network，中文翻译为高分辨率网络。
[0084]
fidt全称为focal inverse distance transform，中文翻译为聚焦逆距离变换；
[0085]
acgblock模块：基于非对称卷积和冗余特征图线性变换机制设计的基础鸟类特征提取模块。该模块是对基础残差模块的改进，通过使用非对称卷积融合冗余特征图线性变换机制将原残差模块中的3*3卷积进行替换。这一改进的作用是可以有效降低hrnet网络复杂度，减少参数数量的同时，使网络获得丰富的特征图，并在网络推理阶段通过对非对称卷积核进行融合以达到不增加计算量的目的。
[0086]
acgneck模块：基于非对称卷积和冗余特征图线性变换机制设计的瓶颈结构的鸟类特征提取模块。该模块是对瓶颈结构的残差模块的改进，通过使用非对称卷积融合冗余特征图线性变换机制将原残差模块中的3*3卷积进行替换。这一改进的作用是可以有效降低hrnet网络复杂度，减少参数数量的同时，使网络获得丰富的特征图，并在网络推理阶段通过对非对称卷积核进行融合以达到不增加计算量的目的。
[0087]
首先，本发明主要针对机场低空区域鸟类对飞行器起飞和降落带来的安全威胁，以及大型深度神经网络难以在资源较少的平台进行部署的问题。本发明提出的基于深度学习网络的轻量化的高分辨率鸟群识别方法，用于鸟群计数和定位。本发明以高分辨率网络(hrnet)为基本网络框架，使用非对称卷积融合冗余特征图线性变换机制增强网络对鸟群特征的提取能力,并对网络进行轻量化。此外，本文提出联合使用负样本抑制损失函数用于监督网络的训练过程。本发明在模型性能和计算复杂度上达到了平衡，具有较高的准确性和鲁棒性。
[0088]
针对hrnet网络参数多，运算复杂度高的问题，本设计引入非对称卷积(asymmetric convolution)和冗余特征图线性变换机制(ghostnet)对hrnet网络中的残差模块进行改进，构造出一种新的基于冗余特征图变换机制的非对称卷积残差模块acghost，该模块分为基于冗余特征图变换机制的非对称卷积基础模块acgblock和基于冗余特征图变换机制的非对称卷积瓶颈模块acgneck。具体来说，本设计将残差模块中的3*3卷积替换为基于冗余特征图变换机制的非对称卷积，该卷积是由非对称卷积和冗余特征图线性变换机制构造而成的。这一改进的作用是可以有效降低hrnet网络复杂度，减少参数数量的同时，使网络获得丰富的特征图，并在网络推理阶段通过对非对称卷积核进行融合以达到不增加计算量的目的。
[0089]
实施例1：
[0090]
如附图1所示，一种基于深度学习网络的轻量化的高分辨率鸟群识别方法，包括：
[0091]
基于hrnet网络构建有四个并行子网组成的鸟群场景识别网络；
[0092]
基于点级注释和聚焦逆距离算法生成fidt图，通过所述fidt图对所述鸟群场景识别网络进行监督训练；
[0093]
将机场鸟群图片集导入所述监督训练后的鸟群场景识别网络，通过联合上采样，获取最终特征图集合；
[0094]
根据所述最终特征图集合，基于预设的计数准则和定位准则，确定鸟群的唯一计数定位图。
[0095]
上述计数方案的原理在于：本文主要目的是进行鸟群计数和定位，主要在于构建一个准确的定位预测网络，主要针对的是鸟群定位和计数的困难以及大型深度神经网络难以在资源较少的平台进行部署的问题。因此本发明通过hrnet网络进行结构设计，以四个并行的子网作为模型主体这个主体；如附图1所示，通过这个主体模型进行鸟群计数和定位任
务。而通过点级注释制作鸟群数据集，并使用聚焦逆距离变化算法执行的监督训练，通过点级标注的点级注释，其注释信息包含了鸟类在图像中的坐标位置和鸟群数量。采用聚焦逆距离变换算法产生地面真实fidt图进行监督训练，fidt图相较于之前人群计数工作中使用自适应高斯核产生的密度图，即使在密集区域，实例对象之间也不会出现重叠，而且能够提高算法估计的准确性。在训练过后，通过联合上采样模块，对多尺度特征的上下文信息进行融合，获得高质量预测密度图，也就是最终特征图，通过对最终特征图进行标准评估和定位评估，确定唯一的一个计数最准确的图，确定鸟群的位置和数量。
[0096]
上述计数方案的有益效果在于：
[0097]
本发明通过非对称卷积与冗余特征图线性变换机制相结合构造出acgblock模块和acgneck模块，在增强网络提取鸟群飞行姿态特征的能力和获得丰富的鸟群特征的同时，降低了模型复杂度。
[0098]
本发明提出一种新的联合损失函数用来监督网络的训练过程，约束预测fidt图与地面真实fidt图的一致性，并在联合损失函数中引入负样本抑制损失函数，用于减少图像中无关背景的影响，使网络在学习过程中更加关注于鸟群区域，加快网络收敛速度。
[0099]
本发明解决了解决机场低空区域鸟类对飞行器起飞和降落带来的安全威胁，以及大型深度神经网络难以在资源较少的平台进行部署的问题，以更高的准确率，更稳定的模型，更简洁的方式，更好的泛化性能、实现准确的鸟群定位和鸟群计数。
[0100]
实施例2：
[0101]
作为本发明的一种实施例：所述并行子网包括第一子网、第二子网、第三子网和第四子网；其中，
[0102]
所述第四子网的分辨率为第三子网分辨率的一半；
[0103]
所所述子网的通道数翻倍；
[0104]
所述四个并行子网用于生成四个不同尺寸的特征图。
[0105]
上述技术方案的原理在于：本发明是划分为四个子网，每个子网的分辨率不同，通道数不同，导致输出的图片，他也是不同的尺寸，通过四种不同的特征图可以降低在精度上的损失。其具体结构如附图2所示，本发明通过四个子网的设置可以在不损失模型性能的情况下，有效降低计算复杂度和内存占用，获得高质量的最终特征图。
[0106]
上述技术方案的有益效果在于：本发明可以通过四种不同的特征图可以降低在精度上的损失，并且可以通过四个子网的设置可以在不损失模型性能的情况下，有效降低计算复杂度和内存占用，获得高质量的最终特征图。
[0107]
实施例3：
[0108]
作为本发明的一种实施例：所述方法还包括：
[0109]
基于非对称卷积和冗余特征图线性变换机制，构建鸟群场景识别网络的残差模块；其中，
[0110]
所述残差模块包括多个acgblock模块和多个acgneck模块；
[0111]
所述第一子网由4个acgneck模块构成；
[0112]
所述第二子网由一个多分辨率块构成；
[0113]
所述第三子网由四个多分辨率块构成；
[0114]
所述第四子网由三个多分辨率块构成；
[0115]
所述多分辨率块由四个acgblock模块构成。
[0116]
上述技术方案的原理在于：在本发明中acgblock模块和acgneck模块如附图3所示，通过上述方式，构建的模型，图片在进行识别的时候，得到不同分辨率的多种图片，即确定了不同尺寸和分辨率的特征图，每个图片都可以进行逐步划分，得到不同尺寸和不同分辨率的图片。
[0117]
上述技术方案的有益效果在于：本发明通过上述方式，可以有效降低hrnet网络复杂度，减少参数数量的同时，使网络获得丰富的特征图，并在网络推理阶段通过对非对称卷积核进行融合以达到不增加计算量的目的。
[0118]
实施例4：
[0119]
作为本发明的一种实施例：所述冗余特征图线性变换机制包括：
[0120]
基于所述普通卷积层的卷积核生成部分原始特征图；
[0121]
通过所述特征通道卷积层，将所述部分原始特征图进行线性变换，生成通道特征图。
[0122]
上述技术方案的原理在于：图片的卷积变换是为了得到更好的特征图，因此，首先采用普通卷积方式使用较少的卷积核来生成部分原始特征图，之后再通过对已经生成的通道特征图进行简单的线性变换产生剩余的通道特征图。
[0123]
其通过如下公式体现：使用冗余特征图线性变换机制可获得的理论加速比和参数压缩比计算如式(1)和(2)所示：
[0124]
(1)
[0125]
(2)
[0126]
其中，h
in
为输入通道数，h
out
为输出通道数，k为卷积核尺寸，s为缩放系数。
[0127]
上述技术方案的有益效果在于：上述方式可以进行加速，而且由于鸟类在飞行过程中，姿势形态多变，为了在有限的计算资源情况下增强网络特征提取能力，提升网络模型对图像翻转和旋转的鲁棒性。
[0128]
实施例5：
[0129]
作为本发明的一种实施例：所述方法还包括：
[0130]
对所述四个不同尺寸的特征图进行插值上采样，其包括如下步骤：
[0131]
将所述四个不同尺寸的特征图调整为相同的通道数进行输出；
[0132]
并将所述特征图内的鸟群特征映射至相同的空间，确定机场鸟群图片集在四个不同尺寸下的多尺度信息。
[0133]
上述技术方案的原理在于：如图4所示，图4分为四个阶段。如图4(a)所示，其设计目是将所有输入特征都映射到相同的空间中，从而实现更好的融合并降低计算复杂度，然后对生成的特征图进行上采样和连接，得到其过程如图4(b)所示，随后并行使用扩张率分别为1、2、4和8的四个扩张卷积从中提取特征，最后并行连接得到，如图4(c)所示。这种联合使用多扩张卷积的操作可以从多级特征图中提取多尺度上下文信息，从而获得更好的性能。
[0134]
上述技术方案的有益效果在于：本发明可以在不损失模型性能的情况下，有效降低计算复杂度和内存占用，获得高质量的最终特征图。
[0135]
实施例6：
[0136]
作为本发明的一种实施例：所述基于点级注释和聚焦逆距离算法生成fidt图包括：
[0137]
获取标注工具；
[0138]
通过所述标注工具对预设训练数据集中每张图像进行点级标注；
[0139]
根据所述点级标注，确定坐标位置和鸟群数量，并生成点级标注的标注训练数据集；
[0140]
将所述标注训练数据集通过聚焦逆距离算法，进行聚焦变换，生成fidt图。
[0141]
上述技术方案的原理在于：本发明是具有标注工具的，本发明的标注工具通过人工对每幅图像中的鸟类进行点级注释，注释信息包含了鸟类在图像中的坐标位置和鸟群数量。采用聚焦逆距离变换算法产生地面真实fidt图进行监督训练，fidt图相较于之前人群计数工作中使用自适应高斯核产生的密度图，即使在密集区域，实例对象之间也不会出现重叠。本发明在进行标注的数据集如图5，而得到的tidt图像如图6。
[0142]
上述技术方案的有益效果在于：上述方式的目标主要是为了提高算法估计的准确性。
[0143]
实施例7：
[0144]
作为本发明的一种实施例：所述基于点级注释和聚焦逆距离算法生成fidt图还包括：
[0145]
基于所述fidt图，进行数据扩展；其中，
[0146]
所述数据集扩展包括：图像缩放、图像剪切和图像旋转；
[0147]
在数据扩展后，构建3x3的池化层；3x3的池化层属于最大池化层；
[0148]
根据所述3x3的池化层，确定fidt图中鸟群位置信息；
[0149]
根据所述fidt图中鸟群位置信息，设置自适应阈值，判断所述点级注释是否漏报。
[0150]
上述技术方案的原理在于：在训练的时候可能出现数据集比较小的情况，此时我们应该及进行扩大数据集，所以我们采用的方式是在模型训练过程中使用数据增强的方式扩展数据集，包括随机缩放、剪切和旋转，并且可以构建池化层，设置阈值的方式保证注释的结果更加正确。
[0151]
上述技术方案的有益效果在于：本发明能够实现数据记得扩展，也可以让注释更加，结果更加正确。
[0152]
实施例8：
[0153]
作为本发明的一种实施例：所述方法还包括：
[0154]
根据所述最终特征图，建立基于负样本抑制损失函数与区域结构损失函数的联合损失函数；其中，
[0155]
所述联合损失函数定义为：
[0156][0157]
其中，为控制负样本抑制损失函数权重的超参数，l2为欧里几德损失函数，
l
i-s
为区域结构损失函数，l
mf
为负样本抑制损失函数；e表示根据网络参数θ对输入的第i张鸟群图像i进行预测产生的fidt图；m表示鸟类图像的数量；ii表示第i张输入的鸟群图像；θ表示网络参数；gi表示第i张鸟群图像真实的fidt图.
[0158]
所述负样本抑制损失函数定义为：
[0159][0160]
其中，z表示在图像i中鸟类数量，表示对j像素点预测的可能性，当为1时表示当前像素点为鸟类，为0时表示背景，γ为控制易分类样本权重的参数，δ为降低鸟类周围背景比例的惩罚参数；
[0161]
所述区域结构损失函数为：
[0162][0163]
其中，en表示预测产生的fidt图中第n只鸟类所在的区域；gn表示真实fidt图中第n只鸟类所在的区域；n表示真实fidt图中鸟类数量；n为正整数。
[0164]
ls为计算机常用的结构误差损失，其定义如式所示：
[0165][0166]
其中，μe表示网络估计的fidt图的图像均值；μg表示真实fidt图的图像均值；σ
eg
表示估计的fidt图和真实fidt图之间图像的方差；λ1表示常数值设置为0.0001，用来防止零除；λ2表示常数值设置为0.0009，用来防止零除；表示表示估计的fidt图图像的方差；表示表示真实的fidt图图像的方差。
[0167]
根据所述联合损失函数，判断所述鸟群的计数定位图是否正确。
[0168]
上述技术方案的原理在于：因为在鸟群场景中，高密度区域与低密度区域或者背景的局部模式和纹理特征相比，存在较大差别，并且负例(背景)的数量远远大于正例(头部)的数量，而且多是容易进行分类的，占总损失的大部分，这种样本类别不平衡的情况，容易导致错误的模型优化方向，难以达到令人满意的结果。所以本发明采用了联合损失函数，这个函数的作用是判断错误程度。
[0169]
上述技术方案的有益效果在于：联合损失函数是两种损失函数的结合，而本发明通过损失函数的融合，也可以判断计数定位是否正确。
[0170]
实施例9：
[0171]
作为本发明的一种实施例：所述计数准则包括：
[0172]
根据所述最终特征图集合，计算平均绝对误差和均方程误差；
[0173]
将所述平均绝对误差作为第一评估准则；其中，
[0174]
所述第一评估准则如下式所示：
[0175][0176]
将所述均方程误差作为第二评估准则；其中，
[0177]
所述第二评估准则为：
[0178][0179]
其中，t是最终特征图的数量；ci和分别表示第i张鸟群图像预测的鸟类数量；表示第i张鸟群图像中鸟类的真实数量；i为正整数；
[0180]
基于预先设定的计算平均绝对误差阀值和均方程误差阀值，判断计数准确概率。
[0181]
上述技术方案的原理在于：本文使用平均绝对误差(mean absolute error,mae)和均方误差(mean square error,mse)作为评估准则。mae能够反应模型计数准确性，mse能够反应模型的稳健性。
[0182]
上述技术方案的有益效果在于：能够对实例对象的尺寸进行准确估计，保证得到的训练图的准确性。
[0183]
实施例10：
[0184]
作为本发明的一种实施例：所述定位准则包括：
[0185]
分别设定准确率阈值、召回率阈值和综合评价指标阈值；
[0186]
兵基于所述准确率阈值、召回率阈值和综合评价指标阈值，对所述唯一计数特征图集合进行定位性能评估，确定定位准确概率。
[0187]
上述技术方案的原理在于：上述综合评定是要结合历史数据设定准确率阈值、召回率阈值和综合评价指标阈值，然后对于结果的精确度进行一个判断，以此来判断结果的准确性。
[0188]
上述技术方案的有益效果在于：通过定位准则，在多种不同定位准则之下的评估，可以判断出得到的结果是不是准确。
[0189]
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。