在业务层面，非专业人士评价算法模型的好坏通常用准确率这样一个感性指标，但是说白了并不会有用户去特别严格的统计指标，大部分业主都是一个非0即1的是非判断。因此，一个好的算法模型的评价标准基本可以总结为：

• 对于肉眼可见的目标大部分可及时弹窗告警
• 每天的的误报量，不让业主感到烦恼 这两点说起来是非常容易，但是想做到，不仅需要在训练模型在数据标注、模型训练这种硬实力下苦工，也需要在后处理逻辑上深刻理解业务。 那么为什么要重视后处理逻辑呢？ 回答：如果按照学术界的算法准确率的理解，假设算法模型对于每一帧的识别准确率是99%（相当高的数据了），那么视频流每秒可产生25帧图像，一天就会有216万帧图像需要AI推理分析。那么即便是99%的准确率，每天的误报数据就会有2.16万帧。这么多的误报数据，任何一个用户都是无法接受的。

后处理能发挥哪些作用

• 大大提升呈现给用户的报警准确率
• 对于单帧无法做出判断的业务，可由后处理来完成，如打架识别
• 对于难点算法可以用后处理逻辑来有效的突破

都有哪些常见的后处理编写方法

窗口统计类

后处理可以把单帧的识别结果聚合起来，做一个投票机制，如抽烟行为识别算法，我们可以把最近五秒的所有识别结果，做一个统计，当超过80%的图像帧都识别为抽烟告警时，才真正的告警弹窗。这样就可以大大提升报警准确率。

动态分析类

最典型是火焰识别算法，火焰识别算法由于它的颜色、形状丰富度的特征过于单一的问题，一直是业界的难题。容易出现的错误报警包含：

• 车辆逆光的红色车尾灯
• 夜晚橘黄色的灯光
• 墙面宣传图画中恰巧有火焰的图片 那么该如何通过动态分析的后处理逻辑来消除问题呢？ 回答：用后处理逻辑把一定时间窗口内（比如10秒）的所有告警搜集起来，然后对每一帧逐帧分析目标物体的变化。因为正常的火焰是跳动的，如果经过连续帧的对比，发现每一帧的识别结果都处于同一个坐标位置，那么就可以过滤掉。

时序判断类

如打架算法，这类算法是需要连续帧来完成一个时序动作的判断。如果单纯的通过一帧来识别打架行为，那么很多行为如“勾肩搭背”也会被定义成打架行为。后处理可以对连续多秒的数据做一个时序判断，从而提高识别准确率

如果你有别的好的后处理逻辑，欢迎分享