基于热红外图像的人体目标检测方法的分类识别性能评价指标改进

令a为干扰样本被正确识别为干扰目标的样本数目，b为干扰样本被错误识别为理想目标的样本数目，c为理想目标样本被错误识别为干扰目标的样本数目，d为理想目标样本被正确识别为理想目标的样本数目，则可以定义如下分类性能评价指标。

（1）探测率，也称真阳性率（true positive rate，TPR），是指理想目标样本被正确识别的比例。

TPR也称灵敏度（sensitivity）或召回率（recall）。

（2）虚警率，也称假阳性率（false positive rate，FPR），是指干扰样本被识别为理想目标的比例。

（3）漏检率，也称假阴性率（false negative rate，FNR），是指理想目标样本被识别为干扰样本的比例。

（4）真阴性率（true negative rate，TNR），是指干扰样本被准确识别的比例。

TNR也称特指度（specificity）。

（5）准确率（accuracy，ACC），是指所有划分正确的样本占总样本集的比例。(www.xing528.com)

（6）精确率（precision），是指所有检测出的目标中理想目标样本所占的比例。

（7）Fscore为精确率和召回率的调和平均数。

Fscore是考量精确率和召回率平衡的综合性指标。两个数之间的调和平均倾向于靠近两个数中比较小的那一个数，Fscore在［0，1］之间分布，越接近1越好，尽量高的Fscore能够保证精确率和召回率都较高，说明分类性能比较稳健。

（8）接受者操作特性曲线（receiver operating characteristic curve，ROC）。通过调整分类器的参数可以获得一系列（TPR，FPR）点。ROC曲线是以虚警率（FPR）为横轴（x轴），探测率（TPR）为纵轴（y轴）绘制的曲线。曲线图中（0，1）点为理想分类器，准确地分离了所有的理想目标和干扰目标，在（1，1）点处，所有的样本都被识别为目标样本。

ROC曲线通常用于横向比较不同识别技术方案的性能。一般地，ROC曲线下方覆盖的面积（area under the curve，AUC）越大，表示分类器性能越好。ROC曲线相对于对角线的偏移愈远，表示分类器辨别力愈强。以图4.6中两条ROC曲线为例，根据ROC曲线评价指标，ROC＿1比ROC＿2的性能好。

图4.6　ROC曲线示例

（9）混淆矩阵（confusion matrix，CM）为一个N×N的矩阵，N表示样本类数。该矩阵的每一行和每一列分别对应样本输出中的每一个类别，行表示实际类别，列表示预测类别。第i行第j列的数据表示第i类样本被预测为第j类样本的数量或比例。因此，对角线的数据全是预测正确的样本的数量或比例，而矩阵中其他位置的数据指示模型分类错误的情况。由混淆矩阵可以计算上述探测率、精确率等多类评价指标。对于多分类情况，CM能够比较全面地描述分类识别结果。