[發明專利]目標標注方法、目標標注裝置和計算機可讀存儲介質

在審

• 申請號: 201910552715.0
• 申請日: 2019-06-25
• 公開（公告）號: CN112131418A
• 公開（公告）日: 2020-12-25
• 發明（設計）人: 王璟璟
• 申請（專利權）人: 北京京東尚科信息技術有限公司;北京京東世紀貿易有限公司
• 主分類號: G06F16/55
• 分類號: G06F16/55;G06F16/951;G06K9/62
• 代理公司: 北京成創同維知識產權代理有限公司 11449
• 代理人: 劉靜

本發明實施例提供一種目標標注方法，包括：以類別作為關鍵詞，利用網絡爬蟲進行圖像搜索；針對圖像搜索的結果集，在結果集的每個圖像中生成包圍框，所述包圍框用于在圖像中標記目標；以及從結果集的每個圖像中剔除錯誤目標的包圍框，從而最大程度地減少人力成本和時間消耗，并且得到與人工標注相當的標注準確率。本發明同時提供一種目標標注裝置和計算機可讀存儲介質。

技術領域

本發明涉及圖像識別領域，具體涉及在圖像中進行目標標注的目標標注方法、目標標注裝置和計算機可讀存儲介質。

背景技術

目標檢測是一項涉及計算機視覺和圖像處理的重要技術，其主要目的是在圖像和視頻中檢測出某些類別的目標。

目前基于深度卷積神經網絡的目標檢測方法是表現最好的檢測方法，并且在部分場景下已得到實際應用。但是由于其監督學習的特性，導致深度學習模型的訓練數據集很難得到。基于目前較好的檢測模型(如faster rcnn、SSD、YOLO)的目標檢測應用在實施過程中，最復雜和耗費財力、時間的任務是構建該應用場景下的訓練數據集。

常用的目標檢測的訓練數據集有：Pascal VOC(Pascal visual objectclasses)、Microsoft COCO和ImageNet。目前最好的檢測方法基本上是在這幾個數據集上進行訓練和測試的。制作用于目標檢測的訓練數據集的方法大致有兩類：

1、人工標注

由于技術發展的原因，第一批目標檢測的數據集幾乎都是人工的方式進行標注的。首先，源圖片獲得的方式有特定場景的拍攝，然后將視頻按幀保存；其次，由人工找出圖片中包含的類別列表中存在的目標，畫出其包圍框，選擇該框對應的類別，并將這一條數據保存下來，依次對每張圖進行這樣的標注，就得到了經過位置和類別標注的目標檢測的訓練數據集。

2、使用檢測模型標注

基于監督學習的目標檢測算法發展了一段時間后，已經有了一些表現較好的通用模型。因此，為了節省人力成本，使用經過訓練的檢測模型對數據集進行檢測，并根據檢測結果作為標注，從而形成訓練數據集。

這兩類方法各種各有優缺點：人工標注方法的優點是適用范圍廣，標注準確，但是缺點是需要耗費極大的人力成本和時間成本，大大延長項目的研發周期；而使用檢測模型標注的方法，雖然這種方法雖然一定程度減少了人力成本，但是其需要一個預訓練模型，再者對于新出現的目標類別，這種方式不能給出準確的包圍框，仍需要人工操作，可擴展性不強。

發明內容

有鑒于此，本發明實施例提供一種目標標注方法、目標標注裝置和計算機可讀存儲介質，該目標標注方法根據類別執行圖像搜索，然后在結果集中進行標注，不僅能夠減少人工標注的人力成本和時間消耗，而且不需要預訓練模型，并且具有可擴展性。

根據本發明的第一方面，提供一種目標標注方法，包括：

以類別作為關鍵詞，利用網絡爬蟲進行圖像搜索；

針對圖像搜索的結果集，在所述結果集的每個圖像中生成包圍框，所述包圍框用于在所述圖像中標記目標；以及

從結果集的每個圖像中剔除錯誤目標的包圍框。

在一個實施例中，所述生成包圍框的步驟包括：

根據類別無關的圖像特征生成所述包圍框。

在一個實施例中，生成所述包圍框包括：

利用與類別無關的視覺顯著性方法進行顯著性檢測，得到灰度圖；

對所述灰度圖進行二值化處理；以及

對所述灰度圖中的聯通區域計算其中心點、最大長度和最大寬度，并據此生成所述包圍框。