[發(fā)明專利]基于弱標注數(shù)據(jù)進行跟蹤的圖像標注方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 201910925715.0
• 申請日: 2019-09-27
• 公開（公告）號: CN110782005B
• 公開（公告）日: 2023-02-17
• 發(fā)明（設計）人: 楊陽;王雨晨;劉云霞
• 申請（專利權）人: 山東大學
• 主分類號: G06N3/0464
• 分類號: G06N3/0464;G06N3/08
• 代理公司: 濟南圣達知識產(chǎn)權代理有限公司 37221
• 代理人: 黃海麗

1.基于弱標注數(shù)據(jù)進行跟蹤的圖像標注方法，其特征是，包括：

獲取訓練用的待跟蹤的視頻，在訓練用的待跟蹤視頻的首幀圖像中，人工標注待跟蹤物體的位置；

利用至少兩種跟蹤器對人工標注后的訓練用的待跟蹤視頻進行跟蹤，并將每一種跟蹤器跟蹤后得到的弱標注數(shù)據(jù)集進行整合，得到整合后的弱標注數(shù)據(jù)集；具體步驟包括：

利用KCF跟蹤器對人工標注后的訓練用的待跟蹤視頻進行跟蹤，獲得第一弱標注數(shù)據(jù)集；同時，利用CSRT跟蹤器對人工標注后的訓練用的待跟蹤視頻進行跟蹤，獲得第二弱標注數(shù)據(jù)集；對第一弱標注數(shù)據(jù)集和第二弱標注數(shù)據(jù)集進行整合，得到第三弱標注數(shù)據(jù)集；

將整合后的弱標注數(shù)據(jù)集輸入到深度學習模型中，對深度學習模型進行訓練，得到訓練好的深度學習模型；

基于訓練好的深度學習模型，對新的待跟蹤視頻進行跟蹤，獲得新的待跟蹤視頻的每一幀圖像的圖像標注結果；所述新的待跟蹤視頻的首幀圖像，在輸入到訓練好的深度學習模型之前，由人工標注待跟蹤物體的位置；

所述獲取訓練用的待跟蹤的視頻，在訓練用的待跟蹤視頻的首幀圖像中，人工標注待跟蹤物體的位置之后，所述利用至少兩種跟蹤器對人工標注后的訓練用的待跟蹤視頻進行跟蹤，并將每一種跟蹤器跟蹤后得到的弱標注數(shù)據(jù)集進行整合，得到整合后的弱標注數(shù)據(jù)集之前，還包括：數(shù)據(jù)集擴充步驟：

將被標注物體的標注框向上、下、左和右四個方向均平移1/4個單位，這樣訓練集擴充為原來的4倍。

2.如權利要求1所述的方法，其特征是，所述深度學習模型，包括：卷積神經(jīng)網(wǎng)絡。

3.基于弱標注數(shù)據(jù)進行跟蹤的圖像標注系統(tǒng)，其特征是，包括：

預處理模塊，其被配置為：獲取訓練用的待跟蹤的視頻，在訓練用的待跟蹤視頻的首幀圖像中，人工標注待跟蹤物體的位置；

跟蹤模塊，其被配置為：利用至少兩種跟蹤器對人工標注后的訓練用的待跟蹤視頻進行跟蹤，并將每一種跟蹤器跟蹤后得到的弱標注數(shù)據(jù)集進行整合，得到整合后的弱標注數(shù)據(jù)集；包括：

利用KCF跟蹤器對人工標注后的訓練用的待跟蹤視頻進行跟蹤，獲得第一弱標注數(shù)據(jù)集；同時，利用CSRT跟蹤器對人工標注后的訓練用的待跟蹤視頻進行跟蹤，獲得第二弱標注數(shù)據(jù)集；對第一弱標注數(shù)據(jù)集和第二弱標注數(shù)據(jù)集進行整合，得到第三弱標注數(shù)據(jù)集；

訓練模塊，其被配置為：將整合后的弱標注數(shù)據(jù)集輸入到深度學習模型中，對深度學習模型進行訓練，得到訓練好的深度學習模型；

圖像標注模塊，其被配置為：基于訓練好的深度學習模型，對新的待跟蹤視頻進行跟蹤，獲得新的待跟蹤視頻的每一幀圖像的圖像標注結果；所述新的待跟蹤視頻的首幀圖像，在輸入到訓練好的深度學習模型之前，由人工標注待跟蹤物體的位置；

所述預處理模塊之后，所述跟蹤模塊之前，還包括：數(shù)據(jù)集擴充模塊：

將被標注物體的標注框向上、下、左和右四個方向均平移1/4個單位，這樣訓練集擴充為原來的4倍。

4.如權利要求3所述的系統(tǒng)，其特征是，所述深度學習模型，至少包括：卷積神經(jīng)網(wǎng)絡。

5.一種電子設備，其特征是，包括存儲器和處理器以及存儲在存儲器上并在處理器上運行的計算機指令，所述計算機指令被處理器運行時，完成權利要求1-2任一項方法所述的步驟。

6.一種計算機可讀存儲介質(zhì)，其特征是，用于存儲計算機指令，所述計算機指令被處理器執(zhí)行時，完成權利要求1-2任一項方法所述的步驟。