[發明專利]一種標注框的修正方法、電子設備及存儲介質

有效

• 申請號: 201911053228.6
• 申請日: 2019-10-31
• 公開（公告）號: CN110796201B
• 公開（公告）日: 2023-07-11
• 發明（設計）人: 王文琦
• 申請（專利權）人: 達闥機器人股份有限公司
• 主分類號: G06V10/778
• 分類號: G06V10/778;G06V10/25
• 代理公司: 北京智晨知識產權代理有限公司 11584
• 代理人: 張婧

本發明實施例涉及數據處理領域，公開了一種標注框的修正方法、電子設備及存儲介質。本申請的部分實施例中，標注框的修正方法包括：根據圖像的標注框信息，確定圖像的標注框之間的重疊信息，重疊信息指示圖像的標注框之間是否重疊；根據圖像的標注框之間的重疊信息，若確定圖像中存在重疊的標注框，調整圖像的標注框，以減小重疊的標注框之間的重疊面積。該實施例中，可以減小標注框之間的重疊面積，提高基于深度學習的目標檢測算法的學習效果，提高識別準確率。

技術領域

本發明實施例涉及數據處理領域，特別涉及一種標注框的修正方法、電子設備及存儲介質。

背景技術

魚眼鏡頭是比標準鏡頭視角更大、焦距更短的一種特殊鏡頭。由于魚眼鏡頭的視角大焦距短的結構特點，導致其采集到的魚眼圖像具有畸變。魚眼圖像中的物體發生嚴重形變，同一物體在魚眼鏡頭視角范圍內的不同位置中，形變不同，所以同一物體特征無法被傳統目標檢測識別算法直接使用。業內對魚眼鏡頭的應用，主要將其作為視覺傳感器，用在視頻監控場景中。對于魚眼鏡頭拍攝的圖像，先使用畸變校正算法將由魚眼鏡頭采集到的畸變魚眼圖像進行校正，將其校正成符合人眼視覺效果的圖片，然后使用拼接算法將校正后的魚眼圖像進行拼接。由于魚眼圖像的校正算法直接影響校正效果，目前的校正算法的校正效果都有其自身的局限性，校正后的魚眼圖像仍然很難直接被傳統的目標檢測識別算法使用。因此，業內開始使用準確率更高的基于深度學習的目標檢測識別算法。基于深度學習的目標檢測識別算法的原理是：通過使用整理好的訓練數據(圖片和對應標注文件)來訓練檢測識別模型，用訓練好的模型，對一張圖片中的物體進行檢測識別。訓練數據要求盡量覆蓋一個目標物體的各個特征。

然而，發明人發現現有技術中至少存在如下問題：目前，基于深度學習的圖像算法的訓練數據都是由標準鏡頭采集。物體在圖片中由鏡頭導致的光學畸變幾乎可以忽略不計。基于深度學習的算法很容易學習到固定一類物體特征，訓練好的模型對無畸變的圖片檢測識別效果很好。當直接使用由魚眼鏡頭采集到的畸變魚眼圖像作為訓練數據訓練檢測識別模型時，由于魚眼鏡頭的光學畸變，基于深度學習的目標檢測識別算法對畸變魚眼圖像中同一類物體特征的學習效果不好。

發明內容

本發明實施方式的目的在于提供一種標注框的修正方法、電子設備及存儲介質，使得能夠減小標注框之間的重疊面積，提高基于深度學習的目標檢測算法的學習效果，提高識別準確率。

為解決上述技術問題，本發明的實施方式提供了一種標注框的修正方法，包括以下步驟：根據圖像的標注框信息，確定圖像的標注框之間的重疊信息，重疊信息指示圖像的標注框之間是否重疊；根據圖像的標注框之間的重疊信息，若確定圖像中存在重疊的標注框，調整圖像的標注框，以減小重疊的標注框之間的重疊面積。

本發明的實施方式還提供了一種電子設備，包括：至少一個處理器；以及，與至少一個處理器通信連接的存儲器；其中，存儲器存儲有可被至少一個處理器執行的指令，指令被至少一個處理器執行，以使至少一個處理器能夠執行上述實施方式提及的修正方法。

本發明的實施方式還提供了一種計算機可讀存儲介質，存儲有計算機程序，計算機程序被處理器執行時實現上述實施方式提及的標注框的修正方法。

本發明實施方式相對于現有技術而言，基于圖像的標注框之間的重疊信息，對圖像中的標注框進行調整，減小標注框之間的重疊面積。由于圖像中的標注框之間的重疊面積減小了，可以減少基于深度學習的目標檢測算法將小標注框所標注的物體的特征學習成大標注框所標注的物體的特征的情況，提高基于深度學習的目標檢測算法的學習效果，提高識別準確率。

另外，調整圖像的標注框，以減小重疊的標注框之間的重疊面積，具體包括：針對任意兩個重疊的標注框，分別進行以下操作：確定兩個重疊的標注框中面積較大的標注框；根據預設的調整規則，調整面積較大的標注框的邊界，以減小重疊的標注框之間的重疊面積。