CN107886104A

CN107886104A - 一种图像的标注方法

Info

Publication number: CN107886104A
Application number: CN201610875454.2A
Authority: CN
Inventors: 李松泽
Original assignee: Faraday Beijing Network Technology Co Ltd
Current assignee: Fafa Automobile China Co ltd
Priority date: 2016-09-30
Filing date: 2016-09-30
Publication date: 2018-04-06

Abstract

本申请公开了一种图像标注方法。该方法包括：在待标注图像中确定至少一个图像区块；分别确定各所述图像区块的特征信息，所述特征信息用于唯一表示所对应的图像区块；当各所述特征信息中存在与基准特征信息相匹配的目标特征信息时，对所述目标特征信息所对应的图像区块进行标注，以实现对所述待标注图像中标注对象的标注，所述基准特征信息与所述标注对象相对应。这种图像标注方式通过自动地对图像区块进行标注，从而克服了现有技术中，人工标注来效率较低的问题，为高效的获得训练样奠定了基础。

Description

一种图像的标注方法

技术领域

本申请涉及图像处理技术领域，尤其涉及一种图像标注方法。

背景技术

随着科技的不断发展，自动驾驶车等自动驾驶设备受到了越来越多人的关注，通常自动驾驶设备的自动行驶需要借助于自动驾驶系统。一般来说，自动驾驶系统中会包括感知模块，该感知模块能够感知自动驾驶设备周围的障碍物、车辆、行人、交通标识等的信息。自动驾驶系统能够根据感知模块所感知的信息，确定出一条安全的行驶路径，使得自动驾驶设备能够沿着该路径行驶，因此，感知模块所感知的信息准确与否，对于所确定出的行驶路径的安全性具有重要影响。

在实际应用中，为了提高感知模块所感知的信息的准确性，需要利用训练样本对感知模块进行预训练，这些训练样本通过对视频等图像序列中的图像进行人工标注而获得。在人工标注过程中，标注者需要对图像序列中的各张图像所包含的障碍物、车辆、行人、交通标识等标注对象进行标注，然后将标注后的图像作为训练样本。

但是，这种通过人工标注来获得训练样本的方式通常效率较低，在需要高效获取训练样本的场景下并不适用。

发明内容

本申请实施例提供一种图像标注方法，用于解决现有技术中的问题。

本申请实施例提供了一种图像标注方法，该方法包括：

在待标注图像中确定至少一个图像区块；

分别确定各所述图像区块的特征信息，所述特征信息用于唯一表示所对应的图像区块；

当各所述特征信息中存在与基准特征信息相匹配的目标特征信息时，对所述目标特征信息所对应的图像区块进行标注，以实现对所述待标注图像中标注对象的标注，所述基准特征信息与所述标注对象相对应。

优选的，对所述目标特征信息所对应的图像区块进行标注，具体包括：

通过标注框对所述目标特征信息所对应的图像区块进行标注；和/或，

通过更改所述目标特征信息所对应的图像区块的颜色，对所述图像区块进行标注；和/或，

通过向所述目标特征信息所对应的图像区块中添加说明文字，对所述图像区块进行标注。

优选的，在确定各所述特征信息中与基准特征信息相匹配的目标特征信息之前，所述方法还包括：

确定已标注图像中标注对象的特征信息，并将所述特征信息作为基准特征信息。

优选的，判断各所述特征信息中是否存在与基准特征信息相匹配的目标特征信息，方法如下：

分别确定各所述特征信息与基准特征信息的相似度；

将相似度大于预设阈值的特征信息确定为所述目标特征信息。

优选的，分别确定各所述图像区块的特征信息，具体包括：

对各所述图像区块进行灰度分性，分别确定各所述图像区块所对应的灰度平均值。

优选的，分别确定各所述图像区块的特征信息，具体包括：

对各所述图像区块进行颜色分性，分别确定各所述图像区块所对应的颜色直方图。

优选的，在对所述目标特征信息所对应的图像区块进行标注之后，所述方法还包括：

通过对标注后的图像进行校验，确定是否实现对所述图像中的标注对象进行标注。

优选的，所述在待标注图像划中确定至少一个图像区块，具体包括：

根据基准标注框，在待标注图像划中确定至少一个图像区块。

优选的，在对所述目标特征信息所对应的图像区块进行标注之后，所述方法还包括：根据标注后的图像生成训练样本。

本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：

本申请实施例所提供的图像标注方法，在待标注图像中确定至少一个图像区块，然后分别为各所述图像区块确定对应的特征信息，当这些特征信息中存在与基准特征信息相匹配的目标特征信息时，可以对所述目标特征信息所对应的图像区块进行标注，以实现对所述待标注图像中标注对象的标注。这种图像标注方式通过自动地对图像区块进行标注，从而克服了现有技术中，人工标注来效率较低的问题，为高效的获得训练样奠定了基础。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本申请实施例1提供的一种图像标注方法的具体实现流程示意图；

图2为本申请实施例1提供的通过标注框的标注方法；

图3为本申请实施例1提供的通过改变图像区块的颜色的标注方法；

图4为本申请实施例1提供的通过添加说明文字的标注方法；

图5为本申请实施例1提供的图像标注方法结合具体应用场景的实现流程示意图；

图6为本申请实施例2提供的一种图像标注装置的具体结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

以下结合附图，详细说明本申请各实施例提供的技术方案。

实施例1

如山所述，感知模块所感知到的信息准确与否，对于自动驾驶车等自动驾驶设备行驶的安全性具有重要影响。在实际应用中，为了提高感知模块所感知的信息的准确性，需要利用训练样本对感知模块进行预训练，这些训练样本通过对视频等图像序列中的图像进行人工标注而获得。在人工标注过程中，标注者需要对图像序列中的各张图像所包含的障碍物、车辆、行人、交通标识等标注对象进行标注，然后将标注后的图像作为训练样本。

但是，这种通过人工标注来获得训练样本的方式通常效率较低，在需要高效获取训练样本的场景下并不适用。例如，当对感知模块进行预训练所需要的训练样本数量较多时，通过人工标注的方式获得训练样本的速度并不能满足要求。

基于此，本申请实施例1提供了一种图像标注方法，用于解决现有技术中的问题。该方法的具体流程示意图如图1所示，包括下述步骤：

步骤S11：在待标注图像中确定至少一个图像区块。

这里的图像区块是该待标注图像中的某一部分区块。在实际应用中，根据应用场景的不同，待标注图像可以是通过图像采集设备即时采集的图像，例如，通过无人驾驶车即时采集图像作为待标注图像；也可以是从图像库中获取的图像；也可以是服务器等数据平台中获取的图像；也可以是接收由用户上传的图像，也可以是其它形式获得的图像。并且，在获得待标注图像之后，通常还可以对该待标注图像进行亮度调节、对比度调节、模糊化处理、压缩解压等预处理，然后再确定图像区块。

在待标注图像中确定图像区块的方式有多种，这里可以列举几种常用的方式：

方式一：可以根据基准标注框，在待标注图像划中确定至少一个图像区块。在实际应用中，可能需要对图像区块的大小进行限定，此时，可以以基准标注框为标准，确定的图像区块的大小和形状可以与基准标注框相同；当然，也可以在基准标注框的基础上，对所确定的图像区块的大小和形状做适当的调整。

这种根据基准标注框确定图像区块的方式，在需要标注的标注对象较为单一时(例如，为相同的一棵树)，可以提高标注的效率。

方式二：可以先将待标注图像划分为多个待选图像区块，然后在这些待选图像区块中，确定出至少一个所需要的图像区块。

这种确定图像区块的方式，在待标注的图像色彩排布较为规律是，由于可以方便的划分待选图像区块，因此可以方便的基于待选图像区块，确定出所需要的图像区块，从而提高确定图像区块的效率以及准确性。

步骤S12：分别确定各所述图像区块的特征信息，所述特征信息用于唯一表示所对应的图像区块。

这里的特征信息与图像区块之间具有一一对应关系，能够用于唯一表示所对应的图像区块。在实际应用中，该特征信息可以为如下的任意一种或多种：灰度平均值、颜色直方图等。

根据特征信息的不同，分别确定各所述图像区块的特征信息的方式也并不相同。

例如，当特征信息为灰度平均值时，可以对各图像区块进行灰度分性，分别确定各所述图像区块所对应的灰度平均值。

这里的灰度平均值是指，对应图像区块中各像素灰度值的平均值，其中，灰度值反映了图像中点的颜色深度，取值范围一般从0到255，白色为255，黑色为0。

当特征信息为颜色直方图时，可以对各所述图像区块进行颜色分性，分别确定各所述图像区块所对应的颜色直方图。

其中，颜色直方图所描述的是不同颜色在对应图像区块中所占的比例，对于难以分割的图像，通常可以将颜色直方图作为特征信息，从而通过颜色直方图来对唯一表示该图像中的对应图像区块，这种方式通常能够取得较好的实际效果。

当然，在实际应用中，还可以将灰度平均值和颜色直方图，同时作为对应图像区块的特征信息。这样在确定图像区块的特征信息时，需要先后对该图像区块作灰度分性和颜色分性，从而分别确定对应的灰度平均值和颜色直方图，通过灰度平均值和颜色直方图同时作为特征信息，在与基准特征信息进行匹配来确定目标特征信息时，能够取得更加准确的效果。

此外，还可以将其它的物理量作为对应图像区块的特征信息，这里就不再一一赘述。

步骤S13：判断各所述特征信息中是否存在与基准特征信息相匹配的目标特征信息。

这里的，目标特征信息是各图像区块分别对应的特征信息中，能够与基准特征信息相匹配的特征信息。

其中，基准特征信息与标注对象相对应，能够反映标注对象的特征，该特征能够用于唯一标识该标注对象。在实际应用中，在确定目标特征信息之前，需要先确定基准特征信息，通常可以有多种方式来确定该基准特征信息。

例如，可以从数据库中获取该基准特征信息，由于该基准特征信息与标注对象相对应，反映了标注对象的特征(例如，颜色分布、灰度等)，因此通常可以建立对应的数据库，将该基准特征信息存储在该数据库中，当需要时可以从该数据库中获取，这样可以提高确定基准特征信息的效率，并且也可以避免由于重复测试获取同一个基准特征信息，而造成资源浪费；

当然，也可以根据已标注的图像来确定基准特征信息，在已标注的图像中，会包含所标注的标注对象，可以从该标注对象中提取特征信息，该特征信息反应标注对象的特征，因此，能够将该特征信息作为基准特征信息。

需要说明的是，在根据已标注的图像来确定基准特征信息时，可以根据多张已标注的图像(这些图像中可能含有相同的标注对象，称为当前标注对象)，来确定当前标注对象的特征信息，这样可以使得该特征信息能够更加准确的反映该当前标注对象的特征，从而在后续过程中，对待标注图像进行标注时，能够达到更好的标注效果。

根据多张已标注的图像确定当前标注对象的特征信息时，这些已标注的图像可以是视频等图片序列中连续的多张图像，也可以是相互间隔的多张图像，也可以是部分连续的多张图像。

例如，汽车在行驶过程中，汽车上的摄像头录制了视频，需要对该视频的各帧图像中的标注对象进行标注。此时，可以对该视频的第一帧图像和第二帧图像中的当前标注对象进行标注(可以是人工标注)，然后根据该第一帧图像和第二帧图像确定基准特征信息，从而能够将其它帧图像中各图像区块对应的特征信息，与该基准特征信息进行匹配，确定是否存在目标特征信息；

当然，根据视频等图片序列中的多张已标注图像，确定当前标注对象的特征信息时，这些已标注图像还可以是图片序列中，间隔的多张图像。例如，所录制的视频有30帧图像，间隔的多张图像可以是第一帧图像。第十帧图像、第二十帧图像和第三十帧图像(当然，也可以是其他帧的图像)，可以通过这些间隔的多帧图像确定对应的特征信息。

在实际应用中，由于所视频录中连续的多帧图像，通常会较为相似，可能会包含相同的标注对象，可以基于这点，提高对图像序列中的图像标注的效率。

比如，在视频等图像序列的录制过程中，可以认为在短时间内(例如，1秒)所录制的多帧图像，可能会包含相同的标注对象，此时可以从这段时间内所录制的各帧图像中挑选出一定数量的图像，通过这些图像提取出标注对象的特征，对其它帧图像中的标注对象进行标注。从中挑选一定数量的图像时，可以是随机挑选，也可以是每间隔预设帧数的图像后，挑选下一帧图像，例如，每隔3帧挑选一帧图像。当然，该预设帧数可以根据实际需要进行设定，例如，当汽车行驶速度较快时，相同时间行驶的距离较远，可以对应的调小该预设帧数，对应的，当汽车行驶速度较慢时，可以对应的调大该预设帧数。

此外，在图像序列中，当两帧图像相差较远时，通常不会包含相同的标注对象，因此在挑选多帧图像来确定目标对象的特征信息时，所挑选的第一帧图像和最后一帧图像的帧数不能相差过大。在实际应用中，通常可以挑选两帧图像来确定标注对象的特征信息，并且这两帧图像之间可以间隔9帧(也可以为其他帧数)图像，这样可以使得既能够提高标注的准确性，也能够防止由于挑选过多帧图像，而影响标注效率。例如，根据第一帧图像和第10帧图像确定标注对象的特征信息，并将该特征信息作为基准特征信息，分别与第二帧图像至第8帧图像中各个特征信息进行匹配，确定目标特征信息。

在实际应用中，对视频等图像序列进行标注时，可以先通过标注者人工标注第A帧图像，然后通过跟踪算法确定第A+N帧图像；此时，标注者可以对第A+N帧图像进行标注(也可以是，对标注信息进行修改或确认等)；然后，计算设备通过第A帧图像和第A+N帧图像，确定标注对象的特征信息，并作为基准特征信息，从而使得第A+1至A+N-1的各帧图像，能够根据该基准特征信息与各帧图像特征信息的匹配结果，确定各帧图像的目标特征信息，从而能够根据该目标特征信息，自动地对各帧图像中的标注对象进行标注，相对于现有技术中的人工标注，提高了标注的效率。

当然，在实际标注过程中，还可以对自动标注的第A+1至A+N-1帧图像进行校验，从而确定自动标注的准确性。对标注后的第A+1至A+N-1各帧图像进行抽查，如果抽查通过，则可以确定自动标注的准确性较高，反之，则需要重新确定基准特征信息，并重新进行标注。对标注后的第A+1至A+N-1各帧图像进行抽查，可以是人工的方式进行抽查，这种抽查方式准确性较高，也可以是通过计算机自动进行抽查，这种抽查方式效率较高，抽查者可以根据需要选择合适的抽查方式。

在实际应用中，通常会遇到已标注图像中有多个标注对象的情况，这时候，可以分别从这些标注对象中提取对应的特征信息，这些特征信息分别反映了对应的标注对象的特征，并且，也可以将这些特征信息均作为基准特征信息分别进行匹配。

例如，已标注图像中有两个标注对象，分别为行人和车辆，可以分别提取行人和车辆的特征信息(分别记为，特征信息A和特征信息B)，将特征信息A和特征信息B均作为基准特征信息。此时，可以分别将待标注图像的各图像区块中提取的特征信息与特征信息A(作为基准特征信息)进行匹配，从而确定是否有对应的目标特征信息(反应行人的特征)；然后，将待标注图像的各图像区块中提取的特征信息与特征信息B进行匹配，从而确定是否有对应的目标特征信息(反应车辆的特征)。

需要说明的是，可以通过如下方法，判断待标注图像的各图像区块，分别对应的特征信息中是否存在与基准特征信息相匹配的目标特征信息。

步骤S131：分别确定各所述特征信息与基准特征信息的相似度；

在这里，根据特征信息的不同，判断相似度的方式也不相同。例如，当特征信息为灰度平均值时，可以用特征信息与基准特征信息的灰度平均值之差，确定该相似度。

当特征信息为多维向量时，可以通过特征信息与基准特征信息分别对应的向量的余弦相似度来确定它们之间的相似度，也可以通过它们之间的距离(欧氏距离或曼哈顿距离)来确定相似度。

步骤S132：将相似度大于预设阈值的特征信息确定为所述目标特征信息。

这里的预设阈值，在实际应用中，可以根据需要进行预先设定，当然，也可以对预先设定的预设阈值进行修改。

当相似度大于预设阈值时，说明对应的特征信息与基准特征信息之间较为相似，可以将该特征信息确定为目标特征信息。

需要说明的是，当所确定的相似度均小于预设阈值时，说明对应的各个特征信息均与基准特征信息相差加大，在各个图像区块中并不存在对应的标注对象，此时，可以重新确定图像区块寻找目标特征向量。当然，也有可能该待标注的图像中，并不存在该基准特征信息对应的标注对象，用户可以进行人工检查，以避免造成资源浪费。

步骤S14：当存在目标特征信息时，对所述目标特征信息所对应的图像区块进行标注。

当存在目标特征信息时，说明存在与基准特征信息相匹配的特征信息，由于基准特征信息与标注对象相对应，并反映了标注对象的特征，因此当某个特征信息与基准特征信息相匹配时，说明该特征信息所对应的图像区块中可能包含了该标注对象，可以对该图像区块进行标注，以实现对该目标图像中的标注对象的标注。

在实际应用中，对目标特征信息所对应的图像区块，进行标注的方式可以有多种，这里可以列举几种常用的方式。

方式一：通过标注框对所述目标特征信息所对应的图像区块进行标注。

这里所说的标注框可以用于对图像区块进行标注。

该标注框可以为三角形、矩形标注框、圆形标注框、其它多边形标注框、以及不规则形状的标注框等。如图2所示为，通过矩形标注框对某个图像区块进行标注的示意图，该图像区块中包含了行人(作为标注对象)。

方式二：通过更改所述目标特征信息所对应的图像区块的颜色，对所述图像区块进行标注。

如图3所示，为通过改变图像区块的颜色，对所述图像区块进行标注的示意图，该图像区块中包括“禁止进入”的交通标识，通过改变颜色对该图像区块进行标注。

方式三：通过向所述目标特征信息所对应的图像区块中添加说明文字，对所述图像区块进行标注。

如图4所示，为通过添加说明文字，对所述图像区块进行标注的示意图，该图像区块中包括车辆，通过说明文字“车”对其进行标注。

此外，在实际应用中，还可以通过将这三种方式相结合，对目标特征信息所对应的图像区块进行标注，例如，可以既添加标注框同时改变图像区块的颜色来进行标注，也可以既添加标注框同时增加说明文字来进行标注，也可以既改变图像区块的颜色同时添加说明文字进行标注，也可以同时将三种方式通过其他组合方式进行标注，因此，在实际应用中，通过将这三种标注方式组合拆分进行标注都在本申请的保护范围之内。

采用实施例1提供的该方法，在待标注图像中确定了至少一个图像区块，并分别确定各所述图像区块的特征信息，由于基准特征信息与所述标注对象相对应，当这些特征信息中存在与基准特征信息相匹配的目标特征信息时，可以对所述目标特征信息所对应的图像区块进行标注，以实现对所述待标注图像中标注对象的标注。这种图像标注方式通过自动地对图像区块进行标注，从而克服了现有技术中，人工标注来效率较低的问题，为高效的获得训练样奠定了基础。

在对待标注图像进行标注之后，还可以根据标注后的图像生成训练样本。

这里所说的训练样本可以用来对自动驾驶系统中的感知模块进行训练，从而提高感知模块感知信息的准确性。

在实际应用中，在对目标图像进行标注之后，根据该标注后的目标图像确定训练样本的方式有多种。

例如，可以直接将标注后的目标图像作为训练样本，这种方式较为简便，当目标图片的亮度、色度以及对比度较好时，能够提高获得训练样本的效率。

也可以对标注后的目标图像做进一步的处理，然后作为训练样本；这些进一步的处理可以包括：归一化处理(包括，压缩、添加文字等)，或调节该标注后的目标图像的亮度、颜色、对比度等。在进行进一步处理之后，可以将这些已标注的目标图像作为训练样本。通常，通过这些进一步处理所得到的训练样本，在数学模型的训练中通常能够取得较好的训练效果。

此外，在实际应用中，通过步骤S11～步骤S14对待标注图像进行标注之后，还可以对标注后的图像进行校验，通过这种校验可以确定是否实现对所述图像中的标注对象进行标注。

上述是对本申请实施例所提供的图像标注方法得具体说明，为了便于理解。下面可以结合具体的应用场景，对该方法做进一步说明。在该应用场景中，待标注的图像为图像序列中的图像，该图像序列可以是采集的视频，也可以是视频库中的视频，也可以是用户上传的视频，也可以是其它形式的图像序列。该图像序列中的包括已标注图像(称为第一图像)以及待标注图像(称为待标注图像)，该第二图像中的对应的标注对象未被标注，而该第一图像中的标注对象已被标注，其中，第一图像可以是被标注者人工标注，也可以是通过其他方式进行的标注，这里对此并不做限定；特征信息具体为灰度平均值，标注方式为通过矩形标注框进行标注。如图5所示，在该应用场景下的方法如下：

步骤S21：确定第一图像中标注对象的灰度平均值，并将所述特征信息作为基准灰度平均值。

步骤S22：根据基准标注框，在第二图像中确定至少一个图像区块。

该基准标注框可以是，在第一图像中用于对标注对象进行标注的标注框，也可以是预设的用于确定图像区块的标注框。

步骤S23：分别确定各图像区块的灰度平均值，灰度平均值用于唯一表示所对应的图像区块；

步骤S24：分别确定各所述灰度平均值与基准灰度平均值的相似度；

可以通过与基准灰度平均值之差，判断与基准灰度平均值的相似度；当差值越大时，说明相似度越小，当差值越小时，说明相似度越大。

步骤S25：将相似度大于预设阈值的灰度平均值确定为目标灰度平均值。

步骤S26：通过矩形标注框，对目标灰度平均值所对应的图像区块进行标注，以实现对所述待标注图像中标注对象的标注。

步骤S27：通过对标注后的图像进行校验，确定是否实现对所述图像中的标注对象进行标注。

此时，可以通过重新提取灰度平均值，并重与基准灰度平均值比较相似度的方式进行校验，也可以通过人工的方式进行校验，通常通过人工校验的方式准确性较高，但是校验的效率较低，而通过重新提取灰度平均值，并重与基准灰度平均值比较相似度的方式，校验效率较高，在实际应用中，可以根据实际情况选择校验方式。

需要说明的是，本申请实施例提供的图像标注方法在该应用场景下，根据步骤S21～步骤S27进行展开描述，但是这并不是对实施步骤做出的必然限定。在实际应用，步骤S21～步骤S27的执行顺序可以变化，例如，可以先执行步骤S22和步骤S23，再执行步骤S21，也可以先执行步骤S22和步骤S21，再执行步骤S23，也可以以其它的顺序执行，因此这里并不对步骤S21～步骤S27的先后顺序做出限定。

实施例2

基于与实施例1相同的发明构思，本申请实施例2提供了一种图像标注装置，可以用于解决现有技术中的问题。如图6所示，该装置60包括：图像区块确定单元601、特征信息确定单元602以及标注单元603，其中：

图像区块确定单元601，用于在待标注图像中确定至少一个图像区块；

特征信息确定单元602，用于分别确定各所述图像区块的特征信息，所述特征信息用于唯一表示所对应的图像区块；

标注单元603，用于当各所述特征信息中存在与基准特征信息相匹配的目标特征信息时，对所述目标特征信息所对应的图像区块进行标注，以实现对所述待标注图像中标注对象的标注，所述基准特征信息与所述标注对象相对应。

采用实施例2提供的该装置60，通过图像区块确定单元601在待标注图像中确定了至少一个图像区块，然后通过特征信息确定单元602分别确定各所述图像区块的特征信息，由于基准特征信息与所述标注对象相对应，当这些特征信息中存在与基准特征信息相匹配的目标特征信息时，可以对所述目标特征信息所对应的图像区块进行标注，以实现对所述待标注图像中标注对象的标注。这种图像标注方式通过自动地对图像区块进行标注，从而克服了现有技术中，人工标注来效率较低的问题，为高效的获得训练样奠定了基础。此外，在实际应用中，该装置60还可以通过结合具体的硬件设备取得其他的实施效果。例如，将该装置60的各个单元设置在分布式系统的不同计算设备中，通过分布式系统的协调工作，可以进一步增加对图像的标注效率；又或者在无人驾驶车等无人驾驶设备中增加该装置60，通过无人驾驶设备即时采集视频，并通过该装置60对视频中的各帧图像进行标注，并生成训练样本，使得无人驾驶设备能够利用训练样本方便的进行训练，从而提高无人机是设备的性能。

如步骤S14所示，在实际应用中，标注单元603对目标特征信息所对应的图像区块进行标注的方法有多种，这里可以列举其中的几种：

在所述标注单元603之前，所述装置还包括基准特征信息确定单元604，用于确定已标注图像中标注对象的特征信息，并将所述特征信息作为基准特征信息。通过基准特征信息确定单元604，将标注对象的特征信息作为基准特征信息，能够根据该基准信息更加准确的进行图像标注。

如步骤S13所示，标注单元603判断各所述特征信息中是否存在与基准特征信息相匹配的目标特征信息，具体如下：

分别确定各所述特征信息与基准特征信息的相似度；

根据特征信息(例如，灰度平均值、颜色直方图等)的不同，确定相似度的方式也并不相同，可以参考步骤S131，这里就不再进一步说明。

如步骤S12所示，根据特征信息的不同，确定特征信息的方式也并不相同，因此，特征信息确定单元602可以为特征信息第一确定子单元6021，用于对各所述图像区块进行灰度分性，分别确定各所述图像区块所对应的灰度平均值；也可以为特征信息第二确定子单元6022，用于对各所述图像区块进行颜色分性，分别确定各所述图像区块所对应的颜色直方图。

在所述标注单元603之后，所述装置60还包括校验单元605，用于通过对标注后的图像进行校验，确定是否实现对所述图像中的标注对象进行标注。

如步骤S11所示，所述图像区块确定单元601，用于根据基准标注框，在待标注图像划中确定至少一个图像区块。

在所述标注单元603之后，所述装置还包括样本生成单元606，用于根据标注后的图像生成训练样本。

样本生成单元606，根据该标注后的目标图像确定训练样本的方式有多种。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims

1.一种图像标注方法，其特征在于，包括：

在待标注图像中确定至少一个图像区块；

2.如权利要求1所述方法，其特征在于，对所述目标特征信息所对应的图像区块进行标注，具体包括：

3.如权利要求1所述方法，其特征在于，在确定各所述特征信息中与基准特征信息相匹配的目标特征信息之前，所述方法还包括：

4.如权利要求1所述方法，其特征在于，判断各所述特征信息中是否存在与基准特征信息相匹配的目标特征信息，方法如下：

分别确定各所述特征信息与基准特征信息的相似度；

5.如权利要求1所述方法，其特征在于，分别确定各所述图像区块的特征信息，具体包括：

6.如权利要求1所述方法，其特征在于，分别确定各所述图像区块的特征信息，具体包括：

7.如权利要求1所述方法，其特征在于，在对所述目标特征信息所对应的图像区块进行标注之后，所述方法还包括：

8.如权利要求1所述方法，其特征在于，所述在待标注图像划中确定至少一个图像区块，具体包括：

9.如权利要求1所述方法，其特征在于，在对所述目标特征信息所对应的图像区块进行标注之后，所述方法还包括：根据标注后的图像生成训练样本。