CN112364898A - 图像识别自动标注方法、装置、设备及存储介质 - Google Patents
图像识别自动标注方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112364898A CN112364898A CN202011167320.8A CN202011167320A CN112364898A CN 112364898 A CN112364898 A CN 112364898A CN 202011167320 A CN202011167320 A CN 202011167320A CN 112364898 A CN112364898 A CN 112364898A
- Authority
- CN
- China
- Prior art keywords
- image
- labeling
- images
- automatic
- preset
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000002372 labelling Methods 0.000 title claims abstract description 232
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000007689 inspection Methods 0.000 claims description 7
- 239000003550 marker Substances 0.000 claims description 6
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011410 subtraction method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像标注技术领域,公开了一种图像识别自动标注方法、装置、设备及存储介质,所述方法包括:获取初始图像,将所述初始图像按照预设划分规则进行划分,得到若干个待标注图像,将所述若干个待标注图像输入至经训练得到的图像标注算法模型中进行图像标注,得到对应的区域标注图像,将所述对应的区域标注图像按照预设组合规则进行组合,得到自动标注图像。通过将初始图像划分为若干个待标注图像,将待标注图像输入图像标注算法模型中标注图片,得到区域标注图像,再将区域标注图像组合为完整的自动标注图像,无需任何人工操作,从而减小了受人为因素干扰的错误率,提高了图像标注的工作效率。
Description
技术领域
本发明涉及图像标注技术领域,尤其涉及一种图像识别自动标注方法、装置、设备及存储介质。
背景技术
随着智能监控技术的发展,对图像识别并做到自动标注可以有效辅助对图像内容快速查阅。目前,在停车场管理、交通事故处理、交通肇事逃逸、违章车辆信息跟踪等场景下,用户需要提前对图像内容进行人工标注或直接人工分析车辆信息,处理过程费时费力,且更多的特征信息意味着需要大量的数据分析与运算,若采用传统人工标注方法,图像信息过多容易出现关键信息遗漏及信息错位等错误,并容易受到人为因素的干扰。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提出一种图像识别自动标注方法、装置、设备及存储介质,旨在解决现有技术中人工标注处理过程费时费力,并容易受到人为因素的干扰的技术问题。
为实现上述目的,本发明提供一种图像识别自动标注方法,所述图像识别自动标注方法包括以下步骤:
获取初始图像;
将所述初始图像按照预设划分规则进行划分,得到若干个待标注图像;
将所述若干个待标注图像输入至经训练得到的图像标注算法模型中进行图像标注,得到对应的区域标注图像;
将所述对应的区域标注图像按照预设组合规则进行组合,得到自动标注图像。
可选地,所述获取初始图像,包括:
获取待处理的视频,将所述待处理的视频按照预设时间周期截取图片,得到待处理图片集合;
识别所述待处理图片集合中的图片的目标区域,将所述目标区域满足预设选取规则的图片作为初始图像。
可选地,所述将所述初始图像按照预设划分规则进行划分,得到若干个待标注图像之前,所述方法还包括:
对所述初始图像的目标区域进行轮廓标记,得到所述初始图像中轮廓标记外的图片内容;
将所述轮廓标记外的图片内容采用预设颜色进行覆盖,得到预处理图像;
将所述初始图像按照预设划分规则进行识别,并划分为若干个待标注图像,包括:
将所述预处理图像按照预设划分规则进行划分,得到若干个待标注图像。
可选地,所述将所述若干个待标注图像输入至经训练得到的图像标注算法模型中匹配,并对匹配成功的图片进行标注,得到对应的区域标注图像之前,所述方法还包括:
采集目标图片集合作为样本图像集;
对所述样本图像集进行背景差分法处理,得到目标区域样本图像集;
将所述目标区域样本图像集以及对应的图像标注输入至神经网络中进行训练,得到图像标注算法模型。
可选地,所述将所述若干个待标注图像输入至经训练得到的图像标注算法模型中进行图像标注之后,所述方法还包括:
在未得到标注成功的区域标注图像时,根据所述未得到标注成功的区域标注图像对所述图像标注算法模型进行更新,得到更新后的图像标注算法模型。
可选地,所述将所述对应的区域标注图像按照预设组合规则进行组合,得到自动标注图像,包括:
对所述对应的区域标注图像进行轮廓标记,得到所述对应的区域标注图像的轮廓线;
将所述轮廓线进行拼接,得到轮廓正确位置信息;
根据所述轮廓正确位置信息对所述对应的区域标注图像进行组合,得到自动标注图像。
对所述自动标注图像进行标注质量检验,得到质量完成度;
当所述质量完成度不低于预设完成度时,保存所述自动标注图像。
可选地,所述将所述对应的区域标注图像按照预设组合规则进行组合,得到自动标注图像之后的步骤还包括:
获取所述自动标注图像的参数信息,所述参数信息包括位置信息及时间信息;
将所述位置信息及时间信息标注在所述自动标注图像上,得到携带有参数信息的自动标注图像。
此外,为实现上述目的,本发明还提出一种图像识别自动标注装置,所述图像识别自动标注装置包括:
图像采集模块,用于获取初始图像;
图像划分模块,用于将所述初始图像按照预设划分规则进行划分,得到若干个待标注图像;
图像标注模块,用于将所述若干个待标注图像输入至经训练得到的图像标注算法模型中进行图像标注,得到对应的区域标注图像;
图像组合模块,用于将所述对应的区域标注图像按照预设组合规则进行组合,得到自动标注图像。
此外,为实现上述目的,本发明还提出一种图像识别自动标注设备,所述图像识别自动标注设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的图像识别自动标注的程序,所述图像识别自动标注的程序配置有实现如上所述的图像识别自动标注方法的步骤。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有图像识别自动标注的程序,所述图像识别自动标注的程序被处理器执行时实现如上文所述的图像识别自动标注方法的步骤。
本发明提出的图像识别自动标注方法,通过获取初始图像,将所述初始图像按照预设划分规则进行划分,得到若干个待标注图像,将所述若干个待标注图像输入至经训练得到的图像标注算法模型中进行图像标注,得到对应的区域标注图像,将所述对应的区域标注图像按照预设组合规则进行组合,得到自动标注图像。通过将初始图像划分为若干个待标注图像,将待标注图像输入图像标注算法模型中标注图片,得到区域标注图像,再将区域标注图像组合为完整的自动标注图像,无需任何人工操作,从而减小了受人为因素干扰的错误率,提高了图像标注的工作效率。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的图像识别自动标注设备结构示意图;
图2为本发明图像识别自动标注方法第一实施例的流程示意图;
图3为本发明图像识别自动标注方法第二实施例的流程示意图;
图4为本发明图像识别自动标注方法第三实施例的流程示意图;
图5为本发明图像识别自动标注方法第四实施例的流程示意图;
图6为本发明图像识别自动标注装置第一实施例的模块示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的图像识别自动标注设备结构示意图。
如图1所示,该图像识别自动标注设备可以包括:处理器1001,例如中央处理器(Central Processing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如按键,可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速随机存取存储器(Random Access Memory,RAM)存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的设备结构并不构成对图像识别自动标注设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及图像识别自动标注的程序。
在图1所示的图像识别自动标注设备中,网络接口1004主要用于连接外网,与其他网络设备进行数据通信;用户接口1003主要用于连接用户设备,与所述用户设备进行数据通信;本发明设备通过处理器1001调用存储器1005中存储的图像识别自动标注的程序,并执行本发明实施例提供的图像识别自动标注方法。
基于上述硬件结构,提出本发明图像识别自动标注方法实施例。
参照图2,图2为本发明图像识别自动标注方法第一实施例的流程示意图。
在第一实施例中,所述图像识别自动标注方法包括以下步骤:
步骤S10,获取初始图像。
需要说明的是,本实施例的执行主体可为图像识别自动标注设备,还可为其他可实现相同或相似功能的设备,本实施例对此不作限制,在本实施例中,以图像识别自动标注设备为例进行说明。
应当理解的是,初始图像可为通过手机或相机等设备拍摄的图像,初始图像还可为从摄像机等录像设备的视频中截取的图像或其他图像,本实施例对此不作限制。
可以理解的是,所述初始图像可为在一般光照条件下或夜间拍摄的图像,初始图像也可为水下或其他条件下进行拍摄的图像。初始图像为夜间拍摄的图像时,图像识别自动标注设备可自动为图像进行补光等处理,对模糊的初始图像,图像识别自动标注设备可自动为图像进行清晰调节等处理,本实施例对此不作限制。
步骤S20,将所述初始图像按照预设划分规则进行划分,得到若干个待标注图像。
可以理解的是,当初始图像为道路上的车辆图像时,预设划分规则可为将车辆图像按照等长等宽的网格进行划分,得到若干个同等大小的待标注图像,网格的长度和宽度还可根据用户的实际需求进行选取,本实施例对此不作限制。
可以理解的是,当初始图像为道路上的车辆图像时,预设划分规则还可为将车辆图像划分为前车身图像、中车身图像及后车身图像,前车身图像可包括前保险杠图像、前翼子板图像及发动机罩图像等,中车身图像可包括,车顶图像及车门图像等,后车身图像可包括行李箱盖图像、后侧板图像及后保险杠图像等,划分的前车身图像、中车身图像及后车身图像可为待标注图像,本实施例对此不作限制。
步骤S30,将所述若干个待标注图像输入至经训练得到的图像标注算法模型中进行图像标注,得到对应的区域标注图像。
可以理解的是,图像标注算法模型可为通过选择最权威、最标准的数据集进行图像自动标注算法的训练所建立的模型,图像标注算法模型的数据集包括多种特征和最丰富的图像资源,本实施例对此不做限制。
可以理解的是,图像标注算法模型可标注区域图像类型、区域图像颜色信息或区域图像数字信息等特征信息。例如,当待标注图像为前车身图像、中车身图像及后车身图像时,图像标注算法模型可在前车身图像上标注品牌类型、归属地信息、车牌标号信息、前指示灯信息及前轮信息等,图像标注算法模型可在中车身图像上标注车窗信息及车门信息等,车窗信息可包括车窗为升起状态或车窗为下降状态及车辆后座有乘客或车窗为下降状态及车辆后座无乘客等,车门信息可为车门开启状态或车门关闭状态等,图像标注算法模型可在后车身图像上标注行李箱盖信息、后指示灯信息及后车轮信息等。
步骤S40,将所述对应的区域标注图像按照预设组合规则进行组合,得到自动标注图像。
可以理解的是,预设组合规则可与预设划分规则对应,当预设划分规则可为将车辆图像按照等长等宽的网格进行划分时,图像识别自动标注设备可将网格依次进行标号,根据网格标号顺序将区域标注图像放入对应的网格中,再对网格中的区域标注图像进行组合,得到自动标注图像。
可以理解的是,当预设划分规则可为将车辆图像按照等长等宽的网格进行划分时,图像识别自动标注设备还可以在网格中建立坐标系,记录待标注图像的坐标位置信息,根据坐标位置信息将区域标注图像放入对应的网格中,再对网格中的区域标注图像进行组合,得到自动标注图像。
可以理解的是,当预设划分规则可为将车辆图像划分为前车身图像、中车身图像及后车身图像时,图像识别自动标注设备可识别前车身图像、中车身图像及后车身图像中的车身轮廓,根据组合对象的轮廓进行拼接,可组合为连续的封闭得轮廓图像,从而得到完整的轮廓图像,根据完整的轮廓图像将区域标注图像放在对应的轮廓位置进行组合,得到自动标注图像。
本实施例中通过获取初始图像,将所述初始图像按照预设划分规则进行划分,得到若干个待标注图像,将所述若干个待标注图像输入至经训练得到的图像标注算法模型中进行图像标注,得到对应的区域标注图像,将所述对应的区域标注图像按照预设组合规则进行组合,得到自动标注图像。通过将初始图像划分为若干个待标注图像,将待标注图像输入图像标注算法模型中标注图片,得到区域标注图像,再将区域标注图像组合为完整的自动标注图像,无需任何人工操作,从而减小了受人为因素干扰的错误率,提高了图像标注的工作效率。
在一实施例中,如图3所示,基于第一实施例提出本发明图像识别自动标注方法第二实施例,所述步骤S10,包括:
步骤S101,获取待处理的视频,将所述待处理的视频按照预设时间周期截取图片,得到待处理图片集合。
可以理解的是,待处理的视频可为从摄像机等录像设备的视频中获取的视频,图像识别自动标注设备可将待处理的视频按照预设时间周期截取图片,预设时间周期可以秒、分钟及小时作为时间单位,预设时间周期可根据用户的实际需求进行选取,本实施例对此不作限制。
可以理解的是,待处理的视频还可以根据预设截取数截取图片,预设截取数的个数及预设截取数对应的截取位置可根据用户的实际需求进行选取,本实施例对此不作限制。
可以理解的是,待处理的视频还可以根据预设帧数截取图片,图像识别自动标注设备可将待处理的视频在间隔相同帧数时截取图片,预设帧数可根据用户的实际需求进行选取,本实施例对此不作限制。
步骤S102,识别所述待处理图片集合中的图片的目标区域,将所述目标区域满足预设选取规则的图片作为初始图像。
可以理解的是,图像识别自动标注设备识别待处理图片集合中的图片的目标区域,目标区域可为待标注对象,例如,对道路上的车辆图像进行标注时,目标区域可为车辆的车身图像,非标注区域可为道路场景;对违规车辆行驶图像进行标注时,目标区域可为车辆的车身图像、道路标识及隔离带等,非标注区域可为路灯及花坛等。
进一步地,所述步骤S20,包括:
步骤S201,对所述初始图像的目标区域进行轮廓标记,得到所述初始图像中轮廓标记外的图片内容。
可以理解的是,图像识别自动标注设备对初始图像的目标区域进行轮廓标记,目标区域的轮廓可为目标区域的边缘线,边缘线可为连续封闭的曲线,也可以为任意形状的线段,例如,当目标区域可为车辆的车身图像时,车身图像的轮廓可为包围整个车身图像的边缘线,得到包围整个车身图像的边缘线以外的图片内容。
步骤S202,将所述轮廓标记外的图片内容采用预设颜色进行覆盖,得到预处理图像。
可以理解的是,轮廓标记外的图片内容可为非标注区域图像,非标注区域图像可为对标注内容不相关或影响图像标注的区域图像,图像识别自动标注设备可对轮廓标记外的图片内容采用预设颜色进行覆盖,以去除无关因素对图像标注的影响,预设颜色可根据用户的实际需求进行选取,本实施例对此不作限制。
步骤S203,将所述预处理图像按照预设划分规则进行划分,得到若干个待标注图像。
可以理解的是,当预处理图像为道路上的车辆图像时,预设划分规则可为将车辆图像按照等长等宽的网格进行划分,得到若干个同等大小的待标注图像,网格的长度和宽度还可根据用户的实际需求进行选取,本实施例对此不作限制。
可以理解的是,当预处理图像为道路上的车辆图像时,预设划分规则还可为将车辆图像划分为前车身图像、中车身图像及后车身图像,前车身图像可包括前保险杠图像、前翼子板图像及发动机罩图像等,中车身图像可包括,车顶图像及车门图像等,后车身图像可包括行李箱盖图像、后侧板图像及后保险杠图像等,划分的前车身图像、中车身图像及后车身图像可为待标注图像,本实施例对此不作限制。
本实施例中通过获取待处理的视频,将所述待处理的视频按照预设时间周期截取图片,得到待处理图片集合,识别所述待处理图片集合中的图片的目标区域,将所述目标区域满足预设选取规则的图片作为初始图像,对所述初始图像的目标区域进行轮廓标记,得到所述初始图像中轮廓标记外的图片内容,将所述轮廓标记外的图片内容采用预设颜色进行覆盖,得到预处理图像,将所述预处理图像按照预设划分规则进行划分,得到若干个待标注图像。通过从视频中截取到初始图像,对初始图像进行轮廓标记,对轮廓标记外的图片内容采用预设颜色进行覆盖,得到预处理图像,将预处理图像按照预设划分规则进行划分,得到待标注图像,无需任何人工操作,从而减小了受人为因素干扰的错误率,视频处理增加了了图像识别自动标记设备的处理对象,提高了设备的实用性,颜色覆盖去除无关图像提高了设备的准确性,图像划分可同时进行标注提高了图像标注的工作效率。
在一实施例中,如图4所示,基于第一实施例或第二实施例提出本发明图像识别自动标注方法第三实施例,在本实施例中,基于第一实施例进行说明,所述步骤S30,包括:
步骤S301,采集目标图片集合作为样本图像集。
可以理解的是,作为样本图像集的目标图片集合包括多种特征和最丰富的图像资源,图像资源可从用户建立的资源库或网络资源库中获取,本实施例对此不作限制。
步骤S302,对所述样本图像集进行背景差分法处理,得到目标区域样本图像集。
需要说明的是,背景差分法采用图像序列中的当前帧和背景参考模型比较来检测运动物体,当图像图像集可为物体运动的视频组时,也可以实现对背景图像的识别,从而得到目标区域。
易于理解的是,通过背景差分法识别图像中的背景,以去除与标准对象无关的图像的干扰,从而获得待标注的目标区域,得到目标区域样本图像集。
步骤S303,将所述目标区域样本图像集以及对应的图像标注输入至神经网络中进行训练,得到图像标注算法模型。
需要说明的是,神经网络是一种模仿动物神经网络行为特征,进行分布式并行信息处理的算法数学模型。神经网络依靠系统的复杂程度,通过调整内部大量节点之间相互连接的关系,从而达到处理信息的目的,并具有自学习和自适应的能力。
易于理解的是,通过神经网络训练得到的图像标注算法模型可使图像标注的准确性更高。
步骤S304,所述将所述若干个待标注图像输入至经训练得到的图像标注算法模型中进行图像标注。
可以理解的是,将待标注图像输入至经训练得到的图像标注算法模型中进行图像标注,可避免人工因素影响,从而使得图像标注的工作效率及准确率大大提高。
步骤S305,在未得到标注成功的区域标注图像时,根据所述未得到标注成功的区域标注图像对所述图像标注算法模型进行更新,得到更新后的图像标注算法模型。
可以理解的是,标注失败可表示图像标注算法模型中缺少本次标注对象的图像资源,图像识别自动标注识别可自动从用户建立的资源库或网络资源库中获取相应的图像资源,从而更新图像标注算法模型,以获得标注成功的区域标注图像。
本实施例中通过采集目标图片集合作为样本图像集,对所述样本图像集进行背景差分法处理,得到目标区域样本图像集,将所述目标区域样本图像集以及对应的图像标注输入至神经网络中进行训练,得到图像标注算法模型,将所述若干个待标注图像输入至经训练得到的图像标注算法模型中进行图像标注,在未得到标注成功的区域标注图像时,根据所述未得到标注成功的区域标注图像对所述图像标注算法模型进行更新,得到更新后的图像标注算法模型。背景差分法及神经网络训练建立图像标注算法模型,提高了图像识别自动标注设备的准确性和工作效率,从而减小了受人为因素干扰的错误率。
在一实施例中,如图5所示,基于第一实施例或第二实施例或第三实施例提出本发明图像识别自动标注方法第四实施例,在本实施例中,基于第一实施例进行说明,所述步骤S40,包括:
步骤S401,对所述对应的区域标注图像进行轮廓标记,得到所述对应的区域标注图像的轮廓线。
可以理解的是,图像识别自动标注设备对对应的区域标注图像进行轮廓标记,轮廓标记得到的轮廓线可为区域标注图像的标注对象的边缘线,边缘线可为连续封闭的曲线,也可以为任意形状的线段,例如,当区域标注图像的标注对象可为车辆的前车身图像时,前车身图像的轮廓线可为包围整个前车身图像的边缘线。
步骤S402,将所述轮廓线进行拼接,得到轮廓正确位置信息。
可以理解的是,轮廓线可为连续封闭的曲线,也可以为任意形状的线段,标注对象可具有特定形状时,轮廓线可同时具有相同的特定形状,根据特定形状的位置关系可以得到轮廓正确的位置信息,例如,当标注对象为车身时,轮廓线拼接为完整的车身轮廓线,则可得到轮廓的正确位置信息。
步骤S403,根据所述轮廓正确位置信息对所述对应的区域标注图像进行组合,得到自动标注图像。
可以理解的是,轮廓正确位置信息可进一步得到轮廓线对应的区域标注图像的正确位置信息,图像识别自动标注设备可将区域标注图像放入正确位置并进行组合,从而得到自动标注图像。
步骤S404,对所述自动标注图像进行标注质量检验,得到质量完成度。
可以理解的是,标注质量检验可具有检验自动标注图像的标注质量的作用,在具体实现中,图像识别自动标注设备可同时对初始图像进行多次标注,标注次数可根据用户的实际需求进行选取,本实施例对此不作限制。图像识别自动标注设备可对多次标注得到的图像集中的自动标注图像进行比对,从图像集中选取一个自动标注图像作为主图像,其余为对比图像,质量完成度可为主图像与对比图像的相似度的平均值。
步骤S405,当所述质量完成度不低于预设完成度时,保存所述自动标注图像。
可以理解的是,预设完成度可为较高的相似度,在具体实现中,预设完成度可设定为百分之百的相似度,当质量完成度同为百分之百时,自动标注图像具有较好的标注质量,图像识别自动标注设备保存此自动标注图像,预设完成度还可以根据用户的实际需求进行选取,本实施例对此不作限制。
步骤S406,获取所述自动标注图像的参数信息,所述参数信息包括位置信息及时间信息。
可以理解的是,参数信息可包括位置信息、时间信息及备注信息等,位置信息可为图像内容发生的地理位置及图像识别自动标注设备的地理位置等,时间信息可为图像内容发生的时间及标注完成的时间等,备注信息可为图像内容发生的事件过程等,备注信息还可以根据用户的实际需求进行记录,本实施例对此不作限制。
步骤S407,将所述位置信息及时间信息标注在所述自动标注图像上,得到携带有参数信息的自动标注图像。
可以理解的是,图像识别自动标注设备可将位置信息及时间信息标注等参数信息直接标注在自动标注图像上,图像识别自动标注设备还可以生成与自动标注图像对应的文档或表格,并将位置信息及时间信息标注等参数信息记录在自动标注图像对应的文档或表格中,图像识别自动标注设备可将自动标注图像对应的文档或表格与自动标注图像储存在同一地址中,图像识别自动标注设备还可以生成自动标注图像对应的文档或表格的链接,并将链接和自动标注图像同一地址中储存,本实施例对此不作限制。
本实施例中通过对所述对应的区域标注图像进行轮廓标记,得到所述对应的区域标注图像的轮廓线,将所述轮廓线进行拼接,得到轮廓正确位置信息,根据所述轮廓正确位置信息对所述对应的区域标注图像进行组合,得到自动标注图像,对所述自动标注图像进行标注质量检验,得到质量完成度,当所述质量完成度不低于预设完成度时,保存所述自动标注图像,获取所述自动标注图像的参数信息,所述参数信息包括位置信息及时间信息,将所述位置信息及时间信息标注在所述自动标注图像上,得到携带有参数信息的自动标注图像。通过轮廓标记,得到轮廓线,对轮廓线进行拼接,得到轮廓正确位置信息,根据轮廓位置信息组合区域标注图像,得到自动标注图像,对自动标注图像进行标注质量检验,保存质量完成度高于预设完成度的自动标注图像,在自动标注图像上标注参数信息,从而得到携带有参数信息的自动标注图像,无需任何人工操作,轮廓线确定正确组合位置及质量检查操作,减小了受人为因素干扰和自动标注程序错误的错误率,提高了图像标注的工作效率,参数信息增加了图像标注的信息标注数量。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有图像识别自动标注的程序,所述图像识别自动标注的程序被处理器执行时实现如上文所述的图像识别自动标注方法的步骤。
由于本存储介质采用了上述所有实施例的全部技术方案,因此至少具有上述实施例的技术方案所带来的所有有益效果,在此不再一一赘述。
此外,参照图6,本发明实施例还提出一种图像识别自动标注装置,所述图像识别自动标注装置包括:
图像采集模块10,用于获取初始图像。
应当理解的是,初始图像可为通过手机或相机等设备拍摄的图像,初始图像还可为从摄像机等录像设备的视频中截取的图像或其他图像,本实施例对此不作限制。
可以理解的是,所述初始图像可为在一般光照条件下或夜间拍摄的图像,初始图像也可为水下或其他条件下进行拍摄的图像。初始图像为夜间拍摄的图像时,图像识别自动标注设备可自动为图像进行补光等处理,对模糊的初始图像,图像识别自动标注设备可自动为图像进行清晰调节等处理,本实施例对此不作限制。
图像划分模块20,用于将所述初始图像按照预设划分规则进行划分,得到若干个待标注图像。
可以理解的是,当初始图像为道路上的车辆图像时,预设划分规则可为将车辆图像按照等长等宽的网格进行划分,得到若干个同等大小的待标注图像,网格的长度和宽度还可根据用户的实际需求进行选取,本实施例对此不作限制。
可以理解的是,当初始图像为道路上的车辆图像时,预设划分规则还可为将车辆图像划分为前车身图像、中车身图像及后车身图像,前车身图像可包括前保险杠图像、前翼子板图像及发动机罩图像等,中车身图像可包括,车顶图像及车门图像等,后车身图像可包括行李箱盖图像、后侧板图像及后保险杠图像等,划分的前车身图像、中车身图像及后车身图像可为待标注图像,本实施例对此不作限制。
图像标注模块30,用于将所述若干个待标注图像输入至经训练得到的图像标注算法模型中进行图像标注,得到对应的区域标注图像。
可以理解的是,图像标注算法模型可为通过选择最权威、最标准的数据集进行图像自动标注算法的训练所建立的模型,图像标注算法模型的数据集包括多种特征和最丰富的图像资源,本实施例对此不做限制。
可以理解的是,图像标注算法模型可标注区域图像类型、区域图像颜色信息或区域图像数字信息等特征信息。例如,当待标注图像为前车身图像、中车身图像及后车身图像时,图像标注算法模型可在前车身图像上标注品牌类型、归属地信息、车牌标号信息、前指示灯信息及前轮信息等,图像标注算法模型可在中车身图像上标注车窗信息及车门信息等,车窗信息可包括车窗为升起状态或车窗为下降状态及车辆后座有乘客或车窗为下降状态及车辆后座无乘客等,车门信息可为车门开启状态或车门关闭状态等,图像标注算法模型可在后车身图像上标注行李箱盖信息、后指示灯信息及后车轮信息等。
图像组合模块40,用于将所述对应的区域标注图像按照预设组合规则进行组合,得到自动标注图像。
可以理解的是,可以理解的是,预设组合规则可与预设划分规则对应,当预设划分规则可为将车辆图像按照等长等宽的网格进行划分时,图像识别自动标注设备可将网格依次进行标号,根据网格标号顺序将区域标注图像放入对应的网格中,再对网格中的区域标注图像进行组合,得到自动标注图像。
可以理解的是,当预设划分规则可为将车辆图像按照等长等宽的网格进行划分时,图像识别自动标注设备还可以在网格中建立坐标系,记录待标注图像的坐标位置信息,根据坐标位置信息将区域标注图像放入对应的网格中,再对网格中的区域标注图像进行组合,得到自动标注图像。
可以理解的是,当预设划分规则可为将车辆图像划分为前车身图像、中车身图像及后车身图像时,图像识别自动标注设备可识别前车身图像、中车身图像及后车身图像中的车身轮廓,根据组合对象的轮廓进行拼接,可组合为连续的封闭得轮廓图像,从而得到完整的轮廓图像,根据完整的轮廓图像将区域标注图像放在对应的轮廓位置进行组合,得到自动标注图像。
本实施例中通过图像采集模块获取初始图像,图像划分模块将所述初始图像按照预设划分规则进行划分,得到若干个待标注图像,图像标注模块将所述若干个待标注图像输入至经训练得到的图像标注算法模型中进行图像标注,得到对应的区域标注图像,图像组合模块将所述对应的区域标注图像按照预设组合规则进行组合,得到自动标注图像。通过将初始图像划分为若干个待标注图像,将待标注图像输入图像标注算法模型中标注图片,得到区域标注图像,再将区域标注图像组合为完整的自动标注图像,无需任何人工操作,从而减小了受人为因素干扰的错误率,提高了图像标注的工作效率。
在一实施例中,所述图像转换模块10,还用于获取待处理的视频,将所述待处理的视频按照预设时间周期截取图片,得到待处理图片集合;识别所述待处理图片集合中的图片的目标区域,将所述目标区域满足预设选取规则的图片作为初始图像。
在一实施例中,所述阈值确定模块20,还用于对所述初始图像的目标区域进行轮廓标记,得到所述初始图像中轮廓标记外的图片内容;将所述轮廓标记外的图片内容采用预设颜色进行覆盖,得到预处理图像;将所述预处理图像按照预设划分规则进行划分,得到若干个待标注图像。
在一实施例中,所述阈值确定模块30,还用于采集目标图片集合作为样本图像集;对所述样本图像集进行背景差分法处理,得到目标区域样本图像集;将所述目标区域样本图像集以及对应的图像标注输入至神经网络中进行训练,得到图像标注算法模型。
在一实施例中,所述目标图像模块30,还用于在未得到标注成功的区域标注图像时,根据所述未得到标注成功的区域标注图像对所述图像标注算法模型进行更新,得到更新后的图像标注算法模型。
在一实施例中,所述目标聚类模块40,还用于对所述对应的区域标注图像进行轮廓标记,得到所述对应的区域标注图像的轮廓线;将所述轮廓线进行拼接,得到轮廓正确位置信息;根据所述轮廓正确位置信息对所述对应的区域标注图像进行组合,得到自动标注图像;对所述自动标注图像进行标注质量检验,得到质量完成度;当所述质量完成度不低于预设完成度时,保存所述自动标注图像;获取所述自动标注图像的参数信息,所述参数信息包括位置信息及时间信息;将所述位置信息及时间信息标注在所述自动标注图像上,得到携带有参数信息的自动标注图像。
在本发明所述图像识别自动标注装置的其他实施例或具体实现方法可参照上述各方法实施例,此处不再赘述。
需要说明的是,在本文中,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、物品或者装置不仅包括那些要素,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、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该估算机软件产品存储在如上所述的一个估算机可读存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台智能图像识别自动标注设备(可以是手机,估算机,图像识别自动标注设备,或者网络图像识别自动标注设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种图像识别自动标注方法,其特征在于,所述图像识别自动标注方法包括以下步骤:
获取初始图像;
将所述初始图像按照预设划分规则进行划分,得到若干个待标注图像;
将所述若干个待标注图像输入至经训练得到的图像标注算法模型中进行图像标注,得到对应的区域标注图像;
将所述对应的区域标注图像按照预设组合规则进行组合,得到自动标注图像。
2.如权利要求1所述的图像识别自动标注方法,其特征在于,所述获取初始图像,包括:
获取待处理的视频,将所述待处理的视频按照预设时间周期截取图片,得到待处理图片集合;
识别所述待处理图片集合中的图片的目标区域,将所述目标区域满足预设选取规则的图片作为初始图像。
3.如权利要求2所述的图像识别自动标注方法,其特征在于,所述将所述初始图像按照预设划分规则进行划分,得到若干个待标注图像之前,所述方法还包括:
对所述初始图像的目标区域进行轮廓标记,得到所述初始图像中轮廓标记外的图片内容;
将所述轮廓标记外的图片内容采用预设颜色进行覆盖,得到预处理图像;
将所述初始图像按照预设划分规则进行划分,得到若干个待标注图像,包括:
将所述预处理图像按照预设划分规则进行划分,得到若干个待标注图像。
4.如权利要求1所述的图像识别自动标注方法,其特征在于,所述将所述若干个待标注图像输入至经训练得到的图像标注算法模型中匹配,并对匹配成功的图片进行标注,得到对应的区域标注图像之前,所述方法还包括:
采集目标图片集合作为样本图像集;
对所述样本图像集进行背景差分法处理,得到目标区域样本图像集;
将所述目标区域样本图像集以及对应的图像标注输入至神经网络中进行训练,得到图像标注算法模型。
5.如权利要求1所述的图像识别自动标注方法,其特征在于,所述将所述若干个待标注图像输入至经训练得到的图像标注算法模型中进行图像标注之后,所述方法还包括:
在未得到标注成功的区域标注图像时,根据所述未得到标注成功的区域标注图像对所述图像标注算法模型进行更新,得到更新后的图像标注算法模型。
6.如权利要求1所述的图像识别自动标注方法,其特征在于,所述将所述对应的区域标注图像按照预设组合规则进行组合,得到自动标注图像,包括:
对所述对应的区域标注图像进行轮廓标记,得到所述对应的区域标注图像的轮廓线;
将所述轮廓线进行拼接,得到轮廓正确位置信息;
根据所述轮廓正确位置信息对所述对应的区域标注图像进行组合,得到自动标注图像;
所述将所述对应的区域标注图像按照预设组合规则进行组合,得到自动标注图像之后,还包括:
对所述自动标注图像进行标注质量检验,得到质量完成度;
当所述质量完成度不低于预设完成度时,保存所述自动标注图像。
7.如权利要求1所述的图像识别自动标注方法,其特征在于,所述将所述对应的区域标注图像按照预设组合规则进行组合,得到自动标注图像之后的步骤还包括:
获取所述自动标注图像的参数信息,所述参数信息包括位置信息及时间信息;
将所述位置信息及时间信息标注在所述自动标注图像上,得到携带有参数信息的自动标注图像。
8.一种图像识别自动标注装置,其特征在于,所述图像识别自动标注装置包括:
图像采集模块,用于获取初始图像;
图像划分模块,用于将所述初始图像按照预设划分规则进行划分,得到若干个待标注图像;
图像标注模块,用于将所述若干个待标注图像输入至经训练得到的图像标注算法模型中进行图像标注,得到对应的区域标注图像;
图像组合模块,用于将所述对应的区域标注图像按照预设组合规则进行组合,得到自动标注图像。
9.一种图像识别自动标注设备,其特征在于,所述图像识别自动标注设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的图像识别自动标注的程序,所述图像识别自动标注的程序配置有实现如权利要求1至7中任一项所述的图像识别自动标注方法的步骤。
10.一种存储介质,其特征在于,所述存储介质上存储有图像识别自动标注的程序,所述图像识别自动标注的程序被处理器执行时实现如权利要求1至7中任一项所述的图像识别自动标注方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011167320.8A CN112364898B (zh) | 2020-10-27 | 2020-10-27 | 图像识别自动标注方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011167320.8A CN112364898B (zh) | 2020-10-27 | 2020-10-27 | 图像识别自动标注方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112364898A true CN112364898A (zh) | 2021-02-12 |
CN112364898B CN112364898B (zh) | 2024-01-19 |
Family
ID=74510958
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011167320.8A Active CN112364898B (zh) | 2020-10-27 | 2020-10-27 | 图像识别自动标注方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112364898B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113065609A (zh) * | 2021-04-22 | 2021-07-02 | 平安国际智慧城市科技股份有限公司 | 图像分类方法、装置、电子设备及可读存储介质 |
CN113095338A (zh) * | 2021-06-10 | 2021-07-09 | 季华实验室 | 工业品图像的自动标注方法、装置、电子设备和存储介质 |
CN114820679A (zh) * | 2022-07-01 | 2022-07-29 | 小米汽车科技有限公司 | 图像标注方法、装置、电子设备和存储介质 |
CN114882313A (zh) * | 2022-05-17 | 2022-08-09 | 阿波罗智能技术(北京)有限公司 | 生成图像标注信息的方法、装置、电子设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001014477A (ja) * | 1999-06-30 | 2001-01-19 | Toshiba Corp | 画像輪郭線抽出装置 |
CN107886104A (zh) * | 2016-09-30 | 2018-04-06 | 法乐第(北京)网络科技有限公司 | 一种图像的标注方法 |
WO2018137623A1 (zh) * | 2017-01-24 | 2018-08-02 | 深圳市商汤科技有限公司 | 图像处理方法、装置以及电子设备 |
CN109635719A (zh) * | 2018-12-10 | 2019-04-16 | 宽凳(北京)科技有限公司 | 一种图像识别方法、装置和计算机可读存储介质 |
CN110276344A (zh) * | 2019-06-04 | 2019-09-24 | 腾讯科技(深圳)有限公司 | 一种图像分割的方法、图像识别的方法以及相关装置 |
CN111222409A (zh) * | 2019-11-26 | 2020-06-02 | 北京迈格威科技有限公司 | 车辆品牌的标注方法、装置及系统 |
CN111598091A (zh) * | 2020-05-20 | 2020-08-28 | 北京字节跳动网络技术有限公司 | 图像识别方法、装置、电子设备及计算可读存储介质 |
-
2020
- 2020-10-27 CN CN202011167320.8A patent/CN112364898B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001014477A (ja) * | 1999-06-30 | 2001-01-19 | Toshiba Corp | 画像輪郭線抽出装置 |
CN107886104A (zh) * | 2016-09-30 | 2018-04-06 | 法乐第(北京)网络科技有限公司 | 一种图像的标注方法 |
WO2018137623A1 (zh) * | 2017-01-24 | 2018-08-02 | 深圳市商汤科技有限公司 | 图像处理方法、装置以及电子设备 |
CN109635719A (zh) * | 2018-12-10 | 2019-04-16 | 宽凳(北京)科技有限公司 | 一种图像识别方法、装置和计算机可读存储介质 |
CN110276344A (zh) * | 2019-06-04 | 2019-09-24 | 腾讯科技(深圳)有限公司 | 一种图像分割的方法、图像识别的方法以及相关装置 |
CN111222409A (zh) * | 2019-11-26 | 2020-06-02 | 北京迈格威科技有限公司 | 车辆品牌的标注方法、装置及系统 |
CN111598091A (zh) * | 2020-05-20 | 2020-08-28 | 北京字节跳动网络技术有限公司 | 图像识别方法、装置、电子设备及计算可读存储介质 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113065609A (zh) * | 2021-04-22 | 2021-07-02 | 平安国际智慧城市科技股份有限公司 | 图像分类方法、装置、电子设备及可读存储介质 |
CN113065609B (zh) * | 2021-04-22 | 2024-04-09 | 深圳赛安特技术服务有限公司 | 图像分类方法、装置、电子设备及可读存储介质 |
CN113095338A (zh) * | 2021-06-10 | 2021-07-09 | 季华实验室 | 工业品图像的自动标注方法、装置、电子设备和存储介质 |
CN113095338B (zh) * | 2021-06-10 | 2021-11-09 | 季华实验室 | 工业品图像的自动标注方法、装置、电子设备和存储介质 |
CN114882313A (zh) * | 2022-05-17 | 2022-08-09 | 阿波罗智能技术(北京)有限公司 | 生成图像标注信息的方法、装置、电子设备及存储介质 |
CN114820679A (zh) * | 2022-07-01 | 2022-07-29 | 小米汽车科技有限公司 | 图像标注方法、装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112364898B (zh) | 2024-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112364898B (zh) | 图像识别自动标注方法、装置、设备及存储介质 | |
EP3806064B1 (en) | Method and apparatus for detecting parking space usage condition, electronic device, and storage medium | |
CN110705405B (zh) | 目标标注的方法及装置 | |
US20190122059A1 (en) | Signal light detection | |
CN111680746B (zh) | 车损检测模型训练、车损检测方法、装置、设备及介质 | |
CN111429726B (zh) | 一种监控视频违停车辆检测、管理方法及对应的系统 | |
US11113582B2 (en) | Method and system for facilitating detection and identification of vehicle parts | |
CN111325769A (zh) | 一种目标对象检测方法及装置 | |
CN109190504B (zh) | 汽车图像数据的处理方法、装置及可读存储介质 | |
CN109615904A (zh) | 停车管理方法、装置、计算机设备和存储介质 | |
CN111967396A (zh) | 障碍物检测的处理方法、装置、设备及存储介质 | |
WO2022213540A1 (zh) | 目标检测、属性识别与跟踪方法及系统 | |
CN108805184B (zh) | 一种固定空间、车辆上的图像识别方法及系统 | |
CN115761668A (zh) | 摄像头的污渍识别方法、装置、车辆及存储介质 | |
CN113792600B (zh) | 一种基于深度学习的视频抽帧方法和系统 | |
CN113723273A (zh) | 一种车辆轨迹信息确定方法、装置及计算机设备 | |
CN117173669A (zh) | 一种基于人工智能的图片识别方法和系统 | |
CN112733864B (zh) | 模型训练方法、目标检测方法、装置、设备及存储介质 | |
CN112417978A (zh) | 基于视觉的列车与屏蔽门之间异物检测方法及装置 | |
CN111402185B (zh) | 一种图像检测方法及装置 | |
CN115762172A (zh) | 一种出入车位车辆识别方法、装置、设备及介质 | |
WO2023071874A1 (zh) | 道路救援工作节点确定方法、装置及电子设备、存储介质 | |
CN114821513B (zh) | 一种基于多层网络的图像处理方法及装置、电子设备 | |
CN108873097B (zh) | 无人停车库中载车板停车时的安全检测方法及装置 | |
CN110012351B (zh) | 标签数据获取方法、存储器、终端、车辆以及车联网系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |