[发明专利]目标标注方法、目标标注装置和计算机可读存储介质

说明书

本发明实施例提供一种目标标注方法，包括：以类别作为关键词，利用网络爬虫进行图像搜索；针对图像搜索的结果集，在结果集的每个图像中生成包围框，所述包围框用于在图像中标记目标；以及从结果集的每个图像中剔除错误目标的包围框，从而最大程度地减少人力成本和时间消耗，并且得到与人工标注相当的标注准确率。本发明同时提供一种目标标注装置和计算机可读存储介质。

技术领域

本发明涉及图像识别领域，具体涉及在图像中进行目标标注的目标标注方法、目标标注装置和计算机可读存储介质。

背景技术

目标检测是一项涉及计算机视觉和图像处理的重要技术，其主要目的是在图像和视频中检测出某些类别的目标。

目前基于深度卷积神经网络的目标检测方法是表现最好的检测方法，并且在部分场景下已得到实际应用。但是由于其监督学习的特性，导致深度学习模型的训练数据集很难得到。基于目前较好的检测模型(如faster rcnn、SSD、YOLO)的目标检测应用在实施过程中，最复杂和耗费财力、时间的任务是构建该应用场景下的训练数据集。

常用的目标检测的训练数据集有：Pascal VOC(Pascal visual objectclasses)、Microsoft COCO和ImageNet。目前最好的检测方法基本上是在这几个数据集上进行训练和测试的。制作用于目标检测的训练数据集的方法大致有两类：

1、人工标注

由于技术发展的原因，第一批目标检测的数据集几乎都是人工的方式进行标注的。首先，源图片获得的方式有特定场景的拍摄，然后将视频按帧保存；其次，由人工找出图片中包含的类别列表中存在的目标，画出其包围框，选择该框对应的类别，并将这一条数据保存下来，依次对每张图进行这样的标注，就得到了经过位置和类别标注的目标检测的训练数据集。

2、使用检测模型标注

基于监督学习的目标检测算法发展了一段时间后，已经有了一些表现较好的通用模型。因此，为了节省人力成本，使用经过训练的检测模型对数据集进行检测，并根据检测结果作为标注，从而形成训练数据集。

这两类方法各种各有优缺点：人工标注方法的优点是适用范围广，标注准确，但是缺点是需要耗费极大的人力成本和时间成本，大大延长项目的研发周期；而使用检测模型标注的方法，虽然这种方法虽然一定程度减少了人力成本，但是其需要一个预训练模型，再者对于新出现的目标类别，这种方式不能给出准确的包围框，仍需要人工操作，可扩展性不强。

发明内容

有鉴于此，本发明实施例提供一种目标标注方法、目标标注装置和计算机可读存储介质，该目标标注方法根据类别执行图像搜索，然后在结果集中进行标注，不仅能够减少人工标注的人力成本和时间消耗，而且不需要预训练模型，并且具有可扩展性。

根据本发明的第一方面，提供一种目标标注方法，包括：

以类别作为关键词，利用网络爬虫进行图像搜索；

针对图像搜索的结果集，在所述结果集的每个图像中生成包围框，所述包围框用于在所述图像中标记目标；以及

从结果集的每个图像中剔除错误目标的包围框。

在一个实施例中，所述生成包围框的步骤包括：

根据类别无关的图像特征生成所述包围框。

在一个实施例中，生成所述包围框包括：

利用与类别无关的视觉显著性方法进行显著性检测，得到灰度图；

对所述灰度图进行二值化处理；以及

对所述灰度图中的联通区域计算其中心点、最大长度和最大宽度，并据此生成所述包围框。