[发明专利]一种图像标注方法、目标检测方法及装置、存储介质

说明书

本申请涉及一种图像标注方法、目标检测方法及装置、存储介质，其中图像标注方法包括：获取待标注图像，对待标注图像进行初始标注，得到检测目标的第一标注信息；在预设的搜索范围内分析出检测目标的第二标注信息，利用第一标注信息和第二标注信息生成训练样本图像。本申请在图像自动标注过程充分利用了图搜索技术，容易获取标准模板与候选模板之间的仿射变换关系，从而自动标注出检测目标上缺失的节点，能够提高图像自动标注的效率，也增强了后续目标检测算法的稳定性。

技术领域

本发明涉及图像处理技术领域，具体涉及一种图像标注方法、目标检测方法及装置、存储介质。

背景技术

近年来，人工智能和大数据成为了国内外各大领域关注的焦点。面对越来越多的图像数据，如何高效率的管理和组织这些图像数据，成为了图像检索和目标识别领域研究的热点问题。而通过给图像添加与其内容相关的文本信息，即图像标注成为目前最主要的解决方法，鉴于人工标注存在着标注工作量大、主观性强等问题，智能图像标注在人工智能的浪潮下吸引了广大研究者们的青睐。

图像自动标注技术大多通过图像的语义内容或探索图像视觉特征以及语义特征之间的相似性，从关键词词典中选择合适的标签，对待标注图像进行标注，关键技术就在于建立低层特征和高层语义标签和位置信息之间的联系。现有的基于生成模型的图像自动标注方法通过计算图像特征和词典中标签的联合概率来为待标注图像标注关键词，该标注方法存在一些问题，比如对于预测的标签的最优性无法保证，很难用生成模型去捕捉图像特征、位置信息、仿射变换关系和标签之间的复杂的关系。大部分的图像自动标注算法都是为待标注图像标注固定个数的标签，但在现实中不同的图像的标签个数是不固定的，统一给每幅图像标注相同数目的标签，会导致例如一些内容丰富的图像没有得到完全的表示，而一些内容相对简单的图像却被标注了过多的标签的问题，因而这种统一的标注方式会影响标注模型的准确度。

图像自动标注主要解决两方面的问题，一个是类别的问题，一个是位置的问题。目前解决位置问题基本只获取了位置的坐标信息，其中角度、缩放等信息并没有获取，后续处理缺少位置信息的先验知识。目前获取位置和类别信息，多数通过传统特征建立关键特征点的映射关系，例如通过提取图像数据的SIFT特征和HOG特征训练的SVM分类器，结合通过颜色和纹理特征构建的神经网络分类器对图像数据进行自动标注，但是浅层的图像特征训练的分类器仅对部分目标标注有效，而对其它目标无法得到较高的标注精度。还有一种就是通过特征的相关性分析提供标注信息，例如通过深度玻尔兹曼机模型提取图像数据的高层特征，并通过典型相关性分析等方法筛选出图像数据最佳的标注，但是玻尔兹曼模型的训练需要利用大量的训练样本得到浅层的视觉特征，由于不同视觉目标的特征描述不同，往往需要具有针对性的选择较好的视觉特征描述，导致该方法的可移植性差。

发明内容

本发明主要解决的技术问题是如何提高图像中目标检测的准确度和稳定性。为解决上述技术问题，本申请公开一种图像标注方法、目标检测方法及装置、存储介质。

根据第一方面，一种实施例中提供一种图像标注方法，其包括：获取待标注图像；所述待标注图像包括至少一个检测目标；对所述待标注图像进行初始标注，得到所述检测目标的第一标注信息；所述第一标注信息包括所述检测目标上若干个节点的相对位置信息和搜索范围信息；在预设的搜索范围内分析出所述检测目标的第二标注信息；所述第二标注信息包括所述检测目标上缺失的节点的语义信息、位置信息和尺度信息；利用所述第一标注信息和所述第二标注信息生成训练样本图像。

所述对所述待标注图像进行初始标注，得到所述检测目标第一标注信息，包括：在所述检测目标上选择若干个节点；所述节点用于表征所述检测目标的表面特征；标注生成所述若干个节点的相对位置信息和搜索范围信息，从而形成所述第一标注信息。