[发明专利]视频数据标注方法、系统、获取神经网络深度学习的数据源的方法及计算机可读存储介质

说明书

本发明提供了一种视频数据标注方法、系统、获取神经网络深度学习的数据源的方法及计算机可读存储介质，通过人工标注视频内的少量的核心数据，以这些核心帧的数据为基础，通过分界时刻点的数据标注拓展到整个区间段，以完成整段区间内的数据标记；再针对区间内的递增递减规律，进一步完成动态的被标注对象的信息采集记录，获取所述标注源数据，极大提高了人工标注的速度。并且将视频数据标注方法所获取的最终标注数据作为用于获取神经网络深度学习的数据源，可克服现有技术的人工标注数据效率低、样本数据量少等问题。

技术领域

本发明涉及数据标注技术领域，尤其涉及一种视频数据标注方法、系统、获取神经网络深度学习的数据源的方法及计算机可读存储介质。

背景技术

深度学习(Deep Learning)需要大量精细化标注的数据素材用于神经网络训练。目前获取数据的方法主要有三种：人工数据标注、自动数据标注、外包数据标注。人工标注可以得到较高可信度的数据，受限于人力资源以及需要巨大的数据基数，单纯的人工标注注定无法完成如此庞大的数据清洗。目前也有很多比较实用的客户端、WEB端的数据标记工具，极大的减轻了劳动力，同时也带来一些信息安全的风险。

发明内容

为了克服上述技术缺陷，本发明的目的在于提供一种数据标注效率高、样本数据量大的视频数据标注方法、系统、获取神经网络深度学习的数据源的方法及计算机可读存储介质。

本发明公开了一种视频数据标注方法，包括如下步骤：人工标注目标视频内的部分数据，编写需要关注对象的内容与视频时间对齐的文本；通过计算机编程编写脚本将目标视频按照每秒n帧的速度分裂成图片，以时间戳命名所述图片的名称，根据所述时间戳获取每张图片所处的时间区间；依据所述文本内的内容，通过计算机编程编写脚本为每张图片生成描述性文件，所有图片的所述描述性文件组成所述目标视频的标注源数据；通过训练模型筛选出所述标注源数据中的异常图片，并通过人工审核确定所述异常图片，剔除所述异常图片后形成初始标注数据；剔除所述初始标注数据的重复图片，形成最终标注数据。

优选地，所述人工标注目标视频内的部分数据，编写需要关注对象的内容与视频时间对齐的文本包括：人工浏览目标视频一次性标注部分数据，坐标位置不变，被标记坐标的内容填写默认值，获得所有需要标记对象和分界点帧信息；浏览目标视频、关注需要标记对象的内容变化，并根据视频时间对齐标注该标记对象的内容，以形成需要关注对象的内容与视频时间对齐的TXT文本。

优选地，所述通过训练模型筛选出所述标注源数据中的异常图片，并通过人工审核确定所述异常图片，剔除所述异常图片后形成初始标注数据包括：标注源数据的内容形式是文字、数字、实物照，通过训练模型对所述标注源数据进行识别得到识别结果；筛选出识别结果与标注内容不一致的异常图片；通过人工审核确定所述异常图片；剔除所述异常图片后，通过编写Python可视化插件将所述标注源数据重新分类形成初始标注数据。

优选地，所述通过训练模型筛选出所述标注源数据中的异常图片，并通过人工审核确定所述异常图片，剔除所述异常图片后形成初始标注数据还包括：标注源数据的内容形式是文字、数字、实物照以外的新内容，则随机取所述标注源数据内的部分数据记为Data0，其余部分记为Data1；将Data0分类训练成第一训练模型，使用所述第一训练模型挑选Data1，经人工审核修正后的Data1分类训练成第二训练模型，使用所述第二训练模型挑选Data0，如此多次迭代形成所述初始标注数据。

优选地，所述剔除所述初始标注数据的重复图片，形成最终标注数据包括：计算所述初始标注数据的图片的Phash值，获取不同图片之间的汉明值，从而去掉重复图片，形成最终标注数据。