图像数据的标注方法和装置制造方法及图纸

本申请实施例提供了一种图像数据的标注方法和装置，其中，该方法包括：获取待标注的图像数据；利用预设的检测网络模型确定出所述待标注的图像数据中的目标区域，并标注出所述目标区域的位置；利用预设的分类网络模型对所述目标区域的位置处的图像数据进行识别，并标注识别结果。该方案通过先利用事先训练好的检测网络模型寻找并标注目标对象所在的目标区域，再利用事先训练好的分类网络模型识别并标注目标区域中的图像数据是否是目标对象，从而解决了现有的数据标注方法中存在的准确度差、效率低的技术问题，达到了能高效、精确地对大量图像数据进行自动标注的技术效果。

【技术实现步骤摘要】
图像数据的标注方法和装置
本申请涉及图像识别
，特别涉及一种图像数据的标注方法和装置。
技术介绍
在图像识别领域，通常需要先对样本图像数据进行标注，再利用标注后的样本图像数据对神经网络模型进行学习、训练，以得到用于图像识别的神经网络模型。为了获取用于学习、训练的标注后的样本图像数据，现有方法大多是通过人工标注的方式对所采集的样本数据进行标注。具体的，技术人员依靠自身的经验和对图像内容的理解，逐一框出图像中的目标对象，并作对应的标注。由上可见，现有的图像数据的标注方法在实现过程中由于需要依赖技术人员个人的经验和对图像内容的理解，导致不同的技术人员由于所依据的经验和对图像内容的理解不同，标注后的样本图像数据也往往会存在差异，不够客观。此外，现有方法通过人工标注，标注速度相对较慢。并且由于通常需要标注的图像数的量相对较大，例如可能多达到几T，导致现有方法在实施过程中，也容易产生误差。综上可知，现有方法具体实施时，往往存在准确度差、效率低的技术问题。针对上述问题，目前尚未提出有效的解决方案。
技术实现思路
本申请实施例提供了一种图像数据的标注方法和装置，以解决现有的数据标注方法中存在的准确度差、效率低的技术问题，达到能高效、精确地对大量图像数据进行自动标注的技术效果。本申请实施例提供了一种图像数据的标注方法，包括：获取待标注的图像数据；利用预设的检测网络模型确定出所述待标注的图像数据中的目标区域，并标注出所述目标区域的位置；利用预设的分类网络模型对所述目标区域的位置处的图像数据进行识别，并标注识别结果。在一个实施方式中，在获取待标注的图像数据后，所述方法还包括：对所述待标注的图像数据进行均衡化处理。在一个实施方式中，对所述待标注的图像数据进行均衡化处理，包括：根据所述待标注的图像数据，生成图像通道像素值的直方统计图；对所述图像通道像素值的直方统计图中位于阈值范围内的通道像素值进行线性扩充；根据线性扩充后的图像通道像素值的直方统计图，确定均衡化处理后的待标注的图像数据。在一个实施方式中，利用预设的分类网络模型对所述目标区域的位置处的图像数据进行识别，包括：提取所述目标区域的位置处的图像数据；利用所述预设的分类网络模型对所述目标区域位置处的图像数据进行目标对象识别，以生成置信度参数，并根据所述置信度参数确定识别结果，其中，所述置信度参数用于指示所述目标区域的位置处的图像数据为目标对象的概率。在一个实施方式中，所述预设的检测网络模型按照以下方式建立：获取第一训练样本，其中，所述第一训练样本包括标注有目标对象所处位置的图像数据；利用所述第一训练样本对第一神经网络模型进行训练学习，得到所述预设的检测网络模型。在一个实施方式中，利用所述第一训练样本对第一神经网络模型进行训练学习，包括：通过迁移学习的方法，利用所述第一训练样本对所述第一神经网络模型进行训练学习。在一个实施方式中，所述预设的分类网络模型按照以下方式建立：获取第二训练样本，其中，所述第二训练样本包括标注有目标对象名称的图像数据；利用所述第二训练样本对第二神经网络模型进行训练学习，得到所述预设的分类网络模型。在一个实施方式中，所述第二神经网络模型包括改进的YOLOv3模型，其中，所述改进的YOLOv3模型按照以下方式进行改进：在进行多目标检测的情况下，将YOLOv3模型中的回归分类器的数量修改为多个；在进行单目标检测的情况下，将YOLOv3模型中的回归分类器的数量修改为单个。在一个实施方式中，所述目标对象包括人脸或车牌。本申请实施例还提供了一种图像数据的标注装置，包括：获取模块，用于获取待标注的图像数据；第一标注模块，用于利用预设的检测网络模型确定出所述待标注的图像数据中的目标区域，并标注出所述目标区域的位置；第二标注模块，用于利用预设的分类网络模型对所述目标区域的位置处的图像数据进行识别，并标注识别结果。在一个实施方式中，所述装置还包括均衡化处理模块，用于对所述待标注的图像数据进行均衡化处理。在一个实施方式中，所述第一标注模块包括：第一提取单元，用于提取所述目标区域的位置处的图像数据；第一标注单元，用于利用所述预设的分类网络模型对所述目标区域位置处的图像数据进行目标对象识别，以生成置信度参数，并根据所述置信度参数确定识别结果，其中，所述置信度参数用于指示所述目标区域的位置处的图像数据为目标对象的概率。在一个实施方式中，所述装置还包括第一建立模块，其中，所述第一建立模块包括：第一获取单元，用于获取第一训练样本，其中，所述第一训练样本包括标注有目标对象所处位置的图像数据；第一学习单元，用于利用所述第一训练样本对第一神经网络模型进行训练学习，得到所述预设的检测网络模型。在一个实施方式中，所述装置还包括第二建立模块，其中，所述第二建立模块包括：第二获取单元，用于获取第二训练样本，其中，所述第二训练样本包括标注有目标对象名称的图像数据；第二学习单元，用于利用所述第二训练样本对第二神经网络模型进行训练学习，得到所述预设的分类网络模型。本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机指令，所述指令被执行时实现获取待标注的图像数据；利用预设的检测网络模型确定出所述待标注的图像数据中的目标区域，并标注出所述目标区域的位置；利用预设的分类网络模型对所述目标区域的位置处的图像数据进行识别，并标注识别结果。在本申请实施例中，通过先利用事先训练好的检测网络模型寻找并标注目标对象所在的目标区域，再利用事先训练好的分类网络模型识别并标注目标区域中的图像数据是否是目标对象，从而解决了现有的数据标注方法中存在的准确度差、效率低的技术问题，达到了能高效、精确地对大量图像数据进行自动标注的技术效果。附图说明为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1是根据本申请实施方式提供的图像数据的标注方法的处理流程图；图2是根据本申请实施方式提供的图像数据的标注装置的组成结构图；图3是基于本申请实施例提供的图像数据的标注方法的电子设备组成结构示意图；图4是在一个场景示例中应用本申请实施例提供的图像数据的标注方法和装置获得的图像通道像素值的直方统计图的示意图；图5是在一个场景示例中应用本申请实施例提供的图像数据的标注方法和装置获得的均衡化处理后的图像与未均衡化处理的图像的对比示意图；图6是在一个场景示例中没有改进的YOLOv3模型的结构示意图；图7是在一个场景示例中应用本申请实施例提供的图像数据的标注方法和装置获得的标注后的人脸图像的示意图。具体实施方式为了使本
的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅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，都应当属于本申请保护的范围。考虑到现有的图像数据的标注方法，往往都是基于技术人员的经验和对图像内容的理解，通过手工标注来标注用于学本文档来自技高网...

【技术保护点】
1.一种图像数据的标注方法，其特征在于，包括：获取待标注的图像数据；利用预设的检测网络模型确定出所述待标注的图像数据中的目标区域，并标注出所述目标区域的位置；利用预设的分类网络模型对所述目标区域的位置处的图像数据进行识别，并标注识别结果。

【技术特征摘要】
1.一种图像数据的标注方法，其特征在于，包括：获取待标注的图像数据；利用预设的检测网络模型确定出所述待标注的图像数据中的目标区域，并标注出所述目标区域的位置；利用预设的分类网络模型对所述目标区域的位置处的图像数据进行识别，并标注识别结果。2.根据权利要求1所述的方法，其特征在于，在获取待标注的图像数据后，所述方法还包括：对所述待标注的图像数据进行均衡化处理。3.根据权利要求2所述的方法，其特征在于，对所述待标注的图像数据进行均衡化处理，包括：根据所述待标注的图像数据，生成图像通道像素值的直方统计图；对所述图像通道像素值的直方统计图中位于阈值范围内的通道像素值进行线性扩充；根据线性扩充后的图像通道像素值的直方统计图，确定均衡化处理后的待标注的图像数据。4.根据权利要求1所述的方法，其特征在于，利用预设的分类网络模型对所述目标区域的位置处的图像数据进行识别，包括：提取所述目标区域的位置处的图像数据；利用所述预设的分类网络模型对所述目标区域位置处的图像数据进行目标对象识别，以生成置信度参数，并根据所述置信度参数确定识别结果，其中，所述置信度参数用于指示所述目标区域的位置处的图像数据为目标对象的概率。5.根据权利要求1所述的方法，其特征在于，所述预设的检测网络模型按照以下方式建立：获取第一训练样本，其中，所述第一训练样本包括标注有目标对象所处位置的图像数据；利用所述第一训练样本对第一神经网络模型进行训练学习，得到所述预设的检测网络模型。6.根据权利要求5所述的方法，其特征在于，利用所述第一训练样本对第一神经网络模型进行训练学习，包括：通过迁移学习的方法，利用所述第一训练样本对所述第一神经网络模型进行训练学习。7.根据权利要求1所述的方法，其特征在于，所述预设的分类网络模型按照以下方式建立：获取第二训练样本，其中，所述第二训练样本包括标注有目标对象名称的图像数据；利用所述第二训练样本对第二神经网络模型进行训练学习，得到所述预设的分类网络模型。8.根据权利要求7所述的方法，其特征在于，...

【专利技术属性】
技术研发人员：罗培元，
申请(专利权)人：上海斐讯数据通信技术有限公司，
类型：发明
国别省市：上海,31