物体图像标注方法、系统、设备及存储介质技术方案

本发明专利技术涉及人工智能技术领域，尤其涉及一种物体图像标注方法、系统、设备及存储介质，包括：对目标物体图像进行分割，获取目标物体中的每一部件；对每一部件进行特征提取，获取每一部件的特征；根据每一部件的特征，获取每一部件的名称；将目标物体图像中每一部件、每一部件的中心点、预设特征提取参数输入到父类识别模型中，获取每一部件的父类，并根据每一部件的名称和每一部件的父类获取目标物体的层次结构。本发明专利技术对目标物体进行分割，基于特征提取获取部件名称，利用父类识别模型识别出部件的父类，得到目标物体的层次结构，该标注方法可以描述出目标物体本身的几何特征，充分挖掘精细信息，使得物体标注具有更高的鲁棒性。使得物体标注具有更高的鲁棒性。使得物体标注具有更高的鲁棒性。

【技术实现步骤摘要】
物体图像标注方法、系统、设备及存储介质


[0001]本专利技术涉及人工智能
，尤其涉及一种物体图像标注方法、系统、设备及存储介质。

技术介绍

[0002]汽车是人们日常交通中必不可缺的工具，由于汽车用量的增加和驾驶人员的技能有限，车辆事故时有发生。从时间角度看，早晚高峰期是事故频发的主要时间段。从空间角度，高速路和大中型城市的市区道路的事故发生频率远高于乡镇道路。事故发生后，对受损车辆的保险理赔和维修费用取决于车辆损伤程度的核定(简称“定损”)。传统的定损方法极大依赖于定损人员，这类方法有3个显著的弊端：
[0003](1)等待定损人员到达事故现场并展开定损，事故车辆停在路上占用空间，会造成更严重的交通拥堵；
[0004](2)定损员受限于地点和时间，能完成的定损案件有限，为了应对大量的事故，雇用和培训大量定损员会极大增加保险公司业务成本；
[0005](3)定损程度受定损员的经验，工作状态影响导致定损结果偏差，存在后续纠纷的隐患。
[0006]近年来，随着基于深度学习的计算机视觉技术的发展，在车辆定损应用目标检测和图像分割等技术等有效解决人工定损速度慢，定损结果有偏差，定损人员受限于时间空间等问题。因此研究图像识别技术在车险领域的应用有巨大的社会价值，前沿技术的应用不仅能帮助降低保险公司的定损人力成本，更能从整体上提升定损速度，减少事故给道路交通带来的阻塞。
[0007]基于深度卷积神经网络(Convolutional Neural Networks，简称CNN)的有监督学习往往需要大量的人工标注的数据集来训练模型。尽管训练出的模型能够满足一定的检测需求，但面对真实世界中的事故场景，仍然有如下几个方面的问题：
[0008]收集大量的车辆受损照片，并进行人工标注、数据清洗是极其耗时耗力的。并且，不同人员的标注质量参差不齐，影响后期模型训练结果。此外，随着定损标准和车辆受损情况的变化，不可避免地要对数据集更新，彻底重标旧的数据集更是一件工作量巨大的事。
[0009]另外，CNN提取的特征的过程不同于人类理解特征的方式，像素级的特征提取结果依赖于标注方式。当前广泛使用的“扁平式”(每增加一个类别，就单独增加一个标签)的标注方法忽略了图像中物体本身固有的几何特征，也不能有效反映物体整体与部件的语意关系。
[0010]以汽车为例：虽然不同车型的轮子略有差异，但轮子总体的几何形状是圆，显著不同于车门；汽车上轮子、方向盘、轮胎都是圆形，与轮子相接的圆形更应该被判断为轮胎而不是方向盘，如果用扁平式的标注方法，为了能精细描述汽车的各部位，标签类别将会变得非常多却依然无法解决“有些相似但又不是同类”的分类问题。
[0011]针对现有技术中扁平式的标注方法，该方法忽略了物体本身固有的几何特征，也
忽略了物体整体与部件的语义联系，从而使得后续应用的鲁棒性和泛化能力较低。
[0012]因此，亟需一种能表示物体本身固有几何特征的物体图像标注方法。

技术实现思路

[0013]本专利技术实施例提供一种物体图像标注方法、系统、设备及存储介质，以解决现有技术中标签标注时无法表示物体本身固有几何特征而导致鲁棒性低的问题。
[0014]第一方面，本专利技术实施例提供一种物体图像标注方法，包括：
[0015]对目标物体图像进行分割，获取若干子图像，每一子图像表示目标物体中的每一部件；
[0016]对每一部件进行特征提取，获取每一部件的特征；
[0017]根据每一部件的特征，获取每一部件的名称；
[0018]将所述目标物体图像中每一部件、每一部件的中心点、预设特征提取参数输入到父类识别模型中，获取每一部件的父类，并根据每一部件的名称和每一部件的父类对所述目标物体进行标注，其中，每一部件的中心点根据每一部件对应的子图像获得。
[0019]优选地，所述父类识别模型的具体计算公式如下：
[0020]E(θ,p,c,M)＝λ
c
E
c
+λ
s
E
s
+λ
d
E
d
+λ
m
E
m
‑
H，
[0021]其中，θ表示所述预设特征提取参数，p表示任一物体的任一部件被分类到任一父类的概率，c表示部件的父类中心点，M表示包含所有部件的目标物体的层次结构，λ
c
表示第一预设参数，λ
s
表示第一预设参数，λ
d
表示第一预设参数，λ
m
表示第一预设参数，E
c
表示每一部件到每一父类中心的距离，E
s
表示相同部件之间的距离，E
d
表示同一目标物体上不同部件之间的距离，E
m
表示父类与子类关系的匹配程度，H表示预设阈值。
[0022]优选地，所述父类识别模型基于分类样本训练得到，包括：
[0023]初始化每一部件的父类中心点；
[0024]对于当前迭代，固定p的取值，计算得到θ、c和M的取值；
[0025]固定θ、c和M的取值，优化p的取值，并再次固定p的取值，得到θ、c和M的最优解；
[0026]重复上述迭代过程，直到E
c
、E
s
、E
d
和E
m
均为最小。
[0027]优选地，所述对目标物体图像进行分割，获取每一部件，包括：
[0028]将所述目标物体图像输入到分割网络中，获取每一部件，所述分割网络基于分割样本训练得到。
[0029]优选地，所述将所述目标物体图像输入到分割网络中，获取每一部件，之前还包括：
[0030]对所有样本的名称进行同义词合并，获取所述目标物体的部件，所述部件字典包括所述目标物体中的所有部件及部件标准名称；
[0031]将所述部件字典作为所述分割网络训练时的聚类类别。
[0032]优选地，所述根据每一部件的特征，获取每一部件的名称，包括：
[0033]通过最近邻算法，获取任意两个部件的特征之间的距离；
[0034]对于任一部件，获取目标部件，所述目标部件的特征与所述任一部件的特征距离最近；
[0035]将所述目标部件的名称作为所述任一部件的名称。
[0036]优选地，所述目标物体图像通过有根有向树表示，如下：
[0037]H
i
＝{X
i
,E
i
}，
[0038]X
i
＝{x
ij
|j＝1,
…
,|X
i
|}，
[0039]其中，H
i
表示有根有向树的的第i个类别，X
i
表示第i个类别的所有部件，E
i
表示第i个类别的所有边，x
ij
表示本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种物体图像标注方法，其特征在于，包括：对目标物体图像进行分割，获取若干子图像，每一子图像表示目标物体中的每一部件；对每一部件进行特征提取，获取每一部件的特征；根据每一部件的特征，获取每一部件的名称；将所述目标物体图像中每一部件、每一部件的中心点、预设特征提取参数输入到父类识别模型中，获取每一部件的父类，并根据每一部件的名称和每一部件的父类对所述目标物体进行标注，其中，每一部件的中心点根据每一部件对应的子图像获得。2.如权利要求1所述物体图像标注方法，其特征在于，所述父类识别模型的具体计算公式如下：E(θ,p,c,M)＝λ
c
E
c
+λ
s
E
s
+λ
d
E
d
+λ
m
E
m
‑
H，其中，θ表示所述预设特征提取参数，p表示任一物体的任一部件被分类到任一父类的概率，c表示部件的父类中心点，M表示包含所有部件的目标物体的层次结构，λ
c
表示第一预设参数，λ
s
表示第一预设参数，λ
d
表示第一预设参数，λ
m
表示第一预设参数，E
c
表示每一部件到每一父类中心的距离，E
s
表示相同部件之间的距离，E
d
表示同一目标物体上不同部件之间的距离，E
m
表示父类与子类关系的匹配程度，H表示预设阈值。3.如权利要求2所述物体图像标注方法，其特征在于，所述父类识别模型基于分类样本训练得到，包括：初始化每一部件的父类中心点；对于当前迭代，固定p的取值，计算得到θ、c和M的取值；固定θ、c和M的取值，优化p的取值，并再次固定p的取值，得到θ、c和M的最优解；重复上述迭代过程，直到E
c
、E
s
、E
d
和E
m
均为最小。4.如权利要求1至3任一所述物体图像标注方法，其特征在于，所述对目标物体图像进行分割，获取每一部件，包括：将所述目标物体图像输入到分割网络中，获取每一部件，所述分割网络基于分割...

【专利技术属性】
技术研发人员：王晨羽，刘莉红，刘玉宇，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：