一种自动标注方法、装置及存储介质制造方法及图纸

本发明专利技术公开了一种自动标注方法、装置及存储介质，可以根据预设轮廓分析模型对未标注图像数据中的第一目标对象进行定位，确定每个第一目标对象对应的空标签，并根据空标签的位置信息快速地确定未标注图像数据中的目标图像，并且通过特征点匹配，可以对与单品图对应的目标对象进行自动标注。本发明专利技术的预设轮廓分析模型为基于深度学习训练的识别模型，该识别模型能很好的对第一目标对象进行定位；基于单品图与目标对象之间的特征点匹配，实现自动标注，从而获取标注数据，可以用于在商铺商品的无监督辅助人工标注方面，能够在大力节省人工成本和时间的同时，提高检测任务的工作效率。提高检测任务的工作效率。提高检测任务的工作效率。

【技术实现步骤摘要】
一种自动标注方法、装置及存储介质


[0001]本专利技术涉及信息处理
，并且更具体地，涉及一种自动标注方法、装置及存储介质。

技术介绍

[0002]近些年，基于深度学习的计算机视觉识别技术被广泛应用于各行各业。一个表现优异的深度学习模型需要大量的高质量的标注数据予以支持，而这些高质量的标注数据目前几乎全部采用人工标注方式标注而得。然而，人工数据标注方式效率十分低下，而且标注结果是否准确很大程度上依赖于标注人员的标注水平，所以通过人工标注方式对数据进行标注的质量无法实现有效保证。
[0003]针对零售行业，其商品类别繁多、形状各异，货架上同一类别商品可能反复出现，且对于同一商品可能处于不同的角度，基于人力标注显得有些费力劳神。
[0004]因此，需要一种自动标注的方法。

技术实现思路

[0005]本专利技术要解决的问题包括如何从未标注的图像数据中获取单个目标对象的切图，并对目标对象进行标注。然而，由于未标注图像数据和单个目标对象的多样性，现有技术中没有切实可用的对目标对象进行自动标注的技术方案。
[0006]为了解决上述诸如从从未标注的图像数据中获取单个目标对象的切图，并对目标对象进行标注的技术问题，提出了本专利技术。本专利技术的实施例提供了一种自动标注方法、装置及存储介质。
[0007]根据本专利技术实施例的一个方面，提供了一种自动标注方法，所述方法包括：
[0008]获取未标注图像数据，并利用预设轮廓分析模型对所述未标注图像数据中的第一目标对象进行定位，确定每个第一目标对象对应的空标签；
[0009]基于所述空标签的位置信息对所述未标注图像数据进行切割，获取第一目标对象；
[0010]确定每个第一目标对象的清晰度类型，并根据清晰度类型确定第二目标对象；
[0011]将所述第二目标对象和预设单品图进行特征点匹配，确定预设单品图和每个第二目标对象对应的特征点匹配数量；
[0012]基于所述特征点匹配数量选取预设数量的第二目标对象，并根据所述单品图的标注信息对选取的预设数量的第二目标对象进行标注，以获取标注数据。
[0013]可选地，其中所述确定每个第一目标对象的清晰度类型，包括：
[0014]利用OpenCV对每个第一目标对象求二阶导数，以获取每个第一目标对象的边缘，并计算边缘的方差；
[0015]根据每个第一目标对象对应的方差和预设清晰度阈值，确定每个第一目标对象的清晰度类型。
[0016]可选地，其中所述方法还包括：
[0017]在对第一目标对象求二阶导数前，对每个第一目标对象进行放大处理。
[0018]可选地，其中所述方法还包括：
[0019]对所述第二目标对象进行均值模糊处理和色彩增强处理。
[0020]可选地，其中所述方法还包括：
[0021]基于清晰度类型为模糊类型的第一目标对象，对模糊检测分类初始模型进行训练，以获取模糊检测分类优化模型。
[0022]可选地，其中所述方法还包括：
[0023]根据标注不同标签的标注数据和与所述标注数据对应的预设单品图，对分类初始模型进行训练，以获取分类优化模型。
[0024]可选地，其中所述方法还包括：
[0025]获取未标注的第三目标对象，并利用所述分类优化模型对所述第三目标对象进行自动标注，以获取标注数据。
[0026]根据本专利技术实施例的另一个方面，还提供了一种存储介质，存储介质包括存储的程序，其中，在程序运行时由处理器执行以上所述的方法。
[0027]根据本专利技术实施例的又一个方面，提供了一种自动标注装置，所述装置包括：
[0028]定位模块，用于获取未标注图像数据，并利用预设轮廓分析模型对所述未标注图像数据中的第一目标对象进行定位，确定每个第一目标对象对应的空标签；
[0029]第一目标对象确定模块，用于基于所述空标签的位置信息对所述未标注图像数据进行切割，获取第一目标对象；
[0030]第二目标对象确定模块，用于确定每个第一目标对象的清晰度类型，并根据清晰度类型确定第二目标对象；
[0031]匹配模块，用于将所述第二目标对象和预设单品图进行特征点匹配，确定预设单品图和每个第二目标对象对应的特征点匹配数量；
[0032]标注数据获取模块，用于基于所述特征点匹配数量选取预设数量的第二目标对象，并根据所述单品图的标注信息对选取的预设数量的第二目标对象进行标注，以获取标注数据。
[0033]根据本专利技术实施例的又一个方面，提供了一种自动标注装置，所述装置包括：
[0034]处理器；以及
[0035]存储器，与所述处理器连接，用于为所述处理器提供处理以下处理步骤的指令：
[0036]获取未标注图像数据，并利用预设轮廓分析模型对所述未标注图像数据中的第一目标对象进行定位，确定每个第一目标对象对应的空标签；
[0037]基于所述空标签的位置信息对所述未标注图像数据进行切割，获取第一目标对象；
[0038]确定每个第一目标对象的清晰度类型，并根据清晰度类型确定第二目标对象；
[0039]将所述第二目标对象和预设单品图进行特征点匹配，确定预设单品图和每个第二目标对象对应的特征点匹配数量；
[0040]基于所述特征点匹配数量选取预设数量的第二目标对象，并根据所述单品图的标注信息对选取的预设数量的第二目标对象进行标注，以获取标注数据。
[0041]本专利技术实施例提供了一种自动标注方法、装置及存储介质，可以根据预设轮廓分析模型对所述未标注图像数据中的第一目标对象进行定位，确定每个第一目标对象对应的空标签，并根据空标签的位置信息快速地确定未标注图像数据中的目标图像，并且通过特征点匹配，可以对与单品图对应的目标对象进行自动标注。本专利技术的预设轮廓分析模型为基于深度学习训练的识别模型，该识别模型能很好的对第一目标对象进行定位；基于单品图与目标对象之间的特征点匹配，实现自动标注，从而获取标注数据，可以用于在商铺商品的无监督辅助人工标注方面，能够在大力节省人工成本和时间的同时，提高检测任务的工作效率。
[0042]下面通过附图和实施例，对本专利技术的技术方案做进一步的详细描述。
附图说明
[0043]通过参考下面的附图，可以更为完整地理解本专利技术的示例性实施方式：
[0044]图1是用于实现根据本专利技术实施例1所述的方法的计算机终端(或移动设备)的硬件结构框图；
[0045]图2是根据本专利技术实施例1的第一个方面所述的自动标注方法200的流程图；
[0046]图3是根据本专利技术实施例2所述的自动标注装置300的结构示意图；
[0047]图4是根据本专利技术实施例3所述的自动标注装置400的结构示意图。
具体实施方式
[0048]下面，将参考附图详细地描述根据本专利技术的示例实施例。显然，所描述的实施例仅仅是本专利技术的一部分实施例，而不是本专利技术的全部实施例，应理解，本专利技术不受这里描述的示本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种自动标注方法，其特征在于，所述方法包括：获取未标注图像数据，并利用预设轮廓分析模型对所述未标注图像数据中的第一目标对象进行定位，确定每个第一目标对象对应的空标签；基于所述空标签的位置信息对所述未标注图像数据进行切割，获取第一目标对象；确定每个第一目标对象的清晰度类型，并根据清晰度类型确定第二目标对象；将所述第二目标对象和预设单品图进行特征点匹配，确定预设单品图和每个第二目标对象对应的特征点匹配数量；基于所述特征点匹配数量选取预设数量的第二目标对象，并根据所述单品图的标注信息对选取的预设数量的第二目标对象进行标注，以获取标注数据。2.根据权利要求1所述的方法，其特征在于，所述确定每个第一目标对象的清晰度类型，包括：利用OpenCV对每个第一目标对象求二阶导数，以获取每个第一目标对象的边缘，并计算边缘的方差；根据每个第一目标对象对应的方差和预设清晰度阈值，确定每个第一目标对象的清晰度类型。3.根据权利要求2所述的方法，其特征在于，所述方法还包括：在对第一目标对象求二阶导数前，对每个第一目标对象进行放大处理。4.根据权利要求1所述的方法，其特征在于，所述方法还包括：对所述第二目标对象进行均值模糊处理和色彩增强处理。5.根据权利要求1所述的方法，其特征在于，所述方法还包括：基于清晰度类型为模糊类型的第一目标对象，对模糊检测分类初始模型进行训练，以获取模糊检测分类优化模型。6.根据权利要求1所述的方法，其特征在于，所述方法还包括：根据标注不同标签的标注数据和与所述标注数据对应的预设单品图，对分类初始模型进行训练，以获取分类优化模型。7.根据权利要求6所述的方法，其特征在于，所述方法还包括：获取未标注的第三目标对象，并利用所述分类优化模型对所述第...

【专利技术属性】
技术研发人员：周开龙，张玥，陈颖辉，元敏杰，
申请(专利权)人：上海小零网络科技有限公司，
类型：发明
国别省市：