样本标注方法和装置的制造方法
【技术领域】
[0001 ]本发明实施例涉及计算机视觉技术，尤其涉及一种样本标注方法和装置。
【背景技术】
[0002]目标检测和识别是近年来计算机视觉技术领域中备受关注的前沿方向，它从包含目标的图像序列中检测并识别目标。因此，对图像中的目标进行检测和识别时需要大量的样本，这些样本来自于标注过目标和类别的图像。
[0003]现有技术中，对图像中的目标和类别进行标注时，一般是通过人工的方式来完成的，即通过人工在图像中包含的目标周围绘制矩形框，再给出该目标所属类别的方式来完成标注。
[0004]现有技术主要存在以下问题:第一，确定目标和给出类别都由同一人来完成，容易导致两种作业混淆，影响作业速度;第二，当样本数目增多时，作业速度较低。因此，现有技术存在的缺陷在于标注工作费事费力，作业速度较低。
【发明内容】
[0005]有鉴于此，本发明实施例提供一种样本标注方法和装置，以提高样本标注的作业速度。
[0006]第一方面，本发明实施例提供了一种样本标注方法，所述方法包括:
[0007]利用检测器模型对待标注图像进行检测，检测并标注出所述待标注图像中的目标；
[0008]利用识别器模型对所述目标进行类别判定，确定所述目标所属的类别。
[0009 ]第二方面，本发明实施例还提供了一种样本标注装置，所述装置包括:
[0010]目标标注模块，用于利用检测器模型对待标注图像进行检测，检测并标注出所述待标注图像中的目标；
[0011 ]类别判定模块，用于利用识别器模型对所述目标进行类别判定，确定所述目标所属的类别。
[0012]本发明实施例的技术方案，通过利用检测器模型对待标注图像进行检测，并标注出所述待标注图像中的目标，利用识别器模型对所述目标进行类别判定，确定所述目标所属的类别，不再需要人工进行标注，明显提高了样本标注的作业速度。
【附图说明】
[0013]图1是本发明实施例一提供的一种样本标注方法的流程图；
[0014]图2是本发明实施例二提供的一种样本标注方法的流程图；
[0015]图3是本发明实施例三提供的一种样本标注方法的流程图；
[0016]图4是本发明实施例四提供的一种样本标注方法的流程图；
[0017]图5是本发明实施例五提供的一种样本标注装置的结构示意图。
【具体实施方式】
[0018]下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容。
[0019]实施例一
[0020]图1是本发明实施例一提供的一种样本标注方法的流程图，本实施例可适用于对目标检测与识别中的样本进行标注的情况，该方法可以由计算机来执行，具体包括如下:
[0021]S110，利用检测器模型对待标注图像进行检测，检测并标注出所述待标注图像中的目标。
[0022]本实施例在对待标注图像进行标注的时候，依赖于已经训练完成的检测器模型。其中，检测器模型是一副包含目标的图像，目标可以根据需求而设定。
[0023]利用检测器模型与待标注图像进行匹配检测，确定待标注图像中是否包含目标，当待标注图像中包含目标时，用矩形框的形式标注出待标注图像中的目标。
[0024]其中，利用检测器模型对待标注图像进行检测，检测并标注出所述待标注图像中的目标优选包括:
[0025]根据检测器模型，确定扫描框；
[0026]利用所述扫描框对所述待标注图像进行扫描，将扫描到的图像利用检测器模型进行检测，确定扫描到的图像是否是目标；
[0027]将确定为目标的扫描图像标注出来。
[0028]根据检测器模型的大小，确定扫描框的大小，利用所述扫描框对所述待标注图像进行扫描，并将扫描到的图像与检测器模型进行匹配，当扫描到的图像与检测器模型匹配成功时，确定待标注图像中包含目标，扫描到的图像即为目标，将扫描到的图像用矩形框的形式标注出来。通过与检测器模型大小的扫描框扫描待标注图像，可以精确的确定待标注图像中是否包含目标，避免遗漏待标注图像中的目标。
[0029]S120，利用识别器模型对所述目标进行类别判定，确定所述目标所属的类别。
[0030]本实施例在对目标进行类别判定的时候，依赖于已经训练完成的识别器模型。
[0031]识别器模型包括相同的目标所属的多个类别(如检测器模型可以为人，而识别器模型可以为每个人的具体名字)，利用识别器模型对标注出的待标注图像中的目标进行类别判定，即将标注出的待标注图像中的目标与识别器模型进行匹配，当匹配成功时，确定所述识别器模型所属的类别为所述目标所属的具体类别。
[0032]本实施例的技术方案，通过利用检测器模型对待标注图像进行检测，并标注出所述待标注图像中的目标，利用识别器模型对所述目标进行类别判定，确定所述目标所属的类别，不再需要人工进行标注，明显提高了样本标注的作业速度。
[0033]在上述技术方案的基础上，在利用检测器模型对待标注图像进行检测之前，还优选包括:
[0034]对标注出目标的第一样本进行训练和学习，得到检测器模型。
[0035]对给出类别的第二样本进行训练和学习，得到识别器模型。
[0036]其中，目标可以根据需求而设定，第一样本是大量的标注出目标的图像，第二样本是大量的给出目标所述类别的图像。利用Adaboost、SVM(Support Vector Machine，支持向量机)、RCNN(Reg1n Convolut1nal Neural Networks，基于区域的卷积神经网络)等多种检测算法对标注出目标的第一样本进行训练和学习，得到检测器模型;利用Adab00st、SVM、CNN(Convolut1nal Neural Networks，卷积神经网络)等多种识别算法对已经给出类别的第二样本进行训练和学习，得到识别器模型。通过对大量的样本进行训练得到的检测模型和识别器模型比较精确。
[0037]其中，Adaboost是一种迭代算法，其核心思想是针对同一个训练集训练不同的弱分类器，然后把这些弱分类器集合起来，构成一个更强的最终分类器。SVM方法是通过一个非线性映射，把样本空间映射到一个高维乃至无穷维的特征空间中，使得在原来的样本空间中非线性可分的问题转化为在特征空间中的线性可分的问题。CNN是人工神经网络的一种，它的权值共享网络结构使之更类似于生物神经网络，降低了网络模型的复杂度，减少了权值的数量，该优点在网络的输入是多维图像时表现的更为明显，使图像可以直接作为网络的输入，卷积神经网络是为识别二维形状而特殊设计的一个多层感知器，这种网络结构对平移、比例缩放、倾斜或者共他形式的变形具有高度不变性。与传统CNN不同的是，RCNN将图片送入网络的同时将多个区域也送入网络。
[0038]实施例二
[0039]图2是本发明实施例二提供的一种样本标注方法的流程图，本实施例在实施例在实施例一的基础上，在将所述目标存入第一数据库中供标注人员进行标注之后，增加了提取目标并存储目标的内容，具体包括如下:
[0040]S210，利用检测器模型对待标注图像进行检测，检测并标注出所述待标注图像中的目标。
[0041 ] S220，提取出所述目标，并将所述目标存入第一数据库中供标注人员进行标注。
[0042]根据标注出目标的待标注图像，确定所述目标在所述待标注图像中的像素坐标，根据所述目标在所述待标注图像中的像素坐标，在所述待标注图像中提取出所述目标(即将所述待标注图像中的目标小图像裁剪出来)，并将所述目标存入第一数据库中，便于标注人员对所述目标进行标注，即由标注人员确定待标注图像中标注出的目标是否是正确的目标，即有利于标注人员对待标注图像中标注出的目标进行校正。
[0043]S230，利用识别器模型对所述目标进行类别判定，确定所述目标所属的类别。
[0044]本实施例的技术方案，在实施例一的基础上，在标注出所述待标注图像中的目标后，提取出所述目标，并将所述目标存入第一数据库中，有利于标注人员对所述目标进行校正。
[0045]在上述技术方案的基础上，在将所述目标存入第一数据库中供标注人员进行标注之后，还优选包括:
[0046]接收标注人员对所述目标的标注，将标注人员的标注结果存入第一样本库中。
[0047]标注人员可以对存入第一数据库中的目标进行标注，确定待标注图像中标注出的目标是否是正确的目标，在接收到标注人员对所述目标的标注后，将标注人员的标注结果(即将标注人员标注为正确目标的目标)作为第一样本存入第一样本库中，有利于后续根据第一样本库中的第一样本进行训练，得到检测器模型，即将标注人员校正后的目标作为样本，训练得到检测器模型，从而得到的检测器模型更加稳定、准确。
[0048]实施例三
[0049]图3是本发明实施例三提供的一种样本标注方法的流程图，本实施例在实施例在实施例一的基础上，在确定所述目标所属