[发明专利]图像数据的标注方法、装置、设备及存储介质在审
申请号: | 201911011720.7 | 申请日: | 2019-10-23 |
公开(公告)号: | CN110765942A | 公开(公告)日: | 2020-02-07 |
发明(设计)人: | 张军;董健;李帅;丁明旭 | 申请(专利权)人: | 睿魔智能科技(深圳)有限公司 |
主分类号: | G06K9/00 | 分类号: | G06K9/00;G06K9/62 |
代理公司: | 11332 北京品源专利代理有限公司 | 代理人: | 孟金喆 |
地址: | 518027 广东省深圳市前*** | 国省代码: | 广东;44 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 标注 关节特征 图像数据 姿态集合 向量 图像数据标注 人体图像 存储介质 复杂度 归类 聚类 | ||
本发明实施例公开了一种图像数据的标注方法、装置、设备及存储介质。其中方法包括:对待标注人体图像集中人体的关节特征向量进行姿态聚类,得到至少两个代表性姿态;将待标注人体图像集中人体的关节特征向量归类到至少两个代表性姿态中,得到至少两个代表性姿态集合;对至少两个代表性姿态集合对应的代表性姿态进行特殊动作标注,并以标注作为代表性姿态集合中人体的关节特征向量的标注。本发明实施例实现对图像数据的批量标注,避免了人工对每张图像数据进行逐一标注,简化了图像数据标注的复杂度,提高标注效率,节省图像数据标注花费的时间和成本。
技术领域
本发明实施例涉及图像处理技术领域,尤其涉及一种图像数据的标注方法、装置、设备及存储介质。
背景技术
随着深度学习和大数据技术的不断发展,神经网络模型的应用越来越广泛。例如应用于图像识别、音频识别、姿态预测等领域。神经网络模型使用前需要使用大量标注的数据样本进行训练。然而,相关技术中,通常是基于人工对每个数据样本进行逐一标注,这就使得对数据样本进行标注时,存在花费时间长、复杂度高、效率低等问题。
发明内容
本发明实施例提供一种图像数据的标注方法、装置、设备及存储介质,实现对图像数据的批量标注,避免了人工对每张图像数据进行逐一标注,简化了图像数据标注的复杂度,提高标注效率,节省图像数据标注花费的时间和成本。
第一方面,本发明实施例提供了一种图像数据的标注方法,该方法包括:
对待标注人体图像集中人体的关节特征向量进行姿态聚类,得到至少两个代表性姿态;
将所述待标注人体图像集中人体的关节特征向量归类到所述至少两个代表性姿态中,得到至少两个代表性姿态集合;
对所述至少两个代表性姿态集合对应的代表性姿态进行特殊动作标注,并以所述标注作为所述代表性姿态集合中人体的关节特征向量的标注。
第二方面,本发明实施例还提供了一种图像数据的标注装置,该装置包括:
聚类模块,用于对待标注人体图像集中人体的关节特征向量进行姿态聚类,得到至少两个代表性姿态;
归类模块,用于将所述待标注人体图像集中人体的关节特征向量归类到所述至少两个代表性姿态中,得到至少两个代表性姿态集合;
标注模块,用于对所述至少两个代表性姿态集合对应的代表性姿态进行特殊动作标注,并以所述标注作为所述代表性姿态集合中人体的关节特征向量的标注。
第三方面,本发明实施例还提供了一种计算机设备,该计算机设备包括:包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如第一方面实施例所述的图像数据的标注方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序包括程序指令,所述程序指令被处理器执行时以第一方面实施例所述的图像数据的标注方法。
本发明实施例公开的技术方案,具有如下有益效果:
本发明通过对待标注人体图像集中人体的关节特征向量进行姿态聚类,得到至少两个代表性姿态,并将待标注人体图像集中人体的关节特征向量归类到至少两个代表性姿态中,以得到至少两个代表性姿态集合中,然后对至少两个代表性姿态集合对应的代表性姿态进行特殊动作标注,并将标注作为代表性姿态集合中人体的关节特征向量的标注。由此,通过对不同代表性姿态集合对应的代表性姿态进行特殊动作标注,即可完成对各代表性姿态集合中所有人体的关节特征向量的标注,从而实现了对图像数据的批量标注,避免了人工对每张图像数据进行逐一标注,简化了图像数据标注的复杂度,提高标注效率,节省图像数据标注花费的时间和成本。
附图说明
图1是本发明实施例一提供的一种图像数据的标注方法的流程示意图;
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于睿魔智能科技(深圳)有限公司,未经睿魔智能科技(深圳)有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201911011720.7/2.html,转载请声明来源钻瓜专利网。