[发明专利]一种标注框的修正方法、电子设备及存储介质

说明书

本发明实施例涉及数据处理领域，公开了一种标注框的修正方法、电子设备及存储介质。本申请的部分实施例中，标注框的修正方法包括：根据图像的标注框信息，确定图像的标注框之间的重叠信息，重叠信息指示图像的标注框之间是否重叠；根据图像的标注框之间的重叠信息，若确定图像中存在重叠的标注框，调整图像的标注框，以减小重叠的标注框之间的重叠面积。该实施例中，可以减小标注框之间的重叠面积，提高基于深度学习的目标检测算法的学习效果，提高识别准确率。

技术领域

本发明实施例涉及数据处理领域，特别涉及一种标注框的修正方法、电子设备及存储介质。

背景技术

鱼眼镜头是比标准镜头视角更大、焦距更短的一种特殊镜头。由于鱼眼镜头的视角大焦距短的结构特点，导致其采集到的鱼眼图像具有畸变。鱼眼图像中的物体发生严重形变，同一物体在鱼眼镜头视角范围内的不同位置中，形变不同，所以同一物体特征无法被传统目标检测识别算法直接使用。业内对鱼眼镜头的应用，主要将其作为视觉传感器，用在视频监控场景中。对于鱼眼镜头拍摄的图像，先使用畸变校正算法将由鱼眼镜头采集到的畸变鱼眼图像进行校正，将其校正成符合人眼视觉效果的图片，然后使用拼接算法将校正后的鱼眼图像进行拼接。由于鱼眼图像的校正算法直接影响校正效果，目前的校正算法的校正效果都有其自身的局限性，校正后的鱼眼图像仍然很难直接被传统的目标检测识别算法使用。因此，业内开始使用准确率更高的基于深度学习的目标检测识别算法。基于深度学习的目标检测识别算法的原理是：通过使用整理好的训练数据(图片和对应标注文件)来训练检测识别模型，用训练好的模型，对一张图片中的物体进行检测识别。训练数据要求尽量覆盖一个目标物体的各个特征。

然而，发明人发现现有技术中至少存在如下问题：目前，基于深度学习的图像算法的训练数据都是由标准镜头采集。物体在图片中由镜头导致的光学畸变几乎可以忽略不计。基于深度学习的算法很容易学习到固定一类物体特征，训练好的模型对无畸变的图片检测识别效果很好。当直接使用由鱼眼镜头采集到的畸变鱼眼图像作为训练数据训练检测识别模型时，由于鱼眼镜头的光学畸变，基于深度学习的目标检测识别算法对畸变鱼眼图像中同一类物体特征的学习效果不好。

发明内容

本发明实施方式的目的在于提供一种标注框的修正方法、电子设备及存储介质，使得能够减小标注框之间的重叠面积，提高基于深度学习的目标检测算法的学习效果，提高识别准确率。

为解决上述技术问题，本发明的实施方式提供了一种标注框的修正方法，包括以下步骤：根据图像的标注框信息，确定图像的标注框之间的重叠信息，重叠信息指示图像的标注框之间是否重叠；根据图像的标注框之间的重叠信息，若确定图像中存在重叠的标注框，调整图像的标注框，以减小重叠的标注框之间的重叠面积。

本发明的实施方式还提供了一种电子设备，包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述实施方式提及的修正方法。

本发明的实施方式还提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时实现上述实施方式提及的标注框的修正方法。

本发明实施方式相对于现有技术而言，基于图像的标注框之间的重叠信息，对图像中的标注框进行调整，减小标注框之间的重叠面积。由于图像中的标注框之间的重叠面积减小了，可以减少基于深度学习的目标检测算法将小标注框所标注的物体的特征学习成大标注框所标注的物体的特征的情况，提高基于深度学习的目标检测算法的学习效果，提高识别准确率。

另外，调整图像的标注框，以减小重叠的标注框之间的重叠面积，具体包括：针对任意两个重叠的标注框，分别进行以下操作：确定两个重叠的标注框中面积较大的标注框；根据预设的调整规则，调整面积较大的标注框的边界，以减小重叠的标注框之间的重叠面积。