[发明专利]自动化样本关键点标注方法、装置及系统

说明书

本申请提供一种自动化样本关键点标注方法、装置及系统，所述方法包括如下步骤：接收实时画面，并提取所述实时画面的SIFT特征；根据目标模板图像的SIFT特征与所述实时画面的SIFT特征，计算匹配点；根据所述匹配点计算目标模板图像到所述实时画面的透射变换矩阵；根据透射变换矩阵，计算目标模板图像中的关键点位置在实时画面中的位置；将实时画面与对应的关键点位置保存为样本数据。本发明利用现有模板匹配技术，实时匹配不同背景下目标与对应的关键点，批量采集高质量的图像‑关键点样本对。相较于传统手工标注样本，该方法能效率更高，且泛用性更好。

技术领域

本申请涉及计算机技术领域，具体涉及一种自动化样本关键点标注方法、装置及系统。

背景技术

当前深度学习技术极大的提升了工业界目标检测分类水平。目前主流的深度学习技术需要大量带有标注的样本训练，样本标注需要人工标注。特别是在关键点检测、语义分割领域，人工标注效率低下，且费用昂贵。并且在实际生产应用中，对特定物体的关键点检测有极大需求，但由于标注样本较少，导致现有的深度网络不能很好的训练，无法达到预期的目标。

目前深度神经网络在大量训练数据下，能达到和人类相媲美的精度，但深度神经网络的训练依赖大量的带有标签的训练样本。而在生产应用中，目标的种类往往根据生产任务发生变化，没办法采集大量的带有标签的样本数据。

发明内容

本发明提出一种自动化关键点标注技术，事先在目标模板上标注关键点，通过特征点匹配方法，将相机画面中，不同背景下的目标图片自动叠加标注，产生大量图像-标签对，可以有效解决深度神经网络模型训练样本不足的问题。

本申请的目的是提供一种自动化样本关键点标注方法及装置、系统。

本申请第一方面提供一种自动化样本关键点标注方法，包括如下步骤：

接收实时画面，并提取所述实时画面的SIFT特征；

根据目标模板图像的SIFT特征与所述实时画面的SIFT特征，计算匹配点；

根据所述匹配点计算目标模板图像到所述实时画面的透射变换矩阵；

根据透射变换矩阵，计算目标模板图像中的关键点位置在实时画面中的位置；

将实时画面与对应的关键点位置保存为样本数据。

在本发明的一些实施例中，所述计算匹配点的方法采用RANSAC算法，根据一组包含异常数据的样本数据集，计算出数据的数学模型参数，得到有效样本数据。

在本发明的一些实施例中，所述实时画面为通过相机拍摄的目标物体在背景生成装置上的图像。

在本发明的一些实施例中，所述背景生成装置是一个水平放置的背景显示装置，用于生成多种背景图像，使得所述目标物体叠加在不同背景中。

在本发明的一些实施例中，在相机接收实时画面，并提取所述实时画面的 SIFT特征之前，进一步包括：

打开背景生成装置，使得背景生成装置显示空白背景，在空白背景中采集目标物体的图像，作为目标模板图像，在目标模板图像上标注出关键点位置，并计算目标模板图像的SIFT特征。

在本发明的一些实施例中，所述SIFT特征计算包括以下步骤：

尺度空间极值检测，搜索所有尺度上的图像位置，通过高斯微分函数来识别潜在的对于尺度和旋转不变的兴趣点；

关键点定位，在每个候选的位置上，通过一个拟合精细的模型来确定位置和尺度；

方向确定，基于图像局部的梯度方向，分配给每个关键点位置一个或多个方向；

关键点描述，在每个关键点周围的邻域内，在选定的尺度上测量图像局部的梯度。