[发明专利]一种图像分割模型训练样本数据集的获取方法及设备

说明书

本申请通过一种图像分割模型训练样本数据集的获取方法与设备，先获取若干样本图像，其中，每个样本图像由多个拼接图像组成，接着确定所述每个样本图像中各拼接图像之间的边界区域，并对所述每个样本图像标注标签，然后对标注标签后的每个样本图像进行降噪处理，最后将降噪处理后的全部样本图像及其对应的标签确定为所述图像分割模型的训练样本数据集。通过该方法得到的训练样本数据集训练分类回归神经网络模型获得图像分割模型，可以准确地识别及分割出由多个拼接图像采用拼接组合模式组合而成的图像中的各个拼接图像，可提高后续图像审核效率，降低人工复核率及人工复核成本，同时也可避免因复核人员易疲劳使得审核结果出错等弊端。

技术领域

本申请涉及计算机图像处理技术领域，尤其涉及一种图像分割模型训练样本数据集的获取的技术。

背景技术

在交通领域，为了节约存储空间、不需要占用太多传输带宽，由道路卡口等位置安装的摄像头拍摄的图像通常是将多张图像拼接成一张图像后本地存储或传输到后端，由人工审核是否存在违章违法行为。此类图像有各种拼接组合模式，如图1所示。

审核人员长时间工作后易疲劳，影响审核准确率，还需要安排人工复核，需要较多人力资源投入。目前也有采用基于深度学习的神经网络模型来智能识别及分割出各张拼接图像，以用于人工审核包含闯红绿灯、违法变道、压线、未系安全带、开车打电话、不礼让行人等各种常见违章违法行为，以提升人工审核效率。

但是，目前采用的图像智能识别及分割方法首先对图像的横向及纵向的特定位置(例如横向1/2位置，纵向1/4、1/3、1/2、2/3、3/4等位置)通过上下滑窗方式截取长条，如图2所示，然后对长条进行划分，并判断是否存在拼接图像边界，接着统计横向及纵向出现拼接图像边界的次数，以确定图像中各拼接图像的拼接组合模式，再在图像的相应位置进行滑窗黑边检测，最后根据检测出的黑边对图像进行分割。上述方法要求图像要有较高的质量，对于如R2C2(2行2列)、R2C3等对称拼接组合模式的图像的识别及分割具有较高的准确率，但是对于非对称拼接组合模式的图像，如品字形拼接组合模式等，或者光照不足等质量不佳的图像，会出现误识别情况，导致识别后分割出的拼接图像信息缺失，将会严重影响后续违章违法行为的审核。

发明内容

本申请的目的是提供一种图像分割模型训练样本数据集的获取方法与设备，用以解决现有技术中对非对称拼接组合图像的识别及分割效果不好的技术问题。

根据本申请的一个方面，提供了一种图像分割模型训练样本数据集的获取方法，其中，所述方法包括：

获取若干样本图像，其中，每个样本图像由多个拼接图像组成；

确定所述每个样本图像中各拼接图像之间的边界区域，并对所述每个样本图像标注标签；

对标注标签后的每个样本图像进行降噪处理；

将降噪处理后的全部样本图像及其对应的标签确定为所述图像分割模型的训练样本数据集。

可选地，其中，所述确定每个样本图像中各拼接图像之间的边界区域包括：

确定每个样本图像中各拼接图像之间的边界；

将所述边界对称扩充成预设像素宽度的边界区域。

可选地，其中，所述对所述每个样本图像标注标签包括：

将所述每个样本图像中的每个拼接图像、边界区域和/或黑边分别标注为背景、边界和/或黑边标签。

可选地，其中，所述将降噪处理后的全部样本图像及其对应的标签确定为所述图像分割模型的训练样本数据集包括：

基于RGBY的匹配系数，去除降噪处理后的全部样本图像中的冗余样本图像；

将去除冗余后的降噪处理后的全部样本图像及其对应的标签确定为所述图像分割模型的训练样本数据集。