[发明专利]图像数据目标检测倾斜框自动标注方法及系统

说明书

本发明提供一种图像数据目标检测倾斜框自动标注方法及系统，其中标注方法包括采集目标物图像以及目标物和图像采集器的相关信息；计算目标物最小外接长方体各顶点的世界坐标；根据目标物最小外接长方体各顶点的像素坐标，确定目标物最小外接长方体各顶点在像素坐标系下最小矩形包围框各参考顶点的像素坐标；根据最小矩形包围框各参考顶点的像素坐标计算目标检测倾斜框的边长以及目标检测倾斜框的倾斜角度，并基于获取的目标检测倾斜框中心点的像素坐标、所述边长和所述倾斜角度生成目标检测倾斜框。该方法及系统能够在无需人为干预的前提下，真正实现了带有倾斜角度的目标检测倾斜框的自动化生成；还可简化操作流程，保证标注的准确性。

技术领域

本发明属于图像处理技术领域，具体涉及一种图像数据目标检测倾斜框自动标注方法及系统。

背景技术

现有技术中监督学习需要大量的标注数据，可以完全由人工标注，也可以由机器自动标注，也可以人机混合。这三种模式分别称为人工标注，自动标注和半自动标注。例如在自动驾驶中感知系统对标注需求很大，尤其是障碍物感知。其自动标注主要可利用不同传感器之间的相互标注。障碍物感知有三大主流传感器：激光雷达(LiDAR)，相机(Camera)，毫米波雷达(Radar)。从自动标注的数据流向来看，一般是依靠激光雷达和毫米波雷达给相机标注，这种自动标注方法需要额外激光雷达或者毫米波雷达的配合才能完成。

基于深度学习的目标检测需要大量的标注数据对深度神经网络进行训练。原始数据可以通过利用相机或者摄像头采集或者从网上公开下载图像，但是原始数据是不能直接用来训练的。原始数据只有经过标注之后才能用来训练目标检测模型。数据标注是一件非常繁琐且耗时的工作，这也使得进行深度学习研究的成本异常高。

现有科研人员对数据自动化标注的研究主要采用如下思路：1、以一个初步模型对小批量待标注数据进行检测，这里的初步模型可以是自己用少批量数据集训练出来的，也可以用网上公布的；2、对检测出来的结果进行人为干预纠正；3、把纠正后的数据训练新的模型；4、用新模型对中等批量待测数据进行检测；5、重复执行1～4。通过1～5步骤的循环迭代，可以逐步求精。虽然可以极大减少工作量但是也需要人工参与，并且需要重复多次。先采取以上思路对小批量数据进行标注学习训练，然后以学习结果去标注剩下的数据集，最后进行人工纠正迭代求精。这种目标检测数据标注方法并不能完全脱离人工，仍是一种半自动化的数据标注方法，因此要想实现对目标检测数据进行准确的自动标注，首先需要能够自动生成准确的目标检测框，基于目标检测框再进一步实现对目标物类别的自动标注。

发明内容

为了克服现有技术的上述缺陷，本发明的目的在于提供一种图像数据目标检测倾斜框自动标注方法及系统，该方法及系统用于解决现有技术中需要人为干预，流程繁琐且耗时的问题。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。

为了实现上述发明目的，本发明提出了一种图像数据目标检测倾斜框自动标注方法，其改进之处在于，包括下述步骤：

采集目标物图像，并获取目标物的长度、宽度和高度，以及目标物中心点的世界坐标、目标物的姿态信息、图像采集器的世界坐标和图像采集器的姿态信息；

根据目标物的长度、宽度和高度，以及目标物中心点的世界坐标、目标物的姿态信息、图像采集器的世界坐标和图像采集器的姿态信息，通过坐标变换获得目标物最小外接长方体各顶点的像素坐标；

根据目标物最小外接长方体各顶点的像素坐标，确定目标物最小外接长方体各顶点在像素坐标系下最小矩形包围框各参考顶点的像素坐标；

根据最小矩形包围框各参考顶点的像素坐标计算目标检测倾斜框的边长以及目标检测倾斜框的倾斜角度，并基于获取的目标检测倾斜框中心点的像素坐标、所述边长和所述倾斜角度生成目标检测倾斜框；