CN109829969A - 一种数据获取方法、装置及存储介质 - Google Patents

Abstract

本发明提供了一种数据获取方法、装置及存储介质，该方法包括：获取待识别物体和待识别物体对应的图像信息；根据待识别物体和所述图像信息，生成待识别物体对应的多个3D模型，多个3D模型包括多个待识别物体在多个场景下的3D图像；根据多个3D模型，分别采集在各3D模型中标识待识别物体的位置、尺寸和类型中至少一者的第一标签；根据多个3D模型和第一标签，获取待识别物体对应的多个2D图像和各2D图像的标签信息；多个2D图像和各2D图像的标签信息用于训练深度学习模型。因此，能够获取到具有精准的标签信息的样本数据，且省去了大量人工进行标注的操作，提高数据的标签准确性同时简化数据的确定操作，降低人工投入。

Description

一种数据获取方法、装置及存储介质

技术领域

本发明属于图像处理领域，特别是涉及一种数据获取方法、装置及存储介质。

背景技术

在现有技术中，对深度学***衡、没有标签、标签不准确以及数据的类型单一等(如图像分辨率)问题，则需要开发人员进行相对应的数据清洗工作；同时，在以上人工标注过程中，会耗费大量的人力物力，然而也无法保证标注的质量与完整性。

发明内容

有鉴于此，本发明提供一种数据获取方法、装置及存储介质，以便解决现有技术存在的数据集获取过程复杂且质量不高的问题。

依据本发明的第一方面，提供了一种数据获取方法，该方法可以包括：

获取待识别物体和所述待识别物体对应的图像信息；

根据所述待识别物体和所述图像信息，生成所述待识别物体对应的多个3D模型，所述多个3D模型包括多个所述待识别物体在多个场景下的3D图像；

根据所述多个3D模型，分别采集在各3D模型中标识所述待识别物体的位置、尺寸和类型中至少一者的第一标签；

根据所述多个3D模型和所述第一标签，获取所述待识别物体对应的多个2D图像和各2D图像的标签信息；所述多个2D图像和各2D图像的标签信息用于训练深度学习模型。

依据本发明的第二方面，提供了一种数据获取装置，该装置可以包括：

物体获取模块，用于获取待识别物体和所述待识别物体对应的图像信息；

3D模型生成模块，用于根据所述待识别物体和所述图像信息，生成所述待识别物体对应的多个3D模型，所述多个3D模型包括多个所述待识别物体在多个场景下的3D图像；

标签采集模块，用于根据所述多个3D模型，分别采集在各3D模型中标识所述待识别物体的位置、尺寸和类型中至少一者的第一标签；

2D数据获取模块，用于根据所述多个3D模型和所述第一标签，获取所述待识别物体的多个2D图像和各2D图像的标签信息；所述多个2D图像和各2D图像的标签信息用于训练深度学习模型。

依据本发明的第三方面，提供了一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的数据获取方法的步骤。

针对在先技术，本发明具备如下优点：

根据获取到的待识别物体和对应的图像信息，生成在多个场景下的多个3D模型，尽可能多的构建不同场景并且对待识别物体进行多个建模，以丰富图像样本数据，并且基于所生成的多个3D模型记录在其中绘制的待识别物体的第一标签，以用于在将3D模型投影到2D图像之后，对应计算确定2D图像的标签信息，便于对于深度学习模型的训练，不仅使得获取到的样本数据具有精准的标签信息，而且省去了大量人工进行标注的操作，提高数据的标签准确性同时简化数据的确定操作，降低人工投入。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1是本发明实施例提供的一种数据获取方法的步骤流程图；

图2是本发明实施例提供的一种数据获取方法的具体步骤流程图；

图3是本发明实施例提供的一种数据获取方法的具体步骤流程图；

图4是本发明实施例提供的一种数据获取方法的具体步骤流程图；

图5是本发明实施例提供的一种数据获取装置的框图。

具体实施方式

下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。

图1是本发明实施例提供的一种数据获取方法的步骤流程图，如图1所示，该方法可以包括：

步骤101，获取待识别物体和待识别物体对应的图像信息。

在具体应用中，一般在训练深度学习模型时，需要采集采集具有针对性的训练数据，也就是根据实际的应用场景采集对应的训练数据。其中，深度学习模型有三种基本模型，分别是多层感知机(缩写：MLP，英文：Multi-layer Perceptron)，卷积神经网络(缩写：CNN，英文：Convolutional Neural Network)以及循环神经网络(缩写：RNN，英文：Recurrent Neural Network)。以CNN为例，其被广泛应用在图像识别、目标检测、人脸识别等诸多计算机视觉领域中，而在一个CNN网络模型被应用在实际的图像识别之前，需要采集训练数据对初始的CNN网络模型进行训练，优化网络模型中的参数，以生成具有稳定输出的CNN网络模型。例如利用CNN网络进行人脸识别时，所采集的训练数据应是大量的人脸图像数据，因此，在确定用于训练深度学习模型的训练数据集时，需要根据该深度学习模型对应的待识别物体进行，例如是人物、动物，还是其他物体，如车辆、家具等，从而能够针对性的获取图像信息，进而在下面步骤进行3D图像的绘制时，能够基于实际情况进行扩展建模，避免降低3D建模的真实性和有效性。

在本发明实施例中，待识别物体对应的图像信息中包括多种形态和/或种类和/或外形的待识别物体所对应的多个2D/3D图像。

在具体应用过程中，由于深度学习模型所能够学习到的特征均为抽象特征，并且在图形学中是以近似的场景集合进行绘制以对真实场景进行建模，因此基于待识别物体的图像信息的真实场景和实际特征，确定出对应的多个2D/3D图像。示例地，当待识别物体为猫，采集各类型的猫的图像数据，如10种不同品种的猫的图片，数量均为1万张，每张的尺寸为224*224，例如基于上述1万张图片，可以建立猫的3D模型，以模拟猫的各种形态，躺、坐、卧、跑等；或者还可以是各种各样的真实猫的2D图像，而在下面3D绘制步骤中，对应生成3D图像。例如，对于待识别物体为猫的情况下，对应的图像信息中包括不同的品种、花色、尺寸大小等猫的2D/3D图像。

将获取到的待识别物体所对应的多种形态和/或种类和/或外形的多个2D/3D图像，作为下面步骤构建多个3D模型的基础依据，使得在之后步骤中构建出的3D模型能够符合实际情况，不会出现非现实内容，使得训练数据具有针对性的同时具有可使用性。

步骤102，根据待识别物体和图像信息，生成待识别物体对应的多个3D模型。

其中，多个3D模型包括多个待识别物体在多个场景下的3D图像。

示例地，根据步骤101确定待识别物体为猫，再基于从10种不同的猫，每种1万张的图片中确定待识别物体(猫)对应的模型后，利用3D绘图算法，例如是纹理映射算法进行3D建模，生成待识别物体在不同场景下的多个3D模型；不同预设场景是针对待识别物体对应设计的，并进行了场景多种组合，以确保尽可能多的生成3D模型，丰富数据集的样本内容，更加贴合实际情况。

此外，通常一个预设场景可以理解为猫趴(坐、卧、跑)在桌子上、猫趴(坐、卧、跑)在床上或者猫趴(坐、卧、跑)在地板上等，实际在本步骤生成3D模型时，还会对这些预设场景进行组合，例如在一个3D图像中设置有桌子、椅子、床，猫在其中的形态包括跑、坐、卧、趴等等，多个猫的品种、花色等，也就是说可以对猫可能出现的场景进行设计并组合，如设计猫在书桌上、猫在沙发上、猫在跑动以及猫窝在角落里等场景，再进行多种组合，在一个3D模型中组合多个猫在沙发上、猫在跑动以及猫窝在角落里的场景，还可以在一个3D模型中出现多个猫，包括多个不同品种，进而建模生成3D模型，尽可能的丰富场景中的内容，模拟可能出现的场景。

步骤103，根据多个3D模型，分别采集在各3D模型中标识待识别物体的位置、尺寸和类型中至少一者的第一标签。

在具体应用中，在构建3D模型时，是根据预设好的场景进行待识别物体的添加，因此在生成3D模型的同时，采集并记录其中用于标识待识别物体的位置、尺寸和类型中一者或者多者的第一标签，利用图表工具，例如是excel进行详细记录，以作为训练数据的标签，能够用于对深度学习模型的训练。

示例地，记录在生成一个3D模型时，将一只三色花猫放在了坐标为第一点的坐标为：0.23，4.67，3.25；第二点的坐标为：0.23，16.78，78.5；以及第三点的坐标为89.2，7.89，67.5的位置，对应的第一标签为上述三点的坐标以及三色花猫。

步骤104，根据多个3D模型和第一标签，获取待识别物体对应的多个2D图像和各2D图像的标签信息。

其中，多个2D图像和各2D图像的标签信息用于训练深度学习模型。

在具体应用场景下，通过上述步骤生成了3D模型数据集之后，可以对3D模型进行2D投影，例如通过文理投影映射的方式获取其对应的2D图像，作为用于训练深度学习模型的目标数据集，其可以是图像或者视频格式的，同时由于步骤103是基于步骤102所确定的多个3D模型是基于设计好的场景以及待识别物体记录的第一标签，进而生成精确标签信息，能够将2D图像和各2D图像对应的标签信息用于对深度学习模型进行有效训练，进而在保证标签信息的准确性前提下，避免大量人力投入进行图像标记的过程。

需要说明的是，本发明提出的数据获取方法，是针对深度学习模型对应的待识别物体应用场景，尽可能多的构建不同场景并且对待识别物体进行多个建模，以丰富图像样本数据，并且基于所生成的多个3D模型记录在其中绘制的待识别物体的第一标签，以用于在将3D模型投影到2D图像之后，对应计算确定2D图像的标签信息，确保获取到的标签信息准确有效。

综上所述，本发明提供的数据获取方法，获取待识别物体和待识别物体对应的图像信息；根据待识别物体和所述图像信息，生成待识别物体对应的多个3D模型，多个3D模型包括多个待识别物体在多个场景下的3D图像；根据多个3D模型，分别采集在各3D模型中标识待识别物体的位置、尺寸和类型中至少一者的第一标签；根据多个3D模型和第一标签，获取待识别物体对应的多个2D图像和各2D图像的标签信息；多个2D图像和各2D图像的标签信息用于训练深度学习模型。因此，将3D模型投影到2D所获取到的2D图像作为训练深度学习模型的图像数据，以获取到数据源丰富的且逼真的训练数据，并且将对应该投影所计算出的标签信息作为训练数据的标签，而避免人工标注可能对标签信息产生的误差，提升标签信息的准确性，进而简化数据的确定操作，降低人工投入。

可选的，图2是本发明实施例提供的一种数据获取方法的具体步骤流程图，如图2所示，步骤102所述的根据待识别物体和图像信息，生成待识别物体对应的多个3D模型，可以包括：

步骤1021，利用预设的场景设置规则，设置对应待识别物体的多个场景。

在具体应用中，不同的待识别物体适应于不同的场景，预设的场景设置规则用于限制场景符合实际的自然规律，其中包括对待识别物体出现的位置、对应尺寸、比例等内容的限制，场景设置规则的原则是基于待识别物体对应的图像信息以及待识别物体本身的特性，在不违背自然规律的条件下设置尽可能多的对应预设场景，同时还进行场景的扩展和微调，以进一步丰富建模的场景，以解决现有的训练数据集单一、类别不平衡的问题。

示例地，猫会比一般的小茶杯大，猫不会出现在天上、猫在床上趴着所占的比例有限等设置规则，对应为猫这个待识别物体设定对应的多个场景，以确保生成的3D模型的真实有效性。

步骤1022，根据多个场景，对图像信息进行绘图处理，以生成用于绘制3D模型的目标图像。

其中，绘图处理包括平移、旋转以及变形中的至少一者。

在具体应用中，根据对应场景不同，需要对图像信息进行处理，以保证其在对应场景内的适合性和真实性，因此，可以对应场景进行图像信息的绘图处理，例如对图像信息进行放大、缩小以适合该场景下的尺寸，对其进行平移、旋转以符合该场景内容，通过绘图处理，能够优化在3D模型的生成质量。

步骤1023，调用3D绘图算法，绘制目标图像在多个场景中的多个3D模型。

其中，3D绘图算法包括纹理映射算法和阴影映射算法中的至少一者。

示例地，将步骤1022确定的目标图像加入到多个预设场景下进行建模，生成对应的3D模型。

在具体应用中，纹理映射算法(Texture Mapping)是一种将图形绘制(映射)到表面的技术，能够显著地增加所绘制场景的细节和真实感，通过定义纹理对象，以生成纹理对象数组，再通过选择纹理对象，来完成该纹理对象的定义，之后在绘制景物之前，为该景物加载相应的纹理，最终实现纹理映射操作。阴影映射算法(Shadow Mapping)是在场景中产生物体阴影的技术，以增加场景的真实感和空间感。以光的位置作为视角进行场景的渲染，由于在程序中设置了深度缓冲，所以被遮挡的物体，或者物体的一部分不会被看到，也就是说看不到的地方，就是场景中物体的阴影，可以使用深度缓冲技术获得每个碎片的深度值(一般为0到1之间)，阴影部分的深度值肯定比对应位置的遮挡物的深度值大，同时将深度值信息存储到纹理中，也就是阴影贴图。利用Texture Mapping和Shadow Mapping对目标图像进行3D建模，例如生成多只猫以不同的形态在房间里的3D模型，每只猫还可以对应设置不同的尺寸、花色、品种等。

可选的，图3是本发明实施例提供的一种数据获取方法的具体步骤流程图，如图3所示，步骤104所述的根据多个3D模型和第一标签，获取待识别物体对应的多个2D图像和各2D图像的标签信息，可以包括：

步骤1031，对多个3D模型进行2D投影，以获取预设格式的多个2D图像。

其中，预设格式包括图片格式或者视频格式。

示例地，根据3D模型进行投影确定对应的2D图像，例如采用投影纹理映射(Projective Texture Mapping)方式将3D模型投影出2D格式，用于训练深度学习模型，基于3D模型所生成2D图像，增加了图像本身的真实性，并丰富了数据空间。

步骤1032，根据多个2D图像，利用第一标签对应确定标签信息。

其中，标签信息包括待识别物体在各2D图像中的位置信息、尺寸信息以及类型信息中的至少一者。

可选的，该步骤如图4所示，包括以下步骤：

步骤10321，在第一标签为用于标识待识别物体的大小和/或位置的情况下，基于对3D模型进行2D投影时的投影关系以及第一标签，获取待识别物体在投影后的尺寸信息和/或位置信息；和/或，在第一标签为用于标识待识别物体的类型的情况下，将该类型作为类型信息。

示例地，由于尺寸信息和位置信息与3D模型到2D图像的投影关系相关，例如利用投影纹理映射时所选取的参数不同，导致投影角度、投影深度等不同而生成不同的尺寸和位置信息，进而通过对第一标签进行映射计算确定投影后的尺寸信息和/或位置信息，也就是待识别物体在2D图像中的具体尺寸和/或位置；而待识别物体的类型在投影后并不产生变化，因此可以直接确定为类型信息。

步骤10322，将获取的尺寸信息和/或位置信息和/或类型信息作为标签信息。

示例地，将步骤10321获取到的尺寸信息和/或位置信息和/或类型信息均作为标签信息，所获取到的训练数据的对应标签是精确而且完善的，能够保证对深度学习模型的训练质量。

图5是本发明实施例提供的一种数据获取装置的框图，如图5所示，该装置500包括：

物体获取模块510，用于获取待识别物体和待识别物体对应的图像信息。

3D模型生成模块520，用于根据待识别物体和图像信息，生成待识别物体对应的多个3D模型，该多个3D模型包括多个待识别物体在多个场景下的3D图像。

标签采集模块530，用于根据多个3D模型，分别采集在各3D模型中标识待识别物体的位置、尺寸和类型中至少一者的第一标签。

2D数据获取模块540，用于根据多个3D模型和第一标签，获取待识别物体的多个2D图像和各2D图像的标签信息；多个2D图像和各2D图像的标签信息用于训练深度学习模型。

可选的，待识别物体对应的图像信息中包括多种形态和/或种类和/或外形的待识别物体所对应的多个2D/3D图像。

该3D模型生成模块520包括：

场景设置子模块，用于利用预设的场景设置规则，设置对应待识别物体的多个场景。

图像处理子模块，用于根据多个场景，对图像信息进行绘图处理，以生成用于绘制3D模型的目标图像，绘图处理包括平移、旋转以及变形中的至少一者。

图像绘制子模块，用于调用3D绘图算法，绘制目标图像在多个场景中的多个3D模型。

其中，3D绘图算法包括纹理映射算法和阴影映射算法中的至少一者。

可选的，2D数据获取模块540，包括：

投影子模块，用于对多个3D模型进行2D投影，以获取预设格式的多个2D图像，预设格式包括图片格式或者视频格式；

标签确定子模块，用于根据多个2D图像，利用第一标签对应确定标签信息。

可选的，标签信息包括待识别物体在各2D图像中的位置信息、尺寸信息以及类型信息中的至少一者，该标签确定子模块，包括：

尺寸位置确定单元，用于基于对3D模型进行2D投影时的投影关系以及第一标签，获取待识别物体在投影后的尺寸信息和/或位置信息；和/或，在第一标签为用于标识待识别物体的类型的情况下，将类型作为类型信息。

信息确定单元，用于将获取的尺寸信息和/或位置信息和/或类型信息作为标签信息。

另外，本发明实施例还提供一种终端，包括处理器，存储器，存储在存储器上并可在处理上运行的计算机程序，该计算机程序被处理器执行时实现上述的数据获取方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述的数据获取方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述的计算机可读存储介质，可以为只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等。

对于上述装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

本领域技术人员易于想到的是：上述各个实施例的任意组合应用都是可行的，故上述各个实施例之间的任意组合都是本发明的实施方案，但是由于篇幅限制，本说明书在此就不一一详述了。

在此提供的数据获取方法不与任何特定计算机、虚拟***或者其它设备固有相关。各种通用***也可以与基于在此的示教一起使用。根据上面的描述，构造具有本发明方案的***所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的数据获取方法中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

Claims (11)

1.一种数据获取方法，其特征在于，所述方法包括：

获取待识别物体和所述待识别物体对应的图像信息；

根据所述待识别物体和所述图像信息，生成所述待识别物体对应的多个3D模型，所述多个3D模型包括多个所述待识别物体在多个场景下的3D图像；

根据所述多个3D模型，分别采集在各3D模型中标识所述待识别物体的位置、尺寸和类型中至少一者的第一标签；

根据所述多个3D模型和所述第一标签，获取所述待识别物体对应的多个2D图像和各2D图像的标签信息；所述多个2D图像和各2D图像的标签信息用于训练深度学习模型。

2.根据权利要求1所述的方法，其特征在于，所述待识别物体对应的图像信息中包括多种形态和/或种类和/或外形的所述待识别物体所对应的多个2D/3D图像。

3.根据权利要求2所述的方法，其特征在于，所述根据所述待识别物体和所述图像信息，生成所述待识别物体对应的多个3D模型，包括：

利用预设的场景设置规则，设置对应所述待识别物体的所述多个场景；

根据所述多个场景，对所述图像信息进行绘图处理，以生成用于绘制所述3D模型的目标图像，所述绘图处理包括平移、旋转以及变形中的至少一者；

调用3D绘图算法，绘制所述目标图像在所述多个场景中的所述多个3D模型；

其中，所述3D绘图算法包括纹理映射算法和阴影映射算法中的至少一个。

4.根据权利要求1所述的方法，其特征在于，所述根据所述多个3D模型和所述第一标签，获取所述待识别物体的多个2D图像和各2D图像的标签信息，包括：

对所述多个3D模型进行2D投影，以获取预设格式的所述多个2D图像，所述预设格式包括图片格式或者视频格式；

根据所述多个2D图像，利用所述第一标签对应确定所述标签信息。

5.根据权利要求4所述的方法，其特征在于，所述标签信息包括所述待识别物体在所述各2D图像中的位置信息、尺寸信息以及类型信息中的至少一者，所述根据所述多个2D图像，利用所述第一标签对应确定所述标签信息，包括：

在所述第一标签为用于标识所述待识别物体的大小和/或位置的情况下，基于对3D模型进行2D投影时的投影关系以及所述第一标签，获取所述待识别物体在所述投影后的尺寸信息和/或位置信息；和/或，在所述第一标签为用于标识所述待识别物体的类型的情况下，将所述类型作为所述类型信息；

将获取的所述尺寸信息和/或位置信息和/或类型信息作为所述标签信息。

6.一种数据获取装置，其特征在于，所述装置包括：

物体获取模块，用于获取待识别物体和所述待识别物体对应的图像信息；

3D模型生成模块，用于根据所述待识别物体和所述图像信息，生成所述待识别物体对应的多个3D模型，所述多个3D模型包括多个所述待识别物体在多个场景下的3D图像；

标签采集模块，用于根据所述多个3D模型，分别采集在各3D模型中标识所述待识别物体的位置、尺寸和类型中至少一者的第一标签；

2D数据获取模块，用于根据所述多个3D模型和所述第一标签，获取所述待识别物体的多个2D图像和各2D图像的标签信息；所述多个2D图像和各2D图像的标签信息用于训练深度学习模型。

7.根据权利要求6所述的装置，其特征在于，所述待识别物体对应的图像信息中包括多种形态和/或种类和/或外形的所述待识别物体所对应的多个2D/3D图像。

8.根据权利要求7所述的装置，其特征在于，所述3D模型生成模块，包括：

场景设置子模块，用于利用预设的场景设置规则，设置对应所述待识别物体的所述多个场景；

图像处理子模块，用于根据所述多个场景，对所述图像信息进行绘图处理，以生成用于绘制所述3D模型的目标图像，所述绘图处理包括平移、旋转以及变形中的至少一者；

图像绘制子模块，用于调用3D绘图算法，绘制所述目标图像在所述多个场景中的所述多个3D模型；

其中，所述3D绘图算法包括纹理映射算法和阴影映射算法中的至少一者。

9.根据权利要求6所述的装置，其特征在于，所述2D数据获取模块，包括：

投影子模块，用于对所述多个3D模型进行2D投影，以获取预设格式的所述多个2D图像，所述预设格式包括图片格式或者视频格式；

标签确定子模块，用于根据所述多个2D图像，利用所述第一标签对应确定所述标签信息。

10.根据权利要求9所述的装置，其特征在于，所述标签信息包括所述待识别物体在所述各2D图像中的位置信息、尺寸信息以及类型信息中的至少一者，所述标签确定子模块，包括：

尺寸位置确定单元，用于基于对3D模型进行2D投影时的投影关系以及所述第一标签，获取所述待识别物体在所述投影后的尺寸信息和/或位置信息；和/或，在所述第一标签为用于标识所述待识别物体的类型的情况下，将所述类型作为所述类型信息；

信息确定单元，用于将获取的所述尺寸信息和/或位置信息和/或类型信息作为所述标签信息。

11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的数据获取方法的步骤。