CN111191708A - 自动化样本关键点标注方法、装置及*** - Google Patents
自动化样本关键点标注方法、装置及*** Download PDFInfo
- Publication number
- CN111191708A CN111191708A CN201911359192.4A CN201911359192A CN111191708A CN 111191708 A CN111191708 A CN 111191708A CN 201911359192 A CN201911359192 A CN 201911359192A CN 111191708 A CN111191708 A CN 111191708A
- Authority
- CN
- China
- Prior art keywords
- real
- time picture
- key point
- calculating
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000002372 labelling Methods 0.000 claims abstract description 22
- 239000011159 matrix material Substances 0.000 claims abstract description 18
- 230000009466 transformation Effects 0.000 claims abstract description 15
- 230000005540 biological transmission Effects 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 7
- 230000008901 benefit Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 6
- 238000012549 training Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种自动化样本关键点标注方法、装置及***，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。
Description
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***。
背景技术
当前深度学***。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、***。
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。
在本发明的一些实施例中，所述背景生成装置随机投放不同背景图像。
本申请第二方面提供一种自动化样本关键点标注装置，包括：
SIFT特征提取模块，用于接收实时画面，并提取所述实时画面的SIFT特征；
匹配点计算模块，用于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；
矩阵计算模块，用于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；
对应位置计算模块，用于根据透射变换矩阵，计算目标模板图像中的关键点位置在实时画面中的位置；
数据保存模块，用于将实时画面与对应的关键点位置保存为样本数据。
本申请第三方面提供一种自动化样本关键点标注***，包括：
上述第二方面中的自动化样本关键点标注装置；
背景生成装置；
目标物体，放置于所述背景生成装置上；
相机，位置不固定，用于拍摄所述背景生成装置和目标物体的实时图像。
与现有技术相比，本发明公开的一种自动化样本关键点标注方法，具有如下有益效果：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。
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，而并不认为是对本申请的限制。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示出了本申请的一些实施方式所提供的一种自动化样本关键点标注***结构图；
图2示出了本申请的一些实施方式所提供的一种自动化样本关键点标注方法流程图。
图3示出了本申请的一些实施方式所提供的一种自动化样本关键点标注装置结构图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本申请所属领域技术人员所理解的通常意义。
另外，术语“第一”和“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、***、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
本申请实施例提供一种自动化样本关键点标注方法及装置、一种自动化样本关键点标注***，下面结合附图进行说明。
如图1所示，本发明公开的一种自动化样本关键点标注***，包括：
背景生成装置：用于给目标物体叠加在不同背景中，增加样本多样性，背景生成装置可以使用高分辨率，高刷新频率屏幕，从而生成多种背景图像。
例如，背景生成装置可以是一个水平放置的背景显示装置，用于显示不同背景画面。
目标物体放置在背景生成装置上，相机部署在目标物体上方或斜上方，可以正常观看到目标物体和背景生成装置即可。
部署完毕后，首先打开背景生成装置，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，并在目标模板图像上标注出关键点数据，并计算目标模板图像的SIFT特征。
计算目标模板图像的SIFT特征时，例如可以通过SIFT算子提取目标模板图像的特征。
SIFT，即尺度不变特征变换(Scale-invariant feature transform，SIFT)，是用于图像处理领域的一种描述。这种描述具有尺度不变性，可在图像中检测出关键点，是一种局部特征描述子。
SIFT特征计算主要包括以下4个基本步骤：
1.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。
2.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。关键点的选择依据于它们的稳定程度。
3.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。所有后面的对图像数据的操作都相对于关键点的方向、尺度和位置进行变换，从而提供对于这些变换的不变性。
4.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。这些梯度被变换成一种表示，这种表示允许比较大的局部形状的变形和光照变化。
背景生成装置随机投放不同背景，目标物体放置于背景生成装置上，达成目标物体在不同背景上的效果。
图2示出了本申请的一些实施方式所提供的一种自动化样本关键点标注方法流程图。如图2所示，包括如下步骤：
S1、相机接收实时画面，并提取当前画面的SIFT特征；
S2、根据目标模板图像的SIFT特征与当前相机画面的SIFT特征，计算匹配点，匹配方法采用RANSAC算法；
RANSAC(Random Sample Consensus)即随机采样一致性，是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，得到有效样本数据的算法。该方法是用来找到正确模型来拟合带有噪声数据的迭代方法。给定一个模型，例如点集之间的单应性矩阵，RANSAC的作用就在于，找到正确数据点的同时摒弃噪声点。
S3、根据匹配点计算目标模板图像到相机实时接收画面的透射变换矩阵；
S4、根据透射变换矩阵，计算目标模板图像中关键点位置在实时画面中的位置，
S5、将实时画面与对应的关键点保存为样本数据。
本申请的模板匹配中，例如，可以在相机实时画面中使用SIFT算子提取特征，并与目标模板图像特征匹配，确定目标图片在实时画面中的位置，将模板上标注的关键点叠加到实时画面中，并将实时画面中目标图像与关键点标注保存为样本。
与现有技术相比，本发明公开的一种自动化样本关键点标注方法，具有如下有益效果：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。
在上述的实施例中，提供了一种自动化样本关键点标注方法，与之相对应的，本申请还提供一种自动化样本关键点标注装置。本申请实施例提供的自动化样本关键点标注装置可以实施上述自动化样本关键点标注方法，该自动化样本关键点标注装置可以通过软件、硬件或软硬结合的方式来实现。例如，该自动化样本关键点标注装置可以包括集成的或分开的功能模块或单元来执行上述各方法中的对应步骤。请参考图3，其示出了本申请的一些实施方式所提供的一种自动化样本关键点标注装置的示意图。由于装置实施例基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。
如图3所示，所述自动化样本关键点标注装置10可以包括：
SIFT特征提取模块101，用于接收实时画面，并提取所述实时画面的 SIFT特征；
匹配点计算模块102，用于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；
矩阵计算模块103，用于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；
对应位置计算模块104，用于根据透射变换矩阵，计算目标模板图像中的关键点位置在实时画面中的位置；
数据保存模块105，用于将实时画面与对应的关键点位置保存为样本数据。
本申请提供的一种自动化样本关键点标注装置，具有如下有益效果：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。
需要说明的是，附图中的流程图和框图显示了根据本申请的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等) 执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括： U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器 (RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围，其均应涵盖在本申请的权利要求和说明书的范围当中。
Claims (9)
1.一种自动化样本关键点标注方法，其特征在于，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。
2.根据权利要求1所述的方法，其特征在于，
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。
3.根据权利要求1所述的方法，其特征在于，
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。
4.根据权利要求3所述的方法，其特征在于，
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。
5.根据权利要求3或4所述的方法，其特征在于，
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。
6.根据权利要求5所述的方法，其特征在于，
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。
7.根据权利要求4所述的方法，其特征在于，
所述背景生成装置随机投放不同背景图像。
8.一种自动化样本关键点标注装置，其特征在于，
SIFT特征提取模块，用于接收实时画面，并提取所述实时画面的SIFT特征；
匹配点计算模块，用于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；
矩阵计算模块，用于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；
对应位置计算模块，用于根据透射变换矩阵，计算目标模板图像中的关键点位置在实时画面中的位置；
数据保存模块，用于将实时画面与对应的关键点位置保存为样本数据。
9.一种自动化样本关键点标注***，其特征在于，
背景生成装置；
目标物体，放置于所述背景生成装置上；
相机，位置不固定，用于拍摄所述背景生成装置和目标物体的实时图像；以及
如权利要求8所述的自动化样本关键点标注装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911359192.4A CN111191708A (zh) | 2019-12-25 | 2019-12-25 | 自动化样本关键点标注方法、装置及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911359192.4A CN111191708A (zh) | 2019-12-25 | 2019-12-25 | 自动化样本关键点标注方法、装置及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111191708A true CN111191708A (zh) | 2020-05-22 |
Family
ID=70707618
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911359192.4A Pending CN111191708A (zh) | 2019-12-25 | 2019-12-25 | 自动化样本关键点标注方法、装置及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111191708A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111738180A (zh) * | 2020-06-28 | 2020-10-02 | 浙江大华技术股份有限公司 | 关键点的标注方法、装置、存储介质及电子装置 |
| CN111881923A (zh) * | 2020-07-28 | 2020-11-03 | 民生科技有限责任公司 | 一种基于特征匹配的票据要素提取方法 |
| CN112464952A (zh) * | 2020-11-25 | 2021-03-09 | 创新奇智(南京)科技有限公司 | 一种图像对齐方法以及图像匹配识别方法 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102012939A (zh) * | 2010-12-13 | 2011-04-13 | 中国人民解放军国防科学技术大学 | 综合颜色和局部不变特征匹配的动画场景自动标注方法 |
| CN102663351A (zh) * | 2012-03-16 | 2012-09-12 | 江南大学 | 基于条件外观模型的人脸特征点自动标定方法 |
| CN103218603A (zh) * | 2013-04-03 | 2013-07-24 | 哈尔滨工业大学深圳研究生院 | 一种人脸自动标注方法及*** |
| CN103390282A (zh) * | 2013-07-30 | 2013-11-13 | 百度在线网络技术（北京）有限公司 | 图像标注方法及其装置 |
| CN104123542A (zh) * | 2014-07-18 | 2014-10-29 | 大连理工大学 | 一种轮毂工件定位的装置及其方法 |
| CN106791937A (zh) * | 2016-12-15 | 2017-05-31 | 广东威创视讯科技股份有限公司 | 视频图像的标注方法和*** |
| CN106898245A (zh) * | 2015-12-18 | 2017-06-27 | 北京四维图新科技股份有限公司 | 一种地图注记的标注方法及装置 |
| CN107274345A (zh) * | 2017-06-07 | 2017-10-20 | 众安信息技术服务有限公司 | 一种中文打印字符图像合成方法及装置 |
| CN108470585A (zh) * | 2018-03-14 | 2018-08-31 | 南京泰立瑞信息科技有限公司 | 一种互动式虚拟切片远程标注方法及*** |
| CN109003269A (zh) * | 2018-07-19 | 2018-12-14 | 哈尔滨工业大学 | 一种能提高医生效率的医学影像病灶的标注提取方法 |
| CN109086798A (zh) * | 2018-07-03 | 2018-12-25 | 迈吉客科技（北京）有限公司 | 一种数据标注方法和标注装置 |
| CN109685078A (zh) * | 2018-12-17 | 2019-04-26 | 浙江大学 | 基于自动标注的红外图像识别方法 |
| CN109753975A (zh) * | 2019-02-02 | 2019-05-14 | 杭州睿琪软件有限公司 | 一种训练样本获得方法、装置、电子设备和存储介质 |
| CN110175255A (zh) * | 2019-05-29 | 2019-08-27 | 腾讯科技（深圳）有限公司 | 图像标注的方法、基于病理图像的标注展示方法及装置 |
-
2019
- 2019-12-25 CN CN201911359192.4A patent/CN111191708A/zh active Pending
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102012939A (zh) * | 2010-12-13 | 2011-04-13 | 中国人民解放军国防科学技术大学 | 综合颜色和局部不变特征匹配的动画场景自动标注方法 |
| CN102663351A (zh) * | 2012-03-16 | 2012-09-12 | 江南大学 | 基于条件外观模型的人脸特征点自动标定方法 |
| CN103218603A (zh) * | 2013-04-03 | 2013-07-24 | 哈尔滨工业大学深圳研究生院 | 一种人脸自动标注方法及*** |
| CN103390282A (zh) * | 2013-07-30 | 2013-11-13 | 百度在线网络技术（北京）有限公司 | 图像标注方法及其装置 |
| CN104123542A (zh) * | 2014-07-18 | 2014-10-29 | 大连理工大学 | 一种轮毂工件定位的装置及其方法 |
| CN106898245A (zh) * | 2015-12-18 | 2017-06-27 | 北京四维图新科技股份有限公司 | 一种地图注记的标注方法及装置 |
| WO2018107777A1 (zh) * | 2016-12-15 | 2018-06-21 | 威创集团股份有限公司 | 视频图像的标注方法和*** |
| CN106791937A (zh) * | 2016-12-15 | 2017-05-31 | 广东威创视讯科技股份有限公司 | 视频图像的标注方法和*** |
| CN107274345A (zh) * | 2017-06-07 | 2017-10-20 | 众安信息技术服务有限公司 | 一种中文打印字符图像合成方法及装置 |
| CN108470585A (zh) * | 2018-03-14 | 2018-08-31 | 南京泰立瑞信息科技有限公司 | 一种互动式虚拟切片远程标注方法及*** |
| CN109086798A (zh) * | 2018-07-03 | 2018-12-25 | 迈吉客科技（北京）有限公司 | 一种数据标注方法和标注装置 |
| CN109003269A (zh) * | 2018-07-19 | 2018-12-14 | 哈尔滨工业大学 | 一种能提高医生效率的医学影像病灶的标注提取方法 |
| CN109685078A (zh) * | 2018-12-17 | 2019-04-26 | 浙江大学 | 基于自动标注的红外图像识别方法 |
| CN109753975A (zh) * | 2019-02-02 | 2019-05-14 | 杭州睿琪软件有限公司 | 一种训练样本获得方法、装置、电子设备和存储介质 |
| CN110175255A (zh) * | 2019-05-29 | 2019-08-27 | 腾讯科技（深圳）有限公司 | 图像标注的方法、基于病理图像的标注展示方法及装置 |
| CN110377779A (zh) * | 2019-05-29 | 2019-10-25 | 腾讯科技（深圳）有限公司 | 图像标注的方法、基于病理图像的标注展示方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| 邱尚明等: "基于互补特征合成的医学图像自动标注", 《控制工程》 * |
| 邱尚明等: "基于互补特征合成的医学图像自动标注", 《控制工程》, no. 05, 20 May 2017 (2017-05-20), pages 1025 - 1031 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111738180A (zh) * | 2020-06-28 | 2020-10-02 | 浙江大华技术股份有限公司 | 关键点的标注方法、装置、存储介质及电子装置 |
| CN111881923A (zh) * | 2020-07-28 | 2020-11-03 | 民生科技有限责任公司 | 一种基于特征匹配的票据要素提取方法 |
| CN112464952A (zh) * | 2020-11-25 | 2021-03-09 | 创新奇智(南京)科技有限公司 | 一种图像对齐方法以及图像匹配识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Scharr et al. | Leaf segmentation in plant phenotyping: a collation study | |
| CN111160337B (zh) | 一种指针式仪表读数的自动识别方法、***、介质及设备 | |
| Shechtman et al. | Matching local self-similarities across images and videos | |
| Tang et al. | A textured object recognition pipeline for color and depth image data | |
| US9418313B2 (en) | Method for searching for a similar image in an image database based on a reference image | |
| CN111191708A (zh) | 自动化样本关键点标注方法、装置及*** | |
| CN106056111A (zh) | 图像处理装置及图像处理方法 | |
| CN108345912A (zh) | 一种基于rgbd信息与深度学习的商品快速结算*** | |
| Tafti et al. | A comparative study on the application of SIFT, SURF, BRIEF and ORB for 3D surface reconstruction of electron microscopy images | |
| CN109977824B (zh) | 物品取放识别方法、装置及设备 | |
| CN111161295B (zh) | 一种菜品图像背景剥离方法 | |
| CN112435223B (zh) | 目标检测方法、装置及存储介质 | |
| CN108447092B (zh) | 视觉定位标识物的方法及装置 | |
| Xu et al. | Improved SIFT match for optical satellite images registration by size classification of blob-like structures | |
| CN113095187A (zh) | 一种基于图像特征匹配对齐的试卷批改方法 | |
| CN112598714A (zh) | 一种基于视频帧单应性变换的静止目标跟踪方法 | |
| Hofmann et al. | Efficiently annotating object images with absolute size information using mobile devices | |
| CN110458177B (zh) | 图像深度信息的获取方法、图像处理装置以及存储介质 | |
| CN115018886B (zh) | 运动轨迹识别方法、装置、设备及介质 | |
| Gupta et al. | Techniques of Tracking and Recognition of Sports Players Jersey and Vehicle Licence Number Plate: A Review | |
| Krajnık et al. | Image features for long-term mobile robot autonomy | |
| JP5975484B2 (ja) | 画像処理装置 | |
| Schwind et al. | Evaluating the applicability of BRISK for the geometric registration of remote sensing images | |
| Gupta et al. | Image feature detection using an improved implementation of maximally stable extremal regions for augmented reality applications | |
| CN111460977B (zh) | 一种跨视域人员再识别方法、装置、终端及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information |
Address after: Room 101, building 1, block C, Qianjiang Century Park, ningwei street, Xiaoshan District, Hangzhou City, Zhejiang Province Applicant after: Hangzhou Weiming Information Technology Co.,Ltd. Applicant after: Institute of Information Technology, Zhejiang Peking University Address before: Room 288-1, 857 Xinbei Road, Ningwei Town, Xiaoshan District, Hangzhou City, Zhejiang Province Applicant before: Institute of Information Technology, Zhejiang Peking University Applicant before: Hangzhou Weiming Information Technology Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200522 |
|
| RJ01 | Rejection of invention patent application after publication |