CN113627413B - 数据标注方法、图像比对方法及装置 - Google Patents

Abstract

本申请实施例公开了一种数据标注方法、图像比对方法及装置，属于图像处理技术领域。在本申请实施例中，对于基准图像中存在但待标注图像中不存在的目标，先确定基准图像中目标所在的目标区域，然后将该目标区域投射到待标注图像中，得到待标注图像中的标注区域，这样也就在待标注图像中准确标注出了差异部分所在区域，进而能够得到待标注图像的标注信息。通过本方案得到的标注信息是准确的，那么，通过本方案标注得到的训练样本来训练深度学习模型，得到训练后的深度学习模型，通过训练后的深度学习模型来检测待检测图像相比于参考图像的差异部分，能够提高检测的准确性，检测到的差异部分所在区域也更加精确。

Description

数据标注方法、图像比对方法及装置

技术领域

本申请实施例涉及图像处理技术领域，特别涉及一种数据标注方法、图像比对方法及装置。

背景技术

当前，深度学习模型被广泛应用于图像处理技术领域。其中，在图像比对的应用中，利用已训练的深度学习模型来找出待检测图像中相比于基准图像的差异部分。例如，在视频监控场景中，时刻监控视频内容中相比于背景环境发生变化的部分。而在使用深度学习模型之前，需要先训练深度学习模型，数据标注是训练深度学习模型的重要步骤。在图像比对中，数据标注指对待标注图像进行标注，得到待标注图像的标注信息。

相关技术中的数据标注仅能在待标注图像中标注出基准图像中不存在而待标注图像中存在的目标。对于基准图像中存在但待标注图像中不存在的目标，想要在待标注图像中准确标注出差异部分所在区域是较困难的，这是当前需要解决的问题。

发明内容

本申请实施例提供了一种数据标注方法、图像比对方法、装置及计算机可读存储介质，对于基准图像中存在但待标注图像中不存在的目标，本方案也能够在待标注图像中准确标注出差异部分所在区域。所述技术方案如下：

一方面，提供了一种数据标注方法，所述方法包括：

确定基准图像中的目标区域，所述目标区域为所述基准图像中存在的目标所在的区域，待标注图像中不存在所述目标；

将所述目标区域投射到所述待标注图像中，得到所述待标注图像中的标注区域；

基于所述标注区域，确定所述待标注图像的标注信息。

可选地，所述将所述目标区域投射到所述待标注图像中，得到所述待标注图像中的标注区域，包括：

确定所述基准图像和所述待标注图像的横纵比；

基于所述横纵比，将所述目标区域投射到所述待标注图像中，得到所述待标注图像中的标注区域。

可选地，所述横纵比包括横坐标比例和纵坐标比例；

所述基于所述横纵比，将所述目标区域投射到所述待标注图像中，得到所述待标注图像中的标注区域，包括：

基于所述横坐标比例和所述目标区域的横坐标，确定所述标注区域的横坐标；

基于所述纵坐标比例和所述目标区域的纵坐标，确定所述标注区域的纵坐标；

基于所述标注区域的横坐标和纵坐标，在所述待标注图像中标注出所述标注区域。

可选地，所述确定基准图像中的目标区域，包括：

检测关于所述目标的用户标注操作；

基于检测到的用户标注操作，在所述基准图像中标注出所述目标区域。

可选地，所述确定基准图像中的目标区域，包括：

基于所述基准图像和所述待标注图像，通过图像比对模型在所述基准图像中标注出所述目标区域。

可选地，所述基于所述基准图像和所述待标注图像，通过图像比对模型在所述基准图像中标注出所述目标区域，包括：

将所述基准图像和所述待标注图像输入所述图像比对模型中，得到所述图像比对模型输出的标记有初始区域的基准图像，所述初始区域为所述目标所在的区域；

检测关于所述初始区域的用户调整操作；

基于检测到的用户调整操作，对所述初始区域进行调整得到所述目标区域。

可选地，若所述目标的一部分被遮挡，则所述目标区域覆盖所述目标的整体，或者覆盖所述目标未被遮挡的部分。

另一方面，提供了一种图像比对方法，所述方法包括：

获取待检测图像；

通过深度学习模型对所述待检测图像进行检测，以确定所述待检测图像相比于参考图像的差异部分，所述差异部分包括所述待检测图像中不存在且所述参考图像中存在的目标，和/或，所述待检测图像中存在且所述参考图像中不存在的目标；

其中，所述深度学习模型通过图像样本及所述图像样本的标注信息训练得到，所述图像样本的标注信息通过将基准图像中的目标区域投射到所述图像样本中确定，所述目标区域为所述基准图像中存在但所述图像样本中不存在的目标所在的区域。也即是，所述图像样本的标注信息通过上述所述的数据标注方法得到。

另一方面，提供了一种数据标注装置，所述装置包括：

第一确定模块，用于确定基准图像中的目标区域，所述目标区域为所述基准图像中存在的目标所在的区域，待标注图像中不存在所述目标；

投射模块，用于将所述目标区域投射到所述待标注图像中，得到所述待标注图像中的标注区域；

第二确定模块，用于基于所述标注区域，确定所述待标注图像的标注信息。

可选地，所述投射模块包括：

确定子模块，用于确定所述基准图像和所述待标注图像的横纵比；

投射子模块，用于基于所述横纵比，将所述目标区域投射到所述待标注图像中，得到所述待标注图像中的标注区域。

可选地，所述横纵比包括横坐标比例和纵坐标比例；

所述投射子模块具体用于：

基于所述横坐标比例和所述目标区域的横坐标，确定所述标注区域的横坐标；

基于所述纵坐标比例和所述目标区域的纵坐标，确定所述标注区域的纵坐标；

基于所述标注区域的横坐标和纵坐标，在所述待标注图像中标注出所述标注区域。

可选地，所述第一确定模块包括：

第一检测子模块，用于检测关于所述目标的用户标注操作；

第一标注子模块，用于基于检测到的用户标注操作，在所述基准图像中标注出所述目标区域。

可选地，所述第一确定模块包括：

第二标注子模块，用于基于所述基准图像和所述待标注图像，通过图像比对模型在所述基准图像中标注出所述目标区域。

可选地，所述第二标注子模块具体用于：

将所述基准图像和所述待标注图像输入所述图像比对模型中，得到所述图像比对模型输出的标记有初始区域的基准图像，所述初始区域为所述目标所在的区域；

检测关于所述初始区域的用户调整操作；

基于检测到的用户调整操作，对所述初始区域进行调整得到所述目标区域。

可选地，若所述目标的一部分被遮挡，则所述目标区域覆盖所述目标的整体，或者覆盖所述目标未被遮挡的部分。

另一方面，提供了一种图像比对装置，所述装置包括：

获取模块，用于获取待检测图像；

检测模块，用于通过深度学习模型对所述待检测图像进行检测，以确定所述待检测图像相比于参考图像的差异部分，所述差异部分包括所述待检测图像中不存在且所述参考图像中存在的目标，和/或，所述待检测图像中存在且所述参考图像中不存在的目标；

其中，所述深度学习模型通过图像样本及所述图像样本的标注信息训练得到，所述图像样本的标注信息通过将基准图像中的目标区域投射到所述图像样本中确定，所述目标区域为所述基准图像中存在但所述图像样本中不存在的目标所在的区域。也即是，所述图像样本的标注信息通过上述所述的数据标注方法得到。

另一方面，提供了一种计算机设备，所述计算机设备包括处理器、通信接口、存储器和通信总线，所述处理器、所述通信接口和所述存储器通过所述通信总线完成相互间的通信，所述存储器用于存放计算机程序，所述处理器用于执行所述存储器上所存放的程序，以实现上述所述数据标注方法或图像比对方法的步骤。

另一方面，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内存储有计算机程序，所述计算机程序被处理器执行时实现上述所述数据标注方法或图像比对方法的步骤。

另一方面，提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述所述的数据标注方法或图像比对方法的步骤。

本申请实施例提供的技术方案至少可以带来以下有益效果：

在本申请实施例中，对于基准图像中存在但待标注图像中不存在的目标，先确定基准图像中目标所在的目标区域，然后将该目标区域投射到待标注图像中，得到待标注图像中的标注区域，这样也就在待标注图像中准确标注出了差异部分所在区域，进而能够得到待标注图像的标注信息。通过本方案得到的标注信息是准确的，那么，通过本方案标注得到的训练样本来训练深度学习模型，得到训练后的深度学习模型，通过训练后的深度学习模型来检测待检测图像相比于参考图像的差异部分，能够提高检测的准确性，检测到的差异部分所在区域也更加精确。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请实施例提供的一种数据标注方法的流程图；

图2是本申请实施例提供的一个基准图像和待标注图像的示意图；

图3是本申请实施例提供的一种在基准图像中标注目标区域的示意图；

图4是本申请实施例提供的一种将目标区域投射到待标注图像的示意图；

图5是本申请实施例提供的一种图像比对方法的流程图；

图6是本申请实施例提供的一种数据标注装置的结构示意图；

图7是本申请实施例提供的一种图像比对装置的结构示意图；

图8是本申请实施例提供的一种计算机设备的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。

首先对本申请实施例所涉及的一些应用场景进行介绍。

当前，在许多场景中都需要进行图像比对，例如在视频监控场景中，通常需要实时监控视频画面相比于背景环境发生变化的部分，例如监控视频画面中是否少了物品，是否多了人员、车辆等。在商超、小区、银行等场景中都可以基于图像比对来进行视频监控。当然，本申请实施例不限定应用于视频监控的场景中，在任何需要图像比对的场景中本方案都可以适用。其中，图像比对通常利用已训练的深度学习模型来找出待检测图像中相比于参考图像发生的变化。

其中，参考图像和待检测图像可以是关于同一场景的图像，参考图像可以是关于某个场景的基准图像，待检测图像可以是关于该场景的实时图像。当然，本申请实施例并不限定哪些图像作为参考图像，哪些图像作为待检测图像。在应用过程中，可以将一张参考图像嵌入到深度学习模型中，或者提取参考图像的图像特征，将参考图像的图像特征嵌入到深度学习模型中，在视频监控的过程中，将实时采集的图像作为待检测图像输入深度学习模型中，通过深度学习模型来找出差异部分。

而在使用深度学习模型之前，需要先训练深度学习模型，数据标注是训练深度学习模型的重要步骤。在图像比对中，数据标注指对待标注图像进行标注，得到待标注图像的标注信息。后续可以将基准图像、待标注图像和待标注图像的标注信息作为训练样本，通过该训练样本来训练深度学习模型。而在相关技术中，对于待标注图像中存在但基准图像中不存在的目标，通过人工在待标注图像中标注出该目标所在区域，以得到待标注图像的标注信息，该目标即为差异部分。即相关技术中的数据标注仅适用于对待标注图像中存在而基准图像中不存在的目标进行标注的场景。本申请实施例提供了一种数据标注方法，对于基准图像中存在但待标注图像中不存在的目标，能够在待标注图像中准确标注出差异部分所在区域，从而为深度学习模型的训练提供更丰富的训练样本。进而通过本方案标注得到的训练样本来训练深度学习模型，得到训练后的深度学习模型。通过训练后的深度学习模型来检测待检测图像相比于参考图像的差异部分，能够提高检测的准确性，即检测到的差异部分所在区域更加精确。

需要说明的是，本申请实施例中的数据标注方法可以为深度学习模型提供训练样本，也可以为其他类型的算法模型提供训练样本，也可以应用到其他一些领域，本申请实施例对此不作限定。本申请实施例也不限定深度学习模型的网络结构等。另外，本申请实施例提供的数据标注方法可以由任一台计算机设备执行，该计算机设备可以是手机、笔记本电脑、台式电脑等，本申请实施例对此不作限定。

本申请实施例描述的业务场景是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域普通技术人员可知，随着新业务场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。

接下来对本申请实施例提供的数据标注方法进行详细的解释说明。

图1是本申请实施例提供的一种数据标注方法的流程图。以该方法应用于计算机设备为例，请参考图1，该方法包括如下步骤。

步骤101：确定基准图像中的目标区域，目标区域为基准图像中存在的目标所在的区域，待标注图像中不存在该目标。

由前述可知，本申请实施例中的基准图像中存在但待标注图像中不存在目标，目标即为待标注图像和基准图像的差异部分，想要直接准确地在待标注图像中标注出该差异部分所在区域是比较困难的。在本方案中计算机设备首先确定基准图像中的目标区域，目标区域即为基准图像中存在的目标所在的区域。

在本申请实施例中，计算机设备确定基准图像中的目标区域的实现方式有多种，接下来介绍其中的两种实现方式。

第一种实现方式

计算机设备检测关于该目标的用户标注操作，基于检测到的用户标注操作，在基准图像中标注出目标区域。也即是，在本申请实施例中可以通过人工在基准图像中标注出目标区域。

示例性地，计算机设备上显示基准图像和待标注图像，用户操作计算机设备在基准图像中标注出目标所在区域。其中，用户可以通过任意一种形状来标注目标区域。例如，用户可以通过鼠标框选出基准图像中的目标区域，计算机设备基于检测到的用户标注操作来显示目标区域所在的矩形框。可选地，用户还可以通过键盘等向计算机设备输入目标的属性，如目标类别等，计算机设备显示目标的属性。

可选地，若基准图像中存在多个目标，则用户可以标注出每一个目标所在区域，若某个目标被遮挡，则用户可以只标注出该目标未被遮挡的部分，或者，用户也可以通过观察和经验标注出该目标的完整部分。也即是，若目标的一部分被遮挡，则目标区域覆盖目标的整体，或者覆盖目标未被遮挡的部分。

可选地，在标注基准图像中的目标区域之前，计算机设备还可以对基准图像和/或待标注图像进行预处理，预处理可以包括旋转、缩放、裁剪等中的一种或多种，预处理使得基准图像与待标注图像的视觉角度、图像尺寸和/或视觉范围一致。可选地，以预处理待标注图像为例，计算机设备在检测到关于待标注图像的用户预处理操作的情况下，对待标注图像进行预处理，或者，计算机设备基于图像处理技术自动对待标注图像进行预处理。

第二种实现方式

计算机设备基于基准图像和待标注图像，通过图像比对模型在基准图像中标注出目标区域。也即是，也可以通过已有的图像比对模型来对基准图像中的目标区域进行标注。

其中，图像比对模型可以是一种基于深度学习技术训练得到的模型，图像比对模型的网络结构可以是卷积神经网络，也可以是其他神经网络，本申请对此不作限定。本申请实施例也不限定图像比对模型的训练方式、网络的层数等。

可选地，计算机设备将基准图像和待标注图像输入图像比对模型中，得到图像比对模型输出的标记有目标区域的基准图像。也即是，通过图像比对模型直接得到目标区域。

或者，计算机设备将基准图像和待标注图像输入图像比对模型中，得到图像比对模型输出的标记有初始区域的基准图像，初始区域为目标所在的区域。计算机设备检测关于初始区域的用户调整操作，基于检测到的用户调整操作，对初始区域进行调整得到目标区域。也即是，通过图像比对模型以及人工调整来得到目标区域，人工调整可以对初始区域进行校正，使得标注的目标区域更加准确。

其中，通过图像比对模型所直接标注的初始区域或目标区域的标注方式也可以有多种。例如，通过矩形框、三角形、六边形、不规则形状等来标注目标所在区域。图像对比模型通过哪种方式来标注目标所在区域，这与图像比对模型的训练样本、模型结构等相关，本申请实施例对此不作限定。

需要说明的是，在第二种实现方式中，若基准图像中存在多个目标，也可以标注出每个目标所在的区域。若目标的一部分被遮挡，则目标区域覆盖目标的整体，或者覆盖目标未被遮挡的部分。

图2是本申请实施例提供的一个基准图像和待标注图像的示意图。图3是本申请实施例提供的一种在图2所示基准图像中标注出目标区域的示意图。参见图2和图3，在基准图像中存在物体A和物体B，在待标注图像中存在物体A，物体B即为一个目标，物体B所在区域为需要在基准图像中标注的目标区域。以人工标注为例，用户通过程序软件在计算机设备所显示的基准图像中标注出目标区域，目标区域如图3中的五边形虚线框内的区域。

步骤102：将目标区域投射到待标注图像中，得到待标注图像中的标注区域。

在本申请实施例中，在确定基准图像中的目标区域之后，计算机设备将目标区域投射到待标注图像中，得到待标注图像中的标注区域。

可选地，计算机设备将目标区域投射到待标注图像中，得到待标注图像中的标注区域的一种实现方式为：计算机设备确定基准图像和待标注图像的横纵比，基于该横纵比，将目标区域投射到待标注图像中，得到待标注图像中的标注区域。

可选地，横纵比包括横坐标比例和纵坐标比例。计算机设备基于该横坐标比例和目标区域的横坐标，确定标注区域的横坐标。计算机设备基于该纵坐标比例和目标区域的纵坐标，确定标注区域的纵坐标。计算机设备基于标注区域的横坐标和纵坐标，在待标注图像中标注出标注区域。

示例性地，横坐标比例为基准图像的像素宽度除以待标注图像的像素宽度，纵坐标比例为基准图像的像素高度除以待标注图像的像素高度。若基准图像和待标注图像的横坐标比例和纵坐标比例均为1，即基准图像和待标注图像的尺寸相同，则计算机设备将目标区域的横坐标和纵坐标分别确定为标注区域的横坐标和纵坐标。若基准图像和待标注图像的横坐标比例和纵坐标比例分别为1.5和1.2，即基准图像和待标注图像的尺寸不相同，则计算机设备可以将目标区域的横坐标除以横坐标比例，得到标注区域的横坐标，将目标区域的纵坐标除以纵坐标比例，得到标注区域的纵坐标。

除了以上介绍的投射方式之外，也可以通过其他的方式将目标区域投射到待标注图像中，得到标注区域。例如，计算机设备基于横纵比，将待标注图像缩放到尺寸与基准图像相同，计算机设备将目标区域的横坐标和纵坐标分别确定为标注区域的横坐标和纵坐标。可选地，计算机设备将已标记有标注区域的待标注图像再缩放到原始大小，或者计算机设备也可以不再进行缩放，保持基准图像和待标注图像的尺寸相同。

图4是本申请实施例提供的一种将目标区域投射到待标注图像中的示意图。如图4所示，基准图像和待标注图像的尺寸一致，基准图像中目标B所在区域为目标区域，如图4中基准图像中五边形虚线框内的区域。计算机设备自动将该目标区域投射到待标注图像中，得到待标注图像中的标注区域，如图4中待标注图像中五边形虚线框内的区域。

可选地，无论的人工直接标注目标区域，还是通过图像比对模型来标注目标区域，计算机设备将目标区域投射到待标注图像中之后，用户还可以随时对基准图像中所标注的目标区域进行调整。计算机设备在检测到关于目标区域的用户调整操作时，待标注图像中的标注区域自动基于调整后的目标区域进行调整。

步骤103：基于该标注区域，确定待标注图像的标注信息。

在本申请实施例中，计算机设备得到待标注图像中的标注区域之后，基于该标注区域，确定待标注图像的标注信息。示例性地，标注信息可以包括标注区域的横坐标和纵坐标。可选地，前述在对标注出基准图像中的目标区域，还可以标注出目标的属性，例如通过人工标注出属性，或者通过图像比对模型识别出目标的属性。可选地，待标注图像的标注信息还可以包括目标的属性信息。

需要说明的是，若本方案中是通过图像比对模型直接输出标记有目标区域的基准图像，则计算机设备可以自动得到待标注图像的标注信息，无需人工参与。在这种情况下，该计算机设备可以是一台服务器，由服务器自动基于基准图像和待标注图像，得到待标注图像的标注信息。

综上所述，在本申请实施例中，对于基准图像中存在但待标注图像中不存在的目标，先确定基准图像中目标所在的目标区域，然后将该目标区域投射到待标注图像中，得到待标注图像中的标注区域，这样也就在待标注图像中准确标注出了差异部分所在区域，进而能够得到待标注图像的标注信息，得到的标注信息也是准确的。

上述所有可选技术方案，均可按照任意结合形成本申请的可选实施例，本申请实施例对此不再一一赘述。

接下来对本申请实施例提供的图像比对方法进行解释说明。需要说明的是，本申请实施例中的图像比对方法可以应用于计算机设备、摄像头等设备中，计算机设备如终端设备、服务器等，本申请实施例对比不作限定。图像比对方法应用于哪个设备，哪个设备就部署有深度学习模型，该深度学习模型通过图像样本及图像样本的标注信息训练得到，图像样本的标注信息通过上述实施例提供的数据标注方法得到。

图5是本申请实施例提供的一种图像比对方法的流程图。以该方法应用于计算机设备为例，请参考图5，该方法包括如下步骤。

步骤501：获取待检测图像。

在本申请实施例中，首先获取待检测图像。例如，待检测图像为摄像头实时采集的图像，摄像头将采集的图像发送给计算机设备，计算机设备将接收到的图像作为待检测图像。或者，待检测图像为通过其他方式获得的图像，本申请实施例对比不作限定。

步骤502：通过深度学习模型对待检测图像进行检测，以确定待检测图像相比于参考图像的差异部分，该深度学习模型通过图像样本及图像样本的标注信息训练得到，图像样本的标注信息通过图1实施例提供的数据标注方法得到。

在本申请实施例中，计算机设备中部署有深度学习模型，该深度学习模型通过图像样本及图像样本的标注信息训练得到，图像样本的标注信息通过上述实施例提供的数据标注方法得到。也即是，图像样本的标注信息通过将基准图像中的目标区域投射到图像样本中确定。其中，目标区域为基准图像中存在但图像样本中不存在的目标所在的区域。例如，计算机设备将目标区域投射到图像样本中，得到图像样本中的标注区域，基于标注区域确定图像样本的标注信息。需要说明的是，深度学习模型的训练样本可以包括通过上述实施例提供的数据标注方法提供的训练样本，也还可以包括其他方法提供的训练样本。也即，上述数据标注方法能够为深度学习模型的训练提供更加丰富的训练样本。

可选地，该深度学习模型的网络结构可以为卷积神经网络或全连接网络，也可以是其他的神经网络，本申请实施例不限定深度学习模型的网络结构。另外，本申请实施例也不限定该深度学习模型的训练方法。

在本申请实施例中，通过该深度学习模型对待检测图像进行检测，确定待检测图像相比于参考图像的差异部分。其中，差异部分包括待检测图像中不存在且参考图像中存在的目标，和/或，待检测图像中存在且参考图像中不存在的目标。也即是，该深度学习模型即能检测出待检测图像中相比于参考图像中多了哪些物体，也能检测出待检测图像中相比于参考图像中少了哪些物体。并且，计算机设备所确定的差异部分在待检测图像中所在的区域也是更加准确的。

可选地，计算机设备在待检测图像中标注出差异部分所在的区域。例如，在待检测图像相比于参考图像少了物体的情况下，计算机设备在待检测图像标注出少了物体的区域。在待检测图像相比于参考图像多了物体的情况下，计算机设备在待检测图像中标注出多了物体的区域。在待检测图像相比于参考图像即少了一些物体，又多了另一些物体的情况下，计算机设备在待检测图像中标注出少了物体的区域以及多了物体的区域。可选地，计算机设备通过矩形框或不规则框等方式标注出待检测图像中少了物体的区域，和/或，多了物体的区域。

可选地，参考图像嵌入在该深度学习模型中，或者参考图像的图像特征嵌入在深度学习模型中。计算机设备将待检测图像输入深度学习模型中，通过深度学习模型来找出差异部分。其中，计算机设备可以通过特征提取模型来提取参考图像的图像特征，计算机设备也可以通过其他方式得到参考图像的图像特征，本申请实施例对此不作限定。其中，特征提取模型可以为经训练的神经网络模型或其他模型。可选地，参考图像或者参考图像的图像特征可以不嵌入到深度学习模型中，计算机设备将待检测图像和参考图像输入深度学习模型中，通过深度学习模型来找出差异部分。

综上所述，通过上述实施例提供的数据标注方法对图像样本进行标注所得到的标注信息是准确的。那么，通过本方案标注得到的训练样本来训练深度学习模型，通过训练后的深度学习模型来检测待检测图像相比于参考图像的差异部分，能够提高检测的准确性，检测到的差异部分所在区域也更加精确。

图6是本申请实施例提供的一种数据标注装置600的结构示意图，该数据标注装置600可以由软件、硬件或者两者的结合实现成为计算机设备的部分或者全部。请参考图6，该装置600包括：第一确定模块601、投射模块602和第二确定模块603。

第一确定模块601，用于确定基准图像中的目标区域，目标区域为基准图像中存在的目标所在的区域，待标注图像中不存在该目标；

投射模块602，用于将目标区域投射到待标注图像中，得到待标注图像中的标注区域；

第二确定模块603，用于基于该标注区域，确定待标注图像的标注信息。

可选地，投射模块602包括：

确定子模块，用于确定基准图像和待标注图像的横纵比；

投射子模块，用于基于该横纵比，将目标区域投射到待标注图像中，得到待标注图像中的标注区域。

可选地，该横纵比包括横坐标比例和纵坐标比例；

投射子模块具体用于：

基于该横坐标比例和目标区域的横坐标，确定标注区域的横坐标；

基于该纵坐标比例和目标区域的纵坐标，确定标注区域的纵坐标；

基于该标注区域的横坐标和纵坐标，在待标注图像中标注出该标注区域。

可选地，第一确定模块601包括：

第一检测子模块，用于检测关于该目标的用户标注操作；

第一标注子模块，用于基于检测到的用户标注操作，在基准图像中标注出目标区域。

可选地，第一确定模块601包括：

第二标注子模块，用于基于基准图像和待标注图像，通过图像比对模型在基准图像中标注出目标区域。

可选地，第二标注子模块具体用于：

将基准图像和待标注图像输入图像比对模型中，得到该图像比对模型输出的标记有初始区域的基准图像，该初始区域为该目标所在的区域；

检测关于该初始区域的用户调整操作；

基于检测到的用户调整操作，对该初始区域进行调整得到目标区域。

可选地，若该目标的一部分被遮挡，则目标区域覆盖该目标的整体，或者覆盖该目标未被遮挡的部分。

综上所述，在本申请实施例中，对于基准图像中存在但待标注图像中不存在的目标，先确定基准图像中目标所在的目标区域，然后将该目标区域投射到待标注图像中，得到待标注图像中的标注区域，这样也就在待标注图像中准确标注出了差异部分所在区域，进而能够得到待标注图像的标注信息，得到的标注信息也是准确的。

需要说明的是：上述实施例提供的数据标注装置在进行数据标注时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的数据标注装置与数据标注方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

图7是本申请实施例提供的一种图像比对装置700的结构示意图，该图像比对装置700可以由软件、硬件或者两者的结合实现成为计算机设备的部分或者全部。请参考图7，该装置700包括：获取模块701和检测模块702。

获取模块701，用于获取待检测图像；

检测模块702，用于通过深度学习模型对待检测图像进行检测，以确定待检测图像相比于参考图像的差异部分，差异部分包括待检测图像中不存在且参考图像中存在的目标，和/或，待检测图像中存在且参考图像中不存在的目标；

其中，深度学习模型通过图像样本及图像样本的标注信息训练得到，图像样本的标注信息通过将基准图像中的目标区域投射到图像样本中确定，目标区域为基准图像中存在但图像样本中不存在的目标所在的区域。也即是，图像样本的标注信息通过上述实施例提供的数据标注方法得到。

在本申请实施例中，通过上述实施例提供的数据标注方法对图像样本进行标注所得到的标注信息是准确的。那么，通过本方案标注得到的训练样本来训练深度学习模型，得到训练后的深度学习模型，通过训练后的深度学习模型来检测待检测图像相比于参考图像的差异部分，能够提高检测的准确性，检测到的差异部分所在区域也更加精确。

需要说明的是：上述实施例提供的图像比对装置在比对图像时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的图像比对装置与图像比对方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

图8示出了本申请一个示例性实施例提供的计算机设备800的结构框图。该计算机设备800可以是：智能手机、平板电脑、笔记本电脑或台式电脑。计算机设备800还可能被称为终端、用户终端、用户设备、便携式终端、膝上型终端、台式终端等其他名称。

通常，计算机设备800包括有：处理器801和存储器802。

处理器801可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器801可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器801也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central ProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器801可以集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器801还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。

存储器802可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器802还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器802中的非暂态的计算机可读存储介质用于存储至少一个指令，该至少一个指令用于被处理器801所执行以实现本申请中方法实施例提供的数据标注方法或图像比对方法。

在一些实施例中，计算机设备800还可选包括有：***设备接口803和至少一个***设备。处理器801、存储器802和***设备接口803之间可以通过总线或信号线相连。各个***设备可以通过总线、信号线或电路板与***设备接口803相连。具体地，***设备包括：射频电路804、显示屏805、摄像头组件806、音频电路807、定位组件808和电源809中的至少一种。

***设备接口803可被用于将I/O(Input/Output，输入/输出)相关的至少一个***设备连接到处理器801和存储器802。在一些实施例中，处理器801、存储器802和***设备接口803被集成在同一芯片或电路板上；在一些其他实施例中，处理器801、存储器802和***设备接口803中的任意一个或两个可以在单独的芯片或电路板上实现，本实施例对此不加以限定。

射频电路804用于接收和发射RF(Radio Frequency，射频)信号，也称电磁信号。射频电路804通过电磁信号与通信网络以及其他通信设备进行通信。射频电路804将电信号转换为电磁信号进行发送，或者，将接收到的电磁信号转换为电信号。可选地，射频电路804包括：天线***、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路804可以通过至少一种无线通信协议来与其它计算机设备进行通信。该无线通信协议包括但不限于：城域网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(Wireless Fidelity，无线保真)网络。在一些实施例中，射频电路804还可以包括NFC(Near Field Communication，近距离无线通信)有关的电路，本申请对此不加以限定。

显示屏805用于显示UI(User Interface，用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏805是触摸显示屏时，显示屏805还具有采集在显示屏805的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器801进行处理。此时，显示屏805还可以用于提供虚拟按钮和/或虚拟键盘，也称软按钮和/或软键盘。在一些实施例中，显示屏805可以为一个，设置在计算机设备800的前面板；在另一些实施例中，显示屏805可以为至少两个，分别设置在计算机设备800的不同表面或呈折叠设计；在另一些实施例中，显示屏805可以是柔性显示屏，设置在计算机设备800的弯曲表面上或折叠面上。甚至，显示屏805还可以设置成非矩形的不规则图形，也即异形屏。显示屏805可以采用LCD(Liquid Crystal Display，液晶显示屏)、OLED(Organic Light-EmittingDiode,有机发光二极管)等材质制备。

摄像头组件806用于采集图像或视频。可选地，摄像头组件806包括前置摄像头和后置摄像头。通常，前置摄像头设置在计算机设备的前面板，后置摄像头设置在计算机设备的背面。在一些实施例中，后置摄像头为至少两个，分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种，以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及VR(Virtual Reality，虚拟现实)拍摄功能或者其它融合拍摄功能。在一些实施例中，摄像头组件806还可以包括闪光灯。闪光灯可以是单色温闪光灯，也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合，可以用于不同色温下的光线补偿。

音频电路807可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波，并将声波转换为电信号输入至处理器801进行处理，或者输入至射频电路804以实现语音通信。出于立体声采集或降噪的目的，麦克风可以为多个，分别设置在计算机设备800的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器801或射频电路804的电信号转换为声波。扬声器可以是传统的薄膜扬声器，也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时，不仅可以将电信号转换为人类可听见的声波，也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中，音频电路807还可以包括耳机插孔。

定位组件808用于定位计算机设备800的当前地理位置，以实现导航或LBS(Location Based Service，基于位置的服务)。定位组件808可以是基于美国的GPS(GlobalPositioning System，全球定位***)、中国的北斗***、俄罗斯的格雷纳斯***或欧盟的伽利略***的定位组件。

电源809用于为计算机设备800中的各个组件进行供电。电源809可以是交流电、直流电、一次性电池或可充电电池。当电源809包括可充电电池时，该可充电电池可以支持有线充电或无线充电。该可充电电池还可以用于支持快充技术。

在一些实施例中，计算机设备800还包括有一个或多个传感器810。该一个或多个传感器810包括但不限于：加速度传感器811、陀螺仪传感器812、压力传感器813、指纹传感器814、光学传感器815以及接近传感器816。

加速度传感器811可以检测以计算机设备800建立的坐标系的三个坐标轴上的加速度大小。比如，加速度传感器811可以用于检测重力加速度在三个坐标轴上的分量。处理器801可以根据加速度传感器811采集的重力加速度信号，控制显示屏805以横向视图或纵向视图进行用户界面的显示。加速度传感器811还可以用于游戏或者用户的运动数据的采集。

陀螺仪传感器812可以检测计算机设备800的机体方向及转动角度，陀螺仪传感器812可以与加速度传感器811协同采集用户对计算机设备800的3D动作。处理器801根据陀螺仪传感器812采集的数据，可以实现如下功能：动作感应(比如根据用户的倾斜操作来改变UI)、拍摄时的图像稳定、游戏控制以及惯性导航。

压力传感器813可以设置在计算机设备800的侧边框和/或显示屏805的下层。当压力传感器813设置在计算机设备800的侧边框时，可以检测用户对计算机设备800的握持信号，由处理器801根据压力传感器813采集的握持信号进行左右手识别或快捷操作。当压力传感器813设置在显示屏805的下层时，由处理器801根据用户对显示屏805的压力操作，实现对UI界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件中的至少一种。

指纹传感器814用于采集用户的指纹，由处理器801根据指纹传感器814采集到的指纹识别用户的身份，或者，由指纹传感器814根据采集到的指纹识别用户的身份。在识别出用户的身份为可信身份时，由处理器801授权该用户执行相关的敏感操作，该敏感操作包括解锁屏幕、查看加密信息、下载软件、支付及更改设置等。指纹传感器814可以被设置在计算机设备800的正面、背面或侧面。当计算机设备800上设置有物理按键或厂商Logo时，指纹传感器814可以与物理按键或厂商Logo集成在一起。

光学传感器815用于采集环境光强度。在一个实施例中，处理器801可以根据光学传感器815采集的环境光强度，控制显示屏805的显示亮度。具体地，当环境光强度较高时，调高显示屏805的显示亮度；当环境光强度较低时，调低显示屏805的显示亮度。在另一个实施例中，处理器801还可以根据光学传感器815采集的环境光强度，动态调整摄像头组件806的拍摄参数。

接近传感器816，也称距离传感器，通常设置在计算机设备800的前面板。接近传感器816用于采集用户与计算机设备800的正面之间的距离。在一个实施例中，当接近传感器816检测到用户与计算机设备800的正面之间的距离逐渐变小时，由处理器801控制显示屏805从亮屏状态切换为息屏状态；当接近传感器816检测到用户与计算机设备800的正面之间的距离逐渐变大时，由处理器801控制显示屏805从息屏状态切换为亮屏状态。

本领域技术人员可以理解，图8中示出的结构并不构成对计算机设备800的限定，可以包括比图示更多或更少的组件，或者组合某些组件，或者采用不同的组件布置。

在一些实施例中，还提供了一种计算机可读存储介质，该存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述实施例中数据标注方法或图像比对方法的步骤。例如，所述计算机可读存储介质可以是ROM、RAM、CD-ROM、磁带、软盘和光数据存储设备等。

值得注意的是，本申请实施例提到的计算机可读存储介质可以为非易失性存储介质，换句话说，可以是非瞬时性存储介质。

应当理解的是，实现上述实施例的全部或部分步骤可以通过软件、硬件、固件或者其任意结合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。所述计算机指令可以存储在上述计算机可读存储介质中。

也即是，在一些实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述所述的数据标注方法或图像比对方法的步骤。

应当理解的是，本文提及的“至少一个”是指一个或多个，“多个”是指两个或两个以上。在本申请实施例的描述中，除非另有说明，“/”表示或的意思，例如，A/B可以表示A或B；本文中的“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，为了便于清楚描述本申请实施例的技术方案，在本申请的实施例中，采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分。本领域技术人员可以理解“第一”、“第二”等字样并不对数量和执行次序进行限定，并且“第一”、“第二”等字样也并不限定一定不同。

以上所述为本申请提供的实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (8)

1.一种数据标注方法，其特征在于，所述方法包括：

对基准图像和/或待标注图像进行预处理，以使所述基准图像与所述待标注图像的视觉角度、图像尺寸和/或视觉范围一致，所述预处理包括旋转、缩放和裁剪中的一种或多种；

确定所述基准图像中的目标区域，所述目标区域为所述基准图像中存在的目标所在的区域，所述待标注图像中不存在所述目标；

确定所述基准图像和所述待标注图像的横纵比；

基于所述横纵比，将所述目标区域投射到所述待标注图像中，得到所述待标注图像中的标注区域；

在检测到关于所述目标区域的用户调整操作时，基于调整后的目标区域对所述标注区域进行调整；

基于所述标注区域，确定所述待标注图像的标注信息。

2.根据权利要求1所述的方法，其特征在于，所述横纵比包括横坐标比例和纵坐标比例；

所述基于所述横纵比，将所述目标区域投射到所述待标注图像中，得到所述待标注图像中的标注区域，包括：

基于所述横坐标比例和所述目标区域的横坐标，确定所述标注区域的横坐标；

基于所述纵坐标比例和所述目标区域的纵坐标，确定所述标注区域的纵坐标；

基于所述标注区域的横坐标和纵坐标，在所述待标注图像中标注出所述标注区域。

3.根据权利要求1或2所述的方法，其特征在于，所述确定所述基准图像中的目标区域，包括：

基于所述基准图像和所述待标注图像，通过图像比对模型在所述基准图像中标注出所述目标区域。

4.根据权利要求3所述的方法，其特征在于，所述基于所述基准图像和所述待标注图像，通过图像比对模型在所述基准图像中标注出所述目标区域，包括：

将所述基准图像和所述待标注图像输入所述图像比对模型中，得到所述图像比对模型输出的标记有初始区域的基准图像，所述初始区域为所述目标所在的区域；

检测关于所述初始区域的用户调整操作；

基于检测到的用户调整操作，对所述初始区域进行调整得到所述目标区域。

5.根据权利要求1或2所述的方法，其特征在于，若所述目标的一部分被遮挡，则所述目标区域覆盖所述目标的整体，或者覆盖所述目标未被遮挡的部分。

6.一种图像比对方法，其特征在于，所述方法包括：

获取待检测图像；

通过深度学习模型对所述待检测图像进行检测，以确定所述待检测图像相比于参考图像的差异部分，所述差异部分包括所述待检测图像中不存在且所述参考图像中存在的目标，和/或，所述待检测图像中存在且所述参考图像中不存在的目标；

其中，所述深度学习模型通过图像样本及所述图像样本的标注信息训练得到，所述图像样本的标注信息基于所述图像样本中的标注区域确定，所述标注区域通过基于基准图像和所述图像样本的横纵比将所述基准图像中的目标区域投射到所述图像样本中得到，所述目标区域为所述基准图像中存在但所述图像样本中不存在的目标所在的区域；所述标注区域能够在用户对所述目标区域进行调整时自动调整；所述基准图像和/或所述图像样本是经过预处理的图像，经过预处理的所述基准图像与所述图像样本的视觉角度、图像尺寸和/或视觉范围一致，所述预处理包括旋转、缩放和裁剪中的一种或多种。

7.一种数据标注装置，其特征在于，所述装置包括：

第一确定模块，用于确定基准图像中的目标区域，所述目标区域为所述基准图像中存在的目标所在的区域，待标注图像中不存在所述目标；

投射模块，用于将所述目标区域投射到所述待标注图像中，得到所述待标注图像中的标注区域；

第二确定模块，用于基于所述标注区域，确定所述待标注图像的标注信息；

所述装置还包括用于执行下述操作的模块：

对基准图像和/或待标注图像进行预处理，以使所述基准图像与所述待标注图像的视觉角度、图像尺寸和/或视觉范围一致，所述预处理包括旋转、缩放和裁剪中的一种或多种；在检测到关于所述目标区域的用户调整操作时，基于调整后的目标区域对所述标注区域进行调整；

其中，所述投射模块包括：

确定子模块，用于确定所述基准图像和所述待标注图像的横纵比；

投射子模块，用于基于所述横纵比，将所述目标区域投射到所述待标注图像中，得到所述待标注图像中的标注区域。

8.一种图像比对装置，其特征在于，所述装置包括：

获取模块，用于获取待检测图像；

检测模块，用于通过深度学习模型对所述待检测图像进行检测，以确定所述待检测图像相比于参考图像的差异部分，所述差异部分包括所述待检测图像中不存在且所述参考图像中存在的目标，和/或，所述待检测图像中存在且所述参考图像中不存在的目标；

其中，所述深度学习模型通过图像样本及所述图像样本的标注信息训练得到，所述图像样本的标注信息基于所述图像样本中的标注区域确定，所述标注区域通过基于基准图像和所述图像样本的横纵比将基准图像中的目标区域投射到所述图像样本中得到，所述目标区域为所述基准图像中存在但所述图像样本中不存在的目标所在的区域；所述标注区域能够在用户对所述目标区域进行调整时自动调整；所述基准图像和/或所述图像样本是经过预处理的图像，经过预处理的所述基准图像与所述图像样本的视觉角度、图像尺寸和/或视觉范围一致，所述预处理包括旋转、缩放和裁剪中的一种或多种。