[发明专利]一种区域标注方法、装置、设备及存储介质

说明书

本申请实施例公开了人工智能领域的区域标注方法、装置、设备及存储介质，其中该方法包括：获取针对目标曲形文本的覆盖区域边界标记的N个标注点；在N个标注点中确定待标注的目标曲形区域的四个角点；根据四个角点，从N个标注点中选出用于拟合第一曲线的标注点组成第一标注点集合，从N个标注点中选出用于拟合第二曲线的标注点组成第二标注点集合，第一曲线和第二曲线为目标曲形区域相对的两条曲线边界；根据第一标注点集合中的标注点拟合第一曲线，根据第二标注点集合中的标注点拟合第二曲线；基于第一曲线和第二曲线构建目标曲形区域。该方法能兼顾提高曲形文本标注区域的标注质量和降低标注时间成本。

技术领域

本申请涉及人工智能(Artificial Intelligence，AI)技术领域，尤其涉及一种区域标注方法、装置、设备及存储介质。

背景技术

光学字符识别(Optical Character Recognition，OCR)是计算机视觉领域中一个重要的热点研究问题，曲形文本识别作为OCR技术的重要应用之一，用于识别呈曲形分布的文本字符。近年来，随着深度学习技术在图像处理领域的迅速发展，基于深度学习的OCR已成为主流趋势。深度学习通常需要大量的标注数据对处理模型进行训练，对于用于实现曲形文本识别的模型，往往需要使用大量标注有曲形文本区域的样本对其进行训练。

目前主流的曲形文本区域的标注方法是基于开源工具LabelMe实现的，将待标注样本输入LabelMe后，标注人员可以在分布有文本的曲形区域的边界手动点击标记若干标注点，进而，LabelMe可以利用直线将所标记的标注点连接起来组成多边形，作为曲形文本区域的标注结果。

经上述方法得到的标注结果的标注质量与标注人员标记的标注点数量有很大关系。如图1所示，标注人员标记的标注点越多、标注点分布越密集，LabelMe生成的多边形(即曲形文本区域的标注结果)越接近理想标注结果，但是需要耗费的标注时间成本较高；反之，标注人员标记的标注点越少、标注点分布越稀疏，所需耗费的标注时间成本越低，但是LabelMe生成的多边形与理想标注结果之间的偏差较大，不利于后续的模型训练。

综上，如何在耗费较低标注时间成本的条件下，保证曲形文本区域的标注质量，已成为目前亟待解决的问题。

发明内容

本申请实施例提供了一种区域标注方法、装置、设备及存储介质，能够兼顾提高曲形文本标注区域的标注质量和降低标注时间成本。

有鉴于此，本申请第一方面提供了一种区域标注方法，所述方法包括：

获取针对目标曲形文本的覆盖区域边界标记的N个标注点；所述N为大于4的整数；

在所述N个标注点中确定待标注的目标曲形区域的四个角点；

根据所述四个角点，从所述N个标注点中选出用于拟合第一曲线的标注点组成第一标注点集合，从所述N个标注点中选出用于拟合第二曲线的标注点组成第二标注点集合；所述第一曲线和所述第二曲线为所述目标曲形区域相对的两条曲线边界；

根据所述第一标注点集合中的标注点拟合所述第一曲线，根据所述第二标注点集合中的标注点拟合所述第二曲线；

基于所述第一曲线和所述第二曲线，构建所述目标曲形区域。

本申请第二方面提供了一种区域标注装置，所述装置包括：

标注点获取模块，用于获取针对目标曲形文本的覆盖区域边界标记的N个标注点；所述N为大于4的整数；

角点确定模块，用于在所述N个标注点中确定待标注的目标曲形区域的四个角点；

标注点集合确定模块，用于根据所述四个角点，从所述N个标注点中选出用于拟合第一曲线的标注点组成第一标注点集合，从所述N个标注点中选出用于拟合第二曲线的标注点组成第二标注点集合；所述第一曲线和所述第二曲线为所述目标曲形区域相对的两条曲线边界；