基于图像变换的数据处理方法、数据处理装置及存储介质

技术领域

本发明涉及图像处理技术领域，具体地涉及一种基于图像变换的数据处理方法、一种基于图像变换的数据处理装置及一种计算机可读存储介质。

背景技术

在图像处理技术领域，存在多种处理算法，其中包括深度学习算法。在实际应用中，深度学习模型对数据是高度依赖的，因此若数据量不够或数据质量不够，即使深度学习模型的处理精度较高，也依然无法实现应有的处理效果。因此，为了解决上述技术问题，技术人员通过对输入的数据进行数据增广以达到更好的学习和处理效果。

在现有技术中，主要通过以下两种方法对数据进行增广：其一，通过对数据进行过采样，例如对图像中的数据量较少的物体进行重复采样以获得比大物体更多的数据比例，从而对图像中的数据量较少的物体的处理效果进行一定的提升；其二，通过数据合成的方式，将图像中的数据量较少的物体的数据按照常用方法进行数据增广，例如可以通过裁剪、旋转、翻转以及加噪声等方法对数据量较少的物体的数据进行增广后，多次重复粘贴到原训练数据集的图像上，从而实现进一步的数据增广。

然而是实际应用过程中，上述第一种数据增广方法仅是简单的重复采样，因此数据的多样性不够，无法对图像处理方法进行有效提升；第二种数据增广方法对数据的真实性依据不够，因此依然无法满足实际的图像处理需求。

发明内容

为了克服现有技术中对图像中数据量较少的物体的处理方法精确性不够，无法满足实际处理需求的技术问题，本发明实施例提供一种基于图像变换的数据处理方法，通过采用透视变换或液化变换的方式对待处理图像中的数据进行数据增广，从而增大了数据的多样性，提高了对待处理图像的识别精确性，满足实际需求。

为了实现上述目的，本发明实施例提供一种基于图像变换的数据处理方法，所述数据处理方法包括：对待处理图像中的目标物体进行识别，获取对应的物体识别信息；对所述物体识别信息执行第一变换操作，获得与所述目标物体对应的第一变换后信息；基于所述物体识别信息和所述第一变换后信息对所述目标物体执行数据增广处理，获得处理后信息。

优选地，所述对待处理图像中的目标物体进行识别，获取对应的物体识别信息，包括：按照预设算法对所述待处理图像进行图像识别，获得所述待处理图像中的至少一个目标物体；获取对每个所述目标物体进行标注的物体标注框；将所述标注框作为所述物体识别信息。

优选地，所述对所述物体识别信息执行第一变换操作，获得与所述目标物体对应的第一变换后信息，包括：对所述物体识别信息执行第一透视变换操作，获得与所述目标物体对应的第一透视矩阵；基于所述第一透视矩阵对所述物体识别信息进行转换处理，获得所述第一变换后信息。

优选地，所述对所述物体识别信息执行第一透视变换操作，获得与所述目标物体对应的第一透视矩阵，包括：获取在所述待处理图像中的图像限制框；在所述图像限制框内确定操作限制框，所述操作限制框内包含所有的所述物体标注框；基于所述图像限制框对所述操作限制框执行所述第一透视变换操作，获得操作后标注框；基于所述操作限制框和所述操作后标注框生成对应的第一透视矩阵。

优选地，所述方法还包括：在所述获取在所述待处理图像中的图像限制框之后，判断是否获取到对所述图像限制框的裁剪指令；在获取到所述裁剪指令的情况下，对所述图像限制框执行对应的裁剪操作，获得裁剪后图像限制框；在所述裁剪后图像限制框内确定所述操作限制框。

优选地，所述在所述图像限制框内确定操作限制框，包括：基于每个所述物体标注框生成包络区域，所述包络区域用于沿所述物体标注框的外边将每个所述物体标注框包络在所述包络区域内；基于所述包络区域和所述图像限制框生成可操作区域；在所述可操作区域内获取多个随机点，基于所述随机点确定所述操作限制框。

优选地，所述在所述可操作区域内获取四个随机点，包括：获取预设长度；基于所述预设长度在所述可操作区域内生成与所述图像限制框的每个顶点对应的点生成区域，所述点生成区域位于所述图像限制框内；在每个所述点生成区域内获取一个所述随机点。

优选地，所述基于所述图像限制框对所述操作限制框执行所述第一透视变换操作，获得操作后标注框，包括：建立所述随机点与所述顶点之间的关联关系；基于所述关联关系，以所述图像限制框的长度作为操作后长度，以所述图像限制框的宽度作为操作后宽度对所述操作标准框执行所述第一透视变换操作，获得操作后标准框，所述操作后标注框的顶点与所述图像限制框的顶点一一对应。

优选地，所述基于所述第一透视矩阵对所述物体识别信息进行转换处理，获得所述第一变换后信息，包括：基于所述第一透视矩阵对所述物体标注框进行转换处理，获得处理后标注框；对所述处理后标注框进行调整，获得调整后标注框；将所述调整后标注框作为所述第一变换后信息。

优选地，所述对所述物体识别信息执行第一变换操作，获得与所述目标物体对应的第一变换后信息，包括：获取预设液化参数；基于所述预设液化参数对所述物体识别信息执行第一液化变换操作，获得与所述目标物体对应的第一变换后信息。

优选地，所述预设液化参数包括预设液化半径，所述基于所述预设液化参数对所述物体识别信息执行第一液化变换操作，获得与所述目标物体对应的第一变换后信息，包括：在所述可操作区域内随机获取第一点和第二点，所述第一点和所述第二点之间的距离大于所述预设液化半径且所述第一点和所述第二点之间的连线在所述可操作区域内；将所述第一点作为预设液化中心，基于所述预设液化中心和所述预设液化半径生成预设液化区域，所述预设液化区域位于所述可操作区域内；基于所述第一点和所述第二点确定液化方向；以所述第二点为所述第一点变换后的点，按照所述液化方向对所述预设液化区域执行所述第一液化变换操作，获得变换后区域；基于所述变换后区域对所述物体识别信息进行处理获得所述第一变换后信息。

优选地，所述物体识别信息还包括每个所述物体标注框的物体类别和面积信息，所述数据处理方法还包括：基于所述物体类别对所述物体标注框进行分类，获得分类后物体标注框；基于所述分类后物体标注框和所述面积信息获得在每个分类中所述分类后物体标注框的面积统计信息；基于所述面积统计信息按照预设均衡规则对所述处理后信息进行再增广处理，获得再处理后信息。

优选地，所述基于所述面积统计信息按照预设均衡规则对所述处理后信息进行再增广处理，获得再处理后信息，包括：基于所述面积统计信息按照所述预设均衡规则获取对每个所述目标物体的再增广次数；基于所述再增广次数对对应的所述物体识别信息执行第二变换操作，获得对应的第二变换后信息；基于所述第二变换后信息对所述处理后信息进行再增广处理，获得再处理后信息。

优选地，所述数据处理方法还包括：获取预设图像识别模型；基于处理后信息对所述预设图像识别模型进行训练，获得训练后图像识别模型。

相应的，本发明实施例还提供一种基于图像变换的数据处理装置，所述数据处理装置包括：目标识别模块，用于对待处理图像中的目标物体进行识别，获取对应的物体识别信息；变换模块，用于对所述物体识别信息执行第一变换操作，获得与所述目标物体对应的第一变换后信息；数据处理模块，用于基于所述物体识别信息和所述第一变换后信息对所述目标物体执行数增广处理，获得处理后信息。

优选地，所述目标识别模块包括：物体识别单元，用于按照预设算法对所述待处理图像进行图像识别，获得所述待处理图像中的至少一个目标物体；标注单元，用于获取对每个所述目标物体进行标注的物体标注框；目标确定单元，用于将所述标注框作为所述物体识别信息。

优选地，所述变换模块包括透视变换单元，所述透视变换单元用于：对所述物体识别信息执行第一透视变换操作，获得与所述目标物体对应的第一透视矩阵；基于所述第一透视矩阵对所述物体识别信息进行转换处理，获得所述第一变换后信息。

优选地，所述对所述物体识别信息执行第一透视变换操作，获得与所述目标物体对应的第一透视矩阵，包括：获取在所述待处理图像中的图像限制框；在所述图像限制框内确定操作限制框，所述操作限制框内包含所有的所述物体标注框；基于所述图像限制框对所述操作限制框执行第一透视变换操作，获得操作后标注框；基于所述操作限制框和所述操作后标注框生成对应的第一透视矩阵。

优选地，所述透视变换单元还用于：在所述获取在所述待处理图像中的图像限制框之后，判断是否获取到对所述图像限制框的裁剪指令；在获取到所述裁剪指令的情况下，对所述图像限制框执行对应的裁剪操作，获得裁剪后图像限制框；在所述裁剪后图像限制框内确定所述操作限制框。

优选地，所述在所述图像限制框内确定操作限制框，包括：基于每个所述物体标注框生成包络区域，所述包络区域用于沿所述物体标注框的外边将每个所述物体标注框包络在所述包络区域内；基于所述包络区域和所述图像限制框生成可操作区域；在所述可操作区域内获取多个随机点，基于所述随机点确定所述操作限制框。

优选地，所述在所述可操作区域内获取四个随机点，包括：获取预设长度；基于所述预设长度在所述可操作区域内生成与所述图像限制框的每个顶点对应的点生成区域，所述点生成区域位于所述图像限制框内；在每个所述点生成区域内获取一个所述随机点。

优选地，所述基于所述图像限制框对所述操作限制框执行所述第一透视变换操作，获得操作后标注框，包括：建立所述随机点与所述顶点之间的关联关系；基于所述关联关系，以所述图像限制框的长度作为操作后长度，以所述图像限制框的宽度作为操作后宽度对所述操作标准框执行所述第一透视变换操作，获得操作后标准框，所述操作后标注框的顶点与所述图像限制框的顶点一一对应。

优选地，所述基于所述第一透视矩阵对所述物体识别信息进行转换处理，获得所述第一变换后信息，包括：基于所述第一透视矩阵对所述物体标注框进行转换处理，获得处理后标注框；对所述处理后标注框进行调整，获得调整后标注框；将所述调整后标注框作为所述第一变换后信息。

优选地，所述变换模块包括液化变换单元，所述液化变换单元用于：获取预设液化参数；基于所述预设液化参数对所述物体识别信息执行第一液化变换操作，获得与所述目标物体对应的第一变换后信息。

优选地，所述预设液化参数包括预设液化半径，所述基于所述预设液化参数对所述物体识别信息执行第一液化变换操作，获得与所述目标物体对应的第一变换后信息，包括：在所述可操作区域内随机获取第一点和第二点，所述第一点和所述第二点之间的距离大于所述预设液化半径且所述第一点和所述第二点之间的连线在所述可操作区域内；将所述第一点作为预设液化中心，基于所述预设液化中心和所述预设液化半径生成预设液化区域，所述预设液化区域位于所述可操作区域内；基于所述第一点和所述第二点确定液化方向；以所述第二点为所述第一点变换后的点，按照所述液化方向对所述预设液化区域执行所述第一液化变换操作，获得变换后区域；基于所述变换后区域对所述物体识别信息进行处理获得所述第一变换后信息。

优选地，所述物体识别信息还包括每个所述物体标注框的物体类别和面积信息，所述数据处理装置还包括再处理模块，所述再处理模块包括：分类单元，用于基于所述物体类别对所述物体标注框进行分类，获得分类后物体标注框；统计单元，用于基于所述分类后物体标注框和所述面积信息获得在每个分类中所述分类后物体标注框的面积统计信息；再处理单元，用于基于所述面积统计信息按照预设均衡规则对所述处理后信息进行再增广处理，获得再处理后信息。

优选地，所述再处理单元用于：基于所述面积统计信息按照所述预设均衡规则获取对每个所述目标物体的再增广次数；基于所述再增广次数对对应的所述物体识别信息执行第二变换操作，获得对应的第二变换后信息；基于所述第二变换后信息对所述处理后信息进行再增广处理，获得再处理后信息。

优选地，所述数据处理装置还包括模型训练模块，所述模型训练模块包括：模型获取单元，用于获取预设图像识别模型；训练单元，用于基于所述处理后数据对所述预设图像识别模型进行训练，获得训练后图像识别模型。

另一方面，本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明实施例提供的数据处理方法。

通过本发明提供的技术方案，本发明至少具有如下技术效果：

通过在传统的数据增广方法的基础上，采用透视变换和/或液化变换的方式对待处理图像中的数据进行进一步的数据增广，能够在考虑数据真实性的基础上，有效增大数据量，提高了数据的全面性，同时增大了数据的多样性，从而有效提高了对待处理图像的识别处理的精确性，满足了用户的实际需求。

本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：

图1是本发明实施例提供的基于图像变换的数据处理方法的具体实现流程图；

图2是本发明实施例提供的基于图像变换的数据处理方法中对目标物体进行识别的具体实现流程图；

图3是本发明实施例提供的基于图像变换的数据处理方法中对物体识别信息执行第一透视变换的具体实现流程图；

图4是本发明实施例提供的基于图像变换的数据处理方法中在图像限制框内确定操作限制框的示意图；

图5是本发明另一实施例提供的基于图像变换的数据处理方法中在图像限制框内确定操作限制框的示意图；

图6是本发明实施例提供的基于图像变换的数据处理方法中在可操作区域内获取随机点的示意图；

图7是本发明实施例提供的基于图像变换的数据处理方法中对物体识别信息执行第一透视变换的示意图；

图8是本发明实施例提供的基于图像变换的数据处理方法中对物体识别信息进行转换处理的具体实现流程图；

图9是本发明实施例提供的基于图像变换的数据处理方法中对物体识别信息进行液化处理的示意图；

图10是本发明实施例提供的基于图像变换的数据处理装置的结构示意图。

具体实施方式

为了克服现有技术中对图像中数据量较少的物体的处理方法精确性不够，无法满足实际处理需求的技术问题，本发明实施例提供一种基于图像变换的数据处理方法，通过采用透视变换和液化变换的方式对待处理图像中的数据进行数据增广，从而增大了数据的多样性，提高了对待处理图像的识别精确性，满足实际需求。

以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。

本发明实施例中的术语“系统”和“网络”可被互换使用。“多个”是指两个或两个以上，鉴于此，本发明实施例中也可以将“多个”理解为“至少两个”。“和/或”，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，字符“/”，如无特殊说明，一般表示前后关联对象是一种“或”的关系。另外，需要理解的是，在本发明实施例的描述中，“第一”、“第二”等词汇，仅用于区分描述的目的，而不能理解为指示或暗示相对重要性，也不能理解为指示或暗示顺序。

请参见图1，本发明实施例提供一种基于图像变换的数据处理方法，所述数据处理方法包括：

S10)对待处理图像中的目标物体进行识别，获取对应的物体识别信息；

S20)对所述物体识别信息执行第一变换操作，获得与所述目标物体对应的第一变换后信息；

S30)基于所述物体识别信息和所述第一变换后信息对所述目标物体执行数据增广处理，获得处理后信息。

在一种可能的实施方式中，某公司的规模发展较快，因此人员增加也较快，为了对办公环境中的员工的工作状况进行更好的监督，对办公环境进行图像监控，而为了对监控图像中的目标物体进行更好的识别，例如对监控的图像中的手机进行更好的识别，采用本发明实施例提供的基于图像变换的数据处理方法对图像数据进行处理。

在应用过程中，首先获取待处理图像，并对待处理图像中的目标物体进行识别，例如在本发明实施例中，对监控图像中的手机、人头像、电脑屏幕等目标物体进行识别，并获得至少一个物体识别信息，例如该物体识别信息为手机识别信息头像识别信息以及电脑屏幕识别信息。由于直接进行识别所获取到的数据较少，尤其针对物体轮廓较小的物体其可获取的数据更少，此时，对物体识别信息执行第一变换操作，例如在本发明实施例中，摄像头的位置固定，因此监控图像中的物体远小近大，因此可以通过对该监控图像执行第一透视变换操作，从而将监控图像中的远近比例变换一致，以获得变换后的图像。

此时，根据上述物体识别信息和第一变换后信息对所述目标物体进行数据增广操作，例如可以将第一变换后信息与物体识别信息叠加作为处理后信息，从而实现对监控图像的数据增广。

在本发明实施例中，通过在原图的基础上，采用图像变换的方法对待处理图像中的数据进行数据增广，从而保证数据真实性的基础上，提高了数据的数据量，同时还提高了数据的多样性，从而有利于后期对上述数据的学习，提高对待处理图像中的目标物体识别的精确性，满足了实际需求。

请参见图2，在本发明实施例中，所述对待处理图像中的目标物体进行识别，获取对应的物体识别信息，包括：

S101)按照预设算法对所述待处理图像进行图像识别，获得所述待处理图像中的至少一个目标物体；

S102)获取对每个所述目标物体进行标注的物体标注框；

S103)将所述标注框作为所述物体识别信息。

在一种可能的实施方式中，在对待处理图像中的目标物体进行识别的过程中，首先按照预设算法对待处理图像进行图像识别，例如在本发明实施例中，为了提高本发明提供的数据处理方法的兼容性和可应用范围，采用常用的目标检测处理算法对待处理图像进行图像识别，例如用户可以根据实际需求选择将要识别的目标物体，并在待处理图像中识别出至少一个目标物体。此时获取对每个目标物体进行标注的物体标注框，例如在目标检测处理算法中，对监控图像中的人体进行识别后生成对每个人体的标注框，并可以获得每个目标物体的物体类别，例如可以识别出每个目标物体是人体，还是宠物，还是建筑等类别，然后将上述物体标注框和物体类别作为物体识别信息。

在本发明实施例中，所述对所述物体识别信息执行第一变换操作，获得与所述目标物体对应的第一变换后信息，包括：对所述物体识别信息执行第一透视变换操作，获得与所述目标物体对应的第一透视矩阵；基于所述第一透视矩阵对所述物体识别信息进行转换处理，获得所述第一变换后信息。

请参见图3，在本发明实施例中，所述对所述物体识别信息执行第一透视变换操作，获得与所述目标物体对应的第一透视矩阵，包括：

S201)获取在所述待处理图像中的图像限制框；

S202)在所述图像限制框内确定操作限制框，所述操作限制框内包含所有的所述物体标注框；

S203)基于所述图像限制框对所述操作限制框执行所述第一透视变换操作，获得操作后标注框；

S204)基于所述操作限制框和所述操作后标注框生成对应的第一透视矩阵。

在本发明实施例中，所述方法还包括：在所述获取在所述待处理图像中的图像限制框之后，判断是否获取到对所述图像限制框的裁剪指令；在获取到所述裁剪指令的情况下，对所述图像限制框执行对应的裁剪操作，获得裁剪后图像限制框；在所述裁剪后图像限制框内确定所述操作限制框。

在本发明实施例中，所述在所述图像限制框内确定操作限制框，包括：基于每个所述物体标注框生成包络区域，所述包络区域用于沿所述物体标注框的外边将每个所述物体标注框包络在所述包络区域内；基于所述包络区域和所述图像限制框生成可操作区域；在所述可操作区域内获取多个随机点，基于所述随机点确定所述操作限制框。

进一步地，在本发明实施例中，所述在所述可操作区域内获取四个随机点，包括：获取预设长度；基于所述预设长度在所述可操作区域内生成与所述图像限制框的每个顶点对应的点生成区域，所述点生成区域位于所述图像限制框内；在每个所述点生成区域内获取一个所述随机点。

请参见图4，在一种可能的实施方式中，在获取到待处理图像中的物体识别信息后，首先在待处理图像中获取图像限制框，例如在本发明实施例中，该图像限制框可以由操作人员根据当前监控视野中实际需要进行监控的监控区域人为确定，通过在监控区域内输入四个点(例如为A、B、C、D点)以确定一图像限制框，此时进一步在该图像限制框内确定操作限制框。

在另一种可能的实施方式中，为了减小对图像进行处理时的数据处理量，降低图像处理复杂度，提高图像处理的精确性，在获取到在所述待处理图像中的图像限制框之后，进一步判断是否获取到对所述图像限制框的裁剪指令，例如在本发明实施例中，请参见图5，用户可以在图像限制框中指定一个裁剪区域，例如绘制一个裁剪框，裁剪框所包含的区域即为裁剪区域，并点击对应的裁剪按钮以发出裁剪指令，此时对该图像限制框执行裁剪操作，并获得裁剪后图像限制框，并进一步在裁剪后图像限制框内确定操作限制框。

在本发明实施例中，可以根据预设的包络算法对图像限制框或裁剪后图像限制框内的每个物体标注框进行包络，以生成包络区域，然后根据该包络区域和图像限制框生成可操作区域，例如将包络区域和图像限制框之间的区域作为该可操作区域。然后在该可操作性区域中随机获取多个随机点，并基于多个随机点确定操作限制框，例如在本发明实施例中，在图像限制框的可操作区域中随机确定四个点(例如为H、I、J、K点)，从而确定该操作限制框。在本发明的另一种实施例中，在裁剪后图像限制框的可操作区域内随机确定2个点(例如为H、I点)，从而确定该操作限制框(H、I、J、K)。

为了避免通过随机确定的点生成的操作限制框在透视变换后导致目标物体过于失真，请参见图6，在本发明实施例中，进一步获取预设长度，并基于该预设长度在可操作区域中生成与图像限制框的每个顶点对应的点生成区域，例如在本发明实施例中，以每个顶点为原点，向图像限制框内以该预设长度为边长生成一矩形框，并将该矩形框作为点生成区域，在每个点生成区域内随机生成随机点，并进一步确定对应的操作限制框。

在本发明实施例中，所述基于所述图像限制框对所述操作限制框执行所述第一透视变换操作，获得操作后标注框，包括：建立所述随机点与所述顶点之间的关联关系；基于所述关联关系，以所述图像限制框的长度作为操作后长度，以所述图像限制框的宽度作为操作后宽度对所述操作标准框执行所述第一透视变换操作，获得操作后标准框，所述操作后标注框的顶点与所述图像限制框的顶点一一对应。

请参见图7，在一种可能的实施方式中，在获取到操作限制框后，根据图像限制框对操作限制框执行第一透视变换操作，以获得操作后标注框。首先建立随机点与图像限制框的顶点之间的关联关系，例如在本发明实施例中，A点与H点关联，B点与I点关联，C点与J点关联，D点与K点关联，然后按照该预设标准框的长宽对操作限制框执行第一透视变换操作，即将操作限制框变换为与图像限制框同等大小的标注框，从而获得操作后标注框(例如由点H`、I`、J`、K`构成)。此时，根据上述操作限制框和操作后标注框即可获得对应的第一透视矩阵，例如在本发明实施例中，可以根据操作限制框和操作后标注框中对应点(例如H点和H`点对应)的映射关系生成第一透视矩阵。

在本发明实施例中，通过对待处理图像进行透视变换，消除待处理图像中的透视现象，从而一方面，能够有效消除因采用固定位置摄像头对监控区域进行监控过程中，监控区域存在透视效果而导致对远处的监控效果较差的问题，保证对摄像头远近距离的监控区域都具有同样的监控效果；另一方面，在后续数据处理过程中，可以结合原数据和透视变换后的数据进行深度学习处理，从而获得更全面以及更多样化的学习数据，能够有效提高学习效率以及学习精确性，提高对图像处理的处理精确性。

请参见图8，在本发明实施例中，所述基于所述第一透视矩阵对所述物体识别信息进行转换处理，获得所述第一变换后信息，包括：

S301)基于所述第一透视矩阵对所述物体标注框进行转换处理，获得处理后标注框；

S302)对所述处理后标注框进行调整，获得调整后标注框；

S303)将所述调整后标注框作为所述第一变换后信息。

在一种可能的实施方式中，在获取上述第一透视矩阵后，即确定获得了将待处理图像处理成一般平铺图像的变换系数。此时，对物体标注框进行对应的变换处理，例如将物体标注框上的每个点与该第一透视矩阵进行相乘处理，从而获得相乘处理后的点，并根据相乘后的点确定处理后标注框，在本发明实施例中，为了便于后续的处理，在获得上述处理后标注框后，该处理后标注框必然为不规则多边形，因此根据该不规则多边形的外轮廓进一步生成对应的规则矩形框，并将该规则矩形框作为第一变换后信息。

在本发明实施例中，所述对所述物体识别信息执行第一变换操作，获得与所述目标物体对应的第一变换后信息，包括：获取预设液化参数；基于所述预设液化参数对所述物体识别信息执行第一液化变换操作，获得与所述目标物体对应的第一变换后信息。

进一步地，在本发明实施例中，所述预设液化参数包括预设液化半径，所述基于所述预设液化参数对所述物体识别信息执行第一液化变换操作，获得与所述目标物体对应的第一变换后信息，包括：在所述可操作区域内随机获取第一点和第二点，所述第一点和所述第二点之间的距离大于所述预设液化半径且所述第一点和所述第二点之间的连线在所述可操作区域内；将所述第一点作为预设液化中心，基于所述预设液化中心和所述预设液化半径生成预设液化区域，所述预设液化区域位于所述可操作区域内；基于所述第一点和所述第二点确定液化方向；以所述第二点为所述第一点变换后的点，按照所述液化方向对所述预设液化区域执行所述第一液化变换操作，获得变换后区域；基于所述变换后区域对所述物体识别信息进行处理获得所述第一变换后信息。

请参见图9，在一种可能的实施方式中，首先获取进行液化操作的预设液化区域，例如在本发明实施例中，可以首先设定预设液化半径(例如为R)，然后在上述确定的可操作区域内随机获取第一点(例如为点C)和第二点(例如为点M)，其中第一点和第二点之间的距离大于上述预设液化半径，同时第一点和第二点之间的连线位于该可操作性区域内。此时根据上述C点和预设液化半径R生成预设液化区域，例如以C点为圆心，以R为半径生成预设液化区域，该预设液化区域位于可操作区域内。此时根据第一点和第二点确定液化方向，例如以C点为起点，以M点为终点确定液化方向，然后将第二点(即M点)作为C点变换后的点，按照上述液化方向对预设液化区域执行第一液化变换操作，获得变换后区域，例如在本发明实施例中，预设液化区域中的u点在变换后变为了x点，此时物体识别信息附近的背景图像发生了变化，此时基于变换后区域对物体识别信息进行处理，例如将变换后区域与物体识别信息相结合从而生成第一变换后信息。

在本发明实施例中，通过采用液化变换的方式对目标物体进行数据增广操作，能够在基于真实的目标物体的图像数据的基础上，对该目标物体产生更多形态的图像数据，从而能够有效增加目标物体的数据量，同时所增加的数据量具有很高的真实性。

在本发明实施例中，所述物体识别信息还包括每个所述物体标注框的物体类别和面积信息，所述数据处理方法还包括：基于所述物体类别对所述物体标注框进行分类，获得分类后物体标注框；基于所述分类后物体标注框和所述面积信息获得在每个分类中所述分类后物体标注框的面积统计信息；基于所述面积统计信息按照预设均衡规则对所述处理后信息进行再增广处理，获得再处理后信息。

进一步地，在本发明实施例中，所述基于所述面积统计信息按照预设均衡规则对所述处理后信息进行再增广处理，获得再处理后信息，包括：基于所述面积统计信息按照所述预设均衡规则获取对每个所述目标物体的再增广次数；基于所述再增广次数对对应的所述物体识别信息执行第二变换操作，获得对应的第二变换后信息；基于所述第二变换后信息对所述处理后信息进行再增广处理，获得再处理后信息。

由于在实际应用过程中，对于处理前的待处理图像中，位于远处的物体因透视效果而变得很小，因此在对该物体进行识别或处理的过程中，获取到的该物体的数据较少，因此会降低对该物体的识别或处理精确性。因此为了解决上述技术问题，在一种可能的实施方式中，在对待处理图像进行初步的数据处理后，还进一步对待处理图像中的目标物体进行数据再增广。

例如在本发明实施例中，首先根据识别出的物体类别对物体标注框进行分类，从而获得每个类别下的分类后物体标注框，然后根据每个物体标注框的面积信息获得每个分类后物体标注框的面积统计信息，例如获取在每个分类下的分类后物体标注框的面积分布信息，此时根据预设均衡规则对处理后信息。例如在本发明实施例中，该预设均衡规则为将相同类别下的目标物体的面积占比进行均衡，例如手机类别的目标物体总面积为30，其中A手机的面积为15，B手机的面积为11，C手机的面积为4，因此根据上述面积分布信息获得对A手机的增广次数为1，对B手机的增广次数为3，对C手机的增广次数为8,。然后按照上述增广次数对每个手机对应的物体识别信息进行第二透视变换操作，并获取到对应的第二透视矩阵，以及进一步根据该第二透视矩阵获取到对应的第二转换后识别信息，将该第二转换后识别信息叠加至处理后信息，从而实现对手机数据的再增广操作，获得对应的再处理后信息。

在本发明实施例中，通过在透视变换操作的基础上，对数据量小的物体采用多次重复处理，并将多次处理的数据进行叠加以获得更大的数据量，同时能够有效提升数据的可靠性和精确性，提高了对待处理图像的处理精确性。

在本发明实施例中，所述数据处理方法还包括：获取预设图像识别模型；基于处理后信息对所述预设图像识别模型进行训练，获得训练后图像识别模型。

在一种可能的实施方式中，在获取到增广处理后的图像数据后，进一步获取预设图像识别模型，例如在本发明实施例中，该预设图像识别模型可以为深度学习模型，此时基于上述处理后信息对该深度学习模型进行训练，从而获得训练后图像识别模型。通过该训练后图像识别模型对待处理图像进行识别，能够获得更加精确、可靠的识别或处理结果，满足了用户的实际需求。

下面结合附图对本发明实施例所提供的基于透视变换的数据处理装置进行说明。

请参见图10，基于同一发明构思，本发明实施例提供一种基于透视变换的数据处理装置，所述数据处理装置包括：目标识别模块，用于对待处理图像中的目标物体进行识别，获取对应的物体识别信息；变换模块，用于对所述物体识别信息执行第一变换操作，获得与所述目标物体对应的第一变换后信息；数据处理模块，用于基于所述物体识别信息和所述第一变换后信息对所述目标物体执行数增广处理，获得处理后信息。

在本发明实施例中，所述目标识别模块包括：物体识别单元，用于按照预设算法对所述待处理图像进行图像识别，获得所述待处理图像中的至少一个目标物体；标注单元，用于获取对每个所述目标物体进行标注的物体标注框；目标确定单元，用于将所述标注框作为所述物体识别信息。

在本发明实施例中，所述变换模块包括透视变换单元，所述透视变换单元用于：对所述物体识别信息执行第一透视变换操作，获得与所述目标物体对应的第一透视矩阵；基于所述第一透视矩阵对所述物体识别信息进行转换处理，获得所述第一变换后信息。

在本发明实施例中，所述对所述物体识别信息执行第一透视变换操作，获得与所述目标物体对应的第一透视矩阵，包括：获取在所述待处理图像中的图像限制框；在所述图像限制框内确定操作限制框，所述操作限制框内包含所有的所述物体标注框；基于所述图像限制框对所述操作限制框执行第一透视变换操作，获得操作后标注框；基于所述操作限制框和所述操作后标注框生成对应的第一透视矩阵。

在本发明实施例中，所述透视变换单元还用于：在所述获取在所述待处理图像中的图像限制框之后，判断是否获取到对所述图像限制框的裁剪指令；在获取到所述裁剪指令的情况下，对所述图像限制框执行对应的裁剪操作，获得裁剪后图像限制框；在所述裁剪后图像限制框内确定所述操作限制框。

在本发明实施例中，所述在所述图像限制框内确定操作限制框，包括：基于每个所述物体标注框生成包络区域，所述包络区域用于沿所述物体标注框的外边将每个所述物体标注框包络在所述包络区域内；基于所述包络区域和所述图像限制框生成可操作区域；在所述可操作区域内获取多个随机点，基于所述随机点确定所述操作限制框。

在本发明实施例中，所述在所述可操作区域内获取四个随机点，包括：获取预设长度；基于所述预设长度在所述可操作区域内生成与所述图像限制框的每个顶点对应的点生成区域，所述点生成区域位于所述图像限制框内；在每个所述点生成区域内获取一个所述随机点。

在本发明实施例中，所述基于所述图像限制框对所述操作限制框执行所述第一透视变换操作，获得操作后标注框，包括：建立所述随机点与所述顶点之间的关联关系；基于所述关联关系，以所述图像限制框的长度作为操作后长度，以所述图像限制框的宽度作为操作后宽度对所述操作标准框执行所述第一透视变换操作，获得操作后标准框，所述操作后标注框的顶点与所述图像限制框的顶点一一对应。

在本发明实施例中，所述基于所述第一透视矩阵对所述物体识别信息进行转换处理，获得所述第一变换后信息，包括：基于所述第一透视矩阵对所述物体标注框进行转换处理，获得处理后标注框；对所述处理后标注框进行调整，获得调整后标注框；将所述调整后标注框作为所述第一变换后信息。

在本发明实施例中，所述变换模块包括液化变换单元，所述液化变换单元用于：获取预设液化参数；基于所述预设液化参数对所述物体识别信息执行第一液化变换操作，获得与所述目标物体对应的第一变换后信息。

在本发明实施例中，所述预设液化参数包括预设液化半径，所述基于所述预设液化参数对所述物体识别信息执行第一液化变换操作，获得与所述目标物体对应的第一变换后信息，包括：在所述可操作区域内随机获取第一点和第二点，所述第一点和所述第二点之间的距离大于所述预设液化半径且所述第一点和所述第二点之间的连线在所述可操作性区域内；将所述第一点作为预设液化中心，基于所述预设液化中心和所述预设液化半径生成预设液化区域，所述预设液化区域位于所述可操作区域内；基于所述第一点和所述第二点确定液化方向；以所述第二点为所述第一点变换后的点，按照所述液化方向对所述预设液化区域执行所述第一液化变换操作，获得变换后区域；基于所述变换后区域对所述物体识别信息进行处理获得所述第一变换后信息。

在本发明实施例中，所述物体识别信息还包括每个所述物体标注框的物体类别和面积信息，所述数据处理装置还包括再处理模块，所述再处理模块包括：分类单元，用于基于所述物体类别对所述物体标注框进行分类，获得分类后物体标注框；统计单元，用于基于所述分类后物体标注框和所述面积信息获得在每个分类中所述分类后物体标注框的面积统计信息；再处理单元，用于基于所述面积统计信息按照预设均衡规则对所述处理后信息进行再增广处理，获得再处理后信息。

在本发明实施例中，所述再处理单元用于：基于所述面积统计信息按照所述预设均衡规则获取对每个所述目标物体的再增广次数；基于所述再增广次数对对应的所述物体识别信息执行第二变换操作，获得对应的第二变换后信息；基于所述第二变换后信息对所述处理后信息进行再增广处理，获得再处理后信息。

在本发明实施例中，所述数据处理装置还包括模型训练模块，所述模型训练模块包括：模型获取单元，用于获取预设图像识别模型；训练单元，用于基于所述处理后数据对所述预设图像识别模型进行训练，获得训练后图像识别模型。

进一步地，本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明实施例所述的数据处理方法。

以上结合附图详细描述了本发明实施例的可选实施方式，但是，本发明实施例并不限于上述实施方式中的具体细节，在本发明实施例的技术构思范围内，可以对本发明实施例的技术方案进行多种简单变型，这些简单变型均属于本发明实施例的保护范围。

另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明实施例对各种可能的组合方式不再另行说明。

本领域技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得单片机、芯片或处理器(processor)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。

此外，本发明实施例的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明实施例的思想，其同样应当视为本发明实施例所公开的内容。