【技术实现步骤摘要】
图片物体处理方法、装置及存储介质
本专利技术涉及图片处理
，尤其涉及一种图片物体处理方法、电子装置及计算机可读存储介质。
技术介绍
现有技术中，对图片中的物体处理成另一个物体的方式有很多。例如，采用Photoshop(简称PS)软件将一张图片上的物体PS成另一个物体，再经过调试得到符合要求的新图片，但对于大量图片中物体的替换，需耗费人力，PS工具难以有效完成；也可以采用程序化替换的opencv工具，先根据原图片制作一张与原图片保持一致的新图片，且包含有替换的物体的图片，通过扫描定位出新图片中替换的物体的位置，然后覆盖原图片，但同一个物体在不同图片中可能方向不一样，大小不一样，需要制作出不同尺寸的新图片，以供扫描定位出新图片中替换的物体的位置。然而，不管采用哪种方式都存在这样的不足：图片中的物体方位确定可靠性差，替换效率低、难以确保图片中的物体替换的准确性。
技术实现思路
鉴于以上内容，本专利技术提供一种图片物体处理方法、电子装置及计算机可读存储介质，其主要目的在于利用神经网络识别出具...
【技术保护点】
1.一种图片物体处理方法，应用于电子装置，其特征在于，该方法包括：/n样本标注步骤：识别样本图片包含的各个物体并以预设图框标示，从每个预设图框中提取物体轮廓，对包含物体轮廓的每个预设图框进行属性标注得到样本图片中各个物体的图框数据，所述图框数据包括代表样本图片中的物体的图框的位置数据、类别数据和方向数据；/n第一训练步骤：基于样本图片中每个图框的位置数据及类别数据训练第一网络模型，当第一网络模型的最小损失函数的损失值收敛时，完成所述第一网络模型的训练；/n第二训练步骤：基于样本图片中每个图框的方向数据训练第二网络模型，当第二网络模型的交叉熵损失函数的损失值收敛时，完成所述第...
【技术特征摘要】
1.一种图片物体处理方法，应用于电子装置，其特征在于，该方法包括：
样本标注步骤：识别样本图片包含的各个物体并以预设图框标示，从每个预设图框中提取物体轮廓，对包含物体轮廓的每个预设图框进行属性标注得到样本图片中各个物体的图框数据，所述图框数据包括代表样本图片中的物体的图框的位置数据、类别数据和方向数据；
第一训练步骤：基于样本图片中每个图框的位置数据及类别数据训练第一网络模型，当第一网络模型的最小损失函数的损失值收敛时，完成所述第一网络模型的训练；
第二训练步骤：基于样本图片中每个图框的方向数据训练第二网络模型，当第二网络模型的交叉熵损失函数的损失值收敛时，完成所述第二网络模型的训练；
识别步骤：读取待处理图片，将所述待处理图片输入训练完成的所述第一网络模型和第二网络模型，识别出代表所述待处理图片包含的目标物体的图框的位置参数、类别参数和方向参数。
2.如权利要求1所述的图片物体处理方法，其特征在于，该方法在所述识别步骤后还包括：
替换步骤：获取预设物体图片，根据所述待处理图片包含的目标物体的图框的位置参数、类别参数和方向参数，调整所述预设物体图片对应的位置参数、类别参数和方向参数，利用调整后的所述预设物体图片替换所述待处理图片包含的目标物体的图框。
3.如权利要求1所述的图片物体处理方法，其特征在于，所述最小损失函数是采用梯度下降对样本图片中的图框的位置数据及类别数据进行迭代；及
所述最小损失函数为：L(x，c，l，g)＝1/N(Lconf(x，c)+aLloc(x，l，g))
其中，L(x，c，l，g)为最小损失函数；Lconf(x，c)为样本图片中的图框的类别损失值；aLloc(x，l，g)为样本图片中的图框的位置损失值；Lconf为类别置信损失；Lloc为位置损失；x为0到1的指示参数，当x＝0时，表示未匹配到图框，当x＝1时，表示表示匹配到图框；c为图框的类别置信预测值；l为图框的位置预测值；g为图框的位置数据；a为位置损失的权重；N为图框的数量。
4.如权利要求1所述的图片物体处理方法，其特征在于，所述第一训练步骤包括从样本图片中获取验证集的样本图片验证所述第一网络模型，其验证步骤包括：
从样本图片中获取验证集的样本图片输入第一网络模型，输出样本图片的图框的位置数据、类别数据；
根据输出的位置数据、类别数据计算所述第一网络模型的精度平均值；
若计算出的精度平均值超过第一预设阈值，则所述第一网络模型识别出样本图片中的图框的位置参数和类别参数。
5.如权利要求1所述的图片物体处理方法，其特征在于，所述交叉熵损失函数是对样本...
【专利技术属性】
技术研发人员：董宇康，陈万慧，简杰生，王云敏，苏雪婷，
申请(专利权)人：平安城市建设科技深圳有限公司，
类型：发明
国别省市：广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。