[发明专利]平面设计物料生成的方法和装置

权利要求书

1.一种平面设计物料生成的方法，其特征在于，包括：

提取原始图像的图像特征向量；将所述图像特征向量输入训练好的前景检测模型，获取原始图像的前景图像；所述前景检测模型是基于区域推荐网络RPN训练得到的；

提取原始图像的文本特征向量；将所述文本特征向量输入训练好的文本检测模型，获取原始图像的文本图像；所述文本检测模型是基于双向长短期记忆神经网络BLSTM训练得到的；

将所述前景图像和所述文本图像与模板图像融合，得到平面设计物料。

2.如权利要求1所述的方法，其特征在于，提取原始图像的图像特征向量包括：将原始图像输入训练好的前景特征提取器，得到原始图像的图像特征向量；其中，所述前景调整提取器是基于卷积神经网络CNN训练得到的，包括卷积层和全连通层，所述卷积层采用深度可分离卷积结构。

3.如权利要求2所述的方法，其特征在于，所述卷积层的数量为20层。

4.如权利要求1所述的方法，其特征在于，按照如下方法训练得到所述前景检测模型：

以横幅广告和/或海报图片作为样本，对所有样本进行聚类，确定各个样本的分类标签和所述训练样本中前景图像的包围边框；

以分类后的样本作为分类样本，根据每个训练样本的分类标签和所述训练样本中前景图像的包围边框，基于区域推荐网络RPN进行模型训练，得到训练好的所述前景检测模型。

5.如权利要求1所述的方法，其特征在于，提取原始图像的文本特征向量包括：将原始图像输入训练好的文本特征提取器，得到原始图像的文本特征向量；其中，所述文本特征提取器是采用卷积神经网络训练得到的，具有19层卷积层。

6.一种平面设计物料生成的装置，其特征在于，包括：

前景提取模块，提取原始图像的图像特征向量；将所述图像特征向量输入训练好的前景检测模型，获取原始图像的前景图像；所述前景检测模型是基于区域推荐网络RPN训练得到的；

文本提取模块，提取原始图像的文本特征向量；将所述文本特征向量输入训练好的文本检测模型，获取原始图像的文本图像；所述文本检测模型是基于双向长短期记忆神经网络BLSTM训练得到的；

图像融合模块，将所述前景图像和所述文本图像与模板图像融合，得到平面设计物料。

7.如权利要求6所述的装置，其特征在于，前景提取模块提取原始图像的图像特征向量包括：将原始图像输入训练好的前景特征提取器，得到原始图像的图像特征向量；其中，所述前景调整提取器是基于卷积神经网络CNN训练得到的，包括卷积层和全连通层，所述卷积层采用深度可分离卷积结构。

8.如权利要求7所述的装置，其特征在于，所述卷积层的数量为20层。

9.如权利要求6所述的装置，其特征在于，前景提取模块按照如下方法训练得到所述前景检测模型：

以横幅广告和/或海报图片作为样本，对所有样本进行聚类，确定各个样本的分类标签和所述训练样本中前景图像的包围边框；

以分类后的样本作为分类样本，根据每个训练样本的分类标签和所述训练样本中前景图像的包围边框，基于区域推荐网络RPN进行模型训练，得到训练好的所述前景检测模型。

10.如权利要求6所述的装置，其特征在于，文本提取模块提取原始图像的文本特征向量包括：将原始图像输入训练好的文本特征提取器，得到原始图像的文本特征向量；其中，所述文本特征提取器是采用卷积神经网络训练得到的，具有19层卷积层。

11.一种平面设计物料生成的电子设备，其特征在于，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。

12.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-5中任一所述的方法。