[发明专利]一种基于神经网络的PPT边框识别方法及相关设备

权利要求书

1.一种基于神经网络的PPT边框识别方法，其特征在于，所述神经网络包括：特征提取层、轮廓分割层和角点定位层：

所述PPT边框识别方法包括：

将含有PPT文档信息的图片输入所述特征提取层中进行特征提取，得到所述特征提取层输出的图片的特征图；

将所述图片的特征图输入所述轮廓分割层，得到所述轮廓分割层输出的轮廓分割图像；

将所述轮廓分割图像输入所述角点定位层，得到所述角点定位层输出的PPT边框的四个角点的位置信息；

根据所述四个角点的位置信息识别出所述PPT边框；

所述特征提取层包括：第一卷积层和反卷积层；

所述含有PPT文档信息的图片输入所述第一卷积层，所述第一卷积层输出所述图片所对应的图片特征层；

将所述图片特征层输入所述反卷积层，所述反卷积层输出所述图片特征层所对应的特征图；

所述轮廓分割层包括：第一卷积核；

所述特征图输入所述卷积核，经过卷积操作后，输出轮廓分割图像；

所述角点定位层包括：第二卷积核；

将所述轮廓分割图像依次输入所述第二卷积核，重复四次，分别得到四次卷积操作后输出的所述四个角点的位置信息；

所述神经网络还包括：全连接层；

所述方法还包括：

根据所述四个角点的位置信息，从特征图中提取出其所对应的特征向量；

将所述特征向量输入若干个全连接层，得到输出的四个角点在图片上的角点位置修正信息。

2.根据权利要求1所述的基于神经网络的PPT边框识别方法，其特征在于，所述方法还包括：

对含有PPT文档信息的图片进行预处理，将其缩放为预设尺寸的图片后，再输入到特征提取层。

3.根据权利要求1所述的基于神经网络的PPT边框识别方法，其特征在于，所述特征提取层为已训练的Mobilenet v2网络结构和所述反卷积层的组成，或者所述特征提取层为编码-解码网络结构。

4.一种基于神经网络的PPT边框识别装置，其特征在于，所述神经网络包括：特征提取层、轮廓分割层和角点定位层：

所述PPT边框识别装置包括：

特征提取模块，用于将含有PPT文档信息的图片输入所述特征提取层中进行特征提取，得到所述特征提取层输出的图片的特征图；

轮廓分割模块，用于将所述图片的特征图输入到所述轮廓分割层，得到所述轮廓分割层输出的轮廓分割图像；

角点定位模块，用于将所述轮廓分割图像输入所述角点定位层，得到所述角点定位层输出的PPT边框的四个角点的位置信息；

边框识别模块，用于根据所述四个角点的位置信息识别出所述PPT边框；

所述特征提取层包括：第一卷积层和反卷积层；

所述含有PPT文档信息的图片输入所述第一卷积层，所述第一卷积层输出所述图片所对应的图片特征层；

将所述图片特征层输入所述反卷积层，所述反卷积层输出所述图片特征层所对应的特征图；

所述轮廓分割层包括：第一卷积核；

所述特征图输入所述卷积核，经过卷积操作后，输出轮廓分割图像；

所述角点定位层包括：第二卷积核；

将所述轮廓分割图像依次输入所述第二卷积核，重复四次，分别得到四次卷积操作后输出的所述四个角点的位置信息；

所述神经网络还包括：全连接层；

所述装置 还包括：

根据所述四个角点的位置信息，从特征图中提取出其所对应的特征向量；

将所述特征向量输入若干个全连接层，得到输出的四个角点在图片上的角点位置修正信息。

5.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至3中任一项所述方法的步骤。

6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至3中任一项所述的方法的步骤。