CN111027492B - 一种肢体特征点连线的动物作画方法及装置 - Google Patents
一种肢体特征点连线的动物作画方法及装置 Download PDFInfo
- Publication number
- CN111027492B CN111027492B CN201911277216.1A CN201911277216A CN111027492B CN 111027492 B CN111027492 B CN 111027492B CN 201911277216 A CN201911277216 A CN 201911277216A CN 111027492 B CN111027492 B CN 111027492B
- Authority
- CN
- China
- Prior art keywords
- animal
- limb
- feature point
- painting
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 241001465754 Metazoa Species 0.000 title claims abstract description 374
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000010422 painting Methods 0.000 claims description 129
- 238000012549 training Methods 0.000 claims description 26
- 238000013528 artificial neural network Methods 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 18
- 230000000694 effects Effects 0.000 abstract description 8
- 210000003414 extremity Anatomy 0.000 description 278
- 239000002609 medium Substances 0.000 description 10
- 210000003194 forelimb Anatomy 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 210000003141 lower extremity Anatomy 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 102100023170 Nuclear receptor subfamily 1 group D member 1 Human genes 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 239000012120 mounting media Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000003973 paint Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了一种肢体特征点连线的动物作画方法及装置。本申请实施例提供的技术方案通过建立动物肢体特征数据库记录动物图像样本数据、肢体特征点坐标和肢体特征点序号之间的对应关系,并基于该对应关系建立动物肢体特征点判断模型,在需要进行动物图像的作画时,利用动物肢体特征点判断模型获取作画图像中的作画特征点坐标和作画特征点序号,并基于作画特征点坐标和作画特征点序号确定作画路径,最后根据作画路径进行作画,即可快速准确地以简笔画的形式描绘出作画图像所对应的动物,提高了动物作画的效率,达到了计算机处理压力少、工作效率高、画风新颖有趣、作画门槛低的效果。
Description
技术领域
本申请实施例涉及计算机技术领域,尤其涉及一种肢体特征点连线的动物作画方法及装置。
背景技术
动物作画相比人物作画,动物具有种类多样、轮廓细节简单的优势,逐渐受到人们的青睐。目前的动物作画方式一般是以终端选择或上传的图像作为输入,传输给智能作画装置并把图像作画于屏幕或画纸上,以作画成品为输出并反馈给用户。
但是这种作画方式强调相似性,作画注重画法,特征关键点繁多,计算机处理压力大,导致作画效率低下。
发明内容
本申请实施例提供一种肢体特征点连线的动物作画方法及装置,以提高动物作画的效率。
在第一方面,本申请实施例提供了一种肢体特征点连线的动物作画方法,包括:
基于动物图像样本数据、肢体特征点坐标和肢体特征点序号之间的对应关系建立动物肢体特征数据库;
基于神经网络结构和动物肢体特征数据库建立动物肢体特征点判断模型;
获取作画图像,根据所述动物肢体特征点判断模型确定所述作画图像对应的作画特征点坐标和作画特征点序号,并基于所述作画特征点坐标和所述作画特征点序号确定作画路径;
基于所述作画路径进行作画。
进一步的,所述基于动物图像样本数据、肢体特征点坐标和肢体特征点序号之间的对应关系建立动物肢体特征数据库,包括:
通过网络获取动物图像,基于所述动物图像对应的像素值矩阵得到动物图像样本数据;
标记出所述动物图像的肢体特征点,得到所述肢体特征点对应的肢体特征点坐标;
基于预设标号顺序确定所述肢体特征点对应的肢体特征点序号;
基于动物图像样本数据、肢体特征点坐标和肢体特征点序号之间的对应关系建立动物肢体特征数据库。
进一步的,所述通过网络获取动物图像,基于所述动物图像对应的像素值矩阵得到动物图像样本数据,包括:
通过网络获取动物图像,对所述动物图像进行灰度处理得到灰度图像;
基于所述灰度图像对应的像素值矩阵得到动物图像样本数据。
进一步的,所述基于神经网络结构和动物肢体特征数据库建立动物肢体特征点判断模型,包括:
基于神经网络结构搭建动物肢体特征点判断模型;
以动物图像样本数据为输入,以肢体特征点坐标和肢体特征点序号为输出,将动物肢体特征数据库中的动物图像作为训练样本对所述动物肢体特征点判断模型进行训练,直至训练次数达到第一阈值。
进一步的,所述训练次数达到第一阈值之后,还包括:
将动物肢体特征数据库中的动物图像作为测试样本对所述动物肢体特征点判断模型进行测试并验证准确率,并根据测准确率调整所述动物肢体特征点判断模型,直至准确率达到第二阈值。
进一步的,所述基于所述作画特征点坐标和所述作画特征点序号确定作画路径,包括:
基于所述作画特征点坐标对应的特征点,并按照所述作画特征点序号的顺序,通过贝塞尔曲线连接所述特征点,形成作画路径。
进一步的,所述获取作画图像,根据所述动物肢体特征点判断模型确定所述作画图像对应的作画特征点坐标和作画特征点序号,并基于所述作画特征点坐标和所述作画特征点序号确定作画路径,包括:
获取作画图像,根据所述动物肢体特征点判断模型确定所述作画图像对应的作画特征点坐标和作画特征点序号;
根据所述动物肢体特征点判断模型确定的作画特征点坐标和作画特征点序号确定所述作画图像中包含的动物数量;
基于所述作画图像中包含的动物数量、所述作画特征点坐标和所述作画特征点序号确定作画路径,所述作画路径的数量与所述作画图像中包含的动物数量一致。
在第二方面,本申请实施例提供了一种肢体特征点连线的动物作画装置,包括数据库建立模块、模型建立模块、路径确定模块和作画模块,其中:
数据库建立模块,用于基于动物图像样本数据、肢体特征点坐标和肢体特征点序号之间的对应关系建立动物肢体特征数据库;
模型建立模块,用于基于神经网络结构和动物肢体特征数据库建立动物肢体特征点判断模型;
路径确定模块,用于获取作画图像,根据所述动物肢体特征点判断模型确定所述作画图像对应的作画特征点坐标和作画特征点序号,并基于所述作画特征点坐标和所述作画特征点序号确定作画路径;
作画模块,用于基于所述作画路径进行作画。
在第三方面,本申请实施例提供了一种计算机设备,包括:存储器以及一个或多个处理器;
所述存储器,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第一方面所述的肢体特征点连线的动物作画方法。
在第四方面,本申请实施例提供了一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如第一方面所述的肢体特征点连线的动物作画方法。
本申请实施例通过建立动物肢体特征数据库记录动物图像样本数据、肢体特征点坐标和肢体特征点序号之间的对应关系,并基于该对应关系建立动物肢体特征点判断模型,在需要进行动物图像的作画时,利用动物肢体特征点判断模型获取作画图像中的作画特征点坐标和作画特征点序号,并基于作画特征点坐标和作画特征点序号确定作画路径,最后根据作画路径进行作画,即可快速准确地以简笔画的形式描绘出作画图像所对应的动物,提高了动物作画的效率,达到了计算机处理压力少、工作效率高、画风新颖有趣、作画门槛低的效果。
附图说明
图1是本申请实施例提供的一种肢体特征点连线的动物作画方法的流程图;
图2是本申请实施例提供的一种作画路径的示意图;
图3是本申请实施例提供的另一种肢体特征点连线的动物作画方法的流程图;
图4是本申请实施例提供的另一种肢体特征点连线的动物作画方法的流程图;
图5是本申请实施例提供的一种肢体特征点连线的动物作画装置的结构示意图;
图6是本申请实施例提供的一种计算机设备的结构示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚,下面结合附图对本申请具体实施例作进一步的详细描述。可以理解的是,此处所描述的具体实施例仅仅用于解释本申请,而非对本申请的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本申请相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是,一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理,但是其中的许多操作可以被并行地、并发地或者同时实施。此外,各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止,但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
图1给出了本申请实施例提供的一种肢体特征点连线的动物作画方法的流程图,本实施例可适用于动物图像作画,该肢体特征点连线的动物作画方法可以由肢体特征点连线的动物作画装置来执行,该肢体特征点连线的动物作画装置可通过硬件和/或软件的方式实现,并集成在计算机设备中。
下述以肢体特征点连线的动物作画装置来执行肢体特征点连线的动物作画方法为例进行描述。参考图1,该肢体特征点连线的动物作画方法包括:
S101:基于动物图像样本数据、肢体特征点坐标和肢体特征点序号之间的对应关系建立动物肢体特征数据库。
其中,动物图像样本数据为动物图像对应的像素值矩阵,像素值矩阵中每个点都用对应的像素值(如RGB值、YUV值或灰度值)进行表示,本实施例中以灰度值作为像素值为例进行说明。肢体特征点坐标应理解为动物图像中动物各肢体特征点在动物图像中的坐标,并且一种动物对应有多个肢体特征点,多个肢体特征点的集合形成了对应动物的形状,并且肢体特征点坐标与像素值矩阵中的像素坐标一一对应。肢体特征点序号为多个肢体特征点之间按照预设的顺序进行排序的序号,可以理解的是,动物图像中同一动物的多个肢体特征点的序号各不相同,并呈梯度设置,并且同一特征可设置多个肢体特征点,并且同一特征对应的肢体特征点序号应在序号上连续(如狗的右前肢可设置3个肢体特征点,并且肢体特征点序号依次为28,29,30)。具体的,步骤S101包括步骤S1011-S1014:
S1011:通过网络获取动物图像,基于所述动物图像对应的像素值矩阵得到动物图像样本数据。
示例性的,通过网络在一个或多个网站中下载得到足够数量(以满足动物肢体特征点判断模型训练和测试的要求为准)的带有动物图案的图像,并将这些图像作为动物图像,然后对这些动物图像进行灰度处理,并基于灰度处理后的动物图像得到动物图像样本数据。具体为:通过网络获取动物图像,对所述动物图像进行灰度处理得到灰度图像;基于所述灰度图像对应的像素值矩阵得到动物图像样本数据。
其中,灰度处理是指使图像中每个像素只使用一个采样颜色进行表示,显示为从最暗黑色到最亮的白色的灰度,与纯黑白图像不同,在计算机图像领域中黑白图像只有黑白两种颜色,灰度图像在黑色与白色之间还有许多级的颜色深度,通常灰度值范围表示为0到255,其中白色为255,黑色为0,灰度值越小颜色越深,灰度值越大颜色越趋于白色。
在获取动物图像后,对动物图像进行灰度处理从而获得经灰度处理后的动物图像,其中以动物图像为RGB彩色图像为例(R、G、B分别为红、绿、蓝三个基色分量,其共同决定了像素点颜色),确定该动物图像每个像素点的R、G、B基色分量,依据下述公式确定每个像素点的灰度值Y:
Y=0.3R+0.59G+0.11B
上述计算方式中,根据基色的重要性,将三个分量以不同的权值进行加权平均。由于人眼对绿色的敏感最高,对蓝色敏感最低,故绿色(G)的权值最高,取值0.59。需要说明的是,R、G、B对应的权值大小可适应性调整。在另一个实施例中,在进行灰度处理时可采取分量值法、最大值法或平均值法求取图像每个像素点的灰度值。在确定动物图像每个像素点的灰度值后,可相应得出经灰度处理后的动物图像。可以理解的是,灰度处理并不会影响图像的纹理特征信息,而且各像素点只需一个灰度值便可表示,有效提高图像的处理效率。
对动物图像进行灰度处理并得到灰度图像后,灰度图像中每个坐标点的像素值均用灰度值(0-255)进行表示,基于灰度图像中每个坐标点的灰度值的集合形成像素值矩阵,并将该像素值矩阵作为动物图像样本数据(或直接将由像素值矩阵进行记录的灰度图像作为动物图像样本数据)。
S1012:标记出所述动物图像的肢体特征点,得到所述肢体特征点对应的肢体特征点坐标。
具体的,在获取动物图像后,根据动物图像中动物的姿态和肢体特征,对动物图像中的肢体特征点进行标记。例如,通过鼠标点击或对动物图像的触控点击操作选中动物图像中动物各肢体对应的点,从而对肢体特征点进行选中,并获取所选中的点的坐标作为肢体特征点对应的肢体特征点坐标。
并且在标记肢体特征点时,可结合预定的标记顺序进行标记,例如,一只动物需要标记的肢体部位分别有左耳、右耳、左眼、右眼、左鼻孔、右鼻孔、嘴巴、左前肢、右前肢、左后肢、右后肢以及尾巴这12个位置,每个肢体部位设置3个特征点,首先是对应肢体部位在动物图像中的最高点或最低点,其次是对应肢体部位在动物图像中的最左点,再次是对应肢体部位在动物图像中的最右点。可以理解的是,预定的标记顺序可根据实际情况进行设置。
可选的,在选中肢体特征点后,可在动物图像中进行标示,例如在标记过肢体特征点的位置上显示点击痕迹(如光圈),或在标记动物图像的同时显示肢体特征点坐标记录表和/或肢体特征点记录表。
进一步的,在动物图像中存在多只动物时,肢体特征点的标记顺序为逐只标记,即先标记一只动物再标记下一只动物,并且对属于不同动物的肢体特征点进行区分处理,例如在肢体特征点坐标记录表和/或肢体特征点记录表中对不同动物的肢体特征点进行标注。同时,在动物的某些肢体特征被遮挡或不存在动物图像中时,可对被遮挡或不存在动物图像中的肢体特征进行标注,对应肢体特征的记录位置可利用预设的默认值进行填充,并且后续不对该肢体特征分配肢体特征点序号。
S1013:基于预设标号顺序确定所述肢体特征点对应的肢体特征点序号。
具体的,在确定动物图像的肢体特征点和肢体特征点坐标后,结合预设的标号顺序对标记出的肢体特征点进行排序,并得到肢体特征点序号。可选的,可利用特征点记录表进行记录。可以理解的是,其中预设标号顺序可根据实际情况进行设置。
在本实施例中,预设标号顺序为:首先确定一只动物标记出的肢体特征点的总数,然后固定各肢体部位中某一特征点序号,最后基于固定序号的先后顺序对其余特征点自动标号。
例如,在动物图像中,标记出的肢体特征点的总数是36(12个肢体部位,每个肢体部位设置3个特征点),对各肢体部位特征点中最高点或最低点设置固定序号,特征点记录表如下所示:
肢体部位名称 | 最高点或最低点的固定序号 | 特征点序号 |
左耳 | 1 | 1-2-3 |
右耳 | 4 | 4-5-6 |
左眼 | 7 | 7-8-9 |
右眼 | 10 | 10-11-12 |
左鼻孔 | 13 | 13-14-15 |
右鼻孔 | 16 | 16-17-18 |
嘴巴 | 19 | 19-20-21 |
左前肢 | 22 | 22-23-24 |
左后肢 | 25 | 25-26-27 |
右前肢 | 28 | 28-29-30 |
右后肢 | 31 | 31-32-33 |
尾巴 | 34 | 34-35-36 |
S1014:基于动物图像样本数据、肢体特征点坐标和肢体特征点序号之间的对应关系建立动物肢体特征数据库。
具体的,在确定动物图像样本数据、肢体特征点坐标和肢体特征点序号后,确定动物图像样本数据、肢体特征点坐标和肢体特征点序号之间的对应关系,并基于该对应关系建立动物肢体特征数据库,对动物图像、动物图像样本数据、肢体特征点坐标和肢体特征点序号以及三者之间的对应关系进行保存。
可选的,在确定动物图像样本数据、肢体特征点坐标和肢体特征点序号后,可将动物图像分为两部分,并将这两部分分开保存或通过标记的方式进行区分,其中一部分动物图像用于训练动物肢体特征点判断模型,另一部分用于测试动物肢体特征点判断模型,例如,前者用于模型训练时使用的动物图像占据总数量的90%;后者用于模型训练完毕测试时使用的动物图像占据总数量的10%。
S102:基于神经网络结构和动物肢体特征数据库建立动物肢体特征点判断模型。
具体的,在建立动物肢体特征数据库后,基于神经网络结构(如前馈神经网络结构、递归神经网络结构、卷积神经网络结构等)和动物肢体特征数据库搭建动物肢体特征点判断模型,并设定动物图像样本数据各像素点的像素值(灰度值)作为输入,肢体特征点坐标和肢体特征点序号作为输出,把动物肢体特征数据库中作为训练样本的动物图像传输给动物肢体特征点判断模型反复训练。训练完成后的动物肢体特征点判断模型用于接收输入的作画图像,并根据作画图像输出肢体特征点坐标和肢体特征点序号。
S103:获取作画图像,根据所述动物肢体特征点判断模型确定所述作画图像对应的作画特征点坐标和作画特征点序号,并基于所述作画特征点坐标和所述作画特征点序号确定作画路径。
具体的,在动物肢体特征点判断模型建立后,获取作画图像,并将作画图像传输至动物肢体特征点判断模型中,由动物肢体特征点判断模型确定作画图像对应的作画特征点坐标和作画特征点序号,并根据动物肢体特征点判断模型输出的作画特征点坐标和作画特征点序号确定作画路径。并且作画路径的起点可以根据动物肢体特征点坐标在作画图像中的位置进行决定(如以最左端的肢体特征点为起点,最右端的肢体特征点为终点)
其中,作画图像可通过手机、平板、电脑等终端设备通过有线或无线的方式获得,还可以是通过终端设备上设置的摄像头拍摄获得,或者是在终端设备上的相册中获得。
本实施例中,在确定作画特征点坐标和作画特征点序号后,基于作画特征点坐标对应的特征点,按照预设顺序对作画特征点序号的进行排序,并按照作画特征点序号重新排列的顺序,通过贝塞尔曲线连接特征点,形成作画路径。其中贝塞尔曲线是由线段与节点组成,节点是可拖动的支点,线段像可伸缩的皮筋,一般矢量图形软件或较成熟位图软件均具备该功能,是应用于二维图形应用程序的数学曲线,本实例采用贝塞尔曲线得到的作画路径更加平滑,提高作画效果。在其他实施例中,还可按照作画特征点序号的顺序依次连接作画特征点坐标对应的特征点,形成作画路径。
图2为本申请实施例提供的一种作画路径的示意图,假设动物图像中的动物为一头牛,其作画特征点和作画特征点序号如步骤S1013中的特征点记录表所示,作画特征点坐标可根据作画特征点和作画特征点坐标的对应关系得出,在确定作画特征点坐标和作画特征点序号后,以最左端的肢体特征点为起点(左前肢对应的肢体特征点),以最右端的肢体特征点为终点(尾巴对应的肢体特征点),以作画特征点作为节点,并且预设顺序为左前肢→右鼻孔→左鼻孔→嘴巴→左眼→右眼→左耳→右耳→右前肢→左后肢→右后肢→尾巴,按照预设顺序确定作画特征点序号的先后顺序为预设顺序所指示的方向,通过贝塞尔曲线可得出图2中的作画路径,并且作画路径的肢体特征点序号排列如下:22-23-24-16-17-18-13-14-15-19-20-21-7-8-9-10-11-12-1-2-3-4-5-6-28-29-30-25-26-27-31-32-33-34-35-36。
S104:基于所述作画路径进行作画。
示例性的,在确定作画路径后,可将作画路径传输至智能作画装置,并控制智能作画装置依照作画路径在画纸上进行作画。该智能作画装置可以是机械臂,还可以是其他任意可以控制画笔进行移动的机械装置,本实施例不做限定,该智能作画装置可以是集成处理器、存储器的具备计算控制能力的设备,还可是根据接收到的控制设备发送的控制信号进行移动的设备。在其他实施例中,根据作画路径进行作画的方式还可以是通过显示屏显示的方式进行,按照作画路径的顺序在显示屏的画布上显示出作画线条,形成动物作画的图案。
上述,通过建立动物肢体特征数据库记录动物图像样本数据、肢体特征点坐标和肢体特征点序号之间的对应关系,并基于该对应关系建立动物肢体特征点判断模型,在需要进行动物图像的作画时,利用动物肢体特征点判断模型获取作画图像中的作画特征点坐标和作画特征点序号,并基于作画特征点坐标和作画特征点序号确定作画路径,最后根据作画路径进行作画,即可快速准确地以简笔画的形式描绘出作画图像所对应的动物,提高了动物作画的效率,达到了计算机处理压力少、工作效率高、画风新颖有趣、作画门槛低的效果。
图3为本申请实施例提供的另一种肢体特征点连线的动物作画方法的流程图。该肢体特征点连线的动物作画方法是对上述肢体特征点连线的动物作画方法的具体化。参考图3,该肢体特征点连线的动物作画方法包括:
S201:基于动物图像样本数据、肢体特征点坐标和肢体特征点序号之间的对应关系建立动物肢体特征数据库。
S202:基于神经网络结构搭建动物肢体特征点判断模型。
示例性的,基于卷积神经网络结构,并以公式y=wx+b的形式搭建动物肢体特征点判断模型。卷积神经网络结构对图像数据库大量的训练测试图像样本交替进行卷积和池化操作,逐渐提取图像的高层特征,对特征进行分类,完成判断识别;其高层特征是从大样本数据中学习,能应对一定程度的偏移、尺度变化以及形变,保证特征较强的可分性,对特征分类具有理想的检测效果,降低模型的复杂度。
其中,公式y=wx+b常用于神经网络当中,x为输入,y为输出,w为数据线性分割直线斜率,b为数据线性分割直线偏移值,是由动物图像样本数据在肢体特征点处的像素值、肢体特征点坐标以及肢体特征点序号作为x、y值所构成的一条直线,实现数据分割,当w改变,该直线方向也随之改变;当b>0,该直线往左边移动,否则该直线往右边移动;也就是说,只要改变w、b值,就可以改变该直线的数据分割位置。
S203:对所述动物肢体特征点判断模型进行训练,直至训练次数达到第一阈值。
示例性的,以动物图像样本数据为输入,以肢体特征点坐标和肢体特征点序号为输出,将动物肢体特征数据库中的动物图像作为训练样本对动物肢体特征点判断模型进行训练,直至训练次数达到第一阈值。
具体的,以动物图像样本数据在肢体特征点处的像素值作为输入x,以肢体特征点坐标以及肢体特征点序号作为输出y,将动物肢体特征数据库中的动物图像用于训练动物肢体特征点判断模型,直至训练次数达到第一阈值(例如20万次,可根据实际情况设定),在训练停止后,可初步得到数据线性分割直线y=wx+b中的w和b的值。
S204:对所述动物肢体特征点判断模型进行测试并验证准确率,并根据测准确率调整所述动物肢体特征点判断模型,直至准确率达到第二阈值。
示例性的,将动物肢体特征数据库中的动物图像作为测试样本对动物肢体特征点判断模型进行测试,并依据方差公式验证模型的准确率,并根据测准确率调整动物肢体特征点判断模型,直至准确率达到第二阈值。
其中,方差公式是指损失函数,其用于量化预测与真实之间的一致性,方差值越少,预测与真实越接近。方差公式具体为:
其中,C代表损失函数(测试方差),x代表动物肢体特征数据库中用于测试的动物图像,y代表实际值(即动物肢体特征数据库用于测试的动物图像肢体特征点的实际坐标和肢体特征点的实际序号,a代表输出值(即动物肢体特征点判断模型对动物肢体特征数据库用于测试的动物图像中肢体特征点的预测坐标和肢体特征点的预测序号),n代表动物肢体特征数据库用于测试的动物图像的数量。
具体的,通过逐步加大w和b的值,结合方差公式,并利用动物肢体特征数据库用于测试的动物图像对动物肢体特征点判断模型进行测试,并将测试方差与第二阈值(本实施例以10%为例)进行比较,若测试方差大于第二阈值,则继续加大w和b的值,直至测试方差等于或者小于第二阈值,并完成动物肢体特征点判断模型的训练与测试。
S205:获取作画图像,根据所述动物肢体特征点判断模型确定所述作画图像对应的作画特征点坐标和作画特征点序号,并基于所述作画特征点坐标和所述作画特征点序号确定作画路径。
S206:基于所述作画路径进行作画。
上述,通过建立动物肢体特征数据库记录动物图像样本数据、肢体特征点坐标和肢体特征点序号之间的对应关系,并基于该对应关系建立动物肢体特征点判断模型,在需要进行动物图像的作画时,利用动物肢体特征点判断模型获取作画图像中的作画特征点坐标和作画特征点序号,并基于作画特征点坐标和作画特征点序号确定作画路径,最后根据作画路径进行作画,即可快速准确地以简笔画的形式描绘出作画图像所对应的动物,提高了动物作画的效率,达到了计算机处理压力少、工作效率高、画风新颖有趣、作画门槛低的效果。并通过反复训练动物肢体特征点判断模型,使动物肢体特征点判断模型的准确度达到目标需求,输出的作画特征点坐标和作画特征点序号更接近真实情况。
图4为本申请实施例提供的另一种肢体特征点连线的动物作画方法的流程图。该肢体特征点连线的动物作画方法是对上述肢体特征点连线的动物作画方法的具体化。参考图4,该肢体特征点连线的动物作画方法包括:
S301:基于动物图像样本数据、肢体特征点坐标和肢体特征点序号之间的对应关系建立动物肢体特征数据库。
S302:基于神经网络结构和动物肢体特征数据库建立动物肢体特征点判断模型。
S303:获取作画图像,根据所述动物肢体特征点判断模型确定所述作画图像对应的作画特征点坐标和作画特征点序号。
其中,作画图像可通过手机、平板、电脑等终端设备通过有线或无线的方式获得,还可以是通过终端设备上设置的摄像头拍摄获得,或者是在终端设备上的相册中获得。在获取作画图像后,将作画图像传输至动物肢体特征点判断模型中,由动物肢体特征点判断模型确定作画图像对应的作画特征点坐标和作画特征点序号,并将作画特征点坐标和作画特征点序号记录在作画特征记录表中。若作画图像中存在多只动物,则在作画特征记录表中对不同动物的作画特征点坐标和作画特征点序号进行标注。
S304:根据所述动物肢体特征点判断模型确定的作画特征点坐标和作画特征点序号确定所述作画图像中包含的动物数量。
具体的,在动物肢体特征点判断模型确定作画图像对应的作画特征点坐标和作画特征点序号后,可根作画特征记录表中记录的确定的作画特征点坐标和作画特征点序号(如肢体特征点或对不同动物的标注)确定作画图像中包含的动物数量。
S305:基于所述作画图像中包含的动物数量、所述作画特征点坐标和所述作画特征点序号确定作画路径,所述作画路径的数量与所述作画图像中包含的动物数量一致。
具体的,在确定作画特征点坐标、作画特征点序号和动物数量后,基于每只动物对应的作画特征点坐标对应的特征点,并分别按照作画特征点序号的顺序,通过贝塞尔曲线连接特征点,形成对应于每只动物的作画路径,使得在作画图像中存在多只动物时,形成多条相互独立作画路径,并且在只有一只动物时,只形成一条作画路径。
S306:基于所述作画路径进行作画。
在确定作画路径后,可将作画路径传输至智能作画装置,并控制智能作画装置依照作画路径在画纸上进行作画。若存在多条作画路径,则根据起点从上到下、从左到右的顺序依次完成作画路径的作画。
上述,通过建立动物肢体特征数据库记录动物图像样本数据、肢体特征点坐标和肢体特征点序号之间的对应关系,并基于该对应关系建立动物肢体特征点判断模型,在需要进行动物图像的作画时,利用动物肢体特征点判断模型获取作画图像中的作画特征点坐标和作画特征点序号,并基于作画特征点坐标和作画特征点序号确定作画路径,最后根据作画路径进行作画,即可快速准确地以简笔画的形式描绘出作画图像所对应的动物,提高了动物作画的效率,达到了计算机处理压力少、工作效率高、画风新颖有趣、作画门槛低的效果。并且根据作画图像中动物的数量分别确定作画路径,提高动物作画的显示效果。
图5为本申请实施例提供的一种肢体特征点连线的动物作画装置的结构示意图。参考图5,本实施例提供的肢体特征点连线的动物作画装置包括数据库建立模块41、模型建立模块42、路径确定模块43和作画模块44。
其中,数据库建立模块41,用于基于动物图像样本数据、肢体特征点坐标和肢体特征点序号之间的对应关系建立动物肢体特征数据库;模型建立模块42,用于基于神经网络结构和动物肢体特征数据库建立动物肢体特征点判断模型;路径确定模块43,用于获取作画图像,根据所述动物肢体特征点判断模型确定所述作画图像对应的作画特征点坐标和作画特征点序号,并基于所述作画特征点坐标和所述作画特征点序号确定作画路径;作画模块44,用于基于所述作画路径进行作画。
上述,通过建立动物肢体特征数据库记录动物图像样本数据、肢体特征点坐标和肢体特征点序号之间的对应关系,并基于该对应关系建立动物肢体特征点判断模型,在需要进行动物图像的作画时,利用动物肢体特征点判断模型获取作画图像中的作画特征点坐标和作画特征点序号,并基于作画特征点坐标和作画特征点序号确定作画路径,最后根据作画路径进行作画,即可快速准确地以简笔画的形式描绘出作画图像所对应的动物,提高了动物作画的效率,达到了计算机处理压力少、工作效率高、画风新颖有趣、作画门槛低的效果。
在一个可能的实施例中,所述数据库建立模块41具体用于:
通过网络获取动物图像,基于所述动物图像对应的像素值矩阵得到动物图像样本数据;
标记出所述动物图像的肢体特征点,得到所述肢体特征点对应的肢体特征点坐标;
基于预设标号顺序确定所述肢体特征点对应的肢体特征点序号;
基于动物图像样本数据、肢体特征点坐标和肢体特征点序号之间的对应关系建立动物肢体特征数据库。
在一个可能的实施例中,所述数据库建立模块41在通过网络获取动物图像,基于所述动物图像对应的像素值矩阵得到动物图像样本数据时,具体为:
通过网络获取动物图像,对所述动物图像进行灰度处理得到灰度图像;
基于所述灰度图像对应的像素值矩阵得到动物图像样本数据。
在一个可能的实施例中,所述模型建立模块42具体用于:
基于神经网络结构搭建动物肢体特征点判断模型;
以动物图像样本数据为输入,以肢体特征点坐标和肢体特征点序号为输出,将动物肢体特征数据库中的动物图像作为训练样本对所述动物肢体特征点判断模型进行训练,直至训练次数达到第一阈值;
将动物肢体特征数据库中的动物图像作为测试样本对所述动物肢体特征点判断模型进行测试并验证准确率,并根据测准确率调整所述动物肢体特征点判断模型,直至准确率达到第二阈值。
在一个可能的实施例中,所述路径确定模块43在基于所述作画特征点坐标和所述作画特征点序号确定作画路径时,具体为:
基于所述作画特征点坐标对应的特征点,并按照所述作画特征点序号的顺序,通过贝塞尔曲线连接所述特征点,形成作画路径。
在一个可能的实施例中,所述路径确定模块43具体用于:
获取作画图像,根据所述动物肢体特征点判断模型确定所述作画图像对应的作画特征点坐标和作画特征点序号;
根据所述动物肢体特征点判断模型确定的作画特征点坐标和作画特征点序号确定所述作画图像中包含的动物数量;
基于所述作画图像中包含的动物数量、所述作画特征点坐标和所述作画特征点序号确定作画路径,所述作画路径的数量与所述作画图像中包含的动物数量一致。
本申请实施例还提供了一种计算机设备,该计算机设备可集成本申请实施例提供的肢体特征点连线的动物作画装置。图6是本申请实施例提供的一种计算机设备的结构示意图。参考图6,该计算机设备包括:输入装置53、输出装置54、存储器52以及一个或多个处理器51;所述存储器52,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51执行,使得所述一个或多个处理器51实现如上述实施例提供的肢体特征点连线的动物作画方法。其中输入装置53、输出装置54、存储器52和处理器51可以通过总线或者其他方式连接,图6中以通过总线连接为例。
存储器52作为一种计算设备可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本申请任意实施例所述的肢体特征点连线的动物作画方法对应的程序指令/模块(例如,肢体特征点连线的动物作画装置中的数据库建立模块41、模型建立模块42、路径确定模块43和作画模块44)。存储器52可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序;存储数据区可存储根据设备的使用所创建的数据等。此外,存储器52可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器52可进一步包括相对于处理器51远程设置的存储器,这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置53可用于接收输入的数字或字符信息,以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置54可包括显示屏等显示设备。
处理器51通过运行存储在存储器52中的软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述的肢体特征点连线的动物作画方法。
上述提供的肢体特征点连线的动物作画装置和计算机设备可用于执行上述实施例提供的肢体特征点连线的动物作画方法,具备相应的功能和有益效果。
本申请实施例还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如上述实施例提供的肢体特征点连线的动物作画方法,该肢体特征点连线的动物作画方法包括:基于动物图像样本数据、肢体特征点坐标和肢体特征点序号之间的对应关系建立动物肢体特征数据库;基于神经网络结构和动物肢体特征数据库建立动物肢体特征点判断模型;获取作画图像,根据所述动物肢体特征点判断模型确定所述作画图像对应的作画特征点坐标和作画特征点序号,并基于所述作画特征点坐标和所述作画特征点序号确定作画路径;基于所述作画路径进行作画。
存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括:安装介质,例如CD-ROM、软盘或磁带装置;计算机***存储器或随机存取存储器,诸如DRAM、DDR RAM、SRAM、EDO RAM,兰巴斯(Rambus)RAM等;非易失性存储器,诸如闪存、磁介质(例如硬盘或光存储);寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外,存储介质可以位于程序在其中被执行的第一计算机***中,或者可以位于不同的第二计算机***中,第二计算机***通过网络(诸如因特网)连接到第一计算机***。第二计算机***可以提供程序指令给第一计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机***中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
当然,本申请实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的肢体特征点连线的动物作画方法,还可以执行本申请任意实施例所提供的肢体特征点连线的动物作画方法中的相关操作。
上述实施例中提供的肢体特征点连线的动物作画装置、设备及存储介质可执行本申请任意实施例所提供的肢体特征点连线的动物作画方法,未在上述实施例中详尽描述的技术细节,可参见本申请任意实施例所提供的肢体特征点连线的动物作画方法。
上述仅为本申请的较佳实施例及所运用的技术原理。本申请不限于这里所述的特定实施例,对本领域技术人员来说能够进行的各种明显变化、重新调整及替代均不会脱离本申请的保护范围。因此,虽然通过以上实施例对本申请进行了较为详细的说明,但是本申请不仅仅限于以上实施例,在不脱离本申请构思的情况下,还可以包括更多其他等效实施例,而本申请的范围由权利要求的范围决定。
Claims (9)
1.一种肢体特征点连线的动物作画方法,其特征在于,包括:
基于动物图像样本数据、肢体特征点坐标和肢体特征点序号之间的对应关系建立动物肢体特征数据库,其中,包括通过网络获取动物图像,基于所述动物图像对应的像素值矩阵得到动物图像样本数据,标记出所述动物图像的肢体特征点,得到所述肢体特征点对应的肢体特征点坐标,基于预设标号顺序确定所述肢体特征点对应的肢体特征点序号,基于动物图像样本数据、肢体特征点坐标和肢体特征点序号之间的对应关系建立动物肢体特征数据库;
基于神经网络结构和动物肢体特征数据库建立动物肢体特征点判断模型;
获取作画图像,根据所述动物肢体特征点判断模型确定所述作画图像对应的作画特征点坐标和作画特征点序号,并基于所述作画特征点坐标和所述作画特征点序号确定作画路径;
基于所述作画路径进行作画。
2.根据权利要求1所述的肢体特征点连线的动物作画方法,其特征在于,所述通过网络获取动物图像,基于所述动物图像对应的像素值矩阵得到动物图像样本数据,包括:
通过网络获取动物图像,对所述动物图像进行灰度处理得到灰度图像;
基于所述灰度图像对应的像素值矩阵得到动物图像样本数据。
3.根据权利要求1所述的肢体特征点连线的动物作画方法,其特征在于,所述基于神经网络结构和动物肢体特征数据库建立动物肢体特征点判断模型,包括:
基于神经网络结构搭建动物肢体特征点判断模型;
以动物图像样本数据为输入,以肢体特征点坐标和肢体特征点序号为输出,将动物肢体特征数据库中的动物图像作为训练样本对所述动物肢体特征点判断模型进行训练,直至训练次数达到第一阈值。
4.根据权利要求3所述的肢体特征点连线的动物作画方法,其特征在于,所述训练次数达到第一阈值之后,还包括:
将动物肢体特征数据库中的动物图像作为测试样本对所述动物肢体特征点判断模型进行测试并验证准确率,并根据测准确率调整所述动物肢体特征点判断模型,直至准确率达到第二阈值。
5.根据权利要求1所述的肢体特征点连线的动物作画方法,其特征在于,所述基于所述作画特征点坐标和所述作画特征点序号确定作画路径,包括:
基于所述作画特征点坐标对应的特征点,并按照所述作画特征点序号的顺序,通过贝塞尔曲线连接所述特征点,形成作画路径。
6.根据权利要求1所述的肢体特征点连线的动物作画方法,其特征在于,所述获取作画图像,根据所述动物肢体特征点判断模型确定所述作画图像对应的作画特征点坐标和作画特征点序号,并基于所述作画特征点坐标和所述作画特征点序号确定作画路径,包括:
获取作画图像,根据所述动物肢体特征点判断模型确定所述作画图像对应的作画特征点坐标和作画特征点序号;
根据所述动物肢体特征点判断模型确定的作画特征点坐标和作画特征点序号确定所述作画图像中包含的动物数量;
基于所述作画图像中包含的动物数量、所述作画特征点坐标和所述作画特征点序号确定作画路径,所述作画路径的数量与所述作画图像中包含的动物数量一致。
7.一种肢体特征点连线的动物作画装置,其特征在于,包括数据库建立模块、模型建立模块、路径确定模块和作画模块,其中:
数据库建立模块,用于基于动物图像样本数据、肢体特征点坐标和肢体特征点序号之间的对应关系建立动物肢体特征数据库,其中,包括通过网络获取动物图像,基于所述动物图像对应的像素值矩阵得到动物图像样本数据,标记出所述动物图像的肢体特征点,得到所述肢体特征点对应的肢体特征点坐标,基于预设标号顺序确定所述肢体特征点对应的肢体特征点序号,基于动物图像样本数据、肢体特征点坐标和肢体特征点序号之间的对应关系建立动物肢体特征数据库;
模型建立模块,用于基于神经网络结构和动物肢体特征数据库建立动物肢体特征点判断模型;
路径确定模块,用于获取作画图像,根据所述动物肢体特征点判断模型确定所述作画图像对应的作画特征点坐标和作画特征点序号,并基于所述作画特征点坐标和所述作画特征点序号确定作画路径;
作画模块,用于基于所述作画路径进行作画。
8.一种计算机设备,其特征在于,包括:存储器以及一个或多个处理器;
所述存储器,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1-6任一所述的肢体特征点连线的动物作画方法。
9.一种包含计算机可执行指令的存储介质,其特征在于,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-6任一所述的肢体特征点连线的动物作画方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911277216.1A CN111027492B (zh) | 2019-12-12 | 2019-12-12 | 一种肢体特征点连线的动物作画方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911277216.1A CN111027492B (zh) | 2019-12-12 | 2019-12-12 | 一种肢体特征点连线的动物作画方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111027492A CN111027492A (zh) | 2020-04-17 |
CN111027492B true CN111027492B (zh) | 2024-01-23 |
Family
ID=70208432
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911277216.1A Active CN111027492B (zh) | 2019-12-12 | 2019-12-12 | 一种肢体特征点连线的动物作画方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111027492B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101477696A (zh) * | 2009-01-09 | 2009-07-08 | 彭振云 | 一种人物漫画图像生成方法及装置 |
CN108596839A (zh) * | 2018-03-22 | 2018-09-28 | 中山大学 | 一种基于深度学习的人脸漫画生成方法及其装置 |
CN109389069A (zh) * | 2018-09-28 | 2019-02-26 | 北京市商汤科技开发有限公司 | 注视点判断方法和装置、电子设备和计算机存储介质 |
CN109523603A (zh) * | 2018-10-24 | 2019-03-26 | 广东智媒云图科技股份有限公司 | 一种基于皴法风格的绘画方法、装置、终端设备及存储介质 |
CN109785400A (zh) * | 2018-11-20 | 2019-05-21 | 广东智媒云图科技股份有限公司 | 一种剪影图像制作方法、装置、电子设备及存储介质 |
CN110516630A (zh) * | 2019-08-30 | 2019-11-29 | 广东智媒云图科技股份有限公司 | 一种led显示屏作画方法、装置、设备及存储介质 |
CN110516684A (zh) * | 2018-05-21 | 2019-11-29 | 北京京东尚科信息技术有限公司 | 用于确定无人机姿态信息的方法和装置 |
-
2019
- 2019-12-12 CN CN201911277216.1A patent/CN111027492B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101477696A (zh) * | 2009-01-09 | 2009-07-08 | 彭振云 | 一种人物漫画图像生成方法及装置 |
CN108596839A (zh) * | 2018-03-22 | 2018-09-28 | 中山大学 | 一种基于深度学习的人脸漫画生成方法及其装置 |
CN110516684A (zh) * | 2018-05-21 | 2019-11-29 | 北京京东尚科信息技术有限公司 | 用于确定无人机姿态信息的方法和装置 |
CN109389069A (zh) * | 2018-09-28 | 2019-02-26 | 北京市商汤科技开发有限公司 | 注视点判断方法和装置、电子设备和计算机存储介质 |
CN109523603A (zh) * | 2018-10-24 | 2019-03-26 | 广东智媒云图科技股份有限公司 | 一种基于皴法风格的绘画方法、装置、终端设备及存储介质 |
CN109785400A (zh) * | 2018-11-20 | 2019-05-21 | 广东智媒云图科技股份有限公司 | 一种剪影图像制作方法、装置、电子设备及存储介质 |
CN110516630A (zh) * | 2019-08-30 | 2019-11-29 | 广东智媒云图科技股份有限公司 | 一种led显示屏作画方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111027492A (zh) | 2020-04-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020228446A1 (zh) | 模型训练方法、装置、终端及存储介质 | |
JP2022534337A (ja) | ビデオターゲット追跡方法と装置、コンピュータ装置、プログラム | |
CN110930296B (zh) | 图像处理方法、装置、设备及存储介质 | |
US20210042558A1 (en) | Electronic device and operating method thereof | |
CN113034358B (zh) | 一种超分辨率图像处理方法以及相关装置 | |
CN109165645A (zh) | 一种图像处理方法、装置以及相关设备 | |
CN110084204B (zh) | 基于目标对象姿态的图像处理方法、装置和电子设备 | |
CN114511041B (zh) | 模型训练方法、图像处理方法、装置、设备和存储介质 | |
CN105719248A (zh) | 一种实时的人脸变形方法及其*** | |
CN110827304A (zh) | 一种基于深度卷积网络与水平集方法的中医舌像定位方法和*** | |
CN111080754B (zh) | 一种头部肢体特征点连线的人物动画制作方法及装置 | |
CN110866900A (zh) | 水体颜色识别方法及装置 | |
CN109920018A (zh) | 基于神经网络的黑白照片色彩恢复方法、装置及存储介质 | |
US10452955B2 (en) | System and method for encoding data in an image/video recognition integrated circuit solution | |
CN111177811A (zh) | 一种应用于云平台的消防点位自动布图的方法 | |
CN111950570A (zh) | 目标图像提取方法、神经网络训练方法及装置 | |
CN111862040A (zh) | 人像图片质量评价方法、装置、设备及存储介质 | |
CN113516697B (zh) | 图像配准的方法、装置、电子设备及计算机可读存储介质 | |
CN110751703A (zh) | 一种绕线画生成方法、装置、设备及存储介质 | |
CN111985439B (zh) | 人脸检测方法、装置、设备和存储介质 | |
CN112037255B (zh) | 目标跟踪方法和装置 | |
US20190220699A1 (en) | System and method for encoding data in an image/video recognition integrated circuit solution | |
CN117746015A (zh) | 小目标检测模型训练方法、小目标检测方法及相关设备 | |
CN111027492B (zh) | 一种肢体特征点连线的动物作画方法及装置 | |
CN111078008B (zh) | 一种早教机器人的控制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |