申请/专利权人：南京信息工程大学;江苏少儿春互联教育科技有限公司

申请日：2023-03-21

公开（公告）日：2023-06-06

公开（公告）号：CN115984875B

主分类号：G06V30/19

分类号：G06V30/19;G06V30/148;G06V30/226;G06V10/82;G06N3/0464;G06N3/048;G06N3/047;G06N3/09

优先权：

专利状态码：有效-授权

法律状态：2023.06.06#授权;2023.05.05#实质审查的生效;2023.04.18#公开

摘要：本发明公开了一种硬笔楷书临摹作品的笔画相似性评价方法及系统，所述方法，包括：获取原帖图像和临帖图像；对原帖图像和临帖图像进行预处理，得到预处理后的原帖图像和临帖图像；将预处理后的原帖图像和临帖图像进行细化，得到图像中所有笔画的骨架；确定图像中笔画骨架的关键点；将笔画按书写过程分为4个区域，利用预先训练的U型神经网络笔画分割模型对原帖与临帖笔画进行区域分割，基于区域分够后的对应区域，将原帖图像、临帖图像的原始图像信息及图像中笔画骨架的关键点，对临帖图像中笔画的相似性进行评价打分。本发明提供具体、统一、能够为众人接受的硬笔楷书临摹作品的笔画相似性评价方法。

主权项：1.一种硬笔楷书临摹作品的笔画相似性评价方法，其特征在于，包括：获取原帖图像和临帖图像；对原帖图像和临帖图像进行预处理，得到预处理后的原帖图像和临帖图像；将预处理后的原帖图像和临帖图像进行细化，得到图像中所有笔画的骨架；确定图像中笔画骨架的关键点；将笔画按书写过程分为4个区域，包括：起笔域、平滑域、转折域、收笔域；利用预先训练的U型神经网络笔画分割模型对原帖与临帖笔画进行区域分割；所述预先训练的U型神经网络笔画分割模型，通过以下步骤进行训练：构建U型神经网络，所述U型神经网络分为下采样与上采样两个部分，其中下采样部分引入倒残差结构，同时利用跳跃连接拼接不同层次的特征信息；将原帖图像、临帖图像按标签“起笔域”、“平滑域”、“转折域”、“收笔域”制作成四类标签数据集，不同类别区域的评价打分所占权重不同；将标签数据集按预设比例分为训练集和验证集，训练集分为若干组，分组进行训练；将原帖图像、临帖图像与标签数据集输入U型神经网络，通过下采样部分的倒残差结构依次进行升维、深度可分离卷积及降维操作得到特征矩阵，经过四层下采样操作，得到四层不同维度的特征信息；其中，倒残差结构中的前两次卷积的结果作为输入代入非线性激活函数ReLU6，倒残差结构中的最后一层卷积后使用线性激活函数；ReLU6函数的公式如下：y＝ReLU6x＝minmaxx，0，61式1中，x为卷积后的输出，y为经激活函数调整后的输出；将下采样得到的特征信息通过上采样进行解码，再将抽象特征恢复到原图尺寸的过程中逐渐实现分割，经过与下采样相同层数的上采样模块最终得到分割结果；在下采样以及上采样的过程中，每一层下采样的输出需根据当前层数N做N-1次上采样以实现后续的不同层次的特征融合；位于同一层的采样特征通过矩阵拼接实现特征融合；矩阵拼接采用跳跃连接的方式，矩阵的跳跃路径可用以下公式表示： 式2中，xi，j表示下采样层中节点Xi，j的输出，i表示下采样的层数且i≥1，j表示跳跃路径中的卷积的序数，H表示卷积操作以及激活函数，U表示上采样，[]表示拼接操作；j＝0时该节点仅接受下采样层中来自上一层的输入，j＞0时该节点接受j+1个输入，包含一个下一层节点的上采样结果以及同一层中前j个节点的跳跃连接；引入深度监督机制，针对四个层次的特征，使用基于IOU的损失函数LovaszSoftmax量化预测值与真实值之间的差距，函数公式如下： 式3中，C代表分类数目，若y*表示分割结果，表示标注符号，ΔJc是子模函数，则分割任务的评价指标为： 其损失函数表示为： 又类别C的错误像素集为： 则ΔJc改写为： 式7中，p为元素数量，故其Lovasz扩展为： 式8中，i表示第i个类别，mi为第i个类别的错误像素集，gimc表示Δ{π1，…，πi}与Δ{π1，…，πi-1}的差值，其中πi表示mc的各个分量，π1～πi按降序排列；按预设的训练批数及训练轮次进行训练，根据验证集的损失值表现自主调整权重，保存损失值最小的一组权重作为最终训练结果；基于区域分割后的原帖与临帖中笔画的对应区域中的原帖图像的原始图像信息、临帖图像的原始图像信息及图像中笔画骨架的关键点进行比较，对临帖图像中笔画的相似性进行评价打分。

全文数据：

权利要求：

百度查询： 南京信息工程大学;江苏少儿春互联教育科技有限公司 一种硬笔楷书临摹作品的笔画相似性评价方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD