论文部分内容阅读
在图像处理与模式识别领域中,笔迹鉴别是指计算机提取笔迹的特征后使用分类方法自动对笔迹进行鉴别,但传统的图像识别方法存在着特征选择缺乏标准性依据、鉴定精度较低等问题。笔迹生成是利用计算机来自动生成笔迹,是机器智能的一项功能,但传统方法只能生成标准字体。生成式对抗网络(Generative Adversarial Nets,GAN)是一种深度学习模型,通过判别模型(discriminative model)和生成模型(generative model)之间相互博弈学习来产生良好的输出。本文采用生成式对抗网络技术研究笔迹鉴别与生成问题,针对个人硬笔签名以及我国主流软笔书法风格,设计了 SIGAN(Signature Identification GAN)网络以及改进SIGAN网络实现笔迹鉴别与生成功能。本文主要工作内容如下:1.构建笔迹图片数据集,该数据集包含硬笔笔迹和软笔笔迹两大类,一共7060幅。其中硬笔笔迹2560幅,包含1280幅真实硬笔签名笔迹和1280幅模仿硬笔签名笔迹;软笔笔迹4500幅,由15类影响力较大的主流书法风格组成,包含行书、草书、隶书、篆书、楷书五大传统书法字体,每类书法风格均300幅。2.通过借鉴对偶学习思想,设计了专门的SIGAN网络来实现笔迹鉴别与生成任务。将基本的GAN进一步扩展为两个相互耦合的GAN,包含两个生成器和两个判别器。训练过程中两个GAN相互博弈,达到收敛条件后训练完成,此时的模型具备生成功能,将判别器损失值作为鉴别阈值,达到鉴别笔迹的目的。实验结果表明,硬笔签名和软笔书法笔迹鉴别平均正确率分别为91.2%、73.2%,生成的硬笔签名和软笔书法笔迹图片平均 GAN-test 分别为 92.2%、74.7%。3.通过借鉴注意力机制,设计了改进的SIGAN网络来实现笔迹鉴别与生成任务,在SIGAN生成器的第6层和第7层卷积层之间加入了注意力层,用带有注意力的特征图去代替传统的卷积特征图,以进一步提升模型的性能。实验结果表明,硬笔签名和软笔书法笔迹鉴别平均正确率分别为92.5%、88.6%,分别比传统的图像分类方法提升4.9%、17.3%,也远高于人眼主观测试得到的鉴定平均正确率(72.3%、79.3%),生成的硬笔签名和软笔书法笔迹图片平均GAN-test分别为93.6%、82.7%。