论文部分内容阅读
书法是中华民族的传统文化艺术的重要组成部分,使用基于图像处理与模式识别的方法来进行书法识别、检索及风格鉴赏等具有很重要的意义。近年来,深度学习技术越来越深入和广泛地应用于图像和识别领域。针对传统图像特征描述子在图像表征方面的不足和识别效率不高的缺陷,本文提出基于深度学习的书法风格识别方法,将卷积神经网络应用于书法风格识别,极大地提高了风格识别的准确率。本文的主要工作包括以下三个方面:首先,对书法风格识别的国内外研究现状进行了系统的分析,对文字检测、识别与书法风格识别及本文研究内容进行了阐述。并在此基础上,对传统图像特征提取与识别方法进行了总结。在特征提取方面,研究了Gabor、小波、Gist特征等;在识别方法上,研究了SVM分类器及优化策略等。接着,本文提出基于卷积神经网络的书法风格识别方法。研究了基于LeNet-5模型、Google Net模型及Res Net模型的识别方法,以及三种模型的网络结构和训练方法,并在TensorFlow框架下将模型针对书法风格识别进行了匹配应用,在标准电脑字库及课题组构建的楷书四大家字库上取得良好效果。第三,对LeNet-5模型进行了改进,改进后的模型中前三层的卷积层之后使用最大池化层,第四个卷积层之后使用平均池化层,并且在每个池化层之后增加了BN层,使用ReLU函数替换原来的激活函数,在标准电脑字库及楷书四大家字库上识别率得到了提高。接着对模型进一步改进,在全连接层之前加入了(Concat(avg,std)层,构建了新的模型C-LeNet(Concat(avg,std)Le Net),该模型参数量比GoogleNet和ResNet模型少,因而训练时间较短,并且在标准电脑字库及楷书四大家字库上的识别率均高于三经典模型的识别率,达到了古代楷书书法风格识别的预期目标。整体而言,基于经典CNN模型的方法和本文构建的网络模型的方法能更有效地以层次递进的方式抽象和传递图像特征,结合模型结构的改进,极大地提高了网络模型的性能,具有良好的应用前景。