[发明专利]基于条件循环一致性生成对抗网络的字体风格迁移方法

说明书

本发明公开了基于条件循环一致性生成对抗网络的字体风格迁移方法，具体为：创建源字体和目标字体数据集，随数据集进行归一化处理；搭建字体风格迁移网络结构，网络由基于条件生成对抗网络和残差网络的生成器和基于PatchGAN的判别网络组成，将源字体和标签图片输入到生成器中，生成目标风格字体字体；判别器网络对生成目标字体和与之对应的真实目标字体进行真伪判别，借助对抗网络训练的思想，对汉字迁移网络进行优化，实现两种字体风格的互相映射迁移，字体生成过程减少人工干涉，提高生成字体的自动化程度。

技术领域

本发明属于计算机视觉技术领域，具体涉及一种基于条件循环一致性生成对抗网络的字体风格迁移方法。

背景技术

目前在英文和阿拉伯字符的字体生成方面有很多的研究，然而在汉字字体生成领域探究很少，这是因为汉字结构复杂、数量庞大、种类多样、笔画繁多的特点，为汉字字体生成研究带来了挑战。汉字字库显示我国有出处汉字九万多个，我国汉字代码标准GB2312包含 6763个常用汉字码。随着互联网媒体的快速兴起，人们在社交、办公中会接触到各种各样的字体，人们对多风格个性化的汉字字体应用需求增加，然而目前的汉字字体制作周期长、效率低下，汉字字库制作依赖人工经验和设计，制作技术自动化程度低。

对于字形迁移的早期研究主要将字体的骨架内容和风格样式进行分离，进而对两种字体的骨架进行变形和匹配，将风格样式的特征提取出来映射到变形后的骨架，生成风格字体，然而骨架变形算法较为复杂，生成字体的效率较低。后来提出对汉字字符笔画进行分解，将两种字体的笔画进行映射配对，用匹配的笔画重组风格字体，然而这种方法笔画分解重组过程较为繁琐，受先验知识的影响很大。

近年来，深度学习在图像迁移、目标检测、自然语言处理等领域得到广泛应用，利用神经网络进行图像风格转换取得了很好的效果，通过使用大量的图像来训练可生成风格化图像的生成模型，很大程度上解决了图像风格迁移的计算效率低下的问题。受此启发，将图像风格迁移方法应用到字体风格迁移中，将每个汉字字符处理为一个汉字图片，通过卷积神经网络提取图片特征，生成风格字体，字体制作过程减少人工干涉，提高生成字体的自动化程度和字体生成效率。

发明内容

本发明的目的是提供一种基于条件循环一致性生成对抗网络的字体风格迁移方法，通过迁移网络和循环一致地对抗训练，提升了生成字体图像的质量和训练学习的速率。

本发明所采用的技术方案是，基于条件循环一致性生成对抗网络的字体风格迁移方法，具体按照以下步骤实施：

步骤1，创建字体样本数据集，确定出相关的源字体样本和目标字体样本，对样本数据集进行预处理，选择出相应的训练集和测试集；

步骤2，搭建生成网络模型，生成网络模型由编码器、残差块、解码器组成，生成网络模型的输入层包括源字体图片和标签字体图片，将目标字体图片作为标签字体图片；生成网络模型的输出层为目标字体图片；

步骤3，搭建判别网络模型，判别器的输入为步骤2中生成的风格字体图片以及源目标字体图片，判别器对生成的字体图片和与之对应的目标字体图片做真假判别；

步骤4，搭建整体网络模型，将源字体域作为X域，目标字体域作为Y域，整体网络模型由两个生成器G_X2Y和G_Y2X与两个判别器D_X和D_Y组成，构成了一种双向环状结构，实现了两种不同风格字体之间的相互转换；

步骤5，构造损失函数，条件循环一致性损失函数同时学习两个生成器G_X2Y和G_Y2X的映射，实现G_Y2X(G_X2Y(x|L_y))≈x和 G_X2Y(G_Y2X(y|L_x))≈y；条件对抗损失函数使生成域图像的分布和源域图像点的数据分布相匹配；