[发明专利]基于Attention U-net模型和归一化相关系数匹配识别脸谱特征的方法

说明书

本发明公开一种基于Attention U‑net模型和归一化相关系数匹配识别脸谱特征的方法，首先对秦腔脸谱进行重新设置尺寸，然后在U‑net模型每个跳跃连接的末端中加入Attention Gate，对提取的特征实现注意力机制，使其可以选择聚焦位置，其次对Attention U‑net模型生成的脸谱图像进行裁剪，成为模板图像；最后通过改进的归一化相关系数匹配方法，对输入的目标脸谱图像进行模板匹配，找到与目标图像相似度最高的模板图像并输出该模板图像代表的脸谱特征，通过脸谱特征推断该脸谱所代表的人物性格；解决了秦腔脸谱特征识别的问题，并且改进了归一化相关系数匹配的精确度、大大提升了运算速度。

技术领域

本发明属于计算机图形学处理技术领域，具体涉及一种基于Attention U-net模型和归一化相关系数匹配识别脸谱特征的方法。

背景技术

秦腔起源于秦地，流行于西北地区，对整个中国戏曲艺术发展有着极为重要的指引作用。秦腔主要表现形式有唱、念、做、打，这种形式在表演过程中非常丰富，其中最为重要的是以突出表现戏剧人物个性的脸谱艺术。根据中国传统的“人心不同，各如其面”之说，脸谱主要表现了人物内心的活动，是一个人精神生活的浓缩体现，这样的形式运用于戏剧表演中，其浓缩、夸大的表现是明显的，就如秦腔中的脸谱艺术一般。

秦腔中的脸谱有不同的类型，在色彩与构象上有独特的讲究。其每一个脸谱除具有一定的文化内涵外，还渗透着陕西乃至西北民众生活中的忠孝礼仪，喜怒哀乐，以及忠奸英烈的文化内涵。

目前，应用于图像识别的模板匹配算法是在图像处理、模式识别以及计算机视觉中的基本操作之一。模板匹配算法主要有：平方差匹配、标准平方差匹配，这类方法利用平方差来进行匹配，最好匹配为0。匹配越差，匹配值越大；相关匹配、标准相关匹配，这类方法采用模板和图像间的乘法操作，所以较大的数表示匹配程度较高，0标识最坏的匹配效果。归一化相关系数匹配，这类方法将模版对其均值的相对值与图像对其均值的相关值进行匹配，1表示完美匹配，-1表示糟糕的匹配，0表示没有任何相关性(随机序列)。归一化相关系数的匹配在实际的图像处理中，还需要考虑到目标图像的缩放、旋转等因素，这需要大量地计算目标图像中的某个待匹配区域与模板图像之间的互相关系数。并且目标图像越大，计算的乘法次数就会越大，所以归一化相关系数匹配算法存在着计算量大、计算耗时长等缺点。

发明内容

针对现有技术的缺点或不足，本发明的目的在于提供一种基于Attention U-net模型和归一化相关系数匹配识别脸谱特征的方法，学习到图片中更精细的特征并且减少运行的计算量，提高图像匹配精确度，提升算法运行速度，使秦腔脸谱特征识别更快、更准、效果更好。

为实现上述目的，本发明所采用的技术方案是：

基于Attention U-net模型和归一化相关系数匹配识别脸谱特征的方法，包括以下步骤：

步骤1：搜集秦腔脸谱图像，设置尺寸为256x256mm；

步骤2：使用Keras构建原始的U-net模型网络结构，U-net模型网络结构由编码器(encoder)和解码器(decoder)两部分组成，二者是对称结构；

步骤3：在原始的U-net模型每个跳跃连接的末端中加入Attention Gate模型；

步骤4：使用Attention U-net模型生成秦腔脸谱灰度注意图；

步骤5：裁剪灰度注意图特征部分作为模板图像；

步骤6：将步骤1的秦腔脸谱图像与模板图像进行归一化相关系数匹配，匹配得到相似度最高的模板图像，输出模板图像代表的脸谱特征以及脸谱特征所代表的人物性格特点；

相关系数的归一化处理表示为：：