[发明专利]一种基于MaskRCNN的汉字笔画分割提取方法及系统

权利要求书

1.一种基于MaskRCNN的汉字笔画分割提取方法，其特征在于，包括以下步骤：

通过数据获取模块获取笔画分割数据，构成笔画分割数据集，并解析字体，生成训练集和验证集；

构建MaskRCNN网络模型，所述MaskRCNN模型包含主干网络、区域建议网络、分支网络；

预设MaskRCNN网络模型的初始参数和迭代次数，对训练集进行图像增强补充数据；

训练MaskRCNN网络模型，通过训练集更新网络参数，并通过验证集选择最优参数并保存；

将待测汉字图像输入训练好的网络模型，得到笔画分割提取结果。

2.根据权利要求1所述的一种基于MaskRCNN的汉字笔画分割提取方法，其特征在于，所述通过数据获取模块获取笔画分割数据，构成笔画分割数据集，具体为：

解析汉字字体，通过第一字体生成训练集的汉字图像，通过第二字体生成验证集的常用汉字；

分别利用字体生成数据集的汉字图像，将笔画的标签分为横竖撇捺折五类，获取每个笔画的掩模，通过笔画掩模的包围矩形作为标记框；

根据汉字图像的标记数据：笔画掩模、包围矩形、笔画标签；生成json文件，json文件能被MaskRCNN算法直接调用。

3.根据权利要求2所述的一种基于MaskRCNN的汉字笔画分割提取方法，其特征在于，所述第一字体为楷体GB2312；所述第二字体为仿宋GB2312。

4.根据权利要求1所述的一种基于MaskRCNN的汉字笔画分割提取方法，其特征在于，所述构建MaskRCNN网络模型，具体为：所述MaskRCNN模型分为三部分：

主干网络，为一个标准的卷积神经网络，采用Resnet50+FPN主干网络，作为特征提取器；

区域建议网络，为一个轻量神经网络，用于滑动窗口扫描图像；

分支网络，掩码分支是卷积网络，分类网络分支是全连接神经网络。

5.根据权利要求1所述的一种基于MaskRCNN的汉字笔画分割提取方法，其特征在于，所述预设MaskRCNN模型的初始参数和迭代次数，对训练集进行图像增强补充数据，具体为：

设置网络模型的总迭代次数为15个epoch，每隔一个epoch保存中间模型参数；

图像增强方法为几何变换操作，具体包括随机的翻转，旋转，裁剪，缩放，以及随机的在某一个颜色空间通过增加或减少某些颜色分量，更改颜色通道顺序的颜色变换操作。

6.根据权利要求5所述的一种基于MaskRCNN的汉字笔画分割提取方法，其特征在于，所述训练MaskRCNN网络，通过训练集更新网络参数，并通过验证集选择最优参数并保存，具体为：

训练Mask RCNN网络，使用ADAM优化器处理损失函数，为不同的参数计算不同的自适应学习率，初始化学习率设置为0.001，动量设置为0.9；

训练阶段分别计算三个输出矩形包围框、类别和对应掩码与真实值的损失，更新网络参数，每训练一个epoch，输入验证集测试模型，不断保存验证集损失函数最小的网络模型直至训练结束，即为最优网络模型，此参数为后续应用时所用的网络模型。

7.根据权利要求1所述的一种基于MaskRCNN的汉字笔画分割提取方法，其特征在于，所述待测汉字为一级汉字或二级汉字的简体图像。

8.一种基于MaskRCNN的汉字笔画分割提取系统，基于权利要求1至7所述的汉字笔画分割提取方法实现，其特征在于，包括：

数据获取模块，用于获取笔画分割数据；

图像增强补充数据模块，用于扩充训练集数据，防止网络过拟合；

神经网络模型构建模块，用于构建神经网络模块；

训练模块，用于更新网络参数，使网络输出越来越接近预期结果；

最优参数获取模块，用于选取并保存验证集笔画提取效果最好的网络模型；

笔画分割提取模块，用于接受待测汉字图像的输入，并直接输出汉字分割提取的结果。