[发明专利]像素级手写体汉字自动生成方法、存储设备、处理装置

摘要

本发明涉及一种像素级手写体汉字自动生成方法、存储设备、处理装置，所述方法为将预设的输入向量和录入的汉字标签值输入经迭代训练优化后的最终生成网络模型，得到对应汉字标签值的手写体汉字图像；其中最终生成网络模型的生成步骤包括：基于预先构建的包含生成网络模型和判别网络模型的生成式对抗网络、对输入向量和各样本对应标签的值的初始化，获取各伪样本；迭代进行判别网络模型的参数优化、生成网络模型修正，直至满足迭代条件时输出最终生成网络模型。本发明可直接在像素级别上从随机向量中生成指定手写体汉字样本，具有不需要部件库的支撑、可大量获取、全自动生成、风格变化多样等优点。

主权项

1.一种像素级手写体汉字生成方法，其特征在于，所述方法包括：/n将预设的输入向量和录入的汉字标签值输入经迭代训练优化后的最终生成网络模型，得到对应汉字标签值的手写体汉字图像；/n其中，/n所述最终生成网络模型的迭代训练优化步骤包括：/n步骤S1，构建生成式对抗网络；所述生成式对抗网络包括生成网络模型和判别网络模型；/n步骤S2，基于样本集合和样本集合中各样本对应的标签，对输入向量和各样本对应标签的值进行初始化；/n步骤S3，将初始化后得到的输入向量和各样本对应标签的值输入所构建的生成网络模型，得到各伪样本；/n步骤S4，基于所述样本集合和各样本对应的伪样本进行判别网络模型的参数优化，得到新的判别网络模型；/n步骤S5，基于所述新的判别网络模型，计算所述生成网络模型的损失函数，并依据所述损失函数修正所述生成网络模型，得到新的生成网络模型；/n步骤S6，返回步骤S4进行迭代，直至满足预设的迭代条件，保存此时的生成网络模型为最终生成网络模型；/n其中，所述生成网络模型包括第一隐含层、三个反卷积层、输出层；所述第一隐含层与输入信息全连接，并对输入信息白化处理后将1024的一维向量重塑成1024个通道的4×4的特征图像；所述三个反卷积层依照数据处理顺序，每下一层通道数减半，特征图像尺寸增加一倍；所述输出层是采用sigmoid激活函数的反卷积层，结点个数为样本图像尺寸大小64×64；/n其中，所述判别网络模型为去除池化层后的全卷积网络，输出层为全连接层，采用sigmoid激活函数；其余各层均采用LReLU函数且进行白化处理；/n其中，步骤S4在迭代过程中采用二元极小极大博弈的方法优化判别网络模型和生成网络模型各层网络权重；/n其中，步骤S4中判别网络模型的优化目标是最大化生成样本来自于真实样本的概率值且最小化产生自生成网络模型的生成样本的概率值，根据预设的优化函数计算优化值，并在现有各层网络权值的基础上增加所计算的优化值后得到更新后的各层网络权值；/n其中，所述预设的优化函数为/n