[发明专利]基于卷积神经网络的书法风格识别方法

摘要

本发明公开的基于卷积神经网络的书法风格识别方法，包括以下步骤：获得并预处理书法作品，得到书法样本；将书法样本分成训练样本集和验证样本集；将训练样本集输入模型分类器并不断迭代训练，同时使用验证样本集不断验证模型分类器；将书法样本输入训练后的模型分类器中，完成书法风格识别。本发明识别方法将书法风格识别的过程实现了处理流程的简化，将书法图像特征提取及风格识别融为一体，识别速度快，而且识别准确率高；模型分类器参数量比较少，训练用时少，收敛速度快，识别准确率高；能够不断增加风格类别，具有较好的鲁棒性、扩展性。

主权项

1.基于卷积神经网络的书法风格识别方法，其特征在于，包括以下步骤：步骤1，获得并预处理书法作品，得到书法样本；步骤2，将步骤1的书法样本分成训练样本集和验证样本集；步骤3，将步骤2中的训练样本集输入模型分类器并不断迭代训练，同时使用验证样本集不断验证模型分类器；将步骤2中的训练样本集批量输入模型分类器中，首次迭代时，模型分类器权重参数为随机初始化参数，通过前向传播算法不断向前传递特征，并计算残差，随后通过反向传播算法将残差不断向后传递，修正权重参数，不断迭代直至收敛；当模型分类器中每迭代10次，将验证样本集输入模型分类器中识别准确率：当识别准确率出现两极分化，则需要重新训练模型分类器；如未出现两极分化，继续训练；收敛的条件为：迭代次数不大于在10000且达到残差值最小；步骤4，将步骤1的书法样本输入步骤3训练后的模型分类器中，完成书法风格识别；所述模型分类器中网络模型包含11层，输入是通道为1的灰度图像，分辨率大小64×64；第一层是32个感受野大小为5×5的卷积层，步长为1，边缘填充为2，参数量为5×5×1×32+32，即832，输出为32个通道、大小为64×64的特征；第二层采用重叠的最大池化层，即感受野大小为3×3，步长为2，边缘填充为1，输出为32个通道，图像大小为64×64的特征；第三层至第六层是两组与第一层和第二层相类似的卷积层和最大池化层：第三层的卷积核数量是32，大小5×5，边缘填充为2，步长为1，参数量为5×5×32×32+32，即26624；第五层是64个卷积核大小为5×5卷积层，步长为1，边缘填充是2，该卷积层的参数量为5×5×32×64+64，即53248；第四层和第六层均为最大池化层；第七层为卷积层，即128个大小为5×5的卷积核，步长为1，边缘填充为2，参数量为5×5×64×128+128，即212992；第八层为平均池化层，感受野大小为3×3，步长为2，边缘填充为1，输出为128个通道，图像大小为4×4的特征；第九层为Concat(avg,std)层，在第七层的卷积和第八层放平均池化层之后的输出为128×4×4，即128个通道大小为4×4的特征作为Concat(avg，std)层的输入；第十层为全连接层，全连接层的输入为128个4×4的特征，输出为256个特征，则参数量为4×4×128×256+256，即524288；第十一层为softmax分类层，用于计算输出属于每一类的概率。