[發明專利]一種基于對抗生成網絡的筆跡生成方法及裝置

在審

• 申請號: 202110310331.5
• 申請日: 2021-03-23
• 公開（公告）號: CN113095158A
• 公開（公告）日: 2021-07-09
• 發明（設計）人: 張翔宇;翟軍治;黃柳玉
• 申請（專利權）人: 西安深信科創信息技術有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 西安嘉思特知識產權代理事務所(普通合伙) 61230
• 代理人: 王海棟

本發明提供的一種基于對抗生成網絡的筆跡生成方法及裝置，通過根據相同文字規則，獲取筆跡圖像對；對筆跡圖像對進行擴充，以達到預設的樣本數，得到輸入樣本集；迭代將輸入樣本集中的樣本輸入至學習網絡中，以使學習網絡中的生成網絡生成待判別筆跡圖像，學習網絡中的判別網絡判別每個待判別筆跡圖像中的每個塊的真偽，并基于生成網絡的損失函數以及判別網絡的損失函數，確定學習網絡的損失函數，調整學習網絡的權重直至達到迭代截止條件，獲得訓練完成的學習網絡；將需求字符圖像輸入至訓練完成的學習網絡，生成與目標筆跡更相近的筆跡字符。因此本發明可以提高生成筆跡字符的實時性、魯棒性，達到司法筆跡鑒定要求。

技術領域

本發明屬于圖像識別處理領域，具體涉及一種基于對抗生成網絡的筆跡生成方法及裝置。

背景技術

筆跡生成是通過對待測文本和樣本筆跡的相似度進行比較，來模仿樣本筆跡風格生成筆跡圖像的一種生成技術，其主要應用于筆跡鑒定，在司法鑒定、法庭科學以及金融領域合同確認等多個領域都有重要作用。筆跡生成可以解決筆跡鑒定中長時間存在的難以獲取數據的困擾，數據要求的苛刻條件讓很多筆跡鑒定算法表現不佳。

早期的研究者通過構造有效的手工特征方法對筆畫質量、字符的傾斜程度、單詞連筆程度，以及字母整體結構等信息進行建模，以提取相關筆跡的紋理特征，生成筆跡效率低，準確度差。近年來，隨著深度神經網絡技術的不斷發展，利用其自主學習的優勢提取相關特征，可以大大提高筆跡生成的效果。

2015年Gatys首次提出了利用卷積神經網絡對圖像風格特征進行提取，其結果表明卷積神經網絡確實可以有效的提取圖像風格，與其他內容圖像結合可以實現風格遷移。李飛飛等人于2016年提出一種“單步驟”風格遷移的，將神經網絡不同層級的損失項作為最終的優化目標函數，使得筆跡生成的效果與速度都達到新的水平。上述方法雖然取得了一定的效果，且存在實時性較差、魯棒性不強等缺點，其生成效果不能達到司法筆跡鑒定的要求。

發明內容

為了解決現有技術中存在的上述問題，本發明提供了一種基于對抗生成網絡的筆跡生成方法及裝置。本發明要解決的技術問題通過以下技術方案實現：

第一方面，本發明提供的一種基于對抗生成網絡的筆跡生成方法包括：

根據相同文字規則，獲取筆跡圖像對；

對所述筆跡圖像對進行擴充，以達到預設的樣本數，得到輸入樣本集；

迭代將所述輸入樣本集中的樣本輸入至學習網絡中，以使所述學習網絡中的生成網絡生成待判別筆跡圖像，所述學習網絡中的判別網絡判別每個待判別筆跡圖像中的每個塊的真偽，并基于所述生成網絡的損失函數以及所述判別網絡的損失函數，確定所述學習網絡的損失函數，調整所述學習網絡的權重直至達到迭代截止條件，獲得訓練完成的學習網絡；

將需求字符圖像輸入至所述訓練完成的學習網絡，生成與目標筆跡更相近的筆跡字符。

優選的，所述根據相同文字規則，獲取筆跡圖像對的步驟包括：

讀取源文件以及目標文件中的共同字符；

將所述共同字符轉化為筆跡圖像對；

將所述筆跡圖像對進行縮放，以使所述筆跡圖像對的大小相同。

優選的，所述對所述筆跡圖像對進行擴充，以達到預設的樣本數包括：

對所述筆跡圖像對在方向、噪聲、大小、偏移量、旋轉角度上進行預處理，以擴充所述筆跡圖像對的數量至預設的樣本數。

優選的，所述生成網絡包括：編碼器以及解碼器，所述生成網絡用于通過編碼器以及解碼器將所述樣本中3維、64維、128維、256維、512維特征融合為一體，生成待判別筆跡圖像。

優選的，所述基于所述生成網絡的損失函數以及所述判別網絡的損失函數，確定所述學習網絡的損失函數包括：