[发明专利]一种印鉴字体自动识别方法及识别装置

说明书

技术领域

本发明涉及机器学习、计算机视觉和模式识别领域，特别涉及艺术品印鉴字体自动识别方法及识别装置。

背景技术

现在社会中大量的艺术品都以印鉴来识别作者，而传统的印鉴识别方法，主要依靠人的经验，识别准确度效果因人而异，并且识别效率很低。在这种背景下急需一种高效准确的能自动识别印鉴字体的方法。

发明内容

本发明的目的在于提供一种印鉴字体自动识别方法及识别装置，以解决现有技术中印鉴字体识别效率低、准确度难以保证的问题。本发明采用图像表达来描述印鉴字体序列，通过深度卷积神经网络训练匹配模型，从而匹配印鉴图像，来识别艺术品的字体真实作者。

本发明的技术方案如下：

一种印鉴字体自动识别方法，所述方法包括训练过程和识别过程；

其中，所述训练过程包括：

将数据库中预定大小的已鉴定印鉴字体图像送入构建的卷积神经网络，经过数层卷积层与全连接层，得到与不同作者对应的多维图像表达，所述多维图像表达中的每一维图像表达的响应值代表该印鉴字体图像属于对应作者的概率，并将该多维图像表达与真实标记进行比较得到预测误差；

采用反向传播算法和随机梯度下降法来减小预测误差以训练该神经网络，得到基于深度学习的深度卷积神经网络训练匹配模型；

所述识别过程包括：

将预定大小的待测试的印鉴字体图像送入所述深度卷积神经网络训练匹配模型，得到多维向量输出，每一维度的响应值的大小对应该图像属于此维度所代表的作者的概率；

选取响应值最大的维度代表的作者作为印鉴字体识别结果。

优选地，所述方法还包括：将印鉴字体图像归一化到相同像素大小，得到预定大小的印鉴字体图像。

优选地，所述图像表达的维数与训练过程涉及的作者数相同。

优选地，在所述卷积神经网络的各卷积层使用m*m大小的卷积核以预定步长按照以下公式遍历扫描输入的图像，得到特征图：

其中，g(i,j)为输出特征图，f为输入图像，h(m,m)为卷积子。

优选地，所述反向传播算法所利用的公式为：

其中，E为反向传播回来的误差，b为每个神经元的基，δ是每个神经元基b的灵敏度，u为神经网络层。

所述梯度下降算法所用的公式为：

w_i＝w_i+Δw_i

δ＝(t-o)o(1-o)

Δw_i＝δx_i；

其中，w_i为权值，多个权值表示为矩阵形式t为预想的输出，o表示感知机实际的输出，x_i表示该神经网络上一层第i个神经元的输出，i表示该层神经元的序号。

相应地，本发明还提供一种印鉴字体自动识别装置，该装置包括训练装置和识别装置；

其中，所述训练装置包括：

学习单元，其将数据库中预定大小的已鉴定印鉴字体图像送入卷积神经网络，经过数层卷积层与全连接层，得到与不同作者对应的多维图像表达，所述多维图像表达中的每一维图像表达的响应值代表该印鉴字体图像属于对应作者的概率，并将该多维图像表达与真实标记进行比较得到预测误差；

训练单元，其采用反向传播算法和随机梯度下降法来减小预测误差以训练该神经网络，得到基于深度学习的深度卷积神经网络训练匹配模型；

所述识别装置包括：

识别单元，其将预定大小的、待测试的印鉴字体图像送入所述深度卷积神经网络训练匹配模型，在最后一层全连接层得到多维向量输出，每一维度的响应值的大小对应该图像属于此维度所代表的作者的概率，所述识别单元选取响应值最大的维度代表的作者作为印鉴字体识别结果。

优选地，所述装置还包括：归一化单元，其将印鉴字体图像归一化到相同像素大小，得到归一化的印鉴字体图像。

本发明的方法和装置能够高效准确地实现艺术品印鉴字体的自动识别。

本领域技术人员将会理解的是，能够用本发明实现的目的和优点不限于以上具体所述，并且根据以下详细说明将更清楚地理解本发明能够实现的上述和其他目的。

附图说明

参考附图，本发明更多的目的、功能和优点将通过本发明实施方式的如下描述得以阐明，在附图中：

图1是基于深度学习的艺术品印鉴字体自动识别方法算法框架示意图。

图2是基于深度学习的艺术品自动识别方法模型示意图。