[发明专利]一种多风格字体生成方法

说明书

本发明提出了一种基于StarGAN改进的多种风格字体生成方法，将由编码层、转换层和解码层的原始生成器网络结构替换为由Attention U‑NET和DenseNet两种特殊结构相结合，解决直接卷积操作会丢失文字笔画信息的问题。同时Attention U‑NET中的U型结构和跳跃连接可以有效的集成图像的细节和语义特征，网络的注意力机制可以解决现有模型在字体生成过程出现的局部信息丢失或冗余问题，降低生成汉字的像素错误率。该方法不仅不需要配对的数据集，而且只需要训练一种模型就可以直接实现多种字体风格的自动生成。本发明解决了汉字识别中数据集的缺失，提高字体识别的准确性，同时也为小样本领域以及数据迁移领域数量不足创造了条件。

技术领域

本发明属于计算机图形处理技术领域，尤其涉及生成对抗网络的图像生成技术领域，具体涉及一种基于StarGAN改进的多种风格字体生成方法。

背景技术

中国汉字字体数量庞大，结构复杂，每种字体的风格更是千差万别，设计统一风格的字体往往需要消耗大量的人力物力，因此，汉字的生成和字体风格的转换成为了近年来研究的热点问题。

中国书法历史悠久，书法艺术已成为中国传统文化的一项瑰宝，对于很多书法爱好者来说，收藏自己喜爱的书法家真品或者临摹喜爱的书法家风格的字体，已成为一种乐趣。当得不到他们喜爱的书法家真品以及临摹效果不好时，多风格汉字生成是解决多种书法字体生成潜在的一种重要途径。

字体识别（ Optical Font Recognition ）的目标是识别给定文本图像的字体，是自动文档分析和处理中一个重要且具有挑战性的主题，识别手写体或艺术字体的难度远大于识别印刷体，因为极其丰富的展现形式，每个人都写不同风格的文字。而一些手写字体和艺术字体的数据集也难以大量收集，导致字体识别的准确率不高。

生成式对抗网络模型（GAN）是基于深度学习的一种强大的生成模型，给解决汉字字体生成技术提供了新的研究角度和可行方案。自生成式对抗网络被提出来以后，越来越受到学术界和工业界的重视，不同于以往的生成模型，GANs 通过对抗训练来不断地拟合已有样本数据的分布，直至能够生成以假乱真的样本。这与汉字字体的生成过程相似，所以越来越多的研究者使用生成对抗网络来实现汉字字体生成算法并应用于数据增强。

发明内容

为了解决了汉字识别中数据集的缺失，提高字体识别的准确性，同时也为小样本领域以及数据迁移领域数量不足创造了条件。本发明提供了一种基于StarGAN 改进的多种风格字体生成方法，通过训练单个模型，学习多个字体域之间的映射，在数据集未配对的情况下一次性实现多种汉字风格的自动生成。

本发明解决其技术问题是通过以下技术方案实现的：

一种基于StarGAN 改进的多种风格字体生成方法，包括以下步骤：

步骤一：构建数据集，源字体数据集和目标字体数据集准备，并对每个数据集制定目标域标签；

步骤二：构建生成对抗式网络，采用Attention U-NET和DenseNet两种特殊结构相结合作为生成器，判别器采用训练构并添加一个辅助分类器来提高GAN的性能，同时输出真假和类别；

步骤三：构建模型的损失函数，利用印刷体字体图片、目标字体图片数据集依次输入到基于StarGAN改进的网络训练模型中，对模型进行训练、优化和调参，得到符合要求的多风格字体生成网络；

步骤四：将完整的印刷字体图片与目标域标签结合输入到训练后的生成网络中，由训练后的网络模型输出GB2312字库中相对应完整的目标字体；

步骤五：对生成的目标字体图片进行质量评估，构建模型评级体系。