基于深度学习的毛笔字笔画生成

摘要

书法是中华民族传统文化的符号代表，是世界上唯一以文字为艺术载体的东方艺术瑰宝。保护传承中国书法是我们的历史责任。但由于技术发展的局限性，书法数字化的工作一直不令人满意。我们的研究发现，毛笔笔杆的刚体运动是形成不同毛笔笔画特征的关键因素，因此本论文利用近年来不但在图像分类和自然语言处理领域取得了突破性成就，而且在传统算法难以解决的包括无人驾驶、图片检索等领域也有广泛应用的深度学习方法，构建毛笔刚体运动与毛笔字笔画之间的联系，以探究毛笔字书法数字化的新方法。 本文在假设毛笔笔头、墨水及纸张等数字模型保持不变的情况下，参与制作了电子毛笔。在电子毛笔笔杆两端安装有两个同型号的惯性测量模块，惯性测量模块可记录书写过程中笔杆刚体的惯性数据，并通过蓝牙模块将数据传送给上位机。本文结合双向循环神经网络（Bi-LSTM）、卷积神经网络（CNN）、反卷积（De-CNN）等网络结构，提出了一个新的能够准确模拟单一毛笔笔画的神经网络模型。该模型建立了毛笔字笔画与笔杆刚体运动之间的联系，通过输入一段时间内的笔杆运动惯性数据如加速度、角速度、方位角和磁场强度，输出对应的毛笔书写笔划。该模型共包含4个部分：1层的全连接层、3层的双向循环神经网络、5层的卷积层和1层反卷积。 为模型训练需要，本文首先还设计了一个数据采集系统，利用三个摄像机从上、前、左侧方位同步记录了9768组电子毛笔书写过程中的图像视频和笔杆的惯性数据。并根据毛笔字笔画书写和硬件的特点，提出了笔杆惯性数据预处理的算法，有效的滤除错误数据，拟合噪声。然后针对数据资源有限、采集时间过长的问题，对数据进行扩容增强处理将数据集扩充至37072组，有效的解决数据集欠缺造成的过拟合的问题。同时还设计了获取书写结果标签、骨架、边缘的流程算法为后续训练提供准确的标签。最后为加快模型收敛、提高模型准确率，设计了一个适合表达真实书写结果和模型计算结果之间差异的目标损失函数。 在完成了大量实验数据准备和预处理工作之后，进行了的神经网络参数和网络结构深层次调整，得出了一个精确率高达85.41%,召回率达到79.98%的模拟毛笔字笔画的神经网络模型。此外，本论文的另一个贡献是该数据扩容增强的方法只需少量的训练集便可达到较高的准确率。

目录

第一个书签之前