[发明专利]一种简笔画自动渲染方法

权利要求书

1.一种简笔画自动渲染方法，其特征在于，包括以下步骤：

S1、收集数据集：确定类别，按类别分别收集RGB数字图像；

S2、数据预处理：通过简笔画生成工具，将收集的RGB数字图像转化为简笔画数字图像；

S3、训练和部署模型：利用简笔画数据训练分类模型，针对每个类别，利用图像和简笔画训练渲染模型，将分类模型和渲染模型部署到云服务器；

S4、获取笔迹信息和类别信息：通过在智能终端获取简笔画笔迹信息，并将简笔画笔迹信息传输到服务器；在服务器端将简笔画笔迹信息处理成简笔画数字图像，然后将简笔画数字图像输入分类模型获取对应的类别信息；

S5、自动渲染：将简笔画数字图像输入对应类别的渲染模型，渲染模型在服务器端生成渲染图，将渲染图传输到智能终端进行显示。

2.根据权利要求1所述的一种简笔画自动渲染方法，其特征在于，步骤S2所述的简笔画生成工具为图像处理软件，优选为Phtoshop。

3.根据权利要求1所述的一种简笔画自动渲染方法，其特征在于，步骤S2所述的简笔画生成工具为边缘检测算法，优选为DSCD(Deep Structural Contour Detection)、RefineContourNet、HED(Holistically-Nested Edge Detection)中的一种。

4.根据权利要求1所述的一种简笔画自动渲染方法，其特征在于，步骤S3所述的分类模型为图像识别模型，优选为卷积神经网络模型及其变种。

5.根据权利要求4所述的一种简笔画自动渲染方法，其特征在于，所述卷积神经网络模型及其变种包括但不限于LeNet、AlexNet、VGG、GoogleNet、ResNet。

6.根据权利要求1所述的一种简笔画自动渲染方法，其特征在于，步骤S3所述的训练分类模型的过程为：

S311、有n个简笔画图像样本：{y⁽¹⁾,y⁽²⁾,…,y⁽ⁿ⁾}，每个简笔画图像对应一个类别：{l⁽¹⁾,l⁽²⁾,…,l⁽ⁿ⁾}，每个简笔画图像样本y⁽ⁱ⁾是一个H·W的矩阵，其对应的类别l⁽ⁱ⁾是一个长度的one-hot向量，其类别对应位置元素为1，其余为0；

S312、构建分类网络构架R、损失函数loss1以及优化器：其中分类网络构架为人工神经网络的各种变种，包括但不限于LeNet、AlexNet、VGG、GoogleNet、ResNet中的一种，输入是简笔画灰度图，输出是元素个数与类别个数一样的向量；损失函数为交叉熵损失函数；优化器为包括但不限于SGD(Stochastic Gradient Descent)、SGD-M(SGD with Momentum)、NAG(Nesterov Accelerated Gradient)、AdaGrad、AdaDelta/RMSProp、Adam(AdaptiveMomentum)以及Nadam(Nesterov Adam)；

S313、将n个样本随机分成ceil(n/m)组，其中ceil表示向上取整；这样除了最后一组，每组有m个样本，最后一组样本数是n-floor(n/m)个，其中floor表示向下取整；

S314、依次选取选取第i组样本:{y^(i_1),y^(i_2),…,y^(i_end)}，进行训练，其中i＝1,2,…,ceil(n/m)，x^(i_end)表示第i组的最后一个样本，训练过程如下：

S3141、对本组所有样本同时做前向计算，首先计算vecA^(i_1:i_end)＝R(x^(i_1:i_end))。loss1(vecA^(i_1:i_end),l^(i_1:i_end))＝，其中x^(i_1:i_end)表示第i组的所有样本，表示第i组的第j个样本前向计算后对应的第q个分量，表示第i组的第j个样本的类别向量的第q个分量；

S3142、针对网络R按照设置好的优化器计算参数的梯度并进行参数更新；

S315、重复步骤S314，直到迭代次数大于设定的阈值，或者损失函数值较上一次迭代的损失函数值的减少量小于设定的阈值。