自动挑选画家代表作的方法及装置制造方法及图纸

本发明专利技术属于数字图像处理技术领域，具体涉及一种自动挑选画家代表作的方法及装置，旨在解决如何从画家的多个作品中选出最具代表性画作的问题，为此目的，本发明专利技术的自动挑选画家代表作的方法包括：获取目标画家的作品集；利用预设的卷积神经网络提取作品集中每个绘画作品的风格‑内容特征；利用预设的连续性鲁棒聚类方法对当前作品集中每个绘画作品的风格‑内容特征进行聚类，根据聚类结果获取多个聚类类别对应的画作集合；利用预设的拒识算法更新所述画作集合并且根据更新后的画作集合获取代表作集合；重复聚类和拒识的过程直至满足预设的停止条件。基于本发明专利技术的方法及装置可以快速准确地从画家的作品集中自动选出最具代表性的作品。

【技术实现步骤摘要】
自动挑选画家代表作的方法及装置
本专利技术属于数字图像处理
，具体涉及一种自动挑选画家代表作的方法及装置。
技术介绍
随着数字图像处理技术的迅速发展，可以很容易地在互联网上找到数以百万计的关于绘画艺术的数字图像，这使得计算机辅助绘画分析更加符合社会需求，也方便了希望了解艺术作品的普通人。在过去几年中，研究人员在针对各种任务的艺术品自动分析方面取得了巨大进步，如识别西方绘画、推断绘画风格、区分真品和赝品、自动生成特定风格的艺术作品等。此外，通过使用图像处理以及深度学习技术，科学家们也提出了很多自动分析图片的方法。但是，目前的自动图片分析方法中还没有能够解决如何以风格为导向的自动选取画家代表作的问题。作为自动艺术绘画分析的一个特例，以风格为导向的代表作选择侧重于探索一位艺术家的所有绘画，并旨在选择具体的视觉艺术风格。事实上，沉浸在艺术绘画中的艺术家倾向于以自己的风格表达物体或场景。然而，来自艺术家的绘画的外部形式和技术在其所有绘画作品中可能会有所不同。例如用户想要了解更多关于梵高艺术家画作的图像，并使用“梵高”作为关键词搜索。结果页面中会包含梵高的许多著名作品，但风格高度重叠，很难让用户了解梵高在各个不同时期的绘写风格和技巧。因此，在分析数字艺术画时，分析一位艺术家的绘画事业中的偏好演变以及发现多件艺术作品来表现艺术家的创作特征至关重要。基于此，本专利技术提供了一种自动挑选画家代表作的方法及装置，通过机器学习方法以及神经网络算法，为用户自动地挑选画家的代表作。
技术实现思路
为了解决现有技术中的上述问题，即为了解决如何从画家的多个作品中选出最具代表性画作的问题，本专利技术第一方面，提供了一种自动挑选画家代表作的方法，包括：步骤S1：获取目标画家的作品集，所述作品集包括所述目标画家的多个绘画作品；步骤S2：利用预设的卷积神经网络提取所述作品集中每个绘画作品的风格-内容特征；步骤S3：利用预设的连续性鲁棒聚类方法对当前作品集中每个绘画作品的风格-内容特征进行聚类，根据聚类结果获取多个聚类类别对应的画作集合；步骤S4：利用预设的拒识算法更新所述画作集合并且根据更新后的画作集合获取代表作集合；步骤S5：重复执行步骤S3-步骤S4直至满足预设的停止条件；其中，所述画作集合包括相应聚类类别对应的多个绘画作品，所述代表作集合包括每个所述画作集合对应的绘画作品代表作。进一步地，本专利技术提供的一个优选技术方案为：所述拒识算法是基于贝叶斯分类算法的画作识别拒识算法；“利用预设的拒识算法更新所述画作集合并且根据更新后的画作集合获取代表作集合”的步骤包括：利用贝叶斯分类算法计算每个所述画作集合中每个绘画作品属于当前聚类类别的概率；分别对每个所述绘画作品对应的概率与预设的概率阈值进行比较并且根据比较结果选择性地调整所述每个绘画作品所属的聚类类别；获取每个所述聚类类别的聚类中心对应的绘画作品并且根据所获取的绘画作品确定所述代表作集合。进一步地，本专利技术提供的一个优选技术方案为：“利用贝叶斯分类算法计算每个所述画作集合中每个绘画作品属于当前聚类类别的概率”的步骤包括：按下式所示的方法计算所述每个绘画作品属于当前聚类类别的概率：其中，所述P(ui|M)为第M个聚类类别中第i个绘画作品对应的风格-内容特征ui的概率，所述P(M)为第M个聚类类别的概率，所述P(ui)为第i个绘画作品对应的风格-内容特征ui的概率；所述M类类条件概率密度分布如下式所示：其中，所述μM为第M个聚类类别对应的风格-内容特征的均值，所述∑M为第M个聚类类别对应的风格-内容特征的协方差矩阵，所述D为利用所述风格-内容特征预先构建的特征向量的维度，所述T为转置运算。进一步地，本专利技术提供的一个优选技术方案为：所述概率阈值包括第一概率阈值和第二概率阈值；“分别对每个所述绘画作品对应的概率与预设的概率阈值进行比较并且根据比较结果选择性地调整所述每个绘画作品所属的聚类类别”的步骤包括：若所述P(M|ui)小于等于所述第一概率阈值，则将所述绘画作品ui从所述作品集中移除；若所述P(M|ui)与P(M'|ui)之差的绝对值小于等于所述第二概率阈值，则将所述绘画作品ui从所述作品集中移除；其中，所述P(M'|ui)为第i个绘画作品对应的风格-内容特征ui属于第M'个聚类类别的概率。进一步地，本专利技术提供的一个优选技术方案为：所述卷积神经网络包括多个卷积层“利用预设的卷积神经网络提取所述作品集中每个绘画作品的风格-内容特征”的步骤包括：获取所述每个绘画作品在特定卷积层对应的所有特征图并且根据所述特征图获取第一特征向量；获取所述特定卷积层对应的特征图之间的相关性特征并根据所述相关性特征获取第二特征向量；根据所述第一特征向量和第二特征向量获取所述风格-内容特征。进一步地，本专利技术提供的一个优选技术方案为：“获取所述特定卷积层对应的特征图之间的相关性特征”的步骤包括：按下式所示的方法计算所述特征图之间的相关性特征：其中，所述Cj为所述卷积神经网络中第j层卷积层对应的卷积核个数，所述Hj为所述第j层卷积层对应的特征图高度，所述Wj为所述第j层卷积层对应的特征图宽度，所述Fj(x)h,w,c为所述第j层卷积层中第c个卷积核对应的特征图中第h行第w列的像素值；所述Fj(x)h,w,c'为第j层卷积层中第c'个卷积核对应的特征图中第h行第w列的像素值。进一步地，本专利技术提供的一个优选技术方案为：“利用预设的连续性鲁棒聚类方法对当前作品集中每个绘画作品的风格-内容特征进行聚类”的步骤包括：按下式所所示的目标函数，对所述作品集进行聚类：其中，所述为所述作品集中第i个绘画作品对应的风格-内容特征；所述λ和ωp，q分别为预设的平衡参数；所述K＝{k1,k2,...,kn}为代表作集合，所述kn为所述代表作集合中第n个代表作的风格-内容特征，所述ki为所述代表作集合中第i个代表作的风格-内容特征，kp为所述代表作集合中第p个代表作的风格-内容特征，kq为所述代表作集合中第q个代表作的风格-内容特征；所述ε是预设的数据连接图中所有数据连接所构成的连接集合，所述数据连接图是根据所述作品集中每个绘画作品的风格-内容特征所构建的聚类图，所述数据连接表示两个相关绘画作品的风格-内容特征在所述数据连接图上对应的数据关联关系；所述L为利用所述数据连接图中每个数据连接的预设的辅助变量所构建的辅助变量集合，所述(p,q)为所述数据连接图中第p个代表作的风格-内容特征kp与第q个代表作的风格-内容特征kq之间的数据连接，所述lp,q为所述数据连接(p,q)的辅助标量；所述所述μ为预设的尺度参数，所述ψ表示惩罚函数。进一步地，本专利技术提供的一个优选技术方案为：所述停止条件包括：重复执行步骤S3-步骤S4的次数达到设定的重复次数，或拒识的绘画作品数量小于设定的数量阈值，或拒识率小于设定的比例阈值；其中，所述拒识的绘画作品为基于所述拒识算法从所述作品集中移除的绘画作品；所述拒识率为基于所述拒识算法从所述作品集中移除的绘画作品数量除以所述作品集中所有绘画作品数量得到的比值。本专利技术的第二方面，还提供了一种存储装置，其中存储有多条程序，所述程序适于由处理器加载并执行以实现上述的自动挑选画家代表作的方法。本专利技术的第三方面，该提供了一种控制装置，包括本文档来自技高网...

【技术保护点】
1.一种自动挑选画家代表作的方法，其特征在于包括：步骤S1：获取目标画家的作品集，所述作品集包括所述目标画家的多个绘画作品；步骤S2：利用预设的卷积神经网络提取所述作品集中每个绘画作品的风格‑内容特征；步骤S3：利用预设的连续性鲁棒聚类方法对当前作品集中每个绘画作品的风格‑内容特征进行聚类，根据聚类结果获取多个聚类类别对应的画作集合；步骤S4：利用预设的拒识算法更新所述画作集合并且根据更新后的画作集合获取代表作集合；步骤S5：重复执行步骤S3‑步骤S4直至满足预设的停止条件；其中，所述画作集合包括相应聚类类别对应的多个绘画作品，所述代表作集合包括每个所述画作集合对应的绘画作品代表作。

【技术特征摘要】
1.一种自动挑选画家代表作的方法，其特征在于包括：步骤S1：获取目标画家的作品集，所述作品集包括所述目标画家的多个绘画作品；步骤S2：利用预设的卷积神经网络提取所述作品集中每个绘画作品的风格-内容特征；步骤S3：利用预设的连续性鲁棒聚类方法对当前作品集中每个绘画作品的风格-内容特征进行聚类，根据聚类结果获取多个聚类类别对应的画作集合；步骤S4：利用预设的拒识算法更新所述画作集合并且根据更新后的画作集合获取代表作集合；步骤S5：重复执行步骤S3-步骤S4直至满足预设的停止条件；其中，所述画作集合包括相应聚类类别对应的多个绘画作品，所述代表作集合包括每个所述画作集合对应的绘画作品代表作。2.根据权利要求1所述的自动挑选画家代表作的方法，其特征在于，所述拒识算法是基于贝叶斯分类算法的画作识别拒识算法；“利用预设的拒识算法更新所述画作集合并且根据更新后的画作集合获取代表作集合”的步骤包括：利用贝叶斯分类算法计算每个所述画作集合中每个绘画作品属于当前聚类类别的概率；分别对每个所述绘画作品对应的概率与预设的概率阈值进行比较并且根据比较结果选择性地调整所述每个绘画作品所属的聚类类别；获取每个所述聚类类别的聚类中心对应的绘画作品并且根据所获取的绘画作品确定所述代表作集合。3.根据权利要求2所述的自动挑选画家代表作的方法，其特征在于，“利用贝叶斯分类算法计算每个所述画作集合中每个绘画作品属于当前聚类类别的概率”的步骤包括：按下式所示的方法计算所述每个绘画作品属于当前聚类类别的概率：其中，所述P(ui|M)为第M个聚类类别中第i个绘画作品对应的风格-内容特征ui的概率，所述P(M)为第M个聚类类别的概率，所述P(ui)为第i个绘画作品对应的风格-内容特征ui的概率；所述P(ui|M)如下式所示：其中，所述μM为第M个聚类类别对应的风格-内容特征的均值，所述ΣM为第M个聚类类别对应的风格-内容特征的协方差矩阵，所述D为利用所述风格-内容特征预先构建的特征向量的维度，所述T为转置运算。4.根据权利要求3所述的自动挑选画家代表作的方法，其特征在于，所述概率阈值包括第一概率阈值和第二概率阈值；“分别对每个所述绘画作品对应的概率与预设的概率阈值进行比较并且根据比较结果选择性地调整所述每个绘画作品所属的聚类类别”的步骤包括：若所述P(M|ui)小于等于所述第一概率阈值，则将所述绘画作品ui从所述作品集中移除；若所述P(M|ui)与P(M'|ui)之差的绝对值小于等于所述第二概率阈值，则将所述绘画作品ui从所述作品集中移除；其中，所述P(M'|ui)为第i个绘画作品对应的风格-内容特征ui属于第M'个聚类类别的概率。5.根据权利要求1所述的自动挑选画家代表作的方法，其特征在于，所述卷积神经网络包括多个卷积层“利用预设的卷积神经网络提取所述作品集中每个绘画作品的风格-内容特征”的步骤包括：获取所述每个绘画作品在特定卷积层对应的所有特征图并且根据所述...

【专利技术属性】
技术研发人员：邓盈盈，唐帆，董未名，徐常胜，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：北京,11