手繪圖像相似度計(jì)算及評價(jià)模型研究.pdf

1、伴隨著繪畫教育軟件的普及，對用戶作品進(jìn)行智能評價(jià)，有助于引導(dǎo)和督促用戶自我學(xué)習(xí)，增強(qiáng)產(chǎn)品的用戶黏性。對手繪圖像作品進(jìn)行質(zhì)量評價(jià)的關(guān)鍵問題是特征的抽取和評分模型的構(gòu)建。由于手繪臨摹圖具有隨意性大、位置不確定，且粗細(xì)不一等特點(diǎn)，特征抽取需要能夠捕捉有臨摹圖的關(guān)鍵特點(diǎn)，評分模型則需要符合或接近人類判斷，現(xiàn)有模型的性能普遍不理想。為此，本文主要針對線條臨摹圖的質(zhì)量評價(jià)進(jìn)行深入研究，提出了基于方向梯度直方圖的多尺度特征抽取和改進(jìn)rankingSV

2、M學(xué)習(xí)的臨摹圖質(zhì)量評價(jià)算法。具體工作包括:
　　(1)設(shè)計(jì)了一種多尺度HOG特征，有效刻畫圖像的整體的形狀特征。目前主流的圖像形狀特征表示都是基于點(diǎn)特征的詞袋模型，而這些局部特征點(diǎn)主要刻畫的是局部紋理特征，并不直接描述全局形狀信息，無法刻畫手繪圖關(guān)鍵特性。針對這一問題，本文從人的視覺認(rèn)知角度出發(fā)，利用空間金字塔構(gòu)造，構(gòu)造基于HOG特征的多分辨率直方圖，從粗細(xì)粒度層面捕捉線條臨摹圖的形狀特征。實(shí)驗(yàn)證明，多尺度特征平均性能均優(yōu)于單層H

3、OG特征，且層次多的金字塔更能描述手繪圖形狀特點(diǎn)。
　　(2)在學(xué)習(xí)階段，通過增加樣本特性的權(quán)重約束，提高了rankingSVM排序?qū)W習(xí)的準(zhǔn)確率。目前將特征映射成數(shù)值的主流做法是將其轉(zhuǎn)化為分類和回歸問題。但這類做法不能有效融合了質(zhì)量等級的相關(guān)信息。在本文中，我們通過修改了rankingSVM學(xué)習(xí)排序模型的目標(biāo)函數(shù)，在能獲得正確的排序的同時(shí)，相同圖片間的排序值差距也更小，這對獲得穩(wěn)定分?jǐn)?shù)評估具有重要作用。然后基于排序值的分布，提出高