手繪圖像相似度計算及評價模型研究.pdf

1、伴隨著繪畫教育軟件的普及，對用戶作品進行智能評價，有助于引導(dǎo)和督促用戶自我學(xué)習(xí)，增強產(chǎn)品的用戶黏性。對手繪圖像作品進行質(zhì)量評價的關(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，且粗細不一等特點，特征抽取需要能夠捕捉有臨摹圖的關(guān)鍵特點，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)量評價進行深入研究，提出了基于方向梯度直方圖的多尺度特征抽取和改進rankingSV

2、M學(xué)習(xí)的臨摹圖質(zhì)量評價算法。具體工作包括:
　　(1)設(shè)計了一種多尺度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特征的詞袋模型，而這些局部特征點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，從粗細粒度層面捕捉線條臨摹圖的形狀特征。實驗證明，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。
　　(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)排序模型的目標函數(shù)，在能獲得正確的排序的同時，相同圖片間的排序值差距也更小，這對獲得穩(wěn)定分數(shù)評估具有重要作用。然后基于排序值的分布，提出高