(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210892616.9 (22)申请日 2022.07.27 (71)申请人 上海应用技 术大学 地址 200235 上海市徐汇区漕宝路120 -121 号 (72)发明人 王瑞霞　林涛　陈彪　师与　 张亚博　姜楠　 (74)专利代理 机构 上海汉声知识产权代理有限 公司 3123 6 专利代理师 胡晶 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/40(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) (54)发明名称 一种基于构图特征辅助的绘画作品风格分 类方法 (57)摘要 本发明涉及数字图像处理、 计算机视觉领 域， 具体涉及一种基于构图特征辅助的绘画作品 风格分类方法。 所述绘画作品风格 分类方法对样 本图像数据进行分类和标注， 划分风格类别； 构 建构图特征辅助的多层级特征融合双网络结构 体系； 建立风格特征分类器， 从而实现对于绘画 作品的风格分类预测。 本发明无需实时人工对绘 画作品进行风格判断和标记就能够获得符合艺 术风格分类的预测。 并且， 本发明所使用的分类 方法具有预测速度快、 执 行可行性强等优点。 权利要求书1页 说明书4页 附图2页 CN 115147663 A 2022.10.04 CN 115147663 A 1.一种基于构图特 征辅助的绘画作品风格分类方法， 其特 征在于， 步骤 包括： 对样本图像数据进行分类和标注， 划分风格 类别； 构建构图特 征辅助的多层级特 征融合双网络结构体系； 建立风格特征分类器； 将绘画作品图像上传到风格特 征分类器中， 按照已有风格分类标签进行图像分类。 2.根据权利要求1所述的绘画作品风格分类方法， 其特征在于， 所述构建构图特征辅助 的多层级特 征融合双网络结构体系， 步骤 包括： 对样本图像进行 预处理； 将处理后的样本图像输入双网络结构体系中进行 学习训练； 通过自适应调整权 重的方式进行 特征融合。 3.根据权利要求2所述的绘画作品风格分类方法， 其特征在于， 所述对样本图像进行预 处理， 步骤包括： 对样本图像进行显著性特 征检测处 理， 得到具有显著性特 征的样本图像特 征图； 将样本图像以及显著性特 征图像进行同比例缩放裁切。 4.根据权利要求2所述的绘画作品风格分类方法， 其特征在于， 所述双网络结构体系 包 括非结构性特 征提取网络结构和构图特 征提取网络结构。 5.根据权利要求4所述的绘画作品风格分类方法， 其特征在于， 所述非结构性特征提取 网络结构， 具体用于提取样本图像浅层 细节特征以及深层语义 性特征， 步骤包括： 通过深度神经网络获取样本图像 语义性特征信息； 将深层级的语义 性注意力特 征图引入浅层级特 征， 获取冗余度较低的浅层特 征信息； 将混合层次所对应的多尺寸特 征图通过 特殊卷积的方式， 逐层进行 特征融合； 得到样本图像的非结构性特 征信息。 6.根据权利要求4所述的绘画作品风格分类方法， 其特征在于， 所述构图特征提取网络 结构， 具体用于样本图像的构图特 征提取， 步骤 包括： 将样本图像的显著特 征图通过 轻量化网络结构， 非线性映射样本图像信息； 确定构图方法及其对应的池化方式， 分区提取 特征， 获取样本图像构图信息 。 7.根据权利要求6所述的绘画作品风格分类方法， 其特征在于， 所述构图方法包括中心 构图法、 对称构图法、 三分构图法和对角线构图法。 8.根据权利要求2所述的绘画作品风格分类方法， 其特征在于， 所述通过自适应调 整权 重的方式进行 特征融合， 步骤 包括： 提取样本图像通过双网络结构体系获取的两类特 征； 将特征的最大值、 最小值以及平均值， 通过非线性变化， 产生对应层级特征图进行特征 融合时的权 重值； 进行混合特 征的自适应融合。 9.根据权利要求8所述的绘画作品风格分类方法， 其特征在于， 所述两类特征包括语义 特征和构图特 征。 10.根据权利要求1所述的绘画作品风格分类方法， 其特征在于， 所述建立风格特征分 类器， 具体是将融合后的特 征通过特殊映射建立的。权　利　要　求　书 1/1 页 2 CN 115147663 A 2一种基于构图特征辅助的绘 画作品风格分类方 法 技术领域 [0001]本发明涉及数字图像处理、 计算机视觉领域， 具体涉及一种基于构图特征辅助的 绘画作品风格分类方法。 背景技术 [0002]数字化技术的发展与广泛应用， 使得更多的绘画作品实现数字化。 面对庞大的数 字化图像资源， 仅依靠艺术家对其进行分类是远远不够的， 如何对于绘画作品有效分类以 便于研究者或大众群体更好的了解画作， 成为了亟待解决的问题。 而传统的图像分类方法 并没有将绘画艺术风格的相关特性纳 入到考虑范围之内。 深度网络结构在各种视觉识别领 域中展现了巨大 的潜力， 将深度学习与绘画作品分类联系在一起， 通过针对于不同风格作 者的笔触特 征， 画作颜色信息， 图像构图等多方面特 征， 设计卷积神经网络模型对其分类。 [0003]绘画作品风格分类属于属性分类， 同种属性分类还包括题材， 年代等信息。 绘画作 品的属性分类作为研究绘画作品的基本研究内容， 为后续的绘画作品理解以及审美评价 奠 定了一定的基础。 目前， 计算机辅助绘画作品分类领域已取得了一些阶段性的成果， 较显著 的成果为图像风格迁移方向， 在人类审美的基础之上， 归纳总结绘画作品的风格评价标准， 对于数据进 行训练学习， 以提高风格识别的准确性。 作为机器学习， 艺术学和心理学的多交 叉学科， 充满了巨大的挑战。 [0004]当前的绘画作品分类模型多数依赖于最终高度语义化的图像信息特征， 而浅层图 像特征存在特征丢失现象。 融合多层特征的特征金字塔结构是一种较为 典型的特征融合模 型， 在目标检测， 显著性检测领域都取得了较好的成效。 但是针对于绘画作品分类 问题， 无 法兼顾全局特征以及局部细节问题， 尤其是针对于图像风格的特殊纹理， 色彩， 构图等多方 面特征。 多 数深度学习训练网络采取单一网络架构提取特征， 或主要针对某一特征， 如笔触 特征进行特征提取以及训练。 而针对于构图风格特征分析 的方式较少， 且经过深度学习提 取的特征中， 构图以及位置信息被丢失； 就特征的融合方式而言， 简单的融合方式会导致特 征冗余， 无法突出主 要特征等缺点。 发明内容 [0005]为了解决上述技术问题， 本发明的目的在于提供一种基于构图特征辅助的绘画作 品风格分类方法， 具体的， 步骤 包括： [0006]对样本图像数据进行分类和标注， 划分风格 类别； [0007]构建构图特 征辅助的多层级特 征融合双网络结构体系； [0008]建立风格特征分类器； [0009]将绘画作品图像上传到风格特征分类器中， 按照已有风格分类标签进行图像分 类。 [0010]进一步的， 构建构图特 征辅助的多层级特 征融合双网络结构体系， 步骤 包括： [0011]对样本图像进行 预处理；说　明　书 1/4 页 3 CN 115147663 A 3