CN117036548A - 图形处理方法、装置、计算机设备和认知能力评估装置 - Google Patents
图形处理方法、装置、计算机设备和认知能力评估装置 Download PDFInfo
- Publication number
- CN117036548A CN117036548A CN202311016110.2A CN202311016110A CN117036548A CN 117036548 A CN117036548 A CN 117036548A CN 202311016110 A CN202311016110 A CN 202311016110A CN 117036548 A CN117036548 A CN 117036548A
- Authority
- CN
- China
- Prior art keywords
- graph
- graphic
- target
- evaluation score
- evaluation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 181
- 238000012545 processing Methods 0.000 title claims abstract description 30
- 230000003930 cognitive ability Effects 0.000 title claims abstract description 15
- 238000003672 processing method Methods 0.000 title abstract description 19
- 238000013210 evaluation model Methods 0.000 claims abstract description 75
- 238000000034 method Methods 0.000 claims abstract description 44
- 238000012549 training Methods 0.000 claims description 89
- 238000013527 convolutional neural network Methods 0.000 claims description 52
- 238000004590 computer program Methods 0.000 claims description 42
- 238000007781 pre-processing Methods 0.000 claims description 14
- 230000004044 response Effects 0.000 claims description 10
- 238000010586 diagram Methods 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000013441 quality evaluation Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 208000028698 Cognitive impairment Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 208000010877 cognitive disease Diseases 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010422 painting Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/80—Creating or modifying a manually drawn or painted image using a manual input device, e.g. mouse, light pen, direction keys on keyboard
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种图形处理方法、装置、设备、存储介质和认知能力评估装置。所述方法包括：获取目标对象基于参考图形所绘制的绘制图形，并根据绘制图形的绘制操作类型，获取与参考图形对应的目标图形，这样就可以获取绘制图形的绘制图形特征，以及目标图形的目标图形特征，将绘制图形特征和目标图形特征输入图形评估模型中，得到图形评估模型输出的第一评估分数。采用本方法能够根据第一评估分数精确评估绘制图形和目标图形间的相似程度，由于目标图形和参考图形通常是对称关系，故基于第一评估分数就能确定出绘制图形和参考图形间的对称程度，从而精确评估对称图形的绘制质量，基于所述第一评估分数评估所述绘制图形所表征的认知能力。
Description
技术领域
本申请涉及医疗健康技术领域，特别是涉及一种图形处理方法、装置、设备、存储介质和认知能力评估装置。
背景技术
目前，评估认知能力的方式仍多采用纸质问卷调查，并根据收集到的调查结果评价被测试人的认知能力，此评估过程一方面需要设置专业的测试问题和评估人员，需要付出较多时间和精力，另一方面被测试人对于设置了较多问题的文字问卷等调查方式容易有厌倦心理，同时评估人员也存在一定的主观性，导致对被测试人的认知能力的评价效率和准确性都不高。
因此，现有技术缺少一种评价效率较高且准确性较高的方法。
发明内容
基于此，有必要针对上述技术问题，提供一种评价效率较高且准确性较高的绘制质量的图形处理方法、装置、计算机设备、计算机可读存储介质和认知能力评估装置。
第一方面，本申请提供了一种图形处理方法。所述方法包括：
获取目标对象基于参考图形所绘制的绘制图形；
根据绘制图形的绘制操作类型，获取与参考图形对应的目标图形；
获取绘制图形的绘制图形特征，以及目标图形的目标图形特征；
将绘制图形特征和目标图形特征输入图形评估模型中，得到图形评估模型输出的第一评估分数；第一评估分数用于表征绘制图形和目标图形间的相似程度。
在其中一个实施例中，获取目标对象基于参考图形所绘制的绘制图形，包括：
获取轴对称图形，并确定轴对称图形的对称轴；
基于对称轴，对轴对称图形进行单侧截取，获得参考图形；
响应于目标对象基于参考图形的对称绘制操作，获得绘制图形。
在其中一个实施例中，根据绘制图形的绘制操作类型，获取与参考图形对应的目标图形，包括：
在绘制操作类型为对称绘制操作的情况下，基于轴对称图形进行单侧截取后所剩下的图形，获取目标图形。
在其中一个实施例中，获取绘制图形的绘制图形特征，以及目标图形的目标图形特征，包括：
采用Resnet50卷积神经网络分别对绘制图形和目标图形进行特征识别，得到绘制图形特征和目标图形特征。
在其中一个实施例中，图形评估模型的获取方式，包括：
获取训练集；训练集包括多个训练样本，每一个训练样本包括两个样本图形和相应的评估分数标签，评估分数标签用于表征相应的两个样本图形间的相似程度；
将一个训练样本中的两个样本图形输入待训练的卷积神经网络，得到待训练的卷积神经网络输出的评估分数预测值；
根据评估分数预测值和相应的评估分数标签，计算得到损失值；
根据损失值调整待训练的卷积神经网络的网络参数，以完成一次模型训练，通过进行多次模型训练，获得图形评估模型。
在其中一个实施例中，根据评估分数预测值和相应的评估分数标签，计算得到损失值，包括：
获取评估分数预测值相对于相应的评估分数标签的预测偏差；
在预测偏差不大于偏差阈值的情况下，采用平方误差计算得到损失值；
在预测偏差大于偏差阈值的情况下，采用线性误差计算得到损失值。
在其中一个实施例中，获取训练集，包括：
获取两个样本图形，确定两个样本图形间的图形相似度；
根据图形相似度，获取与两个样本图形对应的评估分数标签；分别获取两个样本图形的图形特征，得到两个样本图形特征；
根据两个样本图形特征和评估分数标签，获得一个训练样本；
基于多个训练样本，得到训练集。
在其中一个实施例中，方法还包括：
根据参考图形对绘制图形进行预处理，得到输入图形；预处理包括翻转、旋转及缩放中的至少一种；
获取输入图形的输入图形特征，以及参考图形的参考图形特征；
将输入图形特征和参考图形特征输入图形评估模型中，得到图形评估模型输出的第二评估分数；第二评估分数用于表征输入图形和参考图形间的相似程度。
在其中一个实施例中，方法还包括：
根据第一评估分数和第二评估分数，获取第三评估分数；第三评估分数用于表征绘制图形和目标图形间的相似程度，以及输入图形和参考图形间的相似程度。
第二方面，本申请还提供了一种图形处理装置。所述装置包括：
第一获取模块，用于获取目标对象基于参考图形所绘制的绘制图形；
第二获取模块，用于根据绘制图形的绘制操作类型，获取与参考图形对应的目标图形；
第一处理模块，用于获取绘制图形的绘制图形特征，以及目标图形的目标图形特征；
第二处理模块，用于将绘制图形特征和目标图形特征输入图形评估模型中，得到图形评估模型输出的第一评估分数；第一评估分数用于表征绘制图形和目标图形间的相似程度。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取目标对象基于参考图形所绘制的绘制图形；
根据绘制图形的绘制操作类型，获取与参考图形对应的目标图形；
获取绘制图形的绘制图形特征，以及目标图形的目标图形特征；
将绘制图形特征和目标图形特征输入图形评估模型中，得到图形评估模型输出的第一评估分数；第一评估分数用于表征绘制图形和目标图形间的相似程度。
第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取目标对象基于参考图形所绘制的绘制图形；
根据绘制图形的绘制操作类型，获取与参考图形对应的目标图形；
获取绘制图形的绘制图形特征，以及目标图形的目标图形特征；
将绘制图形特征和目标图形特征输入图形评估模型中，得到图形评估模型输出的第一评估分数；第一评估分数用于表征绘制图形和目标图形间的相似程度。
第五方面，本申请还提供了一种认知能力评估装置。所述认知能力评估装置，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取目标对象基于参考图形所绘制的绘制图形；
根据绘制图形的绘制操作类型，获取与参考图形对应的目标图形；
获取绘制图形的绘制图形特征，以及目标图形的目标图形特征；
将绘制图形特征和目标图形特征输入图形评估模型中，得到图形评估模型输出的第一评估分数；第一评估分数用于表征绘制图形和目标图形间的相似程度。
上述图形处理方法、装置、计算机设备、存储介质和认知能力评估装置，获取目标对象基于参考图形所绘制的绘制图形，并根据绘制图形的绘制操作类型，获取与参考图形对应的目标图形，这样就可以获取绘制图形的绘制图形特征，以及目标图形的目标图形特征，将绘制图形特征和目标图形特征输入图形评估模型中，得到图形评估模型输出的第一评估分数。根据第一评估分数能够精确评估绘制图形和目标图形间的相似程度，由于目标图形和参考图形通常是对称关系，故基于第一评估分数就能确定出绘制图形和参考图形间的对称程度，从而精确评估对称图形的绘制质量。前述方案的自动化程度较高，且对于被测试人员而言具有一定趣味性，具有较为容易引导实施和便于大规模推广的优点，同时，由于基于统一的模型标准客观的评价绘制质量，对绘制质量的评价不依赖评估人员的主观意见，能够保证评价绘制质量的准确性。
附图说明
图1为一个实施例中图形处理方法的应用环境图；
图2为一个实施例中图形处理方法的流程示意图；
图3为一个实施例中图形处理方法的效果示意图；
图4为一个实施例中参考图形示意图；
图5为一个实施例中绘制图形和参考图形示意图；
图6为一个实施例中卷积神经网络结构示意图；
图7为一个实施例中图形评估算法模型示意图；
图8为一个实施例中图形处理装置的结构框图；
图9为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
画对称图形、临摹绘制或者比例绘制可以很好的评估认知障碍人群在手眼协调(线条是否笔直，弯曲度是否正常)、空间感知(对称图形的的大小)、空间想象(对称图形的空间翻转)等方面的能力。但医疗健康评价领域目前缺少一种能客观评估患者所画的对称图形的质量好坏的方法，基本上只能由评估人员(例如医生或康复师)进行主观判断，而不同的医生/康复师，其评估的方法不同，判断的标准不同，结果也不同。
在一些实施例中，对于图形相似度的比较运用了模板匹配法，模板匹配法是一种简单的图像识别技术，它使用预定义的模板在输入图像中寻找相似的区域。通过计算模板与图像区域之间的相似度，可以识别和定位目标对象。模板匹配通常用于简单的对象识别任务，这是因为模板匹配法对旋转、缩放和照明变化等图像变换不具有很好的鲁棒性。此外，如果需要识别的对象具有多种形状和姿态，可能需要创建多个模板。并且，随着模板数量的增加，模板匹配法的计算时间可能会增加，因此主要用于简单的图像识别任务，例如字符识别、标志检测等。
在另一些实施例中，则采用了卷积神经网络的方法来解决图形相似度的比较，并给出相似度的分数，通过训练可以自动学习特征表示。卷积神经网络的方法包含多个卷积层和池化层，这些层可以从原始图像中提取不同级别的特征。卷积神经网络的方法可以应用于复杂的图像识别、分类和生成任务。随着模板数量的增加，模板匹配方式的计算时间可能会增加，而卷积神经网络模型具备抽取图片特征信息的能力，把图片变成有意义的向量，对于新的图片也有识别的作用。
在一个实施例中，如图1所示，提供了一种图形处理方法，本实施例以该方法应用于计算机设备进行举例说明，可以理解的是，该计算机设备具体可以是如图1所示的应用环境中的终端102或服务器104。终端102用于向目标对象展示参考图像，以及采集目标对象基于参考图形所绘制的绘制图形。终端102通过网络与服务器104进行通信。数据存储***可以存储服务器104需要处理的数据。数据存储***可以集成在服务器104上，也可以放在云上或其他网络服务器上。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种图形处理方法，以该方法应用于图1中的终端102为例进行说明，包括以下步骤：
步骤202，获取目标对象基于参考图形所绘制的绘制图形。
其中，目标对象是指需要进行手眼协调、空间感知和空间想象等能力评估的人员。
可选的，终端从图形库中选取参考图形并进行显示，指引目标对象查看参考图形，并基于参考图形绘画出绘制图形。目标对象可以直接使用终端上的绘图工具进行绘画，绘画完成后，终端直接获取到绘制图形；也可以采用纸笔进行绘画，绘画完成后，使用终端的摄像功能拍摄绘制图形的图像，通过计算机视觉获取绘制图形。
步骤204，根据绘制图形的绘制操作类型，获取与参考图形对应的目标图形。
其中，绘制操作类型包括但不限于对称绘制操作、临摹绘制操作和比例绘制操作。
可选的，终端获取到绘制图形后，根据目标对象选择的绘制操作类型，对参考图形进行处理，处理方式包括但不限于翻转、旋转、缩小和放大，从而得到适合与绘制图形进行相似度对比的图形。例如，在目标对象选择对称绘制操作的情况下，终端会获取与参考图形轴对称的图形作为目标图形；在目标对象选择临摹绘制操作的情况下，终端会直接将参考图形作为目标图形；在目标对象选择比例绘制操作的情况下，终端会直接将参考图形放大或者缩小一定比例作为目标图形。
步骤206，获取绘制图形的绘制图形特征，以及目标图形的目标图形特征。
可选的，终端获取到绘制图形，以及适合与绘制图形进行相似度对比的目标图形之后，对绘制图形进行图像识别得到绘制图形特征，以及对目标图形进行图像识别得到目标图形特征。
在一个可行的实施方式中，采用Resnet50卷积神经网络分别对绘制图形和目标图形进行特征识别，得到绘制图形特征和目标图形特征。
步骤208，将绘制图形特征和目标图形特征输入图形评估模型中，得到图形评估模型输出的第一评估分数；第一评估分数用于表征绘制图形和目标图形间的相似程度。
其中，图形评估模型是采用训练集对卷积神经网络进行训练得到，训练完成后得到的图形评估模型能够比较输入的两个图形特征，比较两个图形特征的相似程度，根据相似程度输出评估分数，例如，两个图形特征的相似程度越高，输出的评估分数越高。
可选的，终端调用图形评估模型，将绘制图形特征和目标图形特征输入图形评估模型中，图形评估模型会比较两个图形特征之间的相似程度，然后根据相似程度输出的第一评估分数。这样，针对目标对象画出来的绘制图形，就有了明确的质量度量标准，目标对象或者目标对象的医护人员或亲属人员直接参考第一评估分数就能准确了解目标对象的绘制图形的质量，从而对目标对象进行手眼协调、空间感知和空间想象等能力评估。例如，如图3所示，将上下两组图形先后输入Resnet50卷积神经网络和图形评估模型中，得到每一组图形的第一评估分数，第一评估分数越大，说明一组图形中的两个图形相似度越高。
上述图形处理方法中，获取目标对象基于参考图形所绘制的绘制图形，并根据绘制图形的绘制操作类型，获取与参考图形对应的目标图形，这样就可以获取绘制图形的绘制图形特征，以及目标图形的目标图形特征，将绘制图形特征和目标图形特征输入图形评估模型中，得到图形评估模型输出的第一评估分数。根据第一评估分数能够精确评估绘制图形和目标图形间的相似程度，由于目标图形和参考图形通常是对称关系，故基于第一评估分数就能确定出绘制图形和参考图形间的对称程度，从而精确评估对称图形的绘制质量。本方案的自动化程度较高，且对于被测试人员而言具有一定趣味性，具有较为容易引导实施和便于大规模推广的优点，同时，由于基于统一的模型标准客观的评价绘制质量，对绘制质量的评价不依赖评估人员的主观意见，能够保证评价绘制质量的准确性。
在一个实施例中，获取目标对象基于参考图形所绘制的绘制图形，包括：获取轴对称图形，并确定轴对称图形的对称轴；基于对称轴，对轴对称图形进行单侧截取，获得参考图形；响应于目标对象基于参考图形的对称绘制操作，获得绘制图形。
进一步的，根据绘制图形的绘制操作类型，获取与参考图形对应的目标图形，包括：在绘制操作类型为对称绘制操作的情况下，基于轴对称图形进行单侧截取后所剩下的图形，获取目标图形。
其中，轴对称图形包括但不限于等腰三角形、正六边形、对角相同的星形和轴对称的不规则图形。
可选的，终端确定当前目标对象需要进行对称绘制操作的情况下，从轴对称图库中选取任一轴对称图形，根据轴对称图形的对称轴对轴对称图形进行单侧截取得到参考图形，将单侧截取后所剩下的图形作为目标图形，在终端上显示参考图形，引导目标对象画出与参考图形轴对称的另一侧图形。例如，如图4所示，终端可以分别对等腰三角形、正六边形、对角相同的星形和轴对称的不规则图形进行左侧截取，将左侧截取的图形作为参考图形，引导目标对象在参考图形右侧画出与参考图形轴对称的图形，同时将右侧截取的图形作为目标图形。
待目标对象基于参考图形完成对称绘制操作之后，终端获取绘制图形，如图5所示，图5的左侧相当于终端显示的参考图形，图5的右侧相当于目标对象绘画的绘制图形，图5的竖虚线相当于原轴对称图形的对称轴。
在一个可行的实施方式中，还可以将参考图形基于单侧截取前的对称轴进行翻转得到目标图形。
本实施例中，能够基于目标对象选择的绘制操作类型，从图库中获取相应图形，并自动生成参考图形和目标图形，参考图形用来指引目标对象画出绘制图形，目标图形用来评估绘制图形的绘画质量。
在一个实施例中，图形评估模型的获取方式，包括：获取两个样本图形，确定两个样本图形间的图形相似度；根据图形相似度，获取与两个样本图形对应的评估分数标签，评估分数标签用于表征相应的两个样本图形间的相似程度；分别获取两个样本图形的图形特征，得到两个样本图形特征；根据两个样本图形特征和评估分数标签，获得一个训练样本；基于多个训练样本，得到训练集。将一个训练样本中的两个样本图形输入待训练的卷积神经网络，得到待训练的卷积神经网络输出的评估分数预测值。获取评估分数预测值相对于相应的评估分数标签的预测偏差；在预测偏差不大于偏差阈值的情况下，采用平方误差计算得到损失值；在预测偏差大于偏差阈值的情况下，采用线性误差计算得到损失值。根据损失值调整待训练的卷积神经网络的网络参数，以完成一次模型训练，通过进行多次模型训练，获得图形评估模型。
其中，待训练的卷积神经网络可以选择参数共享的卷积神经网络，例如，可以采用如图6所示的网络结构，包括一个3层卷积神经网络和一个全连接层。
可选的，终端获取两个样本图形，并根据两个样本图形的图形相似度获取对应的评估分数标签，评估分数标签用于表征相应的两个样本图形间的相似程度。终端将两个样本图形分别输入Resnet50卷积神经网络中，得到两个样本图形特征，根据两个样本图形特征和评估分数标签，获得一个训练样本，基于多个训练样本，得到训练集。
进一步的，在图形评估模型的每一次训练过程中，终端从训练集中获取一个训练样本，将训练样本中的两个样本图形特征输入卷积神经网络中，卷积神经网络将2个样本图形特征相减，然后经过参数共享的神经网络层映射成一个评估分数预测值，根据评估分数预测值和输入的两个样本图形特征对应的评估分数标签之间的预测偏差，计算损失值(Huber Loss)。损失值计算可以采用用于回归问题的带参损失函数，当预测偏差小于δ时，采用平方误差，当预测偏差大于δ时，采用的线性误差。Huber Loss定义公式如下：
相比于最小二乘的线性回归，Huber Loss降低了对离群点的惩罚程度，增强了平方误差损失函数(MSE,mean square error)对离群点的鲁棒性。
在一个可行的实施方式中，如图7所示，可以将Resnet50卷积神经网络与图形评估模型组合，将Resnet50卷积神经网络的输出端与图形评估模型的输入端连接，得到图形评估算法模型。这样，可以直接将绘制图形和目标图形输入图形评估算法模型中，得到图形评估算法模型输出的第一评估分数。图形评估算法模型中的第一部分是Resnet50卷积神经网络，输入绘制图形和目标图形后，Resnet50卷积神经网络会分别抽取图片的特征得到绘制图形特征image1 features和目标图形特征image2 features，然后将image1 features和image2 features直接送入图形评估算法模型中的第二部分，即图形评估模型，图形评估模型根据image1 features和image2 features输出第一评估分数。
本实施例中，采用图形评估模型进行图形相似度对比，任意两张都直接可以进行对比，提高了适用性，可以一定程度上按照人为偏好去控制模型打分的结果，在训练的时候评估分数标签是人工进行打分(训练时的人工打分尽量避免评估人员受环境打扰或心态变化而导致影响打分结果，可以是基于多人分别打分后取值，也可以是集中时段且环境平和场景下的单人打分)，模型最终的预测结果可以更加贴合人工打分，并且训练得到的图形评估模型，是直接处理的图形特征，没有直接处理图像，这样可以大大减少训练的参数，节约计算资源，提升计算速度。
在一个实施例中，方法还包括：根据参考图形对绘制图形进行预处理，得到输入图形；预处理包括翻转、旋转及缩放中的至少一种；获取输入图形的输入图形特征，以及参考图形的参考图形特征；将输入图形特征和参考图形特征输入图形评估模型中，得到图形评估模型输出的第二评估分数；第二评估分数用于表征输入图形和参考图形间的相似程度。
其中，缩放包括等比例缩小和等比例放大。
可选的，在目标对象进行对称绘制操作的情况下，终端获取到绘制图形后，还可以根据参考图形的对称轴对绘制图形进行翻转，得到适合与参考图形进行相似度对比的输入图形。终端对绘制图形预处理得到输入图形之后，对输入图形进行图像识别得到输入图形特征，以及对参考图形进行图像识别得到参考图形特征。终端调用图形评估模型，将输入图形特征和参考图形特征输入图形评估模型中，图形评估模型会比较两个图形特征之间的相似程度，然后根据相似程度输出的第二评估分数。
在一个可行的实施方式中，终端同时获取第一评估分数和第二评估分数，综合第一评估分数和第二评估分数得到第三评估分数，例如，可以计算第一评估分数和第二评估分数的平均值，得到第三评估分数，最后将第三评估分数作为最终评估目标对象相关能力的结果。
本实施例中，根据第二评估分数能够精确评估输入图形和参考图形间的相似程度，由于绘制图形和输入图形通常是对称关系，故基于第二评估分数就能确定出绘制图形和参考图形间的对称程度，从而精确评估对称图形的绘制质量。
在一个实施例中，一种图形评估模型的训练方法，包括：
获取两个样本图形，确定两个样本图形间的图形相似度；根据图形相似度，获取与两个样本图形对应的评估分数标签，评估分数标签用于表征相应的两个样本图形间的相似程度。采用Resnet50卷积神经网络分别获取两个样本图形的图形特征，得到两个样本图形特征；根据两个样本图形特征和评估分数标签，获得一个训练样本。基于多个训练样本，得到训练集。
将一个训练样本中的两个样本图形输入待训练的卷积神经网络，得到待训练的卷积神经网络输出的评估分数预测值。获取评估分数预测值相对于相应的评估分数标签的预测偏差；在预测偏差不大于偏差阈值的情况下，采用平方误差计算得到损失值；在预测偏差大于偏差阈值的情况下，采用线性误差计算得到损失值。根据损失值调整待训练的卷积神经网络的网络参数，以完成一次模型训练，通过进行多次模型训练，获得图形评估模型。
在一个实施例中，一种图形处理方法，包括：
获取轴对称图形，并确定轴对称图形的对称轴；基于对称轴，对轴对称图形进行单侧截取，获得参考图形；响应于目标对象基于参考图形的对称绘制操作，获得绘制图形。
在绘制操作类型为对称绘制操作的情况下，基于轴对称图形进行单侧截取后所剩下的图形，获取目标图形。目标图形也就是参考图形的轴对称图形。
采用Resnet50卷积神经网络分别对绘制图形和目标图形进行特征识别，得到绘制图形特征和目标图形特征。
将绘制图形特征和目标图形特征输入图形评估模型中，得到图形评估模型输出的第一评估分数；第一评估分数用于表征绘制图形和目标图形间的相似程度。
在另一个实施例中，一种图形处理方法，包括：
获取轴对称图形，并确定轴对称图形的对称轴；基于对称轴，对轴对称图形进行单侧截取，获得参考图形；响应于目标对象基于参考图形的对称绘制操作，获得绘制图形。
在绘制操作类型为对称绘制操作的情况下，根据参考图形对绘制图形进行翻转，得到输入图形。输入图形也就是绘制图形的轴对称图形。
采用Resnet50卷积神经网络分别对输入图形和参考图形进行特征识别，得到输入图形特征和参考图形特征。
将输入图形特征和参考图形特征输入图形评估模型中，得到图形评估模型输出的第二评估分数；第二评估分数用于表征输入图形和参考图形间的相似程度。
在第三个实施例中，一种图形处理方法，包括：
获取轴对称图形，并确定轴对称图形的对称轴；基于对称轴，对轴对称图形进行单侧截取，获得参考图形；响应于目标对象基于参考图形的对称绘制操作，获得绘制图形。
在绘制操作类型为对称绘制操作的情况下，基于轴对称图形进行单侧截取后所剩下的图形，获取目标图形，以及根据参考图形对绘制图形进行翻转，得到输入图形。此时，目标图形也就是参考图形的轴对称图形，输入图形也就是绘制图形的轴对称图形。
采用Resnet50卷积神经网络分别对绘制图形、目标图形、输入图形和参考图形进行特征识别，得到绘制图形特征、目标图形特征、输入图形特征和参考图形特征。
将绘制图形特征和目标图形特征输入图形评估模型中，得到图形评估模型输出的第一评估分数；第一评估分数用于表征绘制图形和目标图形间的相似程度。
将输入图形特征和参考图形特征输入图形评估模型中，得到图形评估模型输出的第二评估分数；第二评估分数用于表征输入图形和参考图形间的相似程度。
根据第一评估分数和第二评估分数，获取第三评估分数；第三评估分数用于表征绘制图形和参考图形间的对称程度。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的图形处理方法的图形处理装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个图形处理装置实施例中的具体限定可以参见上文中对于图形处理方法的限定，在此不再赘述。
在一个实施例中，如图8所示，提供了一种图形处理装置800，包括：第一获取模块801、第二获取模块802、第一处理模块803和第二处理模块804，其中：
第一获取模块801，用于获取目标对象基于参考图形所绘制的绘制图形；
第二获取模块802，用于根据绘制图形的绘制操作类型，获取与参考图形对应的目标图形；
第一处理模块803，用于获取绘制图形的绘制图形特征，以及目标图形的目标图形特征；
第二处理模块804，用于将绘制图形特征和目标图形特征输入图形评估模型中，得到图形评估模型输出的第一评估分数；第一评估分数用于表征绘制图形和目标图形间的相似程度。
在一个实施例中，第一获取模块801还用于获取轴对称图形，并确定轴对称图形的对称轴；基于对称轴，对轴对称图形进行单侧截取，获得参考图形；响应于目标对象基于参考图形的对称绘制操作，获得绘制图形。
在一个实施例中，第二获取模块802还用于在绘制操作类型为对称绘制操作的情况下，基于轴对称图形进行单侧截取后所剩下的图形，获取目标图形。
在一个实施例中，第一处理模块803还用于采用Resnet50卷积神经网络分别对绘制图形和目标图形进行特征识别，得到绘制图形特征和目标图形特征。
在一个实施例中，第二处理模块804还用于获取训练集；训练集包括多个训练样本，每一个训练样本包括两个样本图形和相应的评估分数标签，评估分数标签用于表征相应的两个样本图形间的相似程度；将一个训练样本中的两个样本图形输入待训练的卷积神经网络，得到待训练的卷积神经网络输出的评估分数预测值；根据评估分数预测值和相应的评估分数标签，计算得到损失值；根据损失值调整待训练的卷积神经网络的网络参数，以完成一次模型训练，通过进行多次模型训练，获得图形评估模型。
在一个实施例中，第二处理模块804还用于获取评估分数预测值相对于相应的评估分数标签的预测偏差；在预测偏差不大于偏差阈值的情况下，采用平方误差计算得到损失值；在预测偏差大于偏差阈值的情况下，采用线性误差计算得到损失值。
在一个实施例中，第二处理模块804还用于获取两个样本图形，确定两个样本图形间的图形相似度；根据图形相似度，获取与两个样本图形对应的评估分数标签；分别获取两个样本图形的图形特征，得到两个样本图形特征；根据两个样本图形特征和评估分数标签，获得一个训练样本；基于多个训练样本，得到训练集。
在一个实施例中，第二获取模块802还用于根据参考图形对绘制图形进行预处理，得到输入图形；预处理包括翻转、旋转及缩放中的至少一种。
第一处理模块803还用于获取输入图形的输入图形特征，以及参考图形的参考图形特征。
第二处理模块804还用于将输入图形特征和参考图形特征输入图形评估模型中，得到图形评估模型输出的第二评估分数；第二评估分数用于表征输入图形和参考图形间的相似程度。
在一个实施例中，第二处理模块804还用于根据第一评估分数和第二评估分数，获取第三评估分数；第三评估分数用于表征绘制图形和目标图形间的相似程度，以及输入图形和参考图形间的相似程度。
上述图形处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图9所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中，处理器、存储器和输入/输出接口通过***总线连接，通信接口、显示单元和输入装置通过输入/输出接口连接到***总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种图形处理方法。该计算机设备的显示单元用于形成视觉可见的画面，可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取目标对象基于参考图形所绘制的绘制图形；根据绘制图形的绘制操作类型，获取与参考图形对应的目标图形；获取绘制图形的绘制图形特征，以及目标图形的目标图形特征；将绘制图形特征和目标图形特征输入图形评估模型中，得到图形评估模型输出的第一评估分数；第一评估分数用于表征绘制图形和目标图形间的相似程度。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取轴对称图形，并确定轴对称图形的对称轴；基于对称轴，对轴对称图形进行单侧截取，获得参考图形；响应于目标对象基于参考图形的对称绘制操作，获得绘制图形。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：在绘制操作类型为对称绘制操作的情况下，基于轴对称图形进行单侧截取后所剩下的图形，获取目标图形。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：采用Resnet50卷积神经网络分别对绘制图形和目标图形进行特征识别，得到绘制图形特征和目标图形特征。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取训练集；训练集包括多个训练样本，每一个训练样本包括两个样本图形和相应的评估分数标签，评估分数标签用于表征相应的两个样本图形间的相似程度；将一个训练样本中的两个样本图形输入待训练的卷积神经网络，得到待训练的卷积神经网络输出的评估分数预测值；根据评估分数预测值和相应的评估分数标签，计算得到损失值；根据损失值调整待训练的卷积神经网络的网络参数，以完成一次模型训练，通过进行多次模型训练，获得图形评估模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取评估分数预测值相对于相应的评估分数标签的预测偏差；在预测偏差不大于偏差阈值的情况下，采用平方误差计算得到损失值；在预测偏差大于偏差阈值的情况下，采用线性误差计算得到损失值。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取两个样本图形，确定两个样本图形间的图形相似度；根据图形相似度，获取与两个样本图形对应的评估分数标签；分别获取两个样本图形的图形特征，得到两个样本图形特征；根据两个样本图形特征和评估分数标签，获得一个训练样本；基于多个训练样本，得到训练集。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据参考图形对绘制图形进行预处理，得到输入图形；预处理包括翻转、旋转及缩放中的至少一种；获取输入图形的输入图形特征，以及参考图形的参考图形特征；将输入图形特征和参考图形特征输入图形评估模型中，得到图形评估模型输出的第二评估分数；第二评估分数用于表征输入图形和参考图形间的相似程度。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据第一评估分数和第二评估分数，获取第三评估分数；第三评估分数用于表征绘制图形和目标图形间的相似程度，以及输入图形和参考图形间的相似程度。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取目标对象基于参考图形所绘制的绘制图形；根据绘制图形的绘制操作类型，获取与参考图形对应的目标图形；获取绘制图形的绘制图形特征，以及目标图形的目标图形特征；将绘制图形特征和目标图形特征输入图形评估模型中，得到图形评估模型输出的第一评估分数；第一评估分数用于表征绘制图形和目标图形间的相似程度。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取轴对称图形，并确定轴对称图形的对称轴；基于对称轴，对轴对称图形进行单侧截取，获得参考图形；响应于目标对象基于参考图形的对称绘制操作，获得绘制图形。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：在绘制操作类型为对称绘制操作的情况下，基于轴对称图形进行单侧截取后所剩下的图形，获取目标图形。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：采用Resnet50卷积神经网络分别对绘制图形和目标图形进行特征识别，得到绘制图形特征和目标图形特征。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取训练集；训练集包括多个训练样本，每一个训练样本包括两个样本图形和相应的评估分数标签，评估分数标签用于表征相应的两个样本图形间的相似程度；将一个训练样本中的两个样本图形输入待训练的卷积神经网络，得到待训练的卷积神经网络输出的评估分数预测值；根据评估分数预测值和相应的评估分数标签，计算得到损失值；根据损失值调整待训练的卷积神经网络的网络参数，以完成一次模型训练，通过进行多次模型训练，获得图形评估模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取评估分数预测值相对于相应的评估分数标签的预测偏差；在预测偏差不大于偏差阈值的情况下，采用平方误差计算得到损失值；在预测偏差大于偏差阈值的情况下，采用线性误差计算得到损失值。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取两个样本图形，确定两个样本图形间的图形相似度；根据图形相似度，获取与两个样本图形对应的评估分数标签；分别获取两个样本图形的图形特征，得到两个样本图形特征；根据两个样本图形特征和评估分数标签，获得一个训练样本；基于多个训练样本，得到训练集。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据参考图形对绘制图形进行预处理，得到输入图形；预处理包括翻转、旋转及缩放中的至少一种；获取输入图形的输入图形特征，以及参考图形的参考图形特征；将输入图形特征和参考图形特征输入图形评估模型中，得到图形评估模型输出的第二评估分数；第二评估分数用于表征输入图形和参考图形间的相似程度。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据第一评估分数和第二评估分数，获取第三评估分数；第三评估分数用于表征绘制图形和目标图形间的相似程度，以及输入图形和参考图形间的相似程度。
在一个实施例中，提供了一种认知能力评估装置，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：获取目标对象基于参考图形所绘制的绘制图形；根据绘制图形的绘制操作类型，获取与参考图形对应的目标图形；获取绘制图形的绘制图形特征，以及目标图形的目标图形特征；将绘制图形特征和目标图形特征输入图形评估模型中，得到图形评估模型输出的第一评估分数；第一评估分数用于表征绘制图形和目标图形间的相似程度；基于所述第一评估分数评估所述绘制图形所表征的认知能力。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取轴对称图形，并确定轴对称图形的对称轴；基于对称轴，对轴对称图形进行单侧截取，获得参考图形；响应于目标对象基于参考图形的对称绘制操作，获得绘制图形。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：在绘制操作类型为对称绘制操作的情况下，基于轴对称图形进行单侧截取后所剩下的图形，获取目标图形。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：采用Resnet50卷积神经网络分别对绘制图形和目标图形进行特征识别，得到绘制图形特征和目标图形特征。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取训练集；训练集包括多个训练样本，每一个训练样本包括两个样本图形和相应的评估分数标签，评估分数标签用于表征相应的两个样本图形间的相似程度；将一个训练样本中的两个样本图形输入待训练的卷积神经网络，得到待训练的卷积神经网络输出的评估分数预测值；根据评估分数预测值和相应的评估分数标签，计算得到损失值；根据损失值调整待训练的卷积神经网络的网络参数，以完成一次模型训练，通过进行多次模型训练，获得图形评估模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取评估分数预测值相对于相应的评估分数标签的预测偏差；在预测偏差不大于偏差阈值的情况下，采用平方误差计算得到损失值；在预测偏差大于偏差阈值的情况下，采用线性误差计算得到损失值。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取两个样本图形，确定两个样本图形间的图形相似度；根据图形相似度，获取与两个样本图形对应的评估分数标签；分别获取两个样本图形的图形特征，得到两个样本图形特征；根据两个样本图形特征和评估分数标签，获得一个训练样本；基于多个训练样本，得到训练集。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据参考图形对绘制图形进行预处理，得到输入图形；预处理包括翻转、旋转及缩放中的至少一种；获取输入图形的输入图形特征，以及参考图形的参考图形特征；将输入图形特征和参考图形特征输入图形评估模型中，得到图形评估模型输出的第二评估分数；第二评估分数用于表征输入图形和参考图形间的相似程度。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据第一评估分数和第二评估分数，获取第三评估分数；第三评估分数用于表征绘制图形和目标图形间的相似程度，以及输入图形和参考图形间的相似程度。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (13)
1.一种图形处理方法，其特征在于，所述方法包括：
获取目标对象基于参考图形所绘制的绘制图形；
根据所述绘制图形的绘制操作类型，获取与所述参考图形对应的目标图形；
获取所述绘制图形的绘制图形特征，以及所述目标图形的目标图形特征；
将所述绘制图形特征和所述目标图形特征输入图形评估模型中，得到所述图形评估模型输出的第一评估分数；所述第一评估分数用于表征所述绘制图形和所述目标图形间的相似程度。
2.根据权利要求1所述的方法，其特征在于，所述获取目标对象基于参考图形所绘制的绘制图形，包括：
获取轴对称图形，并确定所述轴对称图形的对称轴；
基于所述对称轴，对所述轴对称图形进行单侧截取，获得所述参考图形；
响应于所述目标对象基于所述参考图形的对称绘制操作，获得所述绘制图形。
3.根据权利要求2所述的方法，其特征在于，所述根据所述绘制图形的绘制操作类型，获取与所述参考图形对应的目标图形，包括：
在所述绘制操作类型为所述对称绘制操作的情况下，基于所述轴对称图形进行单侧截取后所剩下的图形，获取所述目标图形。
4.根据权利要求1所述的方法，其特征在于，所述获取所述绘制图形的绘制图形特征，以及所述目标图形的目标图形特征，包括：
采用Resnet50卷积神经网络分别对所述绘制图形和所述目标图形进行特征识别，得到所述绘制图形特征和所述目标图形特征。
5.根据权利要求1所述的方法，其特征在于，所述图形评估模型的获取方式，包括：
获取训练集；所述训练集包括多个训练样本，每一个训练样本包括两个样本图形和相应的评估分数标签，所述评估分数标签用于表征相应的两个样本图形间的相似程度；
将一个训练样本中的两个样本图形输入待训练的卷积神经网络，得到所述待训练的卷积神经网络输出的评估分数预测值；
根据所述评估分数预测值和相应的评估分数标签，计算得到损失值；
根据所述损失值调整所述待训练的卷积神经网络的网络参数，以完成一次模型训练，通过进行多次模型训练，获得所述图形评估模型。
6.根据权利要求5所述的方法，其特征在于，所述根据所述评估分数预测值和相应的评估分数标签，计算得到损失值，包括：
获取所述评估分数预测值相对于相应的评估分数标签的预测偏差；
在所述预测偏差不大于偏差阈值的情况下，采用平方误差计算得到所述损失值；
在所述预测偏差大于偏差阈值的情况下，采用线性误差计算得到所述损失值。
7.根据权利要求5所述的方法，其特征在于，所述获取训练集，包括：
获取两个样本图形，确定所述两个样本图形间的图形相似度；
根据所述图形相似度，获取与所述两个样本图形对应的评估分数标签；分别获取所述两个样本图形的图形特征，得到两个样本图形特征；
根据所述两个样本图形特征和所述评估分数标签，获得一个训练样本；
基于多个训练样本，得到所述训练集。
8.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据所述参考图形对所述绘制图形进行预处理，得到输入图形；所述预处理包括翻转、旋转及缩放中的至少一种；
获取所述输入图形的输入图形特征，以及所述参考图形的参考图形特征；
将所述输入图形特征和所述参考图形特征输入所述图形评估模型中，得到所述图形评估模型输出的第二评估分数；所述第二评估分数用于表征所述输入图形和所述参考图形间的相似程度。
9.根据权利要求8所述的方法，其特征在于，所述方法还包括：
根据所述第一评估分数和所述第二评估分数，获取第三评估分数；所述第三评估分数用于表征所述绘制图形和所述目标图形间的相似程度，以及所述输入图形和所述参考图形间的相似程度。
10.一种图形处理装置，其特征在于，所述装置包括：
第一获取模块，用于获取目标对象基于参考图形所绘制的绘制图形；
第二获取模块，用于根据所述绘制图形的绘制操作类型，获取与所述参考图形对应的目标图形；
第一处理模块，用于获取所述绘制图形的绘制图形特征，以及所述目标图形的目标图形特征；
第二处理模块，用于将所述绘制图形特征和所述目标图形特征输入图形评估模型中，得到所述图形评估模型输出的第一评估分数；所述第一评估分数用于表征所述绘制图形和所述目标图形间的相似程度。
11.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至9中任一项所述的方法的步骤。
12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至9中任一项所述的方法的步骤。
13.一种认知能力评估装置，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至9中任一项所述的方法的步骤，并基于所述第一评估分数评估所述绘制图形所表征的认知能力。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311016110.2A CN117036548A (zh) | 2023-08-11 | 2023-08-11 | 图形处理方法、装置、计算机设备和认知能力评估装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311016110.2A CN117036548A (zh) | 2023-08-11 | 2023-08-11 | 图形处理方法、装置、计算机设备和认知能力评估装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117036548A true CN117036548A (zh) | 2023-11-10 |
Family
ID=88644390
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311016110.2A Withdrawn CN117036548A (zh) | 2023-08-11 | 2023-08-11 | 图形处理方法、装置、计算机设备和认知能力评估装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117036548A (zh) |
-
2023
- 2023-08-11 CN CN202311016110.2A patent/CN117036548A/zh not_active Withdrawn
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Che et al. | How is gaze influenced by image transformations? dataset and model | |
| Pabba et al. | An intelligent system for monitoring students' engagement in large classroom teaching through facial expression recognition | |
| CN108537269B (zh) | 一种弱交互式的物体检测深度学习方法及其*** | |
| JP7341310B2 (ja) | 皮膚分析のための画像処理、皮膚分析を視覚化するためのシステム及び方法 | |
| CN108122234A (zh) | 卷积神经网络训练及视频处理方法、装置和电子设备 | |
| WO2021238548A1 (zh) | 区域识别方法、装置、设备及可读存储介质 | |
| CN113705297A (zh) | 检测模型的训练方法、装置、计算机设备和存储介质 | |
| CN111860484B (zh) | 一种区域标注方法、装置、设备及存储介质 | |
| CN112699857A (zh) | 基于人脸姿态的活体验证方法、装置及电子设备 | |
| Liang et al. | Fixation prediction for advertising images: Dataset and benchmark | |
| CN111832561A (zh) | 基于计算机视觉的字符序列识别方法、装置、设备和介质 | |
| Zhang | Innovation of English teaching model based on machine learning neural network and image super resolution | |
| CN114332927A (zh) | 课堂举手行为检测方法、***、计算机设备和存储介质 | |
| Xu et al. | Wayfinding design in transportation architecture–are saliency models or designer visual attention a good predictor of passenger visual attention? | |
| CN109816721A (zh) | 图像定位方法、装置、设备及存储介质 | |
| CN117037244A (zh) | 人脸安全检测方法、装置、计算机设备和存储介质 | |
| Yang et al. | Student Classroom Behavior Detection Based on YOLOv7+ BRA and Multi-model Fusion | |
| CN116704511A (zh) | 设备清单文字识别方法和装置 | |
| CN116229130A (zh) | 模糊图像的类型识别方法、装置、计算机设备和存储介质 | |
| CN110942056A (zh) | 服饰关键点定位方法、装置、电子设备及介质 | |
| Absetan et al. | Integration of deep learned and handcrafted features for image retargeting quality assessment | |
| CN117036548A (zh) | 图形处理方法、装置、计算机设备和认知能力评估装置 | |
| CN115660969A (zh) | 图像处理方法、模型训练方法、装置、设备和存储介质 | |
| KR20210144049A (ko) | 머신러닝 모델의 학습 데이터 생성과 머신러닝 모델을 이용한 유사 이미지 생성을 위한 장치, 방법, 시스템 및 컴퓨터 판독가능 저장 매체 | |
| Hei et al. | Detecting dynamic visual attention in augmented reality aided navigation environment based on a multi-feature integration fully convolutional network |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20231110 |