图像处理一直以来都是深度学习的重点研究方向之一,目前已经可以通过构造不同的神经网络结构来完成图像识别、超分辨率图像重建、图像翻译等任务,但在字体风格迁移,特别是汉字字体风格迁移方面的研究还相对较少。不同于英文字符,汉字字体结构复杂且数量众多,在官方给出的GB18030数据集中一共有27533个汉字,常用的汉字也多达3000余个。作为世界上使用人口最多的文字,汉字在世界各地广为流传,并且对韩语、日语的字体形态产生了一定影响,因此研究汉字风格迁移具有重要意义。首先,本文对比分析了经典的风格迁移网络:Pix2pix网络和循环一致生成式对抗网络。在相同实验条件下发现,虽然两个网络都能完成宋体向书法字体的转换,但Pix2pix网络需要成对的数据集来进行训练,这在实际生活中很难获得,因此本文选取循环一致生成式对抗网络作为基础模型。然后,本文在循环一致生成式对抗网络基础上进行了改进。主要改进内容包括:第一,借鉴2018年CHub中提出的Wasserstein-CycleGAN网络,引入Wasserstein距离代替KL散度来衡量生成分布和真实分布之间的距离,解决了网络在训练过程中出现的梯度消失问题。第二,添加感知风格损失。使用预训练好的VGG-16网络作为感知风格损失网络,将生成图像和真实图像作为该网络的输入,计算它们在每层卷积层的特征值之差,以此作为网络的感知风格损失。最后,为验证本文所作的改进,在TensorFlow深度学习框架下搭建了循环一致生成式对抗网络和改进网络的模型,并自行建立了中文数据库进行训练。实验结果表明,虽然两个网络都能生成书法字体,但改进的网络生成图像质量更高,收敛速度更快。本文利用改进的生成式对抗网络实现了不同风格汉字字体的生成,解决了传统字库创建时间长、需要耗费大量人力财力的问题。为将生成的字体应用到实际生活中,本文首先利用Opencv开源视觉软件库对生成字体图像进行二值化处理。然后,使用Findcontours函数提取汉字轮廓,得到各像素点的坐标,并按笔画存储在不同的路径中。最后,对用于汉字书写的机械臂进行运动学分析,将各像素点坐标转换成各关节转角,并通过Visusal Studio平台调用机械臂控制器端口,将各关节转角作为控制器的输入,控制机械臂实现汉字书写。