1.一种硬笔楷书临摹作品的笔画相似性评价方法，其特征在于，包括：获取原帖图像和临帖图像；

对原帖图像和临帖图像进行预处理，得到预处理后的原帖图像和临帖图像；

将预处理后的原帖图像和临帖图像进行细化，得到图像中所有笔画的骨架；

确定图像中笔画骨架的关键点；

将笔画按书写过程分为4个区域，利用预先训练的U型神经网络笔画分割模型对原帖与临帖笔画进行区域分割；

基于区域分割后的原帖与临帖中笔画的对应区域中的原帖图像的原始图像信息、临帖图像的原始图像信息及图像中笔画骨架的关键点进行比较，对临帖图像中笔画的相似性进行评价打分。

2.根据权利要求1所述的硬笔楷书临摹作品的笔画相似性评价方法，其特征在于，所述对原帖图像和临帖图像进行预处理为利用自适应阈值法及形态学方法对图像进行处理，包括：输入原帖与临帖图像，将原帖图像和临帖图像转化为灰度图像；

进行第一次二值化操作，消除灰度图像中的噪点；计算灰度图像中各像素点(x,y)在邻域r*r内的灰度均值m(x,y)与标准方差s(x,y)；

计算像素点(x,y)的像素值阈值t(x,y)；

若像素点(x,y)的像素值小于像素值阈值t(x,y)，则该像素点为目标像素点；若像素点(x,y)的像素值大于等于像素值阈值t(x,y)，则该像素点为背景像素点；

利用形态学方法，对灰度图像进行腐蚀操作，使得经过二值化后存在断裂的笔画重新连结成完整的图像；

根据轮廓定位腐蚀后的灰度图像中的字符区域，针对字符区域再一次进行二值化操作，得到原帖图像的二值化图像和临帖图像的二值化图像。

3.根据权利要求2所述的硬笔楷书临摹作品的笔画相似性评价方法，其特征在于，还包括：定位临帖图像的二值化图像中临摹笔画所在区域，保留临摹笔画所在区域，删除多余图像，得到临摹笔画图像；

基于原帖图像的二值化图像的尺寸，用白色像素点填充临摹笔画图像，使临摹笔画图像的尺寸与原帖图像的二值化图像的尺寸相同，得到预处理后的临帖图像。

4.根据权利要求1所述的硬笔楷书临摹作品的笔画相似性评价方法，其特征在于，所述得到图像中所有笔画的骨架，包括：遍历预处理后的原帖图像和临帖图像中所有笔画的笔画区域，利用Zhang‑Suen细化算法，对笔画区域中每一像素点，判断像素点8邻域内的像素点是否满足删除条件；若满足则删除满足删除条件的像素点，若不满足则保留；

循环删除判断，直到没有像素点满足删除条件，输出所有保留的像素点即为图像中所有笔画的骨架。

5.根据权利要求1所述的硬笔楷书临摹作品的笔画相似性评价方法，其特征在于，所述确定图像中笔画骨架的关键点，包括：采用Harris角点检测法对图像中笔画骨架进行检测，找到笔画骨架的角点；

使用K‑Means聚类算法对笔画骨架的角点进行聚类，得到笔画骨架角点的质心；

计算笔画骨架上所有点与各质心的欧式距离，将欧式距离最小的点作为笔画骨架的关键点。

6.根据权利要求1所述的硬笔楷书临摹作品的笔画相似性评价方法，其特征在于，所述将笔画按书写过程分为4个区域，包括：起笔域、平滑域、转折域、收笔域。

7.根据权利要求6所述的硬笔楷书临摹作品的笔画相似性评价方法，其特征在于，所述预先训练的U型神经网络笔画分割模型，通过以下步骤进行训练：构建U型神经网络，所述U型神经网络分为下采样与上采样两个部分，其中下采样部分引入倒残差结构，同时利用跳跃连接拼接不同层次的特征信息；

将原帖图像、临帖图像按标签“起笔域”、“平滑域”、“转折域”、“收笔域”制作成四类标签数据集，不同类别区域的评价打分所占权重不同；

将标签数据集按预设比例分为训练集和验证集，训练集分为若干组，分组进行训练；

将原帖图像、临帖图像与标签数据集输入U型神经网络，通过下采样部分的倒残差结构依次进行升维、深度可分离卷积、降维操作得到特征矩阵，经过四层下采样操作，得到四层不同维度的特征信息；其中，倒残差结构中的前两次卷积的结果作为输入代入非线性激活函数ReLU6，而倒残差结构中的最后一层卷积后使用线性激活函数；ReLU6函数的公式如下：；

式（1）中，为卷积后的输出，y为经激活函数调整后的输出；

将下采样得到的特征信息通过上采样进行解码，再将抽象特征恢复到原图尺寸的过程中逐渐实现分割，经过与下采样相同层数的上采样模块最终得到分割结果；

在下采样以及上采样的过程中，每一层下采样的输出需根据当前层数N做N‑1次上采样以实现后续的不同层次的特征融合；位于同一层的采样特征通过矩阵拼接实现特征融合；

矩阵拼接采用跳跃连接的方式，矩阵的跳跃路径可用以下公式表示：；

式（2）中， 表示下采样层中节点 的输出，表示下采样的层数且 ，表示跳跃路径中的卷积的序数，H()表示卷积操作以及激活函数，U()表示上采样，[]表示拼接操作； =0时该节点仅接受下采样层中来自上一层的输入， >0时该节点接受 个输入，包含一个下一层节点的上采样结果以及同一层中前个节点的跳跃连接；

引入深度监督机制，针对四个层次的特征，使用基于IOU的损失函数LovaszSoftmax量化预测值与真实值之间的差距，函数公式如下：；

式（3）中，代表分类数目，若 表示分割结果，表示标注符号，则分割任务的评价指标为：；

其损失函数表示为：

；

又类别的错误像素集为：

；

则 改写为：

；

式（7）中，为元素数量， 是子模函数，故其Lovasz扩展为：；

式（8）中,表示第 个类别， 为第 个类别的错误像素集， 表示 与的差值，其中 表示 的各个分量， 按降序排列；

按预设的训练批数及训练轮次进行训练，根据验证集的损失值表现自主调整权重，保存损失值最小的一组权重作为最终训练结果。

8.根据权利要求1所述的硬笔楷书临摹作品的笔画相似性评价方法，其特征在于，所述基于区域分割后的原帖与临帖中笔画的对应区域中的原帖图像的原始图像信息、临帖图像的原始图像信息及图像中笔画骨架的关键点进行比较，对临帖图像中笔画的相似性进行评价打分，包括：基于原帖图像、临帖图像的原始图像信息，根据长度、重心、宽和高、端点连线角度四个指标对笔画进行单项评分；

基于原帖图像、临帖图像中笔画骨架的关键点，根据斜率、曲率、夹角角度三个指标对笔画进行单项评分；

将所有单项评分进行加和平均，得到综合评分。

9.一种硬笔楷书临摹作品的笔画相似性评价系统，其特征在于，包括：获取模块：用于获取原帖图像和临帖图像；

预处理模块：用于对原帖图像和临帖图像进行预处理，得到预处理后的原帖图像和临帖图像；

细化模块：用于将预处理后的原帖图像和临帖图像进行细化，得到图像中所有笔画的骨架；

关键点确定模块：用于确定图像中笔画骨架的关键点；

区域分割模块：用于将笔画按书写过程分为4个区域，利用预先训练的U型神经网络笔画分割模型对原帖与临帖笔画进行区域分割；

评价模块：用于基于区域分割后的原帖与临帖中笔画的对应区域中的原帖图像的原始图像信息、临帖图像的原始图像信息及图像中笔画骨架的关键点进行比较，对临帖图像中笔画的相似性进行评价打分。

10.一种计算机设备，其特征在于，包括处理器及存储介质；

所述存储介质用于存储指令；

所述处理器用于根据所述指令进行操作以执行根据权利要求1 7任一项所述方法的步~骤。