CN101326518A - 用于墨水笔记的手写体识别 - Google Patents
用于墨水笔记的手写体识别 Download PDFInfo
- Publication number
- CN101326518A CN101326518A CNA2006800465977A CN200680046597A CN101326518A CN 101326518 A CN101326518 A CN 101326518A CN A2006800465977 A CNA2006800465977 A CN A2006800465977A CN 200680046597 A CN200680046597 A CN 200680046597A CN 101326518 A CN101326518 A CN 101326518A
- Authority
- CN
- China
- Prior art keywords
- computer
- word
- sub
- readable medium
- handwritten form
- 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.)
- Granted
Links
- 238000013528 artificial neural network Methods 0.000 claims abstract description 66
- 238000012549 training Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 12
- 238000013459 approach Methods 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 6
- 238000012417 linear regression Methods 0.000 claims description 3
- 210000005036 nerve Anatomy 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 238000000034 method Methods 0.000 description 23
- 210000002569 neuron Anatomy 0.000 description 15
- 230000008569 process Effects 0.000 description 12
- 235000013399 edible fruits Nutrition 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 239000004615 ingredient Substances 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 210000000225 synapse Anatomy 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000005055 memory storage Effects 0.000 description 2
- 230000035807 sensation Effects 0.000 description 2
- 241001422033 Thestylus Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013529 biological neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000031068 symbiosis, encompassing mutualism through parasitism Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/32—Digital ink
- G06V30/36—Matching; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/14—Image acquisition
- G06V30/142—Image acquisition using hand-held instruments; Constructional details of the instruments
- G06V30/1423—Image acquisition using hand-held instruments; Constructional details of the instruments the instrument generating sequences of position coordinates corresponding to handwriting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/24—Character recognition characterised by the processing or recognition method
- G06V30/242—Division of the character sequences into groups prior to recognition; Selection of dictionaries
- G06V30/244—Division of the character sequences into groups prior to recognition; Selection of dictionaries using graphical properties, e.g. alphabet type or font
- G06V30/2455—Discrimination between machine-print, hand-print and cursive writing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Character Discrimination (AREA)
Abstract
具有计算机可执行指令的计算机可读介质区分书写输入的至少一部分的手写体类型。标识并处理手写文档的书写行的子字以确定书写风格。因此,书写行与手写体类型相关联。根据书写行的子字的各手写体类型确定该书写行的手写体类型。当具有第一手写体类型的子字的数目大于具有第二手写体类型的子字的数目时,该书写行的手写体类型被归类为该第一手写体类型。手写体分析器确定至少一个子字的书写风格并且从多个神经网络中选择一个来对书写行的手写体类型归类。
Description
背景
计算机用户习惯使用鼠标和键盘作为与个人计算机交互的一种方式。尽管个人计算机提供优于打印文档的诸多优点,但是用户常常继续使用打印纸件来执行某些功能。这些功能中的一些功能包括阅读手写文档。在注释的情况下,由于用户将注释写于该打印文档上,所以打印文档呈现出更大的重要性。然而,手写文档的困难之一是之后需要将内容输回文档的电子形式。这要求原来的用户或其他用户费力地阅读手写内容并将它们输入到个人计算机中。在某些情况下,用户将扫描输入手写内容和原始文本,因此创建一个新的文档。这些多个步骤使得打印文档与文档的电子版本的文档之间的交互难以在重复的基础上处理。此外,扫描输入的图像通常是不可修改的。可能不存在将手写内容从原始文本中分离的方法。这使得使用手写的内容变得困难。因此,需要一种处理手写内容的改进方法。
手写内容可呈现出多种格式,包括绘画、表格、流程图和书写文本。此外,文档中的手写内容可由一个或多个用户以不同语言输入。例如,注释的一部分可能由一个用户以汉语(对应于汉字手写体)书写,而另一部分可能由另一用户以英语(对应于罗马字母手写体)书写。
随着增长的国际商务旅行,处理多语言手写文档正变得更加重要。因此,本领域中存在在手写文档中辨别书写手写体类型的需要。
概述
区分书写输入的至少一部分的手写体类型。标识手写文档的书写行的至少一个子字。处理至少一个子字以确定包括草体和手写印刷体书写风格在内的相关联的书写风格。因此,用手写体类型对书写行分类。手写体类型包括汉字手写体和罗马字母手写体。
提供本概述以便以简化的形式介绍将在以下详细描述中进一步描述的一些概念。本概述并非意在标识所请求保护的主题的关键特征或重要特征,也并非意在用来帮助确定所请求保护的主题的范围。
附图简述
本发明的以上简要概述以及下面的优选实施例的详细描述在结合附图阅读时会得到更好的理解。附图作为所请求保护的发明的示例而不是限制被包括在其中。
图1示出可结合本发明的各实施例使用的计算机的一般描述。
图2示出根据本发明的实施例的使用手写体识别引擎的墨水解析器的体系结构。
图3示出根据本发明的实施例的手写体识别引擎的流程图。
图4示出根据本发明的实施例的预处理前的书写输入的示例。
图5示出根据本发明的实施例的预处理后的书写输入的示例。
图6示出根据本发明的实施例的英语文本的书写行的书写轴的示例。
图7示出根据本发明的实施例的日语文本的书写行的书写轴的示例。
图8示出根据本发明的实施例的法语文本的书写行的基线矩形的示例。
图9示出根据本发明的实施例的汉语文本的书写行的基线矩形的示例。
图10示出根据本发明的实施例的法语文本的书写输入的子字的示例。
图11示出根据本发明的实施例的日语文本的书写输入的子字的示例。
图12示出根据本发明的实施例的汉语文本的书写输入的子字的示例。
图13示出根据本发明的实施例的提供手写体识别的装置。
图14示出根据本发明的实施例使用的神经网络。
详细描述
本发明的各方面涉及区分书写输入的至少一个部分的手写体类型。
为了方便读者,下文由各子标题分隔。子标题包括:术语、通用计算机、手写体识别算法的概要、预处理、书写轴的确定、基线矩形的确定、书写方向的确定、子字组合、书写风格的确定、装置、神经网络的输入、神经网络的输出和神经网络的训练。
术语
笔画-从下笔(鼠标放下)到抬笔(鼠标抬起)所收集的一系列时间上的点。
子字-可在空间内簇集的一小组笔画。这些笔画之间的距离很小。
段-通过在大曲率点处切割笔画所获得的笔画的一部分。
笔-可以包括或可以不包括存储墨水的能力的任何书写实现。在某些示例中,不带有墨水容量的指示笔可根据本发明的实施例作为笔来使用。一个示例是Microsoft的Universal Pen(uPen,微软通用笔)。
通用计算机
图1是可用来处理来自笔(例如,指示笔166)的书写输入的常规通用数字计算环境的示例的功能性框图。在图1中,计算机100包括处理单元110、系统存储器120和将包括系统存储器的各种系统组件耦合到处理单元110的系统总线130。系统总线130可以是几种类型的总线结构中的任一种,包括采用各种总线体系结构中的任何一种的存储器总线或存储器控制器、外围总线和局部总线。系统存储器120包括只读存储器(ROM)140和随机存取存储器(RAM)150。
包含帮助(例如在启动期间)计算机100内的元件之间传输信息的基本例程的基本输入/输出系统160(BIOS)存储于ROM 140中。计算机100还包括用于读取和写入硬盘(未示出)的硬盘驱动器170、用于读取或写入可移动磁盘190的磁盘驱动器180和用于读取或写入诸如CD ROM或其它光介质等可移动光盘192的光盘驱动器191。硬盘驱动器170、磁盘驱动器180和光盘驱动器191分别通过硬盘驱动接口192、磁盘驱动接口193和光盘驱动接口194与系统总线130相连接。驱动器和它们相关联的计算机可读介质为个人计算机100提供了对计算机可读指令、数据结构、程序模块及其它数据的存储。本领域的技术人员将意识到,诸如磁带盒、闪存卡、数字视频盘、贝努利盒带、随机存取存储器(RAM)、只读存储器(ROM)等能存储计算机可访问的数据的其它类型的计算机可读介质也可在示例操作环境中使用。
包括操作系统195、一个或多个应用程序196、其它程序模块197和程序数据198的多个程序模块可存储在硬盘驱动器170、磁盘190、光盘192、ROM140或RAM 150上。用户可通过诸如键盘101和定点设备102等输入设备将命令和信息输入至计算机100。其它输入设备(未显示)可包括麦克风、操纵杆、游戏手柄、圆盘式卫星天线、扫描仪等等。这些及其它输入设备经常通过耦合至系统总线的串行端口接口106连接至处理单元110,但也可由诸如并行端口、游戏端口或通用串行总线(USB)等其它接口来连接。此外,这些设备可通过适当的接口(未显示)直接耦合至系统总线130。监视器107或其它类型的显示设备通过诸如视频适配器108等接口也连接至系统总线130。除了监视器之外,个人计算机通常包括诸如扬声器和打印机等其它外围输出设备(未显示)。
在一个实施例中,提供笔数字化仪165及其附带的笔或指示笔166以便数字化地捕获自由手写输入以向处理单元110提供书写输入。尽管显示了笔数字化仪165与串行端口之间的直接连接,但实践中,如本技术领域中公知的,笔数字化仪165可通过并行端口或其它接口并通过系统总线130直接耦合至处理单元110。此外,尽管数字化仪165显示为与监视器107是分开的,但是较佳的是,数字化仪165的可用的输入区域与监视器107的显示区域共生。此外,数字化仪165可以集成在监视器107内,或作为一个覆盖在监视器107上或以其它方式添附于监视器107的单独设备而存在。
计算机100可以采用与诸如远程计算机109等一个或多个远程计算机的逻辑连接而在联网环境中操作。远程计算机109可以是服务器、路由器、网络PC、对等设备或其它常见网络节点,并且尽管图1中仅示出存储器存储设备111,但是远程计算机109通常包括以上关于计算机100所描述的元件中的许多或所有元件。图1中描绘的逻辑连接包括局域网(LAN)112和广域网(WAN)113。这种网络环境在办公室、企业范围计算机网络、内联网和因特网中是常见的。
当在LAN网络环境中使用时,计算机100通过网络接口或适配器114连接至局域网112。当在WAN网络环境中使用时,个人计算机100通常包括调制解调器115或用于在诸如因特网等广域网113上建立通信的其它装置。可内置或外置的调制解调器115通过串行端口接口106连接至系统总线130。在联网环境中,有关个人计算机100所描述的程序模块或其部分可存储于远程存储器存储设备中。
手写体识别算法的概要
来自笔数字化仪165的书写输入可包括来自若干种语言的文本。语言通常以不同的手写体来演示。例如,英语、法语、德语和波兰语是用罗马字母手写体写的。汉语、日语和韩语是用汉字手写体写的。俄语、塞尔维亚语和乌克兰语是用西里尔字母手写体写的。因此,书写输入可包含一个或多个手写体类型,包括阿拉伯语、西里尔字母、梵字母、汉字、希伯来语和罗马字母手写体类型。在多语言情形下,手写体识别可以是墨水应用程序的重要组成部分。
在以下讨论中,手写体识别算法按三个小节讨论。首先,描述手写体识别组成部分在墨水解析器的框架中的位置。第二,演示手写体识别算法的概要。接着,更具体地描述手写体识别算法。
图2示出根据本发明的实施例的使用手写体识别器(手写体识别引擎)205的墨水解析器200的体系结构。图2示出手写体识别器205在墨水解析器200的框架内的位置。当书写解析器201处理之后,来自书写输入的笔画被组成“字”、行和段落。“字”可能不是正好是对应的手写体中的字。“字”仅仅基于因为它们之间的间隔足够大而被分开。随后,书写/绘图分类引擎203确定“字”是一个书写组分还是绘图组分。接着,将手写体识别器205应用到每个书写“字”以确定该“字”的对应手写体类型。最后,“字”通过进一步的处理207被重新组合成实际的字。在以下讨论中,书写行指的是“字”。
图3示出根据本发明的实施例的手写体识别引擎(例如,手写体识别器205)的流程图300。
在本发明的一个实施例中,辨别两个手写体类型:罗马字母手写体和汉字手写体。罗马字母手写体包含包括英语、法语和德语的欧洲语言,而汉字手写体包含包括汉语(繁体和简体)、日语和韩语的远东语言。(然而,本发明的实施例可辨别出其它手写体类型并且可处理具有两个或多个手写体类型的书写输入)。手写体识别引擎的输入包括书写“字”的笔画。书写“字”中的笔画数目可能变化很大,并且正确的字组合结果在执行手写体识别(对应于流程图200)之前通常是未知的。因此,一个小的笔画组单元(被称为子字)作为用于确定手写体识别的单位来使用。“字”级别的判定是基于子字组的结果。
本发明的实施例使用被训练用于手写体识别的期望任务的至少两个神经网络。神经网络通常适用于非线性处理和学习。所以,本发明的实施例可包括至少两个神经网络以通过学习训练数据集来发现不同手写体类型的特征。在手写文档中,文档的某些部分(对应于书写输入)可能是草体书写风格的,而其它部分可能是手写印刷体书写风格的。(手写文档的示例包括用户使用电子笔书写的文本和由用户注释的打印文档。)尽管草体和手写印刷体书写风格之间可能没有清楚而有特征的界线,但是书写风格的属性通常是不同的。草体书写风格的笔画常常由许多弯组成并且常常比手写印刷体书写风格的笔画长得多。训练两个神经网络。一个神经网络(与程序313相关联)对应于草体书写风格。另一个神经网络(与程序319相关联)对应于手写印刷体书写风格。使用草体书写样本训练对应于草体书写风格的神经网络,而使用手写印刷体书写样本训练对应于手写印刷体书写风格的神经网络。
书写输入由程序301预处理(以后将讨论)。经预处理的书写输入由余下的程序303-319来处理。流程图300的方法是应用规则以按可接受的置信度对手写体类型分类(例如,对应于程序303-305的组合以及程序315-317的组合),其中该规则可在作出正确判定的高概率的情况下使用。如果该规则不能确保判定的正确性,则使用基于统计的方法(例如,对应于程序313和319的神经网络)来确定手写体类型。规则所使用的阈值在训练过程中被确定以便确保结果的正确性。这个方法可改进手写体识别算法的速度并且降低基于统计的方法的复杂度。手写体识别中有两个组成部分。第一个组成部分是神经网络从训练数据集学习模型的训练过程。另一组成部分是使用该模型来执行手写体识别的实际识别过程。将先讨论识别过程。
在以下讨论中,假定书写行只有一个手写体类型(尽管本发明的其它实施例可能没有这个假定)。书写行的笔画首先被组合成子字。如图3所示的手写体分类器标识每个子字的手写体类型。书写行中所包含的子字的标识结果确定书写行的手写体类型。程序303确定书写行是否按垂直方向书写。如果是,书写行被程序305分类为汉字手写体的书写行,因为罗马字母手写体的书写行极少以垂直方向书写。如果书写行是水平的书写行,在执行程序307-319之前,执行子字的组合。程序307确定子字是否没有包含足够数目的笔画(在训练过程中由预先设定的阈值确定)。如果是,则不能确定子字的分类(对应于程序309)。因此,子字的分类不影响书写行的手写体类型的确定。程序311-315确定子字是对应于草体书写风格还是手写印刷体书写风格。如果书写风格是草体,则由草体神经网络对手写体类型进行分类(对应于程序313)。如果子字没有草体书写风格的特征,并且子字具有许多笔画(即,多于在训练过程中确定的预先确定的数目,诸如5个笔画或更多),则如程序317所示,手写体类型很有可能是汉字手写体。采用这个规则,在标识手写体类型时提供了足够低的出错概率。如果子字不是草体并且没有许多笔画,则由对应于程序319的手写印刷体神经网络对子字分类。
最终,“字”(书写行)的手写体类型由子字的标识结果确定。例如,如果罗马字母手写体子字的数目足够大于汉字手写体子字的数目,则书写行被归类为罗马字母手写体。否则,书写行被归类为汉字手写体。
预处理
在程序301执行的预处理期间,通过折线来逼近书写行中的笔画。此外,计算行的书写轴和基线轴。笔画中的点的数目通常很大。为了降低计算复杂度并且提升模型的鲁棒性,有必要采用折线来逼近笔画。以下列出采用折线逼近笔画的步骤:
1)首先通过线性回归方法局部地逼近笔画。
2)半直的笔画被拉直。一条直的笔画将只有两个点。拉直方法也是基于线性回归的。
3)通过合并到相邻段来去除勾,并且内部的小段也被合并到相邻的段中。
4)如果两个相邻段的书写方向具有足够小的差异(由预先确定的量确定),则两相邻段被合并到一个段中。
通过上述处理,笔画被简化,冗余点被去除,并且一个子字中的段的数目减少了。对于与相同的手写字符相关联的不同书写输入,该预处理的笔画通常产生相似表示。
图4示出根据本发明的实施例的预处理前的书写输入的示例400。图5示出根据本发明的实施例的采用上述步骤预处理后的书写输入的示例500。
书写轴的确定
图6示出根据本发明的实施例的英语文本的书写行601的书写轴603和605的示例600。图7示出根据本发明的实施例的日语文本的书写行701的书写轴703和705的示例700。
每个书写行具有一个其中书写所有字符(书写行601或书写行701)的旋转的边界框(RBX)(图6中示出的RBX 613或者图7中示出的RBX 713)。主书写方向被指定为X方向。X方向可由RBX 613或713的定向边框线表示,它们被定义为X轴603或703。由于RBX 613或713由矩形表示,所以定向边框线可由两个点表示,其中X轴由RBX的定向边框线上的两个点表示。一个点是表示原点的PT_O 607或707。另一个点是PT_X 609或709。Y方向与X方向正交。因此,Y轴605或705可由RBX 613或713的另一个定向边框线表示。Y边框线由两个点确定:与X边框线相同的PT_O 607或707和指定为PT_Y611或711的另一个点。
基线矩形的确定
图8示出根据本发明的实施例的法文文本的书写行801的基线矩形的示例800。图9示出根据本发明的实施例的汉语文本的书写行901的基线矩形的示例900。
用户常常用不同的字体大小书写文档。为了处理这个问题,通常归一化笔画。此外,字母“g”、“l”、“f”、“p”、“h”、“b”、“y”在垂直方向上通常写得比其它字符要长,所以使用书写行的RBX是不理想的。基线矩形803或903通常更适用于归一化。行的各段的位置通常不随基线矩形803或903很大波动。此外,如果是由基线矩形的高度而不是由RBX的高度来对这些段进行归一化的,则同一个手写的字符的各段的归一化长度通常不会变化很大。采用投影方法计算文本行的基线。行的各段投影到书写轴的Y轴上。具有最大投影的那部分被选为基线的起始位置。从那个位置开始,基线矩形的上边界和下边界向两侧等距离延伸。如果上边界和下边界上的投影比例大于一个阈值,则基线矩形803或903被标识。在一个实施例中,预先确定的阈值大约为0.83。
书写方向的确定
书写方向被用来确定书写行是否是垂直书写的。在汉字手写体文档中,书写字可以是垂直书写的,其中书写行中的字不是从左往右写的,而是从上往下写的。这种类型的书写被称为垂直书写。采用垂直书写,水平笔画(当从左往右写的时候)变成垂直笔画并且书写方向是从下到上的。对于水平的书写行,垂直笔画是从Y的顶部向Y的底部(向下)书写的,但是对于垂直书写行,垂直笔画是从Y的底部向Y的顶部(向上)书写的。对于一个笔画,笔画的点被投影到Y轴上。投影值用Y0,Y1,...,YN表示,如下确定Y方向书写长度的和:
为了计算一个书写行的Y_DIR_LEN_SUM(Y方向书写长度和),对该书写行的所有笔画的Y_DIR_LEN_SUM值求和。水平书写的书写行的Y_DIR_LEN_SUM值通常具有大的正值,而垂直书写的书写行的值一般具有负值或小的正值。一般,罗马字母手写体的书写行不按垂直方向书写。因此,如果书写行被确定为垂直书写,则书写行是汉字手写体的概率非常大。
子字组合
在X方向上的相邻笔画之间距离足够小的笔画被组合以形成子字。一开始,一个笔画是一个子字。对于每一个子字,只采用距离准则检查相邻子字以确定这些子字是否可被组合在一起。
图10示出根据本发明的实施例的法语文本的书写输入的子字1001-1013的示例1000。图11示出根据本发明的实施例的日语文本的书写输入中的子字1101-1109的示例1100。图12示出根据本发明的实施例的汉语文本的书写输入中的子字1201-1207的示例1200。
对于汉字手写体,许多子字是“真”字,而某些子字当书写是水平书写时是字的左边部或右边部,当书写是垂直书写时是字的上部或下部。对于罗马字母手写体,有些子字包含一至三个字母,而有些子字由于草体的关系包含多个字母。
在相邻笔画之间具有足够小的水平距离(例如,一个预先确定的距离)的笔画被组合在一起以形成一个子字。在一个实施例中,预先确定的距离在训练神经网络期间被确定。一开始,一个笔画是一个子字。对于每一个子字,检查相邻子字以验证相邻的子字是否可被进一步组合在一起。如果两个子字被组成一个子字,则为该组合的子字重新启动验证过程。
书写风格的确定
由以下规则确定一个子字是否是草体:
IF NOT_CONTINUOUS_COUNT_MAX>3
AND NOT_CONTINUOUS_COUNT>STROKE_COUNTTHEN
The sub-word is cursive(子字是草体)
ELSE
The sub-word is hand-print(子字是手写印刷体)
NOT_CONTINUOUS_COUNT是子字的曲线数和弯数的总和。笔画可以在书写方向的累积改变超过一个阈值(例如,pi/2弧度)的点处被分成子笔画。曲线是在其中书写方向缓慢变化的子笔画,而一个弯中的书写方向急剧改变。NOT_CONTINUOUS_COUNT_MAX是子字的笔画的NOT_CONTINUOUS_COUNT的最大值。
装置
图13示出根据本发明的实施例的提供手写体识别的装置1300。本发明的实施例可在图1所示的计算机100上实现装置。预处理器1303根据图3所示的程序301预处理书写输入1301。手写体分析器1305根据程序303-311和315-317处理经预处理的书写输入。在本发明的实施例中,神经网络模块1307包括对应于程序313的第一神经网络和对应于程序319的第二神经网络。其它实施例可使用对应于草体和手写印刷体两者的一个神经网络。(其它实施例可使用从一组可能的手写体类型中辨别出手写体类型的数字信号处理器或定制的逻辑。)经标识的手写体类型由手写体风格指示器1309指示。
图14示出根据本发明的实施例被装置1300使用的神经网络1400。神经网络1400是生物神经网络的模拟并且由多个神经元和连接神经元的边缘(edge)组成。每个神经元(1417-1423)接收来自其它神经元的输出并向其它神经元输出信号。神经元的输入和输出之间的映射通常是单调但非线性的。存在可由它们的结构所区分的多种类型的神经网络。最常用的神经网络被归类为前馈神经网络,其中该网络的神经元分层排列。这些层被称为输入层1451、隐藏层1453和输出层1455。每个神经元只与前一层或下一层中的其它神经元相连。尽管神经网络示出一个隐藏层(层1453),但是,如将讨论的,本发明的一个实施例包括三个隐藏层。
多级神经网络由构成输入层1451的一组感觉单元(源节点)1401-1407、具有计算节点(神经元1417-1453)的一个或多个隐藏层(例如,1453)和具有计算节点(神经元1423)的输出层1455组成。(尽管输出层1455仅示出一个神经元,但是如果支持多个手写体指示器的话,本发明的实施例可包括一个以上的的神经元。)神经网络1400具有一个隐藏层1453,尽管本发明的实施例通常使用多个隐藏层。神经网络1400是全部连接着的,其中网络1400的每层与前一层中的所有节点(神经元)相连接。通过网络1400的信号流在逐层基础上中从左往右朝前进行。
多级神经网络能通过以一种监管的方式训练多级神经网络来解决各种各样的问题。一种方法是基于误差修正学习规则的误差反向传播算法(反向传播学习)。误差反向传播网络由通过神经网络的不同层的两轮组成:前向轮和反向轮。在前向轮中,活动图案(包括输入1401-1407的输入向量)被应用于网络1400的感觉节点1409-1451(输入层1451)。它的效果通过网络1400逐层传播。最终,生成作为网络1400的实际响应的输出1425(对应于图13所示的手写体类型指示器1309)。在前向轮期间,网络1400的突触权重是固定的。在反向轮期间,突触权重根据误差修正规则被调整。从期望(目标)响应中减去实际响应以产生误差信号。然后,误差信号通过网络1400反向传播。突触权重被调整以使得实际响应更逼近期望的响应。
神经网络的输入
输入1401-1407(对应于输入向量)提供关于正被处理的书写输入1301的信息。该信息包括以下参数。笔画的每个段由五个参数表示:
1)段的起始点的X投影值。
2)段的起始点的Y投影值。
3)段的长度。
4)段的书写方向。
5)段是否开始了新的笔画。
X投影值是在基线轴的X轴上的投影值。X投影的最大值限于3*BASELINE_HEIGHT,其中BASELINE_HEIGHT是该行的基线矩形的高度。如果X投影值大于阈值,则它被裁剪到该阈值。因此,X的值在值域[0,3*BASELINE_HEIGHT]内并且线性地映射至值域[-1,1]内的值,用于神经网络的输入。
Y投影值是在子字的基线轴的Y轴上的投影值。由于基线矩形可能不能界定子字,所以Y值可能会是负的并且可能比基线矩形的高度值大。因此,Y值被限制在值域[BASELINE_HEIGHT,2*BASELINE_HEIGHT]内并且线性地映射至值域[-1,1],用于神经网络的输入。
最大长度限于1.2*BASELINE_HEIGHT。因此,最大长度处于值域[0,1.2*BASELINE_HEGIHT]中且被线性映射到值域[-1,1],用于神经网络的输入。
书写方向取X轴为基准。它由从X轴到段向量的角度表示。该角度在值域[0,2π]内。如果该角度是0或2π,则该段是“水平”段。该角度线性地映射至值域[-1,1],用于神经网络的输入。
如果段开始一个新的笔画(该段没有与前一段相连),则该值为1。否则值为-1。该值是一个二值输入。五个参数以某些冗余表示一个段。对于草体神经网络(对应于图3中的程序313),18个段被用来表示一个子字。如果子字具有更多的段,则之后的段被截断。如果子字具有较少的段,则剩余的神经网络输入被设置为零。段的输入总是以时间顺序被安排。对于手写印刷体神经网络(对应于程序319),子字的段的数目小于草体神经网络的子字的段的数目。对于手写印刷体神经网络,仅用12个段来表示一个子字。
除了以上输入之外,在本发明的一个实施例中,向神经网络提供以下输入:
1)BASELINE_HEIGHT对子字的书写边界矩形的高度的比例。
2)BASELINE_HEIGHT对子字的书写边界矩形的宽度的比例。
3)子字的笔画数目。
4)子字的总段数。
只有第一和第二输入被添加到草体神经网络的输入向量。第一、第二、第三和第四输入被添加到手写印刷体神经网络的输入向量。对于手写印刷体子字,最大笔画的数目限制为5并且最大段数限制为12。
神经网络的输出
如果子字被归类为草体,则子字的笔画由神经网络的输入向量来表示,并且输入数据由草体神经网络来评估。如果神经网络的输出大于0.6,则子字被分类为汉字手写体。(在该实施例中,阈值在训练过程中被确定。)如果输出小于0.6,则子字被分类为罗马字母手写体。如果输出在值域[-0.6,0.6]内,则它被分类为“不确定”(对应于图3示出的程序309),因此,对子字的分析对书写行的手写体类型的判定没有影响。罗马字母手写体的子字通常不具有许多笔画,所以如果非草体的子字具有五个或更多的笔画,则子字被分类为汉字手写体。大约有15%的日语非草体子字包括五个或更多的笔画。汉语的百分比则更大。
神经网络的训练
在本发明的实施例中,草体和手写印刷体神经网络有三个隐藏层。通过编号序列92-61-36-22-1,指定草体NN的结构,其中第一个数对应于输入层中的节点数,第二个数对应于第一隐藏层中的神经元数,第三个数对应于第二隐藏层中的神经元数,第四个数对应于第三隐藏层中的神经元数,第五个数对应于输出层中的神经元数。(然而,该实施例可支持能指示手写体类型的一个以上的输出。另外,本发明的实施例可支持两个以上的手写体类型。)通过编号序列64-36-22-1指定手写印刷体神经网络的结构。如果子字被归类为汉字手写体,则输出目标设置为0.9;否则该输出被设置为-0.9以指示罗马字母手写体。作为训练程序的一个示例,用15页汉语文本和86页法语文本训练草体神经网络。汉语文本由八个人书写,而法语文本由五个人书写。该神经系统收敛为大约为0.1的均方差(MSE)。MSE可以进一步减小;然而,没有过度训练神经网络,以防止过度适应。由49页日语文本和86页法语文本训练手写印刷体神经网络。日语文本由五个人书写,其中这些文本仅包括水平书写。在本示例中,神经网络收敛为大约为0.23的MSE。在训练过程中,从数据集中随机选取一个汉字手写体墨水文档和一个罗马字母手写体墨水文档。随后,汉字手写体子字和罗马字母手写体子字被替换选择用于训练神经网络。
本领域的技术人员将意识到,具有包含用于控制计算机系统的指令的相关联的计算机可读介质的计算介系统可用来实现此处所公开的示例性实施例。计算机系统可包括诸如微处理器、数字信号处理器和相关联的外围电路的至少一个计算机。
尽管用对结构性特征和/或方法性动作专用的语言描述了该主题,但应该理解,所附权利要求中定义的主题并不必然局限于以上所描述的具体特征或动作。相反,上述的具体特征和动作是作为实现权利要求的示例性形式而公开的。
Claims (20)
1.一种具有用于执行以下步骤的计算机可执行指令的计算机可读介质,所述步骤包括:
(a)确定书写行的子字是否对应于草体书写风格(311);
(b)确定所述子字是否对应于手写印刷体书写风格(319);以及
(c)响应于(a)和(b),对所述书写行的手写体类型分类(305,309,313,317,319)。
2.如权利要求1所述的计算机可读介质,其特征在于,所述计算机可读介质具有执行以下步骤的计算机可执行指令,所述步骤包括:
(d)确定所述书写行的方向(303);以及
(e)使用所述书写行的方向,以便对所述书写行的所述手写体类型分类(305)。
3.如权利要求1所述的计算机可读介质,其特征在于,所述计算机可读介质具有执行以下步骤的计算机可执行指令,所述步骤包括:
(d)在确定所述书写行的书写风格之前预处理所述书写行(301)。
4.如权利要求3所述的计算机可读介质,其特征在于,所述计算机可读介质具有执行以下步骤的计算机可执行指令,所述步骤包括:
(d)(i)由折线逼近所述书写行的笔画。
5.如权利要求1所述的计算机可读介质,其特征在于,所述计算机可读介质具有执行以下步骤的计算机可执行指令,所述步骤包括:
(c)(i)使用至少一个神经网络,以从多个手写体类型中对所述手写体类型分类(313,319)。
6.如权利要求5所述的计算机可读介质,其特征在于,所述计算机可读介质具有执行以下步骤的计算机可执行指令,所述步骤包括:
(c)(i)(1)当所述子字对应于所述草体书写风格时,使用第一神经网络(313);以及
(c)(i)(2)当所述子字对应于所述手写印刷体书写风格时,使用第二神经网络(319)。
7.如权利要求2所述的计算机可读介质,其特征在于,所述手写体类型选自汉字手写体和罗马字母手写体,所述计算机可读介质具有执行以下步骤的计算机可执行指令,所述步骤包括:
(f)当所述书写行的方向对应于垂直方向时,将所述手写体类型分类为所述汉字手写体(305)。
8.如权利要求1所述的计算机可读介质,其特征在于,所述计算机可读介质具有执行以下步骤的计算机可执行指令,所述步骤包括:
(d)组合至少一个笔画以形成所述子字(1001-1013)。
9.如权利要求1所述的计算机可读介质,其特征在于,所述手写体类型选自汉字手写体和罗马字母手写体,所述计算机可读介质具有执行以下步骤的计算机可执行指令,所述步骤包括:
(d)当所述子字包含超过预先确定的阈值的数目的笔画时,将所述手写体类型分类为所述汉字手写体(317)。
10.如权利要求1所述的计算机可读介质,其特征在于,所述计算机可读介质具有执行以下步骤的计算机可执行指令,所述步骤包括:
(c)(i)当被分类为第一手写体类型的子字的第一数目超过被分类为第二手写体类型的子字的第二数目时,将所述书写行的手写体类型分类为所述第一手写体类型。
11.如权利要求4所述的计算机可读介质,其特征在于,所述计算机可读介质具有执行以下步骤的计算机可执行指令,所述步骤包括:
(d)(i)(1)通过线性回归逼近所述笔画。
12.如权利要求11所述的计算机可读介质,其特征在于,所述计算机可读介质具有执行以下步骤的计算机可执行指令,所述步骤包括:
(d)(i)(2)合并所述笔画的相邻段。
13.如权利要求5所述的计算机可读介质,其特征在于,所述计算机可读介质具有执行以下步骤的计算机可执行指令,所述步骤包括:
(d)训练所述至少一个神经网络以根据多个先前被分类的文本示例对所述手写体类型分类。
14.如权利要求8所述的计算机可读介质,其特征在于,所述计算机可读介质具有执行以下步骤的计算机可执行指令,所述步骤包括:
(d)(i)当第一笔画和第二笔画之间的距离小于预先确定的距离时,用所述子字将所述第一笔画和所述第二笔画相关联。
15.如权利要求1所述的计算机可读介质,其特征在于,所述计算机可读介质具有执行以下步骤的计算机可执行指令,所述步骤包括:
(a)(i)对所述子字的笔画进行再分;
(a)(ii)确定所述子字的方向改变;以及
(a)(iii)根据所述方向改变,将所述书写行的书写风格归类为所述草体书写风格。
16.一种区分手写体类型的装置,所述装置包括:
多个神经网络(1307);
手写体分析器(1305),所述手写体分析器接收书写输入,确定所述书写输入中包含的书写行的至少一个子字的书写风格,以及基于所述书写风格选择所述多个神经网络中的一个;以及
所述多个神经网络中的一个对所述书写行的手写体类型分类以提供手写体风格指示器。
17.如权利要求16所述的装置,其特征在于,所述装置还包括:
通过至少一个折线逼近所述至少一个子字中的一个子字的笔画的预处理器(1303)。
18.如权利要求16所述的装置,其特征在于,所述多个神经网络包括:
草体神经网络,当所述书写风格对应于草体书写风格时,所述草体神经网络处理所述至少一个子字以确定所述书写行的手写体;以及
手写印刷体神经网络,当所述书写风格对应于手写印刷体书写风格时,所述手写印刷体神经网络处理所述至少一个子字以确定所述书写行的手写体。
19.一种具有用于执行以下步骤的计算机可执行指令的计算机可读介质,所述步骤包括:
(a)确定书写行的方向(303);
(b)当所述方向为垂直方向时,将手写体类型分类为汉字手写体(305);
(c)确定子字是否对应于草体书写风格(311);
(d)当所述子字对应于所述草体书写风格时,使用第一神经网络来确定所述子字的手写体类型(313);
(e)确定所述子字中笔画的数目(315);
(f)当所述笔画数目超过预先确定的阈值时,将所述子字的手写体类型分类为汉字手写体(317);以及
(g)当笔画数目等于或小于所述预先确定的阈值时,使用第二神经网络来确定所述子字的手写体类型(319)。
20.如权利要求19所述的计算机可读介质,其特征在于,所述计算机可读介质具有执行以下步骤的计算机可执行指令,所述步骤包括:
(h)重复(c)-(g);
(i)当被分类为所述汉字手写体的子字的第一数目超过被分类为罗马字母手写体的子字的第二数目时,将所述书写行的手写体类型分类为所述汉字手写体;以及
(j)当被分类为所述罗马字母手写体的子字的第二数目超过被分类为所述汉字手写体的子字的第一数目时,将所述书写行的手写体类型分类为所述罗马字母手写体。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US11/301,761 US7929769B2 (en) | 2005-12-13 | 2005-12-13 | Script recognition for ink notes |
US11/301,761 | 2005-12-13 | ||
PCT/US2006/047829 WO2007070662A1 (en) | 2005-12-13 | 2006-12-13 | Script recognition for ink notes |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101326518A true CN101326518A (zh) | 2008-12-17 |
CN101326518B CN101326518B (zh) | 2010-09-08 |
Family
ID=38139436
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2006800465977A Expired - Fee Related CN101326518B (zh) | 2005-12-13 | 2006-12-13 | 用于墨水笔记的手写体识别的方法和装置 |
Country Status (4)
Country | Link |
---|---|
US (1) | US7929769B2 (zh) |
KR (1) | KR20080087793A (zh) |
CN (1) | CN101326518B (zh) |
WO (1) | WO2007070662A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104541288A (zh) * | 2012-08-10 | 2015-04-22 | 株式会社东芝 | 手写文档处理设备和方法 |
CN105975197A (zh) * | 2015-03-12 | 2016-09-28 | 联想(新加坡)私人有限公司 | 预测目标速记符 |
CN107577651A (zh) * | 2017-08-25 | 2018-01-12 | 上海交通大学 | 基于对抗网络的汉字字体迁移系统 |
CN108830245A (zh) * | 2018-06-24 | 2018-11-16 | 海南大学 | 个性化手写体替换书写体方法 |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4420295B2 (ja) * | 2007-02-07 | 2010-02-24 | 株式会社沖データ | 画像読取装置 |
CN102982373B (zh) * | 2012-12-31 | 2015-04-22 | 山东大学 | 一种混合svm回归算法的oin神经网络训练方法 |
US9286527B2 (en) * | 2014-02-20 | 2016-03-15 | Google Inc. | Segmentation of an input by cut point classification |
US20170068868A1 (en) * | 2015-09-09 | 2017-03-09 | Google Inc. | Enhancing handwriting recognition using pre-filter classification |
WO2017083876A1 (en) * | 2015-11-15 | 2017-05-18 | Doodleone, Inc. | Free hand messaging and ink cluster editor |
US10474753B2 (en) * | 2016-09-07 | 2019-11-12 | Apple Inc. | Language identification using recurrent neural networks |
US10949660B2 (en) * | 2017-04-10 | 2021-03-16 | Pearson Education, Inc. | Electronic handwriting processor with convolutional neural networks |
US20190370324A1 (en) * | 2018-05-29 | 2019-12-05 | Microsoft Technology Licensing, Llc | System and method for automatic language detection for handwritten text |
US11488407B1 (en) | 2021-06-01 | 2022-11-01 | Lead Technologies, Inc. | Method, apparatus, and computer-readable storage medium for recognizing characters in a digital document |
Family Cites Families (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5245674A (en) | 1991-07-30 | 1993-09-14 | Xerox Corporation | Image processing using distance as a function of direction |
CA2116600C (en) | 1993-04-10 | 1996-11-05 | David Jack Ittner | Methods and apparatus for inferring orientation of lines of text |
US5517578A (en) * | 1993-05-20 | 1996-05-14 | Aha! Software Corporation | Method and apparatus for grouping and manipulating electronic representations of handwriting, printing and drawings |
KR0170656B1 (ko) * | 1994-08-17 | 1999-03-30 | 김광호 | 필기체문자 인식방법 및 장치 |
AU6849196A (en) * | 1995-08-16 | 1997-03-19 | Syracuse University | Multilingual document retrieval system and method using semantic vector matching |
US5933525A (en) * | 1996-04-10 | 1999-08-03 | Bbn Corporation | Language-independent and segmentation-free optical character recognition system and method |
US5796867A (en) | 1996-06-12 | 1998-08-18 | Industrial Technology Research Institute | Stroke-number-free and stroke-order-free on-line Chinese character recognition method |
US5892843A (en) | 1997-01-21 | 1999-04-06 | Matsushita Electric Industrial Co., Ltd. | Title, caption and photo extraction from scanned document images |
US6370269B1 (en) * | 1997-01-21 | 2002-04-09 | International Business Machines Corporation | Optical character recognition of handwritten or cursive text in multiple languages |
JP3199231B2 (ja) | 1997-05-27 | 2001-08-13 | 日本アイ・ビー・エム株式会社 | 3次元形状モデルへの情報の埋め込み方法及びシステム |
WO1999064982A1 (en) * | 1998-06-09 | 1999-12-16 | Kent Ridge Digital Labs | A recognition process |
CN1173247C (zh) | 1999-01-13 | 2004-10-27 | 国际商业机器公司 | 具有文字分割用户接口的手写信息处理系统 |
US6704699B2 (en) * | 2000-09-05 | 2004-03-09 | Einat H. Nir | Language acquisition aide |
WO2002037933A2 (en) | 2000-11-08 | 2002-05-16 | New York University | System, process and software arrangement for recognizing handwritten characters |
US7003158B1 (en) * | 2002-02-14 | 2006-02-21 | Microsoft Corporation | Handwriting recognition with mixtures of Bayesian networks |
JP2003271965A (ja) * | 2002-03-19 | 2003-09-26 | Fujitsu Ltd | 手書き署名認証プログラム、方法、及び装置 |
US7020338B1 (en) * | 2002-04-08 | 2006-03-28 | The United States Of America As Represented By The National Security Agency | Method of identifying script of line of text |
US7251365B2 (en) | 2002-07-03 | 2007-07-31 | Vadim Fux | Scalable stroke font system and method |
CN1191548C (zh) * | 2002-08-06 | 2005-03-02 | 北京理工大学 | 一种基于段化规律的汉字笔段提取方法 |
US7369702B2 (en) * | 2003-11-07 | 2008-05-06 | Microsoft Corporation | Template-based cursive handwriting recognition |
US7729538B2 (en) | 2004-08-26 | 2010-06-01 | Microsoft Corporation | Spatial recognition and grouping of text and graphics |
US7522771B2 (en) | 2005-03-17 | 2009-04-21 | Microsoft Corporation | Systems, methods, and computer-readable media for fast neighborhood determinations in dynamic environments |
-
2005
- 2005-12-13 US US11/301,761 patent/US7929769B2/en active Active
-
2006
- 2006-12-13 WO PCT/US2006/047829 patent/WO2007070662A1/en active Application Filing
- 2006-12-13 CN CN2006800465977A patent/CN101326518B/zh not_active Expired - Fee Related
- 2006-12-13 KR KR1020087013901A patent/KR20080087793A/ko not_active Application Discontinuation
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104541288A (zh) * | 2012-08-10 | 2015-04-22 | 株式会社东芝 | 手写文档处理设备和方法 |
CN105975197A (zh) * | 2015-03-12 | 2016-09-28 | 联想(新加坡)私人有限公司 | 预测目标速记符 |
CN105975197B (zh) * | 2015-03-12 | 2019-01-18 | 联想(新加坡)私人有限公司 | 预测目标速记符 |
CN107577651A (zh) * | 2017-08-25 | 2018-01-12 | 上海交通大学 | 基于对抗网络的汉字字体迁移系统 |
CN107577651B (zh) * | 2017-08-25 | 2020-11-10 | 上海媒智科技有限公司 | 基于对抗网络的汉字字体迁移系统 |
CN108830245A (zh) * | 2018-06-24 | 2018-11-16 | 海南大学 | 个性化手写体替换书写体方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2007070662A1 (en) | 2007-06-21 |
CN101326518B (zh) | 2010-09-08 |
US7929769B2 (en) | 2011-04-19 |
KR20080087793A (ko) | 2008-10-01 |
US20070133877A1 (en) | 2007-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101326518B (zh) | 用于墨水笔记的手写体识别的方法和装置 | |
Naz et al. | The optical character recognition of Urdu-like cursive scripts | |
US7580551B1 (en) | Method and apparatus for analyzing and/or comparing handwritten and/or biometric samples | |
Alrobah et al. | Arabic handwritten recognition using deep learning: A survey | |
Rajnoha et al. | Offline handwritten text recognition using support vector machines | |
Bhattacharya et al. | Understanding contents of filled-in Bangla form images | |
Kanoun et al. | Natural language morphology integration in off-line arabic optical text recognition | |
Abdalkafor et al. | A Novel Database for Arabic Handwritten Recognition (NDAHR) System | |
Sueiras | Continuous offline handwriting recognition using deep learning models | |
Al Ghamdi | A novel approach to printed Arabic optical character recognition | |
Shtaiwi et al. | End-to-End Machine Learning Solution for Recognizing Handwritten Arabic Documents | |
Kadi | Isolated arabic characters recognition using a robust method against noise and scaling based on the «hough transform» | |
Chowdhury et al. | Bengali handwriting recognition and conversion to editable text | |
Sotoodeh et al. | A music symbols recognition method using pattern matching along with integrated projection and morphological operation techniques | |
Drobac | OCR and post-correction of historical newspapers and journals | |
Rashid | Optical Character Recognition-A Combined ANN/HMM Approach | |
Awaida et al. | Automatic check digits recognition for Arabic using multi-scale features, HMM and SVM classifiers | |
Le et al. | Automated labeling of zones from scanned documents | |
AbdelRaouf | Offline printed Arabic character recognition | |
Reul | An Intelligent Semi-Automatic Workflow for Optical Character Recognition of Historical Printings | |
Javed | Investigation into a segmentation based OCR for the Nastaleeq writing system | |
Ameryan | Towards robust real-world historical handwriting recognition | |
Prikhodina | Handwritten and Printed Text Separation in Historical Documents | |
Jhanjhi et al. | Adaptive Auto-encoder for Extraction of Arabic Text: invariant, font, and segment | |
Zerdoumi et al. | A deep learning based approach for extracting Arabic handwriting: applied calligraphy and old cursive |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
ASS | Succession or assignment of patent right |
Owner name: MICROSOFT TECHNOLOGY LICENSING LLC Free format text: FORMER OWNER: MICROSOFT CORP. Effective date: 20150505 |
|
C41 | Transfer of patent application or patent right or utility model | ||
TR01 | Transfer of patent right |
Effective date of registration: 20150505 Address after: Washington State Patentee after: MICROSOFT TECHNOLOGY LICENSING, LLC Address before: Washington State Patentee before: Microsoft Corp. |
|
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20100908 |