CN102298485A - 一种基于触摸屏的实时调用系统 - Google Patents

Abstract

本发明公开了一种基于触摸屏的快速调用系统，该系统包括：触摸屏，用于手写触摸输入及输出显示；手写信号接收模块，用于在触摸屏解锁后，接收触摸屏桌面状态下手写输入信号；存储模块，用于存储字符对象；手写输入法模块，用于识别手写输入信号，并从存储模块中选择输出与该手写输入信号相匹配的候选字符对象；功能对象数据库，用于存储功能对象；选择模块，用于根据用户输入的指令从输出的候选字符对象中选择目标字符对象输入；匹配模块，用于从功能对象数据库中搜索出与所述目标字符对象相匹配的功能对象供用户选择调用。本发明能够根据用户手写输入的字符来预测用户的操作意图，并快速调用相应的功能。

Description

一种基于触摸屏的实时调用系统

技术领域

本发明涉及一种触摸屏技术，尤其涉及一种基于触摸屏的实时调用系统。

背景技术

目前手写输入的识别技术被应用到各种通信终端及信息处理终端；这种类型的终端产品通常具有一个用于书写的触摸手写屏，用户能在上面用笔或手指写字，然后经过终端的识别处理，生成相应的字符显示在终端上，并进行后续的相关操作，手写输入的识别技术提高了输入的速度和灵活性，因此被普遍地应用。

然而现在的带触摸屏的终端产品还是停留于通过从桌面点击菜单逐层进入在调用功能对象，这样导致操作不简捷。另，很多触摸屏也有手写功能，但是基本都是在调用某一功能对象的时候才能调用到该手写输入法功能，仅单纯起到输入文本的功能，不能通过手写输入信号的形式来使系统进行智能的判断，预测用户的操作意图。

发明内容

本发明实施例要解决的技术问题在于提供一种基于触摸屏的实时调用系统及方法，能够根据用户手写输入的字符来实时预测用户的操作意图，并实时调用相应的功能。

本发明的目的通过以下技术方案实现：一种基于触摸屏的实时调用系统，其包括：

触摸屏，用于手写触摸输入及输出显示；

手写信号接收模块，用于接收触摸屏桌面状态下手写输入信号；

存储模块，用于存储字符对象；

手写输入法模块，用于识别所述手写信号接收模块接收的手写输入信号，并从存储模块中选择输出与该手写输入信号相匹配的候选字符对象；

选择模块，用于根据用户输入的指令从输出的候选字符对象中选择目标字符对象输入；

显示处理模块，用于在手写识别处理模块输出字符对象后，使触摸屏跳转显示字符输入栏，并实时显示与手写识别处理模块输出的字符对象相匹配的功能对象的选择框；

功能对象数据库，用于存储功能对象；

匹配模块，用于从功能对象数据库中实时搜索出与所述输入的目标字符对象相匹配的功能对象供用户选择调用。

具体的，所述功能对象数据库包括：网络功能对象库，用于存储网络功能对象；本地功能对象库，用于存储本地功能对象。

作为本发明系统的进一步改进，该系统还包括分类模块，该分类模块识别与所述输入的目标字符对象相匹配的功能对象的类型，将所述相匹配的功能对象分为匹配的网络功能对象和匹配的本地功能对象。

作为本发明系统的进一步改进，所述选择框包括网络功能对象选择框和匹配的本地功能对象选择框，匹配的网络功能对象显示于网络功能对象选择框中；匹配的本地功能对象显示于本地功能对象选择框中。

进一步改进，所述分类模块进一步将本地功能对象分类为联系人和其他本地功能对象，所述本地功能对象选择框进一步包括联系人选择框和其他本地功能对象选择框。

进一步改进，所述显示处理模块使功能对象在选择框中滚动显示。

与现有技术相比较，本发明通过在触摸屏桌面状态下识别用户手写输入的字符，再实时根据手写输入的字符来预测用户的操作意图，将关联的功能对象实时显示到界面，这样用户就可以快速调用相应的功能了。

附图说明

图1是本发明实施例一种基于触摸屏的快速调用系统的结构示意图；

图2是图1中手写输入法模块在一种实施方式中的结构示意图；

图3是本发明实施例一种基于触摸屏的快速调用方法的流程图；

图4是本发明实施中手写输入的详细流程图；

图5-8是本发明在一个实施例中触摸屏的界面显示示意图。

图9-10是本发明在又一个实施例中触摸屏的界面显示示意图。

具体实施方式

为使本发明更加容易理解，结合附图对本发明作进一步阐述，但附图中的实施例不构成对本发明的任何限制。

参考附图1，一种基于触摸屏的快速调用系统，该系统可以应用于手机等终端产品中，其包括以下功能模块：触摸屏1、手写信号接收模块2、存储有字符对象的存储模块4、手写输入法模块3、显示处理模块8、存储有功能对象的功能对象数据库6、选择模块5、匹配模块7、检测模块9及分类模块10。

所述触摸屏1用于用户在解锁之后的桌面状态下手写输入。用户对触摸屏1进行解锁后，触摸屏显示系统桌面，这时，用户可以在桌面上进行手写输入，及用户在手机触摸屏解锁后的第一时间就可以在手机桌面上输入(参考图5)。当然所述系统桌面也可以是系统设定的一个特定界面，例如将手机触摸屏解锁后会自动跳出一个供用户手写输入的用户界面；也可以是设定某一个功能键，在手机触摸屏解锁后，按下该键，系统跳转显示一个特定界面供用户手写输入。

所述手写信号接收模块2用于接收该手写输入的信号。

所述检测模块9用于检测手写输入信号是否是有效信号。由于书写的背景是系统桌面，用户很有可能是误操作点击了桌面；或通过点击进入各级菜单；也有可能是手写输入信号信号。这时所述检测模块9需要判断用户的操作是否是有效操作，因而检测模块9检测，若手写输入法模块3能识别出手写输入的信号为有效的字符时，即会认为该输入是有效的操作，系统会根据输入进行下一步工作。若发现手写输入法模块3无法识别手写输入的信号，则进一步确实是否为准确点击桌面上的功能标识，若是，则进入该功能菜单；若否，则保持系统桌面显示状态不变。

所述手写输入法模块3识别所述手写信号接收模块2接收的手写输入信号，并从存储模块4中选择输出与该手写输入信号相匹配的候选字符对象供用户选择。

参考图2，所述手写输入法模块3包括：信号采集单元31、信号采集单元32、归一化单元33、特征提取单元34、粗分类单元35、细分类单元36。

信号采集单元，用于识别所述手写输入信号并采集手写字符轨迹点的离散坐标序列。

归一化单元，用于利用一个平滑连续函数，将采集到的手写字符轨迹点的离散坐标序列变换成为另一个离散坐标序列，以调整手写字符的大小和形状以及重心的坐标值，得到该手写字符的规整坐标序列。

特征提取单元，用于根据手写字符的规整坐标序列，将所有相邻轨迹点形成的矢量线段分解到八个标准方向，得到手写字符的多维特征矢量。

所述存储模块还存储了特征变换矩阵及全体字符类的粗分类模板和细分类模板，粗分类模板由全体字符类经特征选取后计算得到的样本中心构成，细分类模板由全体字符类经特征变换后计算得到的样本中心构成。

粗分类单元，用于从手写输入信号的多维特征矢量中选取部分特征值，将所述手写输入信号分别与所述存储模块中的粗分类模板进行匹配，从预存储字符类中选取相似度最大的若干个候选字符类。

细分类单元，用于对手写输入信号的多维特征矢量进行特征变换，将特征变换后的手写输入信号与从所述存储模块中细分类模板中选取的候选字符类的样本中心进行匹配，从中确定最相似的字符类，以供用户选择。

存储模块4，用于存储字符对象，该字符对象包括各类语言的文字、字符，也可以包括各类数字符号、图形符号等符号，也可以包括是图片、动画等。所述存储模块还存储了特征变换矩阵及全体字符类的粗分类模板和细分类模板，粗分类模板由全体字符类经特征选取后计算得到的样本中心构成，细分类模板由全体字符类经特征变换后计算得到的样本中心构成。

所述选择模块5用于根据用户输入的指令从手写输入法模块3输出的候选字符对象中选择目标字符对象输入。用户可以根据触摸屏上显示的输入法模块3从存储器中调出的候选字符对象中选定一个目标对象。

所述功能对象数据库6存储若干功能对象，该功能对象又包括存储有本机功能对象的本机功能对象数据库和存储有网络功能对象的网络功能对象数据库。本机功能对象例如系统中的闹钟、短信等功能。网络功能对象一般为网络链接地址。所述功能对象数据库6还包括有关键词数据库。

所述关键词数据库包括若干个关键词，每个关键词至少关联一个功能对象。关键词按照服务类型以一定的语义功能为核心聚类成不同的关键词词群，每个关键词词群对应服务类型映射有一个或多个功能对象。其中，一个关键词可以属于多个关键词词群，一个关键词也可以对应映射有一个或多个功能对象。所述关键词可以是字、词或句。所述功能对象对应的关键词包括与功能对象功能、用途、名称相关的字、词、句。该关键词可以是功能对象的名称；也可以是功能对象名称的上位词义的字、词、句，或上位词义相关的字、词、句；也可以是功能对象名称的下位词义或同位词义的字、词、句，或下位词义、同位词义的相关的字、词、句；也可以是位于同一语义场中的其它关键词。甚至，用户可以随意设置每个功能对象的关键词，这样使搜索的功能更加强大。

以下进一步举例说明关键词和功能对象的关系：网络功能对象按照服务类型分包括有音乐、图片、彩铃、火车票预定、机票预订、订票、城市公交、订餐、订房、阅读、博彩。按照每个服务类别，以一定的语义功能为核心聚类成不同的关键词词群，每个关键词词群对应有一个或多个关键词，例如订房所处的服务类别的关键词词群包括关键词有：酒店、宾馆、饭店、住店、订房、住宿。每个关键词词群对应服务类型映射有一个或多个功能对象，例如机票预订所处的关键词词群对应的功能对象有：12580、南航、国航、春秋航空、携程、百度搜索。

进一步举例说明，例如安装于手机上的本地影音播放器的功能是播放音乐、电影等，其在关键词数据库中对应的词群所包括的关键词可以有：音乐、电影、影音、看电影、听音乐、歌曲、听歌、播放器、音乐播放器、电影播放器，以及歌曲名称和电影名称等。其中这些词基本都与影音播放器的用途和功能相关。另，音乐播放器、电影播放器、歌曲名称、电影名称都可以看作是“影音播放器”这一名称的同语义场关键词。是影音播放器这一名称的同位词义关键词。歌曲名称和电影名称可以认为是影音播放器这一名称的下位词义关键词。

又例如网页链接地址可包括有音乐在线播放链接地址、电影在线播放链接地址、音乐下载链接地址、电影下载链接地址。这些链接地址也包括有关键词数据库，例如音乐在线播放链接地址的关键词可以包括音乐、影音、音乐下载、歌曲、各首歌曲的歌名、歌手名称等等。例如电影在线播放链接地址的关键词可以包括电影、影音、电影下载、各首电影的名称、导演人名、主演人名等等。

所述匹配模块7从功能对象数据库6中搜索出与所述目标字符对象相匹配的关联功能对象。匹配模块7将选择模块选择的目标字符对象与关键词数据库中的关键词进行匹配，若某一关键词包含有该目标字符对象，则两者相匹配。匹配模块会调出与该该相匹配的关键词相关联的功能对象。在输入的目标字符对象不断变化中，所述匹配模块7根据变化的目标字符对象从功能对象数据库6中实时搜索出与所述目标字符对象相匹配的关联功能对象。

所述分类模块10识别与所述输入的目标字符对象相匹配的功能对象的类型，将所述相匹配的功能对象分为匹配的网络功能对象和匹配的本地功能对象。所述功能对象可以在设置的属性中标识出其类型，例如网络功能对象标识为W，本地功能对象标识为L。分类模块10通过标识来识别每一个关联功能对象，并按照标识将识别的关联功能对象进行分类。所述分类模块还能够进一步将本地功能对象分类为联系人和其他本地功能对象，例如将联系人标识为L1，其他本地功能对象标识为L2。

参考图5-8，所述显示处理模块8与所述触摸屏连接，用于在手写识别处理模块输出字符对象后，使触摸屏跳转显示字符输入栏、显示与手写识别处理模块输出的字符对象相匹配的功能对象的选择框。当在手写输入法模块3识别手写输入信号后，使触摸屏跳转至少显示三个显示区域。该三个显示区域包括：第一显示区域、第二显示区域、用户输入区域。所述第一显示区域用于实时显示选择模块选定的目标字符对象。该第一显示区域位于触摸屏的上方位置(参考图6中的12)，用于实时显示与手写输入信号相匹配的候选字符对象供用户选择，同时在一个字符框中实时显示选择模块选定的目标字符对象(参考图6中的11)。所述第二显示区域位于触摸屏的中间位置(参考图6中的21)，该第二显示区域为单独显示有通讯录及本机功能。参考图7，该第二显示区域用于实时显示与所述目标字符对象相匹配的功能对象的选择框，该功能对象为匹配模块7从功能对象数据库6中实时搜索出与所述目标字符对象相匹配的关联功能对象。所述第二显示区包括显示与所述目标字符对象相匹配的通讯录及其他本地功能对象。即该选择框为本地功能对象选择框，其包括通讯录选择框和其他本地功能对象选择框。与所述目标字符对象相匹配的关联通讯人显示在通讯录选择框中，其他与所述目标字符对象相匹配的关联本地功能对象显示在其他本地功能对象选择框中。当显示框一次性显示不了那么多的与所述目标字符对象相匹配的关联通讯人或其他本地功能对象时，所述显示处理模块使关联通讯人在通讯录选择框中滚动显示供用户选择调用；使其他相关联的本地功能对象在其他本地功能对象选择框中滚动显示供用户选择调用。

参考图9-10，所述选择框还可以包括显示与所述目标字符对象相匹配的关联网络功能对象的选择框，匹配的网络功能对象显示于网络功能对象选择框中。

当然，所述第二显示区也还包括显示网络功能对象标识，当用户选择点击网络功能对象标识，显示处理模块使触摸屏跳转显示网络功能对象。所述用户输入区域位于触摸屏的下方位置(参考图6中的31)，其用于供用户继续输入字符对象的用户输入区域，该用户输入区域31可以是手写输入区域，也可以是虚拟键盘输入区域，这样用户就可以继续输入字符对象。

图2示出了手写字符输入模块3的结构示意图。该模块包括：

信号采集单元31，用于接收手写字符输入的信号并采集该手写字符轨迹点的离散坐标序列；

归一化单元32，用于利用一个平滑连续函数，将采集到的手写字符轨迹点的离散坐标序列变换成为另一个离散坐标序列，以调整手写字符的大小和形状以及重心的坐标值，得到该手写字符的规整坐标序列；

特征提取单元33，用于根据手写字符的规整坐标序列，将所有相邻轨迹点形成的矢量线段分解到八个标准方向，得到手写字符的多维特征矢量；

存储单元34，用于存储特征变换矩阵及全体字符类的粗分类模板和细分类模板，粗分类模板由全体字符类经特征选取后计算得到的样本中心构成，细分类模板由全体字符类经特征变换后计算得到的样本中心构成；

粗分类单元35，用于从手写输入信号的多维特征矢量中选取部分特征值，将所述手写输入信号分别与所述存储模块34中的粗分类模版进行匹配，从预存储字符类中选取相似度最大的若干个候选字符类；

细分类单元36，用于对手写输入信号的多维特征矢量进行特征变换，将特征变换后的手写输入信号与从所述存储模块34中的细分类模板中选取的候选字符类的样本中心进行匹配，从中确定最相似的字符类，以供用户选择。

参考图3示出的本发明的一种基于触摸屏的快速调用系统的在一种实施方式中的工作流程图，其包括如下步骤：

S1、摸屏屏幕进行解锁；

S2、在触摸屏桌面状态下接收手写输入信号；

S3、识别所述手写输入信号，判断是否是选择目标功能对象，若是，转步骤S7；否则进行下一步；

S4、根据所述手写输入信号识别输入的手写输入信号；

S5、从存储模块中选择输出与该手写输入信号相匹配的候选字符对象；

S6、根据用户输入的指令从输出的候选字符对象中选择目标字符对象输入；

S7、搜索与所述目标字符对象相匹配的功能对象；

S8、选择调用功能对象。系统将选择的目标字符对象与功能对象的关键词进行匹配，若某一关键词包含有该目标字符对象，则两者相匹配。匹配模块会调出与该该相匹配的关键词相关联的功能对象。

通过在触摸屏桌面状态下识别用户手写输入的字符，再根据手写输入的字符来预测用户的操作意图，将关联的功能对象显示到界面，这样用户就可以快速调用相应的功能了。

所述步骤S4和S5之间还包括如下步骤，检测是否识别为有效输入，若是有效输入，则进行所述步骤S5，该有效输入是指根据输入的手写信号能否识别出有效字符，能够识别出有效字符的输入为有效输入；否则保持在桌面下的输入状态。

对手写输入的字符经过坐标序列采集，预处理、特征矢量提取、粗分类、细分类等处理流程，从而最终识别该手写字符。

图4示出了一种手写字符输入的详细流程图，步骤S3-步骤S4的手写字符输入的步骤具体如下：

步骤S01，从预先准备的字符类的样本的特征矢量中选取部分特征值，计算各个字符类的样本中心，得到由全体字符类的样本中心构成的粗分类模版，将粗分类模版存储在手机等输入终端的存储器中；具体地，预存储字符类的样本预先通过特征提取，获得其多维特征矢量，然后根据Fisher准则，从每一个字符类的样本的多维特征矢量中，选取使得Fisher比最大的若干个特征值，计算各个字符类的样本中心，得到由全体字符类的样本中心构成的粗分类模版。

该步骤的目的是从预先准备的字符类的样本的特征矢量中获得粗分类模版，为了提高粗分类的速度，要选择一部分特征计算匹配距离，特征选择和模版设计是在一个训练样本集合上进行的。训练样本集包含每个字符类别的手写样本，每个样本经特征提取用640个特征值(640维的特征矢量x＝[x₁，...，x₆₄₀]^T)表示。设有C个类别的总共N个样本，其中类别i有Ni个样本。选择特征的准则是Fisher准则(模式识别教材上有详细说明)：Fisher准则函数的基本思想是，构造评价函数，使得当评价函数最优时，被分类的类别之间的距离尽可能大，同时各类内部样本间距离尽可能小。

将第i类的第j个样本表示为特征矢量

(由部分候选特征组成)，则各个类别的样本中心(均值)为

${\mathrm{\μ}}^i=\frac{1}{N_i}\underset{j=1}{\overset{N_i}{\mathrm{\Σ}}}{x}_j^i,i=1,...,C---\left(1\right)$

总的中心为 ${\mathrm{\μ}}^0=\frac{1}{N}\underset{i=1}{\overset{C}{\mathrm{\Σ}}}{N}_i{\mathrm{\μ}}^i.$

类内协方差矩阵和类间协方差矩阵分别计算为：

$S_w=\frac{1}{N}\underset{i=1}{\overset{C}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_i}{\mathrm{\Σ}}}(X_j^i-{\mathrm{\μ}}^i){(x_j^i-{\mathrm{\μ}}^i)}^T---\left(2\right)$

$S_b=\frac{1}{N}\underset{i=1}{\overset{C}{\mathrm{\Σ}}}{N}_i({\mathrm{\μ}}^i-{\mathrm{\μ}}^0){({\mathrm{\μ}}^i-{\mathrm{\μ}}^0)}^T---\left(3\right)$

特征选择的目标是在选择部分特征的基础上，矩阵的迹

(Fisher比)达到最大值。这里的

候选特征在特征选择过程中是变化的。寻找Fisher比最大的特征组合是一个组合优化问题，可用顺序前向搜索法近似求解：

先计算每一个特征的Fisher比，选择Fisher比最大的特征。然后把余下特征中的每一个依次与已选特征组成特征矢量计算Fisher比，选择Fisher比最大的特征加入已选特征。如此反复，直到已选特征达到规定的数目(定为100以下)为止。

特征选择的具体过程如下：首先以640个特征中的每一个依次作为候选，计算Fisher比，以Fisher比最大的一个特征作为选出来的第一个特征。然后把剩下的639个特征中的每一个依次与第一次选出来的特征一起(此时候选特征有两个)评价，选出Fisher比最大的含有2个特征值的组合。然后把剩下的638个特征中的每一个依次与前面选出来的含有2个特征值的组合一起(此时候选特征有3个)评价，选出Fisher比最大的含有3个特征值的组合。如此反复，直到选出来的特征数达到指定的数目为止。特征选择完成后，特征集也就固定了。

经过特征选择后，各个类别的粗分类模版是一类样本的中心(均值)，用公式(1)计算。

步骤S02，对预存储字符类的样本的特征矢量进行特征变换，重新计算各个字符类的样本中心，得到由全体字符类的样本中心构成的细分类模版；

为了得到更高的识别精度，细分类特征采取特征变换，而不是特征选择，即把原来D＝640维的特征矢量经线性变换得到低维(d＜D)矢量，特征变换后的特征矢量维数一般定为100到150之间。利用公式：y＝Wx进行特征变换，其中W为dxD的变换矩阵。求解变换矩阵使Fisher比tr[(WS_wW^T)^-1W^TS_bW^T]最大，其结果，W的每一行是矩阵

对应本征值最大的d个本征向量(这是标准的数学方法，不必赘述)。经过降维后，各个类别的模版是一类样本的中心(公式(1))。

像上面这样得到的特征变换矩阵和类别模版还不能得到很高的识别精度。为此，对变换矩阵和类别模版进行迭代调整，使在训练样本集合上的分类错误(每个样本分到距离最近的类别)逐步减少。首先，将所有训练样本的权重设为1，用Fisher准则得到的变换矩阵和类别中心模版对所有的训练样本分类，每个错分的样本权重加1。设样本

(i类的第j个样本)的权重表示为

按下式重新计算类中心、类内和类间协方差矩阵：

${\mathrm{\μ}}^i=\frac{1}{\underset{j=1}{\overset{N_i}{\mathrm{\Σ}}}{v}_j^i}\underset{j=1}{\overset{N_i}{\mathrm{\Σ}}}{v}_j^i{x}_j^i---\left(4\right)$

${\mathrm{\μ}}^0=\frac{1}{\underset{i=1}{\overset{C}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_i}{\mathrm{\Σ}}}{v}_j^i}\underset{i=1}{\overset{C}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_i}{\mathrm{\Σ}}}{v}_j^i{x}_j^i---\left(5\right)$

$S_w=\frac{1}{\underset{i=1}{\overset{C}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_i}{\mathrm{\Σ}}}{v}_j^i}\underset{i=1}{\overset{C}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_i}{\mathrm{\Σ}}}{v}_j^i(x_j^i-{\mathrm{\μ}}^i){(x_j^i-{\mathrm{\μ}}^i)}^T---\left(6\right)$

$S_b=\frac{1}{\underset{i=1}{\overset{C}{\mathrm{\Σ}}}{V}_i}\underset{i=1}{\overset{C}{\mathrm{\Σ}}}{V}_i({\mathrm{\μ}}^i-{\mathrm{\μ}}^0){({\mathrm{\μ}}^i-{\mathrm{\μ}}^0)}^T,$ 其中 $V_i=\underset{j=1}{\overset{N_i}{\mathrm{\Σ}}}{v}_j^i---\left(7\right)$

在此基础上通过使tr[(WS_wW^T)^-1W^TS_bW^T]最大化重新计算变换矩阵和特征变换后的类中心，重新对训练样本分类，错分的样本权重加1；如此反复，直到训练样本的分类错误不再进一步减少为止。

步骤S03，接收手写字符输入的信号并采集手写字符轨迹点的离散坐标序列；具体地用笔在触摸屏上书写，下笔时把笔尖的位置(x，y)坐标序列记录下来。一个输入字符的完整书写轨迹用一个(x，y)序列表示：{(x1，y1)，(x2，y2)，...，(xn，yn)}。

利用一个平滑连续函数，将采集到的手写字符轨迹点的离散坐标序列变换成为另一个离散坐标序列，以调整手写字符的大小和形状以及重心的坐标值，得到该手写字符的规整坐标序列；字符轨迹的归一化有两个目的：大小标准化和形状校正。如图5a-5b所示，图5a中的字符经过归一化后变成了图5b中的形状，不仅边界变成了规定的大小(所有字符经归一化后边界变成相同大小)，而且形状也发生了变化，变得更规范，从而更容易识别。

归一化是通过两个座标变换函数x′＝x^a和y′＝y^b实现，把字符轨迹中每一点的座标(x，y)用(x’，y’)代替后，就得到归一化的字符轨迹。

参数a和b的估计方法如下：

首先，找出座标序列中x和y的最小值，把所有点的x和y坐标分别减去x和y的最小值，从而使x和y的最小值都变成0。然后，所有的x和y值乘以100/u，其中u是所有点x和y的最大值，从而使x和y值介于0到100之间。

第二步，求笔划轨迹在水平方向和垂直方向上的投影。把字符笔划轨迹放进一个100x100的网格，如图6所示(示意图中为10x10的网格)。把每一纵列格子中的笔划长度相加，就得到水平方向的投影fx(i)，i＝1，2，...，100。同样，把每一行格子中的笔划长度相加，就得到垂直方向的投影fy(i)，i＝1，2，...，100.由fx(i)计算水平方向的重心：

$x_c=\frac{\underset{i=1}{\overset{100}{\mathrm{\Σ}}}i\×f_x\left(i\right)}{\underset{i=1}{\overset{100}{\mathrm{\Σ}}}{f}_x\left(i\right)}---\left(8\right)$

同样，由fy(i)计算垂直方向的重心yc。

第三步，把所有点的坐标及(xc，yc)除以100，变为0到1之间。函数x′＝x^a和y′＝y^b分别把xc和yc变为0.5，即x_c ^a＝0.5，

同样y_c ^b＝0.5

经过变换，使字符轨迹的重心移到(0.5，0.5)而边界保持不变。

第四步，把(x’，y’)乘以一个给定的倍数，从而使字符的外框变为规定的大小。这个倍数我们定为64。最后，归一化字符轨迹中所有点的坐标介于0到64之间。

步骤S04，根据手写字符的规整坐标序列，进行特征提取得到该手写字符的多维特征矢量；基本思想：如图7所示，把笔划线段(每相邻两点之间连成一条矢量线段)分解到D1至D8的8个标准方向，记录64x64网格中每个格子中各个方向的线段长度值，然后计算两个尺度的方向特征值。

第一步，把笔划线段分解到8个标准方向。坐标点序列中每相邻两点之间连成一条线段，是一个有方向的矢量f_i。该矢量f_i的方向介于两个标准方向D2与D3之间，把矢量f_i分解成两个标准方向D2与D3上的分量(如图8所示)，每个标准方向上的分量长度计入所在格子中该方向的线段长度值。这样，在8个方向的每个方向上得到64x64个线段长度值。

第二步，计算大尺度特征。把每个方向上的64x64网格均匀分成4x4个方格，计算每个方格中各个方向上线段长度值的和，得到8x4x4＝128个特征值。

第三步，计算小尺度特征。把每个方向上的64x64网格均匀分成8x8个方格，计算每个方格中各个方向上线段长度值的和，得到8x8x8＝512个特征值。

大尺度特征和小尺度特征的总个数为128+512＝640。

步骤S05，从手写输入信号的多维特征矢量中选取部分特征值，将所述手写输入信号分别与所述粗分类模版进行匹配，从预存储字符类中选取相似度最大的若干个候选字符类；具体地，按照步骤S01中所述的：根据Fisher准则，从手写输入信号的多维特征矢量中，选取使得Fisher比最大的若干个特征值，选取的特征值个数与步骤S01中选取的特征值个数相同。

模板匹配的距离计算如下：设手写输入信号的多维特征矢量表示为矢量x＝[x₁，...，x_n]^T，粗分类模板中一个类别的样本中心表示为特征矢量y＝[y₁，...，y_n]^T，则通过如下公式计算匹配距离：

$d(x,y)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}|x_i-y_i|---\left(9\right)$

步骤S06，对所述手写输入信号的多维特征矢量进行特征变换，将特征变换后的手写输入信号与从所述细分类模板中选取的候选字符类的样本中心进行匹配，从中确定最相似的字符类，以供用户选择。该步骤的目的是进行细分类，对一个输入字符，在粗分类中找出M个候选类别后，细分类采用比粗分类更多的特征，重新计算输入字符到M个候选类别模板的距离，取距离最近的类别作为最终识别结果。

细分类给出匹配距离最小的多个(一般为10个)类别作为最终候选。这些候选类别可以直接显示出来供用户选择，或利用语言规则根据上下文自动选择。

步骤S05的粗分类是把输入字符(待识别字符)的特征矢量与模版数据库中存储的各个字符类别的模版进行比较(匹配)，找出距离最小(也就是相似度最大)的M(比如M＝100)个类别作为候选，在步骤S06的细分类中再找出距离最小的候选类别作为最终识别结果。

粗分类和细分类所比较的模版不同(特征也不一样)：粗分类模版简单(特征少)，计算速度快，细分类模版复杂(特征较多)，计算速度较慢。

粗分类的目的是快速找出M个候选类别后，细分类中不必计算所有类别的距离(只计算M个候选类别的距离)，从而提高总体识别速度。

以上所述是本发明的优选实施方式而已，当然不能以此来限定本发明之权利范围，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和变动，这些改进和变动也视为本发明的保护范围。

Claims (6)

1.一种基于触摸屏的实时调用系统，其包括：

触摸屏，用于手写触摸输入及输出显示；

手写信号接收模块，用于接收触摸屏桌面状态下的手写输入信号；

存储模块，用于存储字符对象；

手写输入法模块，用于识别所述手写信号接收模块接收的手写输入信号，并从存储模块中选择输出与该手写输入信号相匹配的候选字符对象；

选择模块，用于根据用户输入的指令从输出的候选字符对象中选择目标字符对象输入；

显示处理模块，用于在手写识别处理模块输出字符对象后，使触摸屏跳转显示字符输入栏，并实时显示与手写识别处理模块输出的字符对象相匹配的功能对象的选择框；

功能对象数据库，用于存储功能对象；

匹配模块，用于从功能对象数据库中实时搜索出与所述输入的目标字符对象相匹配的功能对象供用户选择调用。

2.如权利要求1所述基于触摸屏的实时调用系统，其特征在于，所述功能对象数据库包括：

网络功能对象库，用于存储网络功能对象；

本地功能对象库，用于存储本地功能对象。

3.如权利要求2所述基于触摸屏的实时调用系统，其特征在于其还包括分类模块，该分类模块识别与所述输入的目标字符对象相匹配的功能对象的类型，将所述相匹配的功能对象分为匹配的网络功能对象和匹配的本地功能对象。

4.如权利要求3所述基于触摸屏的实时调用系统，其特征在于所述选择框包括网络功能对象选择框和匹配的本地功能对象选择框，匹配的网络功能对象显示于网络功能对象选择框中；匹配的本地功能对象显示于本地功能对象选择框中。

5.如权利要求4所述基于触摸屏的实时调用系统，其特征在于所述分类模块进一步将本地功能对象分类为联系人和其他本地功能对象，所述本地功能对象选择框进一步包括联系人选择框和其他本地功能对象选择框。

6.如权利要求3-5中任意一项中的所述基于触摸屏的实时调用系统，其特征在于，所述显示处理模块使功能对象在选择框中滚动显示。

Images