CN104050453A - 一种手写汉字笔势评价方法 - Google Patents

Abstract

本发明提供一种手写汉字笔势评价方法，包括构建笔势评价模板和基于模板的笔势评价方法。主要包括如下步骤：首先对书法专家的书写轨迹进行采样，对采样结果进行降噪等预处理，确认书法专家手写汉字笔势的特征，得到若干笔势特征向量，并存入笔势模板特征库，作为笔势评价模板；然后获取用户书写轨迹的采样结果，得到用户手写汉字笔势特征，并以标准笔势模板中的特征向量来表征，最后将用户手写汉字的笔势特征向量与标准笔势模板中的笔势特征向量进行匹配，根据匹配结果对手写汉字的笔势做综合评价。本发明可以克服人工评价汉字的不足，能对手写汉字的笔势进行评判。

Description

一种手写汉字笔势评价方法

技术领域

本发明涉及利用计算机对手写汉字笔势评价的技术领域，尤其涉及一种手写汉字笔势评价模板构建及其评价方法。

背景技术

文字是记录、传递语言信息的社会性符号系统，汉字作为中华民族的一种文字更是承载着我们民族的历史、文化与气质，它是五千年中华文明最直接的传承者。而伴随着电脑的普及，人们对电脑打字越来越依赖，手写汉字的机会则越来越少。手写汉字的关注程度和练习强度被大大弱化，如何提升国人汉字书写能力已成为一个亟待解决的问题。

目前手写汉字书写自动评价方法主要有以下几种：

1.通过记录书写笔迹、笔画数、判断笔画相交关系来进行评价，如中国发明专利“手写汉字笔画相交离的规范性判定方法和装置”(公开号：CN101320422A)公开了一种通过判断手写汉字笔画相交离关系判断手写汉字书写是否规范的方法。

2.通过对人工给定的汉字样本进行机器学习，然后使用图像处理与人工智能的方法对手写汉字进行相似度模糊判断，如中国发明专利“一种汉字书写美观度的计算机评估方法”(公开号:CN101295371A)。

3.通过判断手写汉字的横向、纵向比例关系、结构特征以及手写汉字各点在书写空间内的分布关系进行评价，如中国发明专利“书写汉字结构规范性评价的方法和装置”(公开号：CN101251891A)。

4.1995年的Proceedings of the International Conference on ComputerProcessing of Oriental Languages(ICCPOL)会议论文集(文章标题“Chineseglyph generation using character composition and beauty evaluationmetrics”)公布了一种定量评估中文字体美感的问题：通过对汉字“四平八稳、布白均匀、穿插避让、风格统一”的四条规则逐一计算相应的分数，并得到它们的加权和。

上述方法虽然能在某些方面对于手写汉字书写质量进行评价，但这些方法都没有实现手写汉字笔势的评价，因而无法评价手写汉字的韵律感或节奏感。

发明内容

本发明的目的在于针对现有技术的不足而提供一种可以克服人工评价手写汉字笔势主观性的方法，使计算机能够智能地对用户手写汉字的笔势进行评价。

为了实现发明目的，本发明采用的技术方案为通过手写平台对书法专家的手写汉字轨迹进行采集，建立手写汉字笔势评价模板，基于笔势评价模板对用户手写汉字笔势进行评价，主要包括如下步骤：

(1)构建笔势量化评价模板

11)书法专家书写轨迹采样：书法专家在手写平台上手写汉字，用手写平台数据采样函数记录书法专家书写汉字笔画轨迹，采集得到书写汉字轨迹表示为P＝{P_k(x_k,y_k)，k＝1..n}，x_k为特征点的横坐标，y_k为特征点的纵坐标，n为用户书写某个汉字所获得的特征点数量；

12)对采样结果进行预处理,遍历笔画中的所有点，对原始点集进行降噪处理；

13)分析预处理后的数据确认书法专家手写汉字笔势的特征，得到若干笔势特征向量；

14)将获取到的笔势特征向量存入标准笔势模板特征库，形成笔势量化评价模板；

(2)基于笔势量化评价模板的笔势评价方法

21)用户手写轨迹采样，用户在手写平台上手写汉字，用手写平台数据采样函数记录用户手写汉字笔画轨迹，采集得到书写汉字轨迹表示为P＝{P_k(x_k,y_k)，k＝1..n}，x_k为特征点的横坐标，y_k为特征点的纵坐标，n为用户书写某个汉字所获得的特征点数量；

22)对采样结果进行预处理，遍历笔画中的所有点，对原始点集进行降噪处理；

23)获取用户手写汉字笔势特征，并以笔势量化评价模板中所用的特征向量来表征；

24)将用户手写汉字的笔势特征向量与笔势量化评价模板中的笔势特征向量进行匹配，根据匹配结果对书写汉字的笔势做综合评价。

所述步骤13)中，笔势特征向量包括：

(a)书写速度特征，包括每个点的速度、最大书写速度、最小书写速度、平均书写速度、不同笔画与速度的关系、笔画中不同部位与速度的关系以及不同弧度朝向的弧与速度的关系、笔画与笔画之间速度的关系；

(b)书写加速度特征，包括每个点的加速度；

(c)书写时间特征，包括总手写时间、平均手写时间、单一笔画手写时间和单一笔画内各部分的手写时间；

(d)手写笔画速度曲线峰的峰谷数；

(e)速度之间相对变化量特征，包括最大速度点和最小速度点之间的距离与行笔部分长度的相对变化量、起笔点到运笔最大速度点的距离和起笔点到终点的距离相对变化量、起笔点到运笔最小速度点的距离和起笔点到终点的距离相对变化量。

所述步骤24)中，采用模糊评价的方法对书写汉字的笔势做综合评价，具体步骤是：

31)构造单个笔势特征的模糊子集；

32)构造单个笔势特征评价模型；

33)对每个笔势特征评价进行线性加权和，从而得到最终笔势评价结果。

对用户手写汉字笔势评价时，根据笔势评价模板中的笔势特征，可以使用曲线相似性判别方法、波形匹配方法、特征函数法、神经网络方法、模糊评价法等方法对提取到的笔势特征进行分析。本发明可以克服人工评价汉字的不足，能对手写汉字的笔势进行评判。

附图说明

图1是本发明的流程图；

图2是本发明所描述的模糊评价法的流程图。

具体实施方式

下面结合附图，对本发明做详细说明。

如图1，一种手写汉字笔势评价方法，包括如下步骤：

1.构建笔势量化评价模板；

(1)书法专家书写轨迹采样，书法专家在手写平台上手写汉字，用手写平台数据采样函数记录书法专家书写汉字笔画轨迹，采集得到书写汉字轨迹表示为P＝{P_k(x_k,y_k)，k＝1..n}，n为用户书写某个汉字所获得的特征点数量；

(2)对采样结果进行预处理，根据书法专家在平台上手写某个汉字采集到的手写汉字轨迹，将书法专家书写过程中下笔到起笔所形成的点集定义为一个笔画，笔画集表示为O＝{O_i(p₁,p₂..p_j)，i＝1..m}，其中m为该手写汉字笔画的数量，j表示某一笔画中包含的点集数量。遍历笔画中的所有点，对原始点集进行降噪处理，降噪处理的实现方式为：计算相邻点之间的距离L

$L_i=\sqrt{{(x_i-x_{i+1})}^2+{(y_i-y_{i+1})}^2}$

求L的最大值L_max，若相邻两点p_i,p_i+1的距离L_i<0.2*L_max，则去掉点p_i+1，同时使L_i+1＝L_i+L_i+1。，遍历手写汉字的所有笔画，形成新的笔画集S＝{S_i(p₁,p₂..p_k)，i＝1..m}，其中m为该手写汉字笔画的数量，k表示某一笔画中包含的点集数量。

(3)提取书法专家手写汉字笔势特征，形成若干特征向量，笔势特征主要包括：手写速度、手写加速度、手写时间、手写笔画速度曲线的峰谷数、速度之间的相对变化量等。

手写速度的获取主要包括：

1)记录手写过程中每个点的坐标值和时间戳；

2)根据坐标值和时间戳计算每个点的速度；

3)根据每个点的速度计算最大书写速度、最小书写速度和平均书写速度；

4)计算不同笔画与速度的关系；

5)计算笔画中不同部位与速度的关系；

6)计算不同弧度朝向的弧与速度的关系；

7)计算笔画与笔画之间速度的关系。

手写加速度的获取主要包括：

1)记录手写过程中每个点的坐标值和时间戳；

2)根据坐标值和时间戳计算手写加速度；

书写时间的获取主要包括：

1)记录手写过程中每个点的坐标值和时间戳；

2)根据时间戳计算总手写时间、平均手写时间、单一笔画手写时间、单一笔画内各部分的手写时间；

3)根据时间戳计算笔画与笔画之间的间隔时间。

速度之间相对变化量的获取主要包括：

1)最大速度点和最小速度点之间的距离与行笔部分长度的相对变化量；

2)起笔点到运笔最大速度点的距离和起笔点到终点的距离相对变化量；

3)起笔点到运笔最小速度点的距离和起笔点到终点的距离相对变化量。

手写笔画速度曲线峰谷数的获取：

根据书法专家在手写平台上手写某个汉字的笔迹移动情况，获取该手写汉字点集，并将点集表示为P＝{P_k(x_k,y_k)，k＝1..n}，n为用户手写某个汉字所获得的特征点数量。根据下面的公式计算每个点的速度V_n。

$V_n=\sqrt{\frac{{(x_n-x_{n-1})}^2+{(y_n-y_{n-1})}^2}{t_n-t_{n-1}}}$

根据每个点的速度绘制笔画的速度曲线。在速度曲线中确定波峰点和波谷点位置的方法为：

将当前点与周围相邻的两个点进行比较来确定波峰和波谷的位置。对于速度曲线上的某个点p_n，如果p_n＞p_n+1并且p_n＞p_n-1，则p_n为速度曲线的波峰点；对于速度曲线上的某个点p_n，如果p_n＜p_n+1并且p_n＜p_n-1，则p_n为速度曲线的波谷点。遍历笔画中所有的波峰点和波谷点，对所有的波峰点和波谷点进行预处理，提取出稳定的波峰点和波谷点，预处理的实现方式为：

(a)速度曲线上的某个局部波峰点p_n，如果在它周围的六个点中存在p_n+2＞p_n，p_n+3＞p_n，p_n-2＞p_n，p_n-3＞p_n，则去除该波峰点；对于局部波谷点采用同样的方法进行处理。

(b)去除速度曲线中相邻波峰点和波谷点速度差值小于平均速度的10％的波峰点和波谷点。

(c)去除速度曲线中速度小于平均速度的10％的波峰点和波谷点。

(4)将获取到的笔势特征向量存入标准笔势模板特征库，形成笔势量化评价模板。

2.基于笔势评价模板的笔势评价方法

(1)用户手写轨迹采样，用户在手写平台上手写汉字，用手写平台数据采样函数记录用户手写汉字笔画轨迹，采集得到书写汉字轨迹表示为P＝{P_k(x_k,y_k)，k＝1..n}，n为用户书写某个汉字所获得的特征点数量；

(2)对采样结果进行预处理，对采样结果进行预处理，根据用户在平台上手写某个汉字采集到的手写汉字轨迹，将用户书写过程中下笔到起笔所形成的点集定义为一个笔画，笔画集表示为O＝{O_i(p₁,p₂..p_j)，i＝1..m}，其中m为该手写汉字笔画的数量，j表示某一笔画中包含的点集数量。遍历笔画中的所有点，对原始点集进行降噪处理，降噪处理的实现方式为：计算相邻点之间的距离L

$L_i=\sqrt{{(x_i-x_{i+1})}^2+{(y_i-y_{i+1})}^2}$

求L的最大值L_max，若相邻两点p_i,p_i+1的距离L_i<0.2*L_max，则去掉点p_i+1，同时使L_i+1＝L_i+L_i+1。，遍历手写汉字的所有笔画，形成新的笔画集S＝{S_i(p₁,p₂..p_k)，i＝1..m}，其中m为该手写汉字笔画的数量，k表示某一笔画中包含的点集数量。

(3)提取用户手写汉字笔势特征，形成若干特征向量，笔势特征主要包括：手写速度、手写加速度、手写时间、手写笔画速度曲线的峰谷数、速度之间的相对变化量等。

用户手写速度的获取主要包括：

1)记录用户手写过程中每个点的坐标值和时间戳；

2)根据坐标值和时间戳计算每个点的速度；

3)根据每个点的速度计算最大书写速度、最小书写速度和平均书写速度；

4)计算不同笔画与速度的关系；

5)计算笔画中不同部位与速度的关系；

6)计算不同弧度朝向的弧与速度的关系；

7)计算笔画与笔画之间速度的关系。

用户手写加速度的获取主要包括：

1)记录用户手写过程中每个点的坐标值和时间戳；

2)根据坐标值和时间戳计算手写加速度；

用户书写时间的获取主要包括：

1)记录用户手写过程中每个点的坐标值和时间戳；

2)根据时间戳计算总手写时间、平均手写时间、单一笔画手写时间、单一笔画内各部分的手写时间。

速度之间相对变化量的获取主要包括：

1)最大速度点和最小速度点之间的距离与行笔部分长度的相对变化量；

2)起笔点到运笔最大速度点的距离和起笔点到终点的距离相对变化量；

3)起笔点到运笔最小速度点的距离和起笔点到终点的距离相对变化量。

用户手写笔画速度曲线峰谷数的获取主要包括用户手写笔画速度曲线的波峰和波谷数。

(4)将用户手写汉字的笔势特征向量与标准笔势模板特征库中的笔势特征向量进行匹配，采用模糊评价的方法对书写汉字的笔势做综合评价。

对用户手写汉字笔势评价时，根据笔势量化评价模板中的笔势特征，可以使用曲线相似性判别方法、波形匹配方法、特征函数法、神经网络方法、模糊评价法等方法对提取到的笔势特征进行分析。下面给出一种模糊评价法的实例。

如图2所示，模糊评价法包括如下步骤：

1)建立标准汉字手写笔势特征集；

2)用户在手写平台上手写汉字，根据用户手写某个汉字的笔迹移动情况，记录用户书写轨迹；

3)在标准汉字手写笔势特征集中计算相应的笔势特征；

4)对用户手写数据和标准手写进行相似性比较，计算笔势分析结果。

模糊评价法对笔势特征分析主要分析汉字关键笔画的笔势。关键笔画根据用户在手写过程中记录的笔画手写笔迹，选取笔画长度最长的作为关键笔画，在一个字中可以有多个关键笔画。

1.构造手写汉字笔势特征模糊子集

1)笔画书写速度波形中典型波峰和波谷特征模糊子集

设用数值1,-1分别表示极大值点，极小值点，即一条笔画书写速度标注为n个由-1,1元素组成的向量。令μ为速度曲线中某点的坐标值，为速度曲线的极值点，极值点的计算方法为：

统计极值点个数组成极值点向量(max,min)。例如：笔画“横”的极值点向量为：(1，-1,1，-1,1)。

对笔画书写速度曲线特征进行模糊化，建立笔画手写速度曲线特征的模糊集合，用下式模糊隶属度函数来建立书写各笔画书写速度曲线特征向量。

$\mathrm{\&mu;}\left(x_k\right)=\left\{\begin{array}{c}{e}^{-\frac{{(x_k-a_k)}^2}{{{2\mathrm{\&sigma;}}_k}^2},|x_k-a_k|\&le;\mathrm{\&delta;}}\\ 0,|x_k-a_k|>\mathrm{\&delta;}\end{array}\right.$

其中，x_k为用户书写速度曲线特征向量，a_k为标准笔画书写速度曲线特征向量，δ为最大允许差异数。

2)笔画手写平均速度特征模糊子集

分别计算笔画的平均速度、水平方向平均速度和垂直方向平均速度，这三个速度作为笔画书写平均速度特征模糊子集。平均速度特征模糊隶属度函数如下：

$\mathrm{\&mu;}\left(x_s\right)=\left\{\begin{array}{c}{e}^{-\frac{{(x_s-a_s)}^2}{{{2\mathrm{\&sigma;}}_s}^2},|x_s-a_s|\&le;\mathrm{\&delta;}}\\ 0,|x_s-a_s|>\mathrm{\&delta;}\end{array}\right.$

其中x_s为用户手写平均速度，a_s为标准手写平均速度，δ为最大允许差异数。

对提取到的所有笔势特征按相似方法构造模糊特征子集。

2.构造手写汉字笔势模糊评价模型

1)笔画速度峰谷数模糊评价

设一个汉字有n个关键笔画，标准书写产生的各笔画峰谷数特征模糊集合为：

$S=[S_1,S_2,S_3,...,S_n]=\left[\begin{array}{cccc}{S}_1\left(r_1\right)& S_2\left(r_1\right)& ...& S_n\left(r_1\right)\\ ...& ...& ...& ...\\ ...& ...& ...& ...\\ S_1\left(r_3\right)& S_2\left(r_3\right)& ...& S_n\left(r_3\right)\end{array}\right]$

用户手写的笔画峰谷数模糊特征集合向量：

U、S中单个笔画峰谷数模糊特征相似度：

$d_i(S,U)=1-\sqrt{\frac{{\mathrm{\&Sigma;}}_{j=1}^3{[S_i\left(r_j\right)-U_i\left(r_j\right)]}^2}{3}}$

其中i∈{1,2,...,n}。

计算汉字整字笔画峰谷数模糊特征相似度：

$\mathrm{sim}(S,U)=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}(d_i(S,U)\&CenterDot;W_i)$

其中0＜W_i＜1为每个笔画在整个字中的重要性所占的权值。

笔画峰谷数评价等级设计为三个等级，评价等级集合为{相似，近似，偏离}，按照相似度公式计算结果与等级对应关系如下表(各个等级的相似度值根据实际进行调整)：

表1相似度与评价等级的对应关系

对笔势特征获取到的其他特征也按类似方法进行模糊评价。

2)综合评价

在各种评价的基础上对手写汉字笔势进行综合评价。若任何一项相似度小于0.5则取其中的最小值，否则根据各项的重要性计算综合评价结果。综合评价计算函数如下：

根据综合评价计算函数的计算结果与笔势评价等级对应关系如下表(各个等级的值可以根据实际进行调整)：

表2综合评价结果与评价等级的对应关系

上面所述的模糊评价法是一种笔势相对评价方法，本方法可以应用于书写教学、书写爱好者自我练习书写等方面，采用本方法可以获取更加全面的笔迹信息，实现汉字书写美观程度的评价，对书写学习者有极大帮助，特别是在书写运笔节奏及“韵律美”的层面上可以更好的指导学习者。

本发明还可应用于在通过手写设备书写的情况下，获取用户的动态笔迹特征，通过笔势特征分析用户的书写特征，书写特征同时反应了用户的心理特征，书写特征的相对稳定性、特殊性可以作为是否是同一书写认定依据的基础，能极大的提高笔迹检验的准确率和客观性。除此之外，本发明还可应用于智能汉字书写，通过提取汉字的骨架，对汉字骨架根据笔势信息进行汉字动态回显，这样回显出来的汉字具有笔锋效果，与实际书写的汉字效果更加逼真。

以上实施方式仅为体现本发明内容的较佳实施例，依据本发明的思想，在具体实施过程中实施流程会有改变之处，本说明书内容不应理解为对本发明的限制。

Claims (3)

1.一种手写汉字笔势评价方法，其特征在于，包括如下步骤：

(1)构建笔势量化评价模板

11)书法专家书写轨迹采样：书法专家在手写平台上手写汉字，用手写平台数据采样函数记录书法专家书写汉字笔画轨迹，采集得到书写汉字轨迹表示为P＝{P_k(x_k,y_k)，k＝1..n}，x_k为特征点的横坐标，y_k为特征点的纵坐标，n为用户书写某个汉字所获得的特征点数量；

12)对采样结果进行预处理,遍历笔画中的所有点，对原始点集进行降噪处理；

13)分析预处理后的数据确认书法专家手写汉字笔势的特征，得到若干笔势特征向量；

14)将获取到的笔势特征向量存入标准笔势模板特征库，形成笔势量化评价模板；

(2)基于笔势量化评价模板的笔势评价方法

21)用户手写轨迹采样，用户在手写平台上手写汉字，用手写平台数据采样函数记录用户手写汉字笔画轨迹，采集得到书写汉字轨迹表示为P＝{P_k(x_k,y_k)，k＝1..n}，n为用户书写某个汉字所获得的特征点数量；

22)对采样结果进行预处理，遍历笔画中的所有点，对原始点集进行降噪处理；

23)获取用户手写汉字笔势特征，并以笔势量化评价模板中所用的特征向量来表征；

24)将用户手写汉字的笔势特征向量与笔势量化评价模板中的笔势特征向量进行匹配，根据匹配结果对书写汉字的笔势做综合评价。

2.根据权利要求1所述的一种手写汉字笔势评价方法，其特征在于，所述步骤13)中，笔势特征向量包括：

(a)书写速度特征，包括每个点的速度、最大书写速度、最小书写速度、平均书写速度、不同笔画与速度的关系、笔画中不同部位与速度的关系以及不同弧度朝向的弧与速度的关系、笔画与笔画之间速度的关系；

(b)书写加速度特征，包括每个点的加速度；

(c)书写时间特征，包括总手写时间、平均手写时间、单一笔画手写时间和单一笔画内各部分的手写时间；

(d)手写笔画速度曲线峰的峰谷数；

(e)速度之间相对变化量特征，包括最大速度点和最小速度点之间的距离与行笔部分长度的相对变化量、起笔点到运笔最大速度点的距离和起笔点到终点的距离相对变化量、起笔点到运笔最小速度点的距离和起笔点到终点的距离相对变化量。

3.根据权利要求1或2所述的一种手写汉字笔势评价方法，其特征在于，所述步骤24)中，采用模糊评价的方法对书写汉字的笔势做综合评价，具体步骤是：

31)构造单个笔势特征的模糊子集；

32)构造单个笔势特征评价模型；

33)对每个笔势特征评价进行线性加权和，从而得到最终笔势评价结果。