CN104766067B - 一种基于扫描线的音符识别方法 - Google Patents
一种基于扫描线的音符识别方法 Download PDFInfo
- Publication number
- CN104766067B CN104766067B CN201510182832.4A CN201510182832A CN104766067B CN 104766067 B CN104766067 B CN 104766067B CN 201510182832 A CN201510182832 A CN 201510182832A CN 104766067 B CN104766067 B CN 104766067B
- Authority
- CN
- China
- Prior art keywords
- profile
- note
- sketch
- status switch
- state
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000004458 analytical method Methods 0.000 claims abstract description 24
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000012098 association analyses Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 abstract description 6
- 230000009191 jumping Effects 0.000 abstract 1
- 230000001429 stepping effect Effects 0.000 description 13
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000017105 transposition Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005194 fractionation Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于扫描线的音符识别方法。该方法通过对输入的音符草图采用扫描线分析的方法分析音符草图四边轮廓的形状,将四边轮廓分析成用“上跳”、“下跳”、“高平”和“低平”表示的轮廓状态组成简化的轮廓状态序列;然后将轮廓状态序列与预先构建的音符模型轮廓匹配得到对应的音符。本发明采用基于特征抽取的扫描线算法,在原有的理论基础上创新地结合碰撞扫描与贯穿扫描,计算编辑距离,采用阈值判断,跳出原有的特征抽取可能存在的几何形状类似,拐点重复等现状,提高识别效率。
Description
技术领域
本发明涉及手写识别技术,特别涉及手写音符识别技术。
背景技术
现有技术下,手写识别系统大都基于特征抽取的模版匹配算法。特征提取是计算机视觉和图像处理中的一个概念。它指的是使用计算机提取图像信息,决定每个图像的点是否属于一个图像特征。特征提取的结果是把图像上的点分为不同的子集,这些子集往往属于孤立的点、连续的曲线或者连续的区域。几何形状特征主要有两种表示方法,一类是轮廓特征,一类是区域特征。图像的轮廓主要针对物体的外边界,而图像的区域则关系到整个形状区域。轮廓特征抽取主要检测图像边缘,这类算法的要求是,尽可能多地标识出图像中的实际边缘,标识出的图像边缘要与实际图像中的边缘尽可能接近,图像中的边缘标识且只标识一次,可能存在的噪点不应标识为边缘。流行的基于边缘的特征提取算法有Canny算子、Sobel算子、方向链码、傅里叶算子及小波描述方法。基于区域的形状特征有几何不变距、广义傅里叶描述子、Zemike距等,这些方案通过区域平移旋转的不变性进行匹配,降低信息冗余、提高抗噪性,一个典型的显著区域算法可参考FT算法(frequency-tunedsalient region detection)。特征抽取中的距离度量往往基于点-点之间的编辑距离,利用边缘或区域点的位置和梯度方向作为匹配信息,与根据图像学习训练提取的模版进行相似度计算,实现图像识别。
特征提取过程中采用二值的判别标准,即对于一个给定的样本,它要么属于一个类,要么不属于一个类。但识别对象的数据采集经常受多种客观条件的影响,边缘抖动、复杂噪点、光影造成的边界模糊等会严重影响识别的准确度。尤其在手写音符识别中,书写随意性更大,其形状特征也不同于传统几何图形的认知方式。因此,现有技术下的这类特征提取的方法在手写音符识别中适应效果不佳。
发明内容
本发明所要解决的问题是现有技术下对手写音符识别效果不佳
为解决上述问题,本发明采用的方案如下:
一种基于扫描线的音符识别方法,包括如下步骤:
S1:获取用户输入的音符草图;
S2:对音符草图的左右两边轮廓用轮廓分析器扫描分析轮廓的形状,将轮廓的形状用轮廓状态简化表示成轮廓状态序列;所述轮廓状态分为“上跳”、“下跳”、“高平”和“低平”;
S3:将轮廓状态序列与预先构建的音符模型轮廓匹配得到对应的音符。
进一步,根据本发明的基于扫描线的音符识别方法,所述步骤S2中所述“轮廓分析器扫描分析轮廓的形状”包括以下步骤:
S21:根据音符草图的大小设定抖动阈值和步进距离;
S22:初始化轮廓状态序列,并将中间状态S初始化为“未知”;
S23:根据步进距离对音符草图轮廓进行步进扫描,根据抖动阈值判断步进范围内轮廓走向为“上行”、“水平”还是“下行”;假如步进范围内轮廓走向向上超过抖动阈值,则标记中间状态S为“上行”;假如步进范围内轮廓走向向下超过抖动阈值,则标记中间状态S为“下行”; 假如步进范围内轮廓走向向上和向下均不超过抖动阈值,则标记中间状态S为“水平”;
S24:根据当前轮廓状态序列和初始点坐标以及中间状态的轮廓关联分析,将中间状态S转换成轮廓状态合并至轮廓状态序列;
S25:重复步骤S23至S24直到分析完成。
进一步,根据本发明的基于扫描线的音符识别方法,该方法还包括对音符草图的上下两边轮廓用轮廓分析器扫描分析轮廓的形状的步骤。
本发明的技术效果如下:本发明采用基于特征抽取的扫描线算法,在原有的理论基础上创新地结合碰撞扫描与贯穿扫描,计算编辑距离,采用阈值判断,跳出原有的特征抽取可能存在的几何形状类似,拐点重复等现状,提高识别效率。
附图说明
图1是本发明的基于扫描线的音符识别方法的整体流程图。
图2是本发明的音符模型轮廓抽象示例图。
图3是对手写音符扫描分析的示例图。
图4是图3中圆A内一次步进的放大图。
图5是图3中圆B内一次步进的放大图。
图6是手写音符异常断点的示例图。
具体实施方式
下面结合说明书附图对本发明做进一步详细说明。
一、音符模型轮廓
本发明通过音符模型轮廓与分析得到手写音符轮廓进行匹配得到最终的结果,因此首先需要构建音符模型轮廓数据。每个音符对应一个模型轮廓。最终得到的音符模型轮廓数据可以以静态数据存于程序指令中,也可以以文件或数据库的方式保存。每个音符的模型轮廓用轮廓状态序列表示。轮廓状态有四种,分别为“上跳”、“下跳”、“高平”和“低平”,分别用字母表示为“U”、“D”、“H”和“L”。对于简单的音符,其模型轮廓用左右两边的轮廓状态序列表示;对于复杂的音符,其模型轮廓用上下左右四边的轮廓状态序列表示。构建音符模型轮廓时,首先对标准音符进行抽象得到抽象图,然后提取抽象图相应的轮廓状态序列。图2是构建音符模型轮廓的示例。如图2所示,a是标准音符的形状,b是抽象后的音符形状,c是将b顺时针旋转90度后左边轮廓的形状,d是将b逆时针旋转90度后右边轮廓的形状,由此可以得到该音符的左右两边的轮廓状态序列均为:“UHDL”。 上述“提取抽象图相应的轮廓状态序列”的过程与上述步骤S2中相同。因此实际操作中,可以借助步骤S2实现自动化构建音符模型轮廓数据,也即向步骤S2输入标准的音符图案得到相应的轮廓状态序列。
二、音符草图
音符草图通过用户笔迹采样,经预处理后获得。采样用户笔迹得到的可以是向量数据,也可以是位图。假如得到的是向量数据最终同样可以转换成位图。得到的位图为一级采样图。由于用户笔迹采样得到的一级采样图中可能包含多个音符,因此,本实施例中对一级采样图进行预处理,在预处理中,将包含有多个音符的一级采样图进行切割拆分得到多个音符草图。由此可以确保每个音符草图只包含一个音符。
上述过程也即前述步骤S1所完成的功能。事实上,本领域技术人员理解,步骤S1中的“获取用户输入的音符草图”可以表示音符草图为本发明的输入,至于如何获取音符草图的过程并非本发明所讨论的范畴,因此不再赘述。为了简单起见,本实施例中,输入的音符草图以带有宽和高的点阵位图的形式表示,当然本领域技术人员可以理解,也可以采用其他的方式表示。
三、轮廓分析器
如图1所示,本发明的过程在步骤S1获得音符草图后,首先分析左右两边的轮廓形状,匹配左右两边的轮廓状态序列;再分析上下两边的轮廓形状,匹配上下左右四边的轮廓状态序列。这与前述的“对于简单的音符,其模型轮廓用左右两边的轮廓状态序列表示;对于复杂的音符,其模型轮廓用上下左右四边的轮廓状态序列表示”相对应。无论“分析左右两边的轮廓形状”还是“分析上下四边的轮廓形状”均由轮廓分析器实现。轮廓分析器分析音符草图的轮廓只能分析一边。轮廓分析器的输入是音符草图。轮廓分析器分析所输入的音符草图时总是从左到右,自上而下地扫描。因此,轮廓分析器分析的是所输入音符草图上边轮廓形状,输出为所输入音符草图上边的轮廓状态序列。也因此,当轮廓分析器分析音符草图的左边时,首先需要对音符草图顺时针旋转90度后输入轮廓分析器;当轮廓分析器分析音符草图的右边时,首先需要对音符草图逆时针旋转90度后输入轮廓分析器;当轮廓分析器分析音符草图的下边时,首先需要对音符草图进行上下翻转后输入轮廓分析器;当轮廓分析器分析音符草图的上边时,音符草图保持不变地输入轮廓分析器。也因此“分析左右两边的轮廓形状”的过程和“分析上下两边的轮廓形状”的过程实质相同,均为轮廓分析器的分析过程,也即可以归为步骤S2。相应地,“匹配左右两边的轮廓状态序列”的过程和“匹配上下左右四边的轮廓状态序列”的过程也实质相同,均可归为匹配器匹配的过程,也即可以归为步骤S3。轮廓分析器扫描分析轮廓的形状的过程如下:
首先,根据音符草图的大小设定抖动阈值、高低阈值和步进距离,即前述步骤S21。轮廓分析器所分析处理的音符草图是经过转置的,分析过程总是从左到右,自上而下地扫描所输入音符草图上边轮廓形状。抖动阈值用于判断轮廓上行还是下行的门限值。中上阈值和中下阈值用于当中间状态为“水平”时属于“高水平”还是“低水平”。 步进距离用于自左向右扫描时,每一次步进的距离。因此,抖动阈值、高低阈值总是与所输入音符草图的高度相关,而步进距离则与所输入音符草图的宽度相关。本实施例中,抖动阈值、高低阈值和步进距离采用如下公式进行计算:
抖动阈值SThreshold=HDraft/16,
高低阈值HLSplit=2×HDraft/3;
步进距离DStep=WDraft/48,
上述公式中,HDraft为音符草图的高度,WDraft为音符草图的宽度。
然后,对两个状态数据进行初始化并初始化初始点和终止点,也即前述步骤S22。两个状态数据为初始化轮廓状态序列和中间状态S。如前所述,本实施例中,轮廓状态用字母表示为“U”、“D”、“H”和“L”。 轮廓状态序列实际上是一个只能包含有字母“U”、“D”、“H”和“L”的字符串。该用以表示轮廓状态序列的字符串简称为轮廓字符串。初始化轮廓状态序列,也即将轮廓字符串设为空。中间状态S用于表示当前步进距离的区间内的轮廓走向,分“上行”、“水平”和“下行”,初始为“未知”。 初始点初始化为P0=(0,HDraft/2)=(0,120),终止点初始化为P1=(WDraft,HDraft/2)=(480,120)。
步骤S21和S22实际上均为初始化的步骤,接下来就是步骤S23的扫描和步骤24的合并的步骤。步骤S23的扫描和步骤24的合并是一个循环过程。步骤S23的每一次扫描和步骤24的每一次合并处理的是一次步进。直到整个音符草图步进完成。
以图3、4、5为例。图3是一个顺时针转置90度后的用于分析左边轮廓的音符草图,转置后的音符草图的高度HDraft=240,宽度WDraft=480。相应地,抖动阈值SThreshold=15,高低阈值HLSplit=160,步进距离DStep=10。图3中水平虚线HLSplit表示高低阈值,垂直点线表示按步进距离自上而下的扫描线。两条相邻的扫描线之间构成一次步进。两条相邻的扫描线之间的距离为步进距离DStep=10。扫描线与轮廓线的交点即为轮廓点,如圆A和圆B中的轮廓点SA、EA、SB和EB。其中SA和SB为步进的起始点PS,EA和EB步进的结束点PE。根据起始点PS的纵向坐标YS和结束点PE的纵向坐标YE的比较,可以得到中间状态S。假如YS>YE+SThreshold,则步进范围内轮廓走向向上,中间状态S为“上行”;假如YE>YS+SThreshold,则步进范围内轮廓走向向下,中间状态S为“下行”,否则步进范围内轮廓走向水平,中间状态S为“水平”。SThreshold为前述抖动阈值。步骤S23的每一次扫描只用一根扫描线扫描,只产生一个轮廓点,由此在第一次扫描时只能得到一个轮廓点进行处理,如图3、4、5的第一个轮廓点SA。为此引入一个假想存在的初始点,也即前述的步骤S22中的初始点P0。当第一次扫描时,以初始点P0作为起始点PS,扫描线扫描到的轮廓点为结束点PE。当扫描和分析结束时,结束点PE赋值给起始点PS作为下一次扫描的起始点。当扫描线越出音符草图边界时,以终止点P1作为结束点PE。这也是前述图2中的轮廓状态序列“UHDL”中第一个“U”的来源。
步骤24合并的步骤,并不是将中间状态S简单的转换成轮廓状态加入至轮廓状态序列。显而意见地,轮廓状态序列不可能是轮廓状态的任意组合,因为这不符合轮廓逻辑。因此合并时,需要分析当前轮廓状态序列和初始点坐标以及中间状态S之间的轮廓关联关系。分析合并过程如下:
1. 轮廓字符串为空时。则有:
if (中间状态S为“上行”) ,则表示当前轮廓状态为“U”加入轮廓字符串;
elseif (中间状态S为“下行”),则表示当前轮廓状态为“D”加入轮廓字符串;
elseif (中间状态S为“水平”),则表示当前轮廓状态为“L”加入轮廓字符串。
2.轮廓走向完全相同。有:
if ((轮廓字符串的最后一个字符为“U”) and (当前中间状态S为“上行”)),则表示当前轮廓状态为“U”, 轮廓字符串保持不变;
elseif ((轮廓字符串的最后一个字符为“H”或“L”) and (当前中间状态S为“水平”),则表示当前轮廓状态相应的“H”或“L”, 轮廓字符串保持不变;
elseif ((轮廓字符串的最后一个字符为“D”) and (当前中间状态S为“下行”)),则表示当前轮廓状态相应的“D”, 轮廓字符串保持不变。
3.轮廓走向趋向相同。有:
if ((轮廓字符串的最后一个字符为“H”) and (当前中间状态S为“上行”),则表示当前轮廓状态为“H”, 轮廓字符串保持不变;
elseif (轮廓字符串的最后一个字符为“L”) and (当前中间状态S为“下行”),则表示当前轮廓状态为“L”, 轮廓字符串保持不变。
4.轮廓走向趋向交叉。有:
if ((轮廓字符串的最后一个字符为“U”) and (当前中间状态S为“水平”)),则:
将当前起始点坐标与高低阈值比较得到当前轮廓状态为“H”或“L”,
if (当前轮廓状态为“L”),则轮廓字符串保持不变,
elseif (轮廓字符串的倒数第二个字符为“H”), 则删除轮廓字符串的最后一个字符“U”,否则将“H”加入至轮廓字符串。
elseif ((轮廓字符串的最后一个字符为“D”) and (当前中间状态S为“水平”)),则:
将当前起始点坐标与高低阈值比较得到当前轮廓状态为“H”或“L”,
if (当前轮廓状态为“H”),则轮廓字符串保持不变,
elseif (轮廓字符串的倒数第二个字符为“L”), 则删除轮廓字符串的最后一个字符“D”,否则将“L”加入至轮廓字符串。
elseif ((轮廓字符串的最后一个字符为“H”) and (当前中间状态S为“下行”),则将“D”加入至轮廓字符串。
elseif ((轮廓字符串的最后一个字符为“L”) and (当前中间状态S为“上行”)),则将“U”加入至轮廓字符串。
5.轮廓走向趋向相背。有:
if ((轮廓字符串的最后一个字符为“U”) and (当前中间状态S为“下行”)),则:
将当前结束点坐标与高低阈值比较得到当前轮廓状态为“H”或“L”,
if (当前轮廓状态为“H”),则轮廓字符串保持不变;
elseif (轮廓字符串的倒数第二个字符为“L”), 则删除轮廓字符串的最后一个字符“U”,否则将删除轮廓字符串的最后一个字符“U”,“DL”加入至轮廓字符串。
if ((轮廓字符串的最后一个字符为“D”) and (当前中间状态S为“上行”)),则:
将当前结束点坐标与高低阈值比较得到当前轮廓状态为“H”或“L”,
if (当前轮廓状态为“L”),则轮廓字符串保持不变;
elseif (轮廓字符串的倒数第二个字符为“H”), 则删除轮廓字符串的最后一个字符“D”,否则将删除轮廓字符串的最后一个字符“D”,“UH”加入至轮廓字符串。
根据上述轮廓字符串的分析合并,轮廓字符串具有以下特性:
1、轮廓字符串总是以“UH”、“L”作为开始。
2、轮廓字符串总是以“HD”、“L”作为结束。
3、轮廓字符串的两个相邻字符不可能相同。
4、轮廓字符串中“U”的后一字符不可能是“L”和“D”。
5、轮廓字符串中“D”的后一字符不可能是“H”和“U”。
6、轮廓字符串中“H”的后一字符不可能是 “L”和“U”。
7、轮廓字符串中“L”的后一字符不可能是 “H”和“D”。
四、匹配器比较
匹配器比较的步骤,也即为前述步骤S3,将轮廓状态序列与预先构建的音符模型轮廓匹配得到对应的音符。最为简单地,判断上述步骤S2过程得到的轮廓状态序列和预先构建的音符模型轮廓匹配得到对应的音符是否相同即可,假如存在一个简单音符的两边的模型轮廓的轮廓状态序列和得到的手写音符的两边的轮廓状态序列相同,则认为该手写音符即为该简单音符。假如存在一个复杂音符的四边的模型轮廓的轮廓状态序列和得到的手写音符的四边的轮廓状态序列相同,则认为该手写音符即为该复杂音符。
五、异常断点的处理
如图6所示,存在C和D两个异常断点,这两个断点是由用户手写音符时出现抖动时产生的轨迹不连续的断点。
对于断点C,根据前述的轨迹分析,可以得到两个相邻轮廓状态,表示为“DU”,根据前述步骤S24中分析合并过程中的第5种情形:
if ((轮廓字符串的最后一个字符为“D”) and (当前中间状态S为“上行”)),则:
将当前结束点坐标与高低阈值比较得到当前轮廓状态为“H”或“L”,
if (当前轮廓状态为“H”) and (轮廓字符串的倒数第二个字符为“H”), 则删除轮廓字符串的最后一个字符“D”。
两个相邻轮廓状态,加上之前的轮廓状态为“HDU”,最终合并成“H”。
对于断点D,由于轨迹和扫描线不存在交点,此时可以将相邻的两个步进合并成一个,最终得到的轮廓状态为“L”。
本领域技术人员理解,上述实施仅是本发明的具体实施方式之一。但凡采用通过本发明等同替换或类似变换的方法均符合本发明的精神,在本发明的保护范围内。
Claims (2)
1.一种基于扫描线的音符识别方法,其特征在于,包括如下步骤:
S1:获取用户输入的音符草图;
S2:对音符草图的左右两边轮廓用轮廓分析器扫描分析轮廓的形状,将轮廓的形状用轮廓状态简化表示成轮廓状态序列;所述轮廓状态分为“上跳”、“下跳”、“高平”和“低平”;
S3:将轮廓状态序列与预先构建的音符模型轮廓匹配得到对应的音符;
所述步骤S2中所述“轮廓分析器扫描分析轮廓的形状”包括以下步骤:
S21:根据音符草图的大小设定抖动阈值和步进距离;
S22:初始化轮廓状态序列,并将中间状态S 初始化为“未知”;
S23:根据步进距离对音符草图轮廓进行步进扫描,根据抖动阈值判断步进范围内轮廓走向为“上行”、“水平”还是“下行”;假如步进范围内轮廓走向向上超过抖动阈值,则标记中间状态S 为“上行”;假如步进范围内轮廓走向向下超过抖动阈值,则标记中间状态S 为“下行”; 假如步进范围内轮廓走向向上和向下均不超过抖动阈值,则标记中间状态S 为“水平”;
S24:根据当前轮廓状态序列和步进的起始点以及中间状态S 的轮廓关联分析,将中间状态S 转换成轮廓状态合并至轮廓状态序列;
S25:重复步骤S23 至S24 直到分析完成。
2.如权利要求1所述的基于扫描线的音符识别方法,其特征在于,该方法还包括对音符草图的上下两边轮廓用轮廓分析器扫描分析轮廓的形状的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510182832.4A CN104766067B (zh) | 2015-04-17 | 2015-04-17 | 一种基于扫描线的音符识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510182832.4A CN104766067B (zh) | 2015-04-17 | 2015-04-17 | 一种基于扫描线的音符识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104766067A CN104766067A (zh) | 2015-07-08 |
CN104766067B true CN104766067B (zh) | 2017-11-03 |
Family
ID=53647881
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510182832.4A Expired - Fee Related CN104766067B (zh) | 2015-04-17 | 2015-04-17 | 一种基于扫描线的音符识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104766067B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111739038B (zh) * | 2020-08-05 | 2020-11-17 | 成都四方伟业软件股份有限公司 | 一种手绘图轮廓线断点自动连接方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1940926A (zh) * | 2006-03-15 | 2007-04-04 | 中国人民大学 | 一种基于哼唱的音乐数据库高效查询方法 |
CN101201722A (zh) * | 2006-12-13 | 2008-06-18 | 索尼株式会社 | 显示及提供图像的设备、方法及计算机程序、和记录介质 |
CN101398827A (zh) * | 2007-09-28 | 2009-04-01 | 三星电子株式会社 | 用于哼唱检索的方法和装置 |
CN101692974A (zh) * | 2009-10-23 | 2010-04-14 | 中国科学院声学研究所 | 用于电子耳蜗植入者的音乐能力测试系统 |
-
2015
- 2015-04-17 CN CN201510182832.4A patent/CN104766067B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1940926A (zh) * | 2006-03-15 | 2007-04-04 | 中国人民大学 | 一种基于哼唱的音乐数据库高效查询方法 |
CN101201722A (zh) * | 2006-12-13 | 2008-06-18 | 索尼株式会社 | 显示及提供图像的设备、方法及计算机程序、和记录介质 |
CN101398827A (zh) * | 2007-09-28 | 2009-04-01 | 三星电子株式会社 | 用于哼唱检索的方法和装置 |
CN101692974A (zh) * | 2009-10-23 | 2010-04-14 | 中国科学院声学研究所 | 用于电子耳蜗植入者的音乐能力测试系统 |
Also Published As
Publication number | Publication date |
---|---|
CN104766067A (zh) | 2015-07-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lawgali | A survey on Arabic character recognition | |
Parui et al. | Online handwritten Bangla character recognition using HMM | |
AU737039B2 (en) | Methods and apparatuses for handwriting recognition | |
JP4274941B2 (ja) | 手書き文字を復号化するための方法および装置 | |
CN101561866B (zh) | 基于sift特征与灰度差值直方图特征的文字识别方法 | |
CN104156730B (zh) | 一种基于骨架的抗噪声汉字特征提取方法 | |
Chiang et al. | Recognition of multi-oriented, multi-sized, and curved text | |
Wu et al. | Offline Sketch Parsing via Shapeness Estimation. | |
Rosyda et al. | A review of various handwriting recognition methods | |
Zarro et al. | Recognition-based online Kurdish character recognition using hidden Markov model and harmony search | |
Elgammal et al. | A graph-based segmentation and feature extraction framework for Arabic text recognition | |
Ramzi et al. | Online Arabic handwritten character recognition using online-offline feature extraction and back-propagation neural network | |
Panda et al. | Odia offline typewritten character recognition using template matching with unicode mapping | |
CN104766067B (zh) | 一种基于扫描线的音符识别方法 | |
Gamba et al. | Perceptual grouping for symbol chain tracking in digitized topographic maps | |
Ganai et al. | Projection profile based ligature segmentation of Nastaleeq Urdu OCR | |
Lu et al. | Recognition of online handwritten mathematical expressions using convolutional neural networks | |
Firdaus et al. | Arabic letter segmentation using modified connected component labeling | |
Zidouri et al. | Adaptive dissection based subword segmentation of printed Arabic text | |
Razzak et al. | Combining offline and online preprocessing for online urdu character recognition | |
Madhavaraj et al. | Improved recognition of aged Kannada documents by effective segmentation of merged characters | |
WO2023059876A1 (en) | Systems and methods for detecting objects | |
Nath et al. | Improving various offline techniques used for handwritten character recognition: a review | |
Kha et al. | Extraction of dynamic trajectory on multi-stroke static handwriting images using loop analysis and skeletal graph model | |
Hussain et al. | A self organizing map based Urdu Nasakh character recognition |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
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: 20171103 |