CN110188671A - 一种利用机器学习算法分析笔迹特征的方法 - Google Patents
一种利用机器学习算法分析笔迹特征的方法 Download PDFInfo
- Publication number
- CN110188671A CN110188671A CN201910456194.9A CN201910456194A CN110188671A CN 110188671 A CN110188671 A CN 110188671A CN 201910456194 A CN201910456194 A CN 201910456194A CN 110188671 A CN110188671 A CN 110188671A
- Authority
- CN
- China
- Prior art keywords
- hand
- handwriting
- written script
- written
- handwriting characteristic
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06V30/22—Character recognition characterised by the type of writing
- G06V30/226—Character recognition characterised by the type of writing of cursive writing
- G06V30/2268—Character recognition characterised by the type of writing of cursive writing using stroke segmentation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Character Discrimination (AREA)
- Collating Specific Patterns (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明公开一种利用机器学习算法分析笔迹特征的方法，涉及数据识别技术领域，采用技术方案首先利用通用手写字体数据集、笔迹研究学中笔迹与性格的对应关系构建笔迹与性格基因图谱模型，随后，采集用户手写字体图像并提取笔迹特征，专家根据笔迹特征鉴定得出用户的性格特征，同时，将提取笔迹特征输入模型，在模型的输出结果与专家鉴定结果不一致时，用专家鉴定结果纠正并修订模型，至模型输出结果不小于设定阈值时，认定模型通过分析笔迹特征即可得出与该笔迹特征所属用户的真实性格特征高度相似的笔迹与特征基因图谱，该笔迹与特征基因图谱可以应用于各类刑侦案件分析、人力资源分析等方面。
Description
技术领域
本发明涉及数据识别技术领域，具体的说是一种利用机器学习算法分析笔迹特征的方法。
背景技术
手写笔迹在实际生活、工作中一直是非常重要的部分。证明个人身份的无处不在的签名，以及记录，人的笔迹是一种个性化的体现，能够展现出一个人的心理、性格等特点。“笔迹鉴定”是一个专门的学科领域，传统的模式主要靠笔迹鉴定专家采用肉眼或辅助工具的方式鉴定，实际应用起来费时、费力，精确度及特征效果也会受到人为因素限制。难以得到广泛的应用。
随着人工智能技术的发展，可以采用机器学习、深度学习等算法对物体、人物等进行识别，这方面的技术得到了广泛的应用。在动态的，能够反映人的心理活动及性格方面，可以从人物识别中的面部表情、语音、语气、语调、体态等方面反应出来，也可以从字迹方面采集到一些有用的信息，以便于在实际生活中参考应用。
目前，采用AI技术的计算机视觉、机器学习等方面已经得到了多年的发展，技术相对成熟，但尚未能在笔迹分析方面有更深更广范围的应用。基于采用机器学习分析字迹方面，要较人眼识别的更为有效和精确，如何提取特征，从哪些方面去分析是亟需解决的问题。
发明内容
本发明针对目前技术发展的需求和不足之处，为利用好对笔迹个性化的特征分析，提供一种利用机器学习算法分析笔迹特征的方法，以便于生成人的笔迹基因图谱，扩大笔迹分析的应用范围。
本发明的一种利用机器学习算法分析笔迹特征的方法，解决上述技术问题采用的技术方案如下：
一种利用机器学习算法分析笔迹特征的方法，该方法的具体实现过程包括：
步骤一、根据通用手写字体数据集、笔迹研究学中笔迹与性格的对应关系，构建笔迹与性格基因图谱模型；
步骤二、采集用户的手写字体图像；
步骤三、对采集的手写字体图像进行分割处理，形成单个手写字体图像；
步骤四、利用机器学习算法，通过AI计算机视觉检测并分析单个手写字体图像，提取单个手写字体图像的笔迹特征；
步骤五、在通用手写字体数据集查找与提取笔迹特征相似度最高的字体，笔迹与性格基因图谱模型输出与该相似度最高字体相对应的通用性格特征；
步骤六、专家根据提取的笔迹特征进行鉴定，得出与该笔迹特征相对应的性格特征；
步骤七、对提取的同一个笔迹特征，比较笔迹与性格基因图谱模型输出的通用性格特征和专家鉴定得出性格特征的相似度；
步骤八、笔迹与性格基因图谱模型具有设定的输出阈值，在比较所得相似度小于输出阈值时，将提取的笔迹特征存入笔迹与性格基因图谱模型，同时，用专家鉴定得出的性格特征纠正并修订笔迹与性格基因图谱模型；
步骤九、循环执行步骤二至步骤八，至比较所得相似度不小于输出阈值时，笔迹与性格基因图谱模型即可通过分析用户的手写笔迹图像得出与该用户的真实性格特征高度相似的笔迹与特征基因图谱。
在步骤二中，需要多次采集用户的手写字体图像，且采集的全部手写字体图像最好覆盖通用手写字体识别模型可以识别的所有文字。
在步骤三中，对采集的手写笔迹图像进行分割处理之前，先对手写笔迹图像进行降噪和预处理。
在步骤四中，所提取单个手写字体图像的笔迹特征包括：
与单个手写字体图像相似度最高的字体；
单个手写字体图像的整体神态；
单个手写字体图像的整体扁平度、整齐度、匀整度、歪斜度、参差度；
单个手写字体图像所包含笔画之间的字迹间隔。
在步骤四中，还需要通过AI计算机视觉检测并分析所采集的手写字体图像，提取手写字体图像的笔迹特征；
所述手写字体图像的笔迹特征包括：
手写字体图像的整体神态；
手写字体图像的整体扁平度、整齐度、匀整度、歪斜度、参差度；
手写字体图像中相邻字体的行间距、列间距。
在步骤四中，提取单个手写字体图像的笔迹特征后，还需要对提取的笔迹特征进行数字化转换，转换为通用手写字体数据集可以识别的规范数据。
在步骤五中，需要设定通用手写字体数据集的相似度阈值，
在通用手写字体数据集的任一字体与提取笔迹特征的相似度超过设定的相似度阈值时，提取的笔迹特征不存入通用手写字体数据集；
在通用手写字体数据集的任一字体与提取笔迹特征的相似度不大于设定的相似度阈值时，将提取的笔迹特征存入通用手写字体数据集。
通用手写字体数据集包括多个通用手写字体子数据集和多个专用手写字体子数据集。通用手写字体子数据集用于存储通用手写字体；同一个文字的所有通用手写字体存储于同一个通用手写字体子数据集，不同文字的通用手写字体存储于不同的通用手写字体子数据集。专用手写字体子数据集用于存储用户的专用手写字体；同一个文字的所有手写字体存储于同一个专用手写字体子数据集，不同文字的手写字体存储于不同的专用手写字体子数据集。
设定相似度子阈值，在专用手写字体子数据集所包含的其中几个手写字体相似度超过设定的相似度子阈值时，选取其中一个手写字体与其余手写字体相比较，在其中一个手写字体与其余手写字体的相似度相差最少时，留存该手写字体，删除其余手写字体。
在步骤六中，专家不仅可以根据提取的笔迹特征鉴定得出与该笔迹特征相对应的性格特征，还可以采集该笔迹特征所属用户的公开信息，总结得出该笔迹特征所属用户的性格特征。
本发明的一种利用机器学习算法分析笔迹特征的方法，与现有技术相比具有的有益效果是：
本发明首先利用通用手写字体数据集、笔迹研究学中笔迹与性格的对应关系构建笔迹与性格基因图谱模型，随后，采集用户的手写字体图像，提取用户的手写笔迹特征，专家根据用户的手写笔迹特征鉴定得出用户的性格特征，同时，将提取的手写笔迹特征输入笔迹与性格基因图谱模型，在笔迹与性格基因图谱模型的输出结果与专家鉴定结果不一致时，用专家鉴定结果纠正并修订笔迹与性格基因图谱模型，至笔迹与性格基因图谱模型的输出结果不小于设定阈值时，就可以认定笔迹与性格基因图谱模型通过分析用户的手写笔迹图像即可得出与该用户的真实性格特征高度相似的笔迹与特征基因图谱，得出的笔迹与特征基因图谱可以应用于各类刑侦案件分析、人力资源分析等方面对人有分析了解需求的应用场景，将辅助各行业产生较好的经济效益及社会效益。
附图说明
附图1是本发明的方法流程图。
具体实施方式
为使本发明的技术方案、解决的技术问题和技术效果更加清楚明白，以下结合具体实施例，对本发明的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下获得的所有实施例,都在本发明的保护范围之内。
实施例一：
结合附图1，本实施例提出一种利用机器学习算法分析笔迹特征的方法，该方法的具体实现过程包括：
步骤一、根据通用手写字体数据集、笔迹研究学中笔迹与性格的对应关系，构建笔迹与性格基因图谱模型；
步骤二、采集用户的手写字体图像；
步骤三、对采集的手写字体图像进行分割处理，形成单个手写字体图像；
步骤四、利用机器学习算法，通过AI计算机视觉检测并分析单个手写字体图像，提取单个手写字体图像的笔迹特征；
步骤五、在通用手写字体数据集查找与提取笔迹特征相似度最高的字体，笔迹与性格基因图谱模型输出与该相似度最高字体相对应的通用性格特征；
步骤六、专家根据提取的笔迹特征进行鉴定，得出与该笔迹特征相对应的性格特征；
步骤七、对提取的同一个笔迹特征，比较笔迹与性格基因图谱模型输出的通用性格特征和专家鉴定得出性格特征的相似度；
步骤八、笔迹与性格基因图谱模型具有设定的输出阈值，在比较所得相似度小于输出阈值时，将提取的笔迹特征存入笔迹与性格基因图谱模型，同时，用专家鉴定得出的性格特征纠正并修订笔迹与性格基因图谱模型；
步骤九、循环执行步骤二至步骤八，至比较所得相似度不小于输出阈值时，笔迹与性格基因图谱模型即可通过分析用户的手写笔迹图像得出与该用户的真实性格特征高度相似的笔迹与特征基因图谱。
在步骤二中，需要多次采集用户的手写字体图像，且采集的全部手写字体图像最好覆盖通用手写字体识别模型可以识别的所有文字。
在步骤三中，对采集的手写笔迹图像进行分割处理之前，先对手写笔迹图像进行降噪和预处理。
在步骤四中，所提取单个手写字体图像的笔迹特征包括：
与单个手写字体图像相似度最高的字体；
单个手写字体图像的整体神态；
单个手写字体图像的整体扁平度、整齐度、匀整度、歪斜度、参差度；
单个手写字体图像所包含笔画之间的字迹间隔。
在步骤四中，提取单个手写字体图像的笔迹特征后，还需要对提取的笔迹特征进行数字化转换，转换为通用手写字体数据集可以识别的规范数据。
在步骤五中，需要设定通用手写字体数据集的相似度阈值，
在通用手写字体数据集的任一字体与提取笔迹特征的相似度超过设定的相似度阈值时，提取的笔迹特征不存入通用手写字体数据集；
在通用手写字体数据集的任一字体与提取笔迹特征的相似度不大于设定的相似度阈值时，将提取的笔迹特征存入通用手写字体数据集。
通用手写字体数据集包括多个通用手写字体子数据集和多个专用手写字体子数据集。通用手写字体子数据集用于存储通用手写字体；同一个文字的所有通用手写字体存储于同一个通用手写字体子数据集，不同文字的通用手写字体存储于不同的通用手写字体子数据集。专用手写字体子数据集用于存储用户的专用手写字体；同一个文字的所有手写字体存储于同一个专用手写字体子数据集，不同文字的手写字体存储于不同的专用手写字体子数据集。
设定相似度子阈值，在专用手写字体子数据集所包含的其中几个手写字体相似度超过设定的相似度子阈值时，选取其中一个手写字体与其余手写字体相比较，在其中一个手写字体与其余手写字体的相似度相差最少时，留存该手写字体，删除其余手写字体。
实施例二：
结合附图1，本实施例提出一种利用机器学习算法分析笔迹特征的方法，该方法的具体实现过程包括：
步骤一、根据通用手写字体数据集、笔迹研究学中笔迹与性格的对应关系，构建笔迹与性格基因图谱模型；
步骤二、采集用户的手写字体图像；
步骤三、对采集的手写字体图像进行分割处理，形成单个手写字体图像；
步骤四、利用机器学习算法，通过AI计算机视觉检测并分析单个手写字体图像，提取单个手写字体图像的笔迹特征；
步骤五、在通用手写字体数据集查找与提取笔迹特征相似度最高的字体，笔迹与性格基因图谱模型输出与该相似度最高字体相对应的通用性格特征；
步骤六、专家根据提取的笔迹特征进行鉴定，得出与该笔迹特征相对应的性格特征；
步骤七、对提取的同一个笔迹特征，比较笔迹与性格基因图谱模型输出的通用性格特征和专家鉴定得出性格特征的相似度；
步骤八、笔迹与性格基因图谱模型具有设定的输出阈值，在比较所得相似度小于输出阈值时，将提取的笔迹特征存入笔迹与性格基因图谱模型，同时，用专家鉴定得出的性格特征纠正并修订笔迹与性格基因图谱模型；
步骤九、循环执行步骤二至步骤八，至比较所得相似度不小于输出阈值时，笔迹与性格基因图谱模型即可通过分析用户的手写笔迹图像得出与该用户的真实性格特征高度相似的笔迹与特征基因图谱。
在步骤二中，需要多次采集用户的手写字体图像，且采集的全部手写字体图像最好覆盖通用手写字体识别模型可以识别的所有文字。
在步骤三中，对采集的手写笔迹图像进行分割处理之前，先对手写笔迹图像进行降噪和预处理。
在步骤四中，所提取单个手写字体图像的笔迹特征包括：
与单个手写字体图像相似度最高的字体；
单个手写字体图像的整体神态；
单个手写字体图像的整体扁平度、整齐度、匀整度、歪斜度、参差度；
单个手写字体图像所包含笔画之间的字迹间隔。
在步骤四中，还需要通过AI计算机视觉检测并分析所采集的手写字体图像，提取手写字体图像的笔迹特征；
所述手写字体图像的笔迹特征包括：
手写字体图像的整体神态；
手写字体图像的整体扁平度、整齐度、匀整度、歪斜度、参差度；
手写字体图像中相邻字体的行间距、列间距。
在步骤四中，提取单个手写字体图像的笔迹特征后，还需要对提取的笔迹特征进行数字化转换，转换为通用手写字体数据集可以识别的规范数据。
在步骤五中，需要设定通用手写字体数据集的相似度阈值，
在通用手写字体数据集的任一字体与提取笔迹特征的相似度超过设定的相似度阈值时，提取的笔迹特征不存入通用手写字体数据集；
在通用手写字体数据集的任一字体与提取笔迹特征的相似度不大于设定的相似度阈值时，将提取的笔迹特征存入通用手写字体数据集。
通用手写字体数据集包括多个通用手写字体子数据集和多个专用手写字体子数据集。通用手写字体子数据集用于存储通用手写字体；同一个文字的所有通用手写字体存储于同一个通用手写字体子数据集，不同文字的通用手写字体存储于不同的通用手写字体子数据集。专用手写字体子数据集用于存储用户的专用手写字体；同一个文字的所有手写字体存储于同一个专用手写字体子数据集，不同文字的手写字体存储于不同的专用手写字体子数据集。
设定相似度子阈值，在专用手写字体子数据集所包含的其中几个手写字体相似度超过设定的相似度子阈值时，选取其中一个手写字体与其余手写字体相比较，在其中一个手写字体与其余手写字体的相似度相差最少时，留存该手写字体，删除其余手写字体。
在步骤六中，专家不仅可以根据提取的笔迹特征鉴定得出与该笔迹特征相对应的性格特征，还可以采集该笔迹特征所属用户的公开信息，总结得出该笔迹特征所属用户的性格特征。
综上可知，采用本发明的一种利用机器学习算法分析笔迹特征的方法，首先利用通用手写字体数据集、笔迹研究学中笔迹与性格的对应关系构建笔迹与性格基因图谱模型，随后，采集用户的手写字体图像，提取用户的手写笔迹特征，专家根据用户的手写笔迹特征鉴定得出用户的性格特征，同时，将提取的手写笔迹特征输入笔迹与性格基因图谱模型，在笔迹与性格基因图谱模型的输出结果与专家鉴定结果不一致时，用专家鉴定结果纠正并修订笔迹与性格基因图谱模型，至笔迹与性格基因图谱模型的输出结果不小于设定阈值时，就可以认定笔迹与性格基因图谱模型通过分析用户的手写笔迹图像即可得出与该用户的真实性格特征高度相似的笔迹与特征基因图谱，得出的笔迹与特征基因图谱可以应用于各类刑侦案件分析、人力资源分析等方面对人有分析了解需求的应用场景，将辅助各行业产生较好的经济效益及社会效益。
以上应用具体个例对本发明的原理及实施方式进行了详细阐述，这些实施例只是用于帮助理解本发明的核心技术内容，并不用于限制本发明的保护范围，本发明的技术方案不限制于上述具体实施方式内。基于本发明的上述具体实施例，本技术领域的技术人员在不脱离本发明原理的前提下，对本发明所作出的任何改进和修饰，皆应落入本发明的专利保护范围。
Claims (10)
1.一种利用机器学习算法分析笔迹特征的方法，其特征在于,该方法的具体实现过程包括：
步骤一、根据通用手写字体数据集、笔迹研究学中笔迹与性格的对应关系，构建笔迹与性格基因图谱模型；
步骤二、采集用户的手写字体图像；
步骤三、对采集的手写字体图像进行分割处理，形成单个手写字体图像；
步骤四、利用机器学习算法，通过AI计算机视觉检测并分析单个手写字体图像，提取单个手写字体图像的笔迹特征；
步骤五、在通用手写字体数据集查找与提取笔迹特征相似度最高的字体，笔迹与性格基因图谱模型输出与该相似度最高字体相对应的通用性格特征；
步骤六、专家根据提取的笔迹特征进行鉴定，得出与该笔迹特征相对应的性格特征；
步骤七、对提取的同一个笔迹特征，比较笔迹与性格基因图谱模型输出的通用性格特征和专家鉴定得出性格特征的相似度；
步骤八、笔迹与性格基因图谱模型具有设定的输出阈值，在比较所得相似度小于输出阈值时，将提取的笔迹特征存入笔迹与性格基因图谱模型，同时，用专家鉴定得出的性格特征纠正并修订笔迹与性格基因图谱模型；
步骤九、循环执行步骤二至步骤八，至比较所得相似度不小于输出阈值时，笔迹与性格基因图谱模型即可通过分析用户的手写笔迹图像得出与该用户的真实性格特征高度相似的笔迹与特征基因图谱。
2.根据权利要求1所述的一种利用机器学习算法分析笔迹特征的方法，其特征在于，在步骤二中，需要多次采集用户的手写字体图像，且采集的全部手写字体图像最好覆盖通用手写字体识别模型可以识别的所有文字。
3.根据权利要求1所述的一种利用机器学习算法分析笔迹特征的方法，其特征在于，在步骤三中，对采集的手写笔迹图像进行分割处理之前，先对手写笔迹图像进行降噪和预处理。
4.根据权利要求1所述的一种利用机器学习算法分析笔迹特征的方法，其特征在于，在步骤四中，所提取单个手写字体图像的笔迹特征包括：
与单个手写字体图像相似度最高的字体；
单个手写字体图像的整体神态；
单个手写字体图像的整体扁平度、整齐度、匀整度、歪斜度、参差度；
单个手写字体图像所包含笔画之间的字迹间隔。
5.根据权利要求4所述的一种利用机器学习算法分析笔迹特征的方法，其特征在于，在步骤四中，还需要通过AI计算机视觉检测并分析所采集的手写字体图像，提取手写字体图像的笔迹特征；
所述手写字体图像的笔迹特征包括：
手写字体图像的整体神态；
手写字体图像的整体扁平度、整齐度、匀整度、歪斜度、参差度；
手写字体图像中相邻字体的行间距、列间距。
6.根据权利要求1或4所述的一种利用机器学习算法分析笔迹特征的方法，其特征在于，在步骤四中，提取单个手写字体图像的笔迹特征后，还需要对提取的笔迹特征进行数字化转换，转换为通用手写字体数据集可以识别的规范数据。
7.根据权利要求1所述的一种利用机器学习算法分析笔迹特征的方法，其特征在于，在步骤五中，需要设定通用手写字体数据集的相似度阈值，
在通用手写字体数据集的任一字体与提取笔迹特征的相似度超过设定的相似度阈值时，提取的笔迹特征不存入通用手写字体数据集；
在通用手写字体数据集的任一字体与提取笔迹特征的相似度不大于设定的相似度阈值时，将提取的笔迹特征存入通用手写字体数据集。
8.根据权利要求7所述的一种利用机器学习算法分析笔迹特征的方法，其特征在于，所述通用手写字体数据集包括多个通用手写字体子数据集和多个专用手写字体子数据集；
通用手写字体子数据集用于存储通用手写字体；同一个文字的所有通用手写字体存储于同一个通用手写字体子数据集，不同文字的通用手写字体存储于不同的通用手写字体子数据集；
专用手写字体子数据集用于存储用户的专用手写字体；同一个文字的所有手写字体存储于同一个专用手写字体子数据集，不同文字的手写字体存储于不同的专用手写字体子数据集。
9.根据权利要求8所述的一种利用机器学习算法分析笔迹特征的方法，其特征在于，设定相似度子阈值，在专用手写字体子数据集所包含的其中几个手写字体相似度超过设定的相似度子阈值时，选取其中一个手写字体与其余手写字体相比较，在其中一个手写字体与其余手写字体的相似度相差最少时，留存该手写字体，删除其余手写字体。
10.根据权利要求1所述的一种利用机器学习算法分析笔迹特征的方法，其特征在于，在步骤六中，专家不仅可以根据提取的笔迹特征鉴定得出与该笔迹特征相对应的性格特征，还可以采集该笔迹特征所属用户的公开信息，总结得出该笔迹特征所属用户的性格特征。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910456194.9A CN110188671B (zh) | 2019-05-29 | 2019-05-29 | 一种利用机器学习算法分析笔迹特征的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910456194.9A CN110188671B (zh) | 2019-05-29 | 2019-05-29 | 一种利用机器学习算法分析笔迹特征的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110188671A true CN110188671A (zh) | 2019-08-30 |
| CN110188671B CN110188671B (zh) | 2022-10-04 |
Family
ID=67718444
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910456194.9A Active CN110188671B (zh) | 2019-05-29 | 2019-05-29 | 一种利用机器学习算法分析笔迹特征的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110188671B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110750501A (zh) * | 2019-10-17 | 2020-02-04 | 广州视源电子科技股份有限公司 | 文件检索方法和装置、存储介质及相关设备 |
| CN113592044A (zh) * | 2021-07-09 | 2021-11-02 | 广州逅艺文化科技有限公司 | 一种笔迹特征分析方法及装置 |
| CN116434243A (zh) * | 2023-02-25 | 2023-07-14 | 江苏乐易智慧科技有限公司 | 一种笔迹练习系统的练习笔迹自动评测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140267302A1 (en) * | 2013-03-15 | 2014-09-18 | Airdrawer Llc | Method and apparatus for personalized handwriting avatar |
| US20140363082A1 (en) * | 2013-06-09 | 2014-12-11 | Apple Inc. | Integrating stroke-distribution information into spatial feature extraction for automatic handwriting recognition |
| CN105787522A (zh) * | 2016-03-31 | 2016-07-20 | 科大讯飞股份有限公司 | 基于手写笔迹的书写态度评价方法及系统 |
| CN106803082A (zh) * | 2017-01-23 | 2017-06-06 | 重庆邮电大学 | 一种基于条件式生成对抗网络的在线笔迹识别方法 |
-
2019
- 2019-05-29 CN CN201910456194.9A patent/CN110188671B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140267302A1 (en) * | 2013-03-15 | 2014-09-18 | Airdrawer Llc | Method and apparatus for personalized handwriting avatar |
| US20140363082A1 (en) * | 2013-06-09 | 2014-12-11 | Apple Inc. | Integrating stroke-distribution information into spatial feature extraction for automatic handwriting recognition |
| CN105787522A (zh) * | 2016-03-31 | 2016-07-20 | 科大讯飞股份有限公司 | 基于手写笔迹的书写态度评价方法及系统 |
| CN106803082A (zh) * | 2017-01-23 | 2017-06-06 | 重庆邮电大学 | 一种基于条件式生成对抗网络的在线笔迹识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| 刘亚丽等: "相似度算法在手写签名质谱成像鉴定中的应用研究", 《计算机与应用化学》 * |
| 王勇: "笔迹自动鉴别在笔迹鉴定中的运用分析", 《硅谷》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110750501A (zh) * | 2019-10-17 | 2020-02-04 | 广州视源电子科技股份有限公司 | 文件检索方法和装置、存储介质及相关设备 |
| CN113592044A (zh) * | 2021-07-09 | 2021-11-02 | 广州逅艺文化科技有限公司 | 一种笔迹特征分析方法及装置 |
| CN113592044B (zh) * | 2021-07-09 | 2024-05-10 | 广州逅艺文化科技有限公司 | 一种笔迹特征分析方法及装置 |
| CN116434243A (zh) * | 2023-02-25 | 2023-07-14 | 江苏乐易智慧科技有限公司 | 一种笔迹练习系统的练习笔迹自动评测方法 |
| CN116434243B (zh) * | 2023-02-25 | 2023-10-24 | 江苏乐易智慧科技有限公司 | 一种笔迹练习系统的练习笔迹自动评测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110188671B (zh) | 2022-10-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tang et al. | Text-independent writer identification via CNN features and joint Bayesian | |
| Amin | Recognition of printed Arabic text based on global features and decision tree learning techniques | |
| US8452108B2 (en) | Systems and methods for image recognition using graph-based pattern matching | |
| Djamal et al. | Application image processing to predict personality based on structure of handwriting and signature | |
| CN110188671A (zh) | 一种利用机器学习算法分析笔迹特征的方法 | |
| Huang et al. | Stability and style-variation modeling for on-line signature verification | |
| Shivram et al. | IBM_UB_1: A dual mode unconstrained English handwriting dataset | |
| CN103279770B (zh) | 基于笔画片段和轮廓特征的笔迹识别方法 | |
| CN102663454B (zh) | 一种字符书写规范度评测的方法和装置 | |
| Ferrer et al. | Static and dynamic synthesis of Bengali and Devanagari signatures | |
| Garoot et al. | A comprehensive survey on handwriting and computerized graphology | |
| Hemlata et al. | Personality detection using handwriting analysis | |
| CN112668383A (zh) | 基于人脸识别的考勤方法、系统、电子设备及存储介质 | |
| Fallah et al. | Detecting features of human personality based on handwriting using learning algorithms | |
| Deore | Human behavior identification based on graphology using artificial neural network | |
| CN109657527B (zh) | 一种画作笔触鉴定系统及方法 | |
| CN107103289B (zh) | 利用笔迹轮廓特征来进行笔迹鉴别的方法及系统 | |
| Aulia et al. | Personality identification based on handwritten signature using convolutional neural networks | |
| Maarse et al. | Automatic identification of writers | |
| Soldek et al. | Image analysis and pattern recognition in biometric technologies | |
| Azmi et al. | Digital paleography: Using the digital representation of Jawi manuscripts to support paleographic analysis | |
| CN110533035B (zh) | 基于文本匹配的学生作业页码识别方法 | |
| Samonte et al. | Senior citizen social pension management system using optical character recognition | |
| Xu et al. | Review of Handwriting Analysis for Predicting Personality Traits | |
| Seropian et al. | Writers authentication and fractal compression |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20220913 Address after: 250100 building S02, No. 1036, Langchao Road, high tech Zone, Jinan City, Shandong Province Applicant after: Shandong Inspur Scientific Research Institute Co.,Ltd. Address before: 250100 First Floor of R&D Building 2877 Kehang Road, Sun Village Town, Jinan High-tech Zone, Shandong Province Applicant before: JINAN INSPUR HIGH-TECH TECHNOLOGY DEVELOPMENT Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |