CN110390624B - 一种图形评估方法、装置、设备及存储介质 - Google Patents
一种图形评估方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN110390624B CN110390624B CN201910677037.0A CN201910677037A CN110390624B CN 110390624 B CN110390624 B CN 110390624B CN 201910677037 A CN201910677037 A CN 201910677037A CN 110390624 B CN110390624 B CN 110390624B
- Authority
- CN
- China
- Prior art keywords
- index
- level
- evaluation
- target
- graph
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本申请提供了一种图形评估方法、装置、设备及存储介质,其中,方法包括:获取目标对象根据绘制要求绘制目标图形时的轨迹点数据,其中,目标图形包括至少一种图形元素;根据轨迹点数据,获取目标图形的评估指标集合,其中,评估指标集合包括至少一个评估指标,一个评估指标为目标图形的一个特征,目标图形的特征包括笔画层面的特征、图形元素层面的特征和/或整个图形层面的特征;根据评估指标集合,确定目标图形的评估结果。本申请提供的图形评估方法能够自动、准确、高效地对目标对象根据绘制要求绘制的目标图形进行评估。
Description
技术领域
本申请涉及数据处理技术领域,尤其涉及一种图形评估方法、装置、设备及存储介质。
背景技术
在某些情况下,需要对目标对象的认知能力进行筛查,一种筛查方式为,让目标对象按照绘制要求绘制图形,对目标对象绘制的图形进行评估。
现有技术中,对目标对象绘制的图形进行评估的方式为人工评估方式,即,人工判别目标对象绘制的图形是否满足绘制要求。
然而,人工评估方式受主观因素影响较大,这导致评估结果可能不准确,并且,人工评估的效率较低、人工成本较高。
发明内容
有鉴于此,本申请提供了一种图形评估方法、装置、设备及存储介质,用以解决现有技术中的人工评估方法易受主观因素影响,导致评估结果可信度不高,且人工评估方法的评估效率较低、人工成本较高的问题,其技术方案如下:
一种图形评估方法,包括:
获取目标对象根据绘制要求绘制目标图形时的轨迹点数据,其中,所述目标图形包括至少一种图形元素;
根据所述轨迹点数据,获取所述目标图形的评估指标集合,其中,所述评估指标集合包括至少一个评估指标,一个评估指标为所述目标图形的一个特征,所述目标图形的特征包括笔画层面的特征、图形元素层面的特征和/或整个图形层面的特征;
根据所述评估指标集合,确定所述目标图形的评估结果。
一种图形评估装置,包括:轨迹点数据获取模块、评估指标获取模块和图形评估模块;
所述轨迹点数据获取模块,用于获取目标对象根据绘制要求绘制目标图形时的轨迹点数据,其中,所述目标图形包括至少一种图形元素;
所述评估指标获取模块,用于根据所述轨迹点数据,获取所述目标图形的评估指标集合,其中,所述评估指标集合包括至少一个评估指标,一个评估指标为所述目标图形的一个特征,所述目标图形的特征包括笔画层面的特征、图形元素层面的特征和/或整个图形层面的特征;
所述图形评估模块,用于根据所述评估指标集合,确定所述目标图形的评估结果。
一种图形评估设备,包括:存储器和处理器;
所述存储器,用于存储程序;
所述处理器,用于执行所述程序,实现上述任一项所述的图形评估方法的各个步骤。
一种可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,实现上述任一项所述的图形评估方法的各个步骤
经由上述方案可知,本申请提供的图形评估方法、装置、设备及存储介质,首先获取目标对象根据绘制要求绘制目标图形时的轨迹点数据,然后根据轨迹点数据获取目标图形的评估指标集合,最后根据评估指标集合确定目标图形的评估结果,由于评估指标集合中包括了目标图形的笔画层面的特征、图形元素层面的特征和/或整个图形层面的特征,因此,根据评估指标集合能够较好地对目标图形进行评估。本申请提供的图形评估方法可基于目标对象根据绘制要求绘制目标图形时的轨迹点数据自动对目标图形进行评估,相较于现有的人工评估方式,由于评估过程不需要人工参与,因此,避免了主观因素对评估结果的影响,同时,节省了人力,降低了人工成本,并且,提高了图形评估效率,降了时间成本,即,本申请提供的图形评估方法可自动、高效、准确地对目标图形进行评估,用户体验较好。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的图形评估方法的流程示意图;
图2为本申请实施例提供的根据轨迹点获取目标图形的笔画层面的特征、图形元素层面的特征、整个图形层面的特征的流程示意图;
图3为本申请实施例提供的椭圆拟合效果示意图;
图4为本申请实施例提供的从目标笔画集合中获取每种图形元素的笔画集合的一种实现方式的流程示意图;
图5为本申请实施例提供的从目标笔画集合中获取每种图形元素的笔画集合的另一种实现方式的流程示意图;
图6为本申请实施例提供的从目标笔画集合中获取每种图形元素的笔画集合的又一种实现方式的流程示意图;
图7为本申请实施例提供的根据数字的笔画集合进行数字识别的流程示意图;
图8为本申请实施例提供的根据评估指标集合确定目标图形的评估结果的一种实现方式的流程示意图;
图9为本申请实施例提供的根据评估指标集合确定目标图形的评估结果的另一种实现方式的流程示意图;
图10为本申请实施例提供的根据评估指标集合确定目标图形的评估结果的又一种实现方式的流程示意图;
图11为本申请实施例提供的根据评估指标集合中的各个三级指标确定至少一个二级指标,并确定评估指标集合中每个三级指标所属的二级指标的流程示意图;
图12为本申请实施例提供的根据评估指标集合中每个三级指标的指标值、评估指标集合中每个三级指标所属的二级指标以及每个二级指标所属的一级指标,确定目标图形的评估结果的流程示意图;
图13为本申请实施例提供的图形评估装置的结构示意图;
图14为本申请实施例提供的图形评估设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
鉴于现有技术中的人工评估方法易受主观因素影响,导致评估结果可信度不高,且评估效率较低、人工成本较高的问题,本案发明人进行了深入研究,最终提出了一种效果较好的图形评估方法,该图形评估方法适用于需要对目标对象根据绘制要求绘制的图形进行评估的应用场景,该评估方法可应用于具有数据处理能力的终端,也可应用于服务器。接下来通过下述实施例对本申请提供的图形评估方法进行介绍。
请参阅图1,示出了本申请实施例提供的图形评估方法的流程示意图,该方法可以包括:
步骤S101:获取目标对象根据绘制要求绘制目标图形时的轨迹点数据。
其中,目标对象可以但不限为儿童、有认知功能障碍的人等。需要说明的是,由各种不同原因引起的脑损伤均可导致不同形式和程度的认知功能障碍,比如,脑血管病后的血管性痴呆、老年性痴呆、脑外伤或重度后的认知障碍等。
其中,目标对象绘制目标图形时的轨迹点数据可以包括每个轨迹点的坐标值(x,y)、压力值P和绘制时间T。
步骤S102:根据轨迹点数据,获取目标图形的评估指标集合。
其中,评估指标集合包括至少一个评估指标,一个评估指标为目标图形的一个特征。需要说明的是,评估指标集合中的每个评估指标具有指标名称和指标值(指标值即为特征值)。
其中,目标图形的特征包括笔画层面的特征、和/或图形元素层面的特征、和/或整个图形层面的特征。为了获得较优的评估效果,目标图形的特征优选为同时包括笔画层面的特征、图形元素层面的特征和整个图形层面的特征。
步骤S103:根据评估指标集合,确定目标图形的评估结果。
由于评估指标集合中包括了目标图形的笔画层面的特征、图形元素层面的特征和/或整个图形层面的特征,因此,根据评估指标集合能够较好地对目标图形进行评估。
本申请实施例提供的图形评估方法,首先,获取目标对象根据绘制要求绘制目标图形时的轨迹点数据,然后根据轨迹点数据获取目标图形的评估指标集合,该评估指标包括目标图形笔画层面的特征、图形元素层面的特征和/或整个图形层面,最后根据目标图形的评估指标集合确定目标图形的评估结果。由此可见,本申请实施例提供的图形评估方法可根据目标图形的评估指标集合自动对目标图形进行评估,由于评估过程不需要人工参与,因此避免了主观因素对评估结果的影响,同时,节省了人力,降低了人工成本,并且,提高了图形评估效率,降了时间成本,即,本申请实施例提供的图形评估方法可自动、高效、准确地对目标对象根据绘制要求绘制的目标图形进行评估,用户体验较好。
以下对上述实施例中的“步骤S102:根据轨迹点数据,获取目标图形的评估指标集合”进行介绍。
需要说明的是,根据轨迹点数据,获取目标图形的评估指标集合的过程实质为,根据轨迹点获取目标图形的笔画层面的特征、图形元素层面的特征和/或整个图形层面的特征的过程。
接下来,给出根据轨迹点获取目标图形的笔画层面的特征、图形元素层面的特征、整个图形层面的特征的实现过程,请参阅图2,示出了该实现过程的流程示意图,可以包括:
步骤S201:根据轨迹点数据获取目标笔画集合。
其中,目标笔画集合包括至少一个笔画,目标笔画集合中的所有笔画能够表征目标图形。
具体的,根据轨迹点数据获取目标笔画集合的过程可以包括:
步骤S201-1、从轨迹点数据中去除重复轨迹点。
可以理解的是,不同对象的绘图速度不同,绘图速度慢的情况下,会记录重复的轨迹点,另外,目标对象绘制图形时,可能会出现停顿的情况,一旦停顿,当接着绘图时,会从停顿位置开始绘制,这样会导致停顿的位置会记录重复的轨迹点,这些重复的轨迹点需要去除。
步骤S201-2、对去除重复轨迹点后的轨迹点数据进行笔画分割,分割得到的笔画组成笔画集合。
本实施例可根据压力值为0的点进行笔画分割。
步骤S201-3、根据笔画集合中各个笔画的绘制时间确定笔画集合中各个笔画的顺序,获得具有顺序的笔画集合。
由于每个轨迹点的数据除了包括坐标值、压力值外,还包括了绘制时间,因此,本实施例可根据轨迹点的绘制时间确定笔画集合中各个笔画的顺序。
步骤S201-4:对具有顺序的笔画集合中各个笔画的轨迹点进行重采样,并对各个重采样后的笔画进行平滑处理。
由于轨迹点采集设备采样率的问题,采集到的轨迹点密集程度不同,因此,需要对各个笔画的轨迹点进行重采样,使得轨迹点的密集程度统一。在一种可能的实现方式中,可使用分段插值的方法对轨迹点进行重采样,在获得重采样后的笔画后,对重采样后的笔画进行平滑处理,可选的,可采用滑动平均的方法对重采样后的笔画进行平滑处理。
步骤S201-5、从各个平滑处理后的笔画中去除冗余笔画,剩余的笔画组成的笔画集合作为目标笔画集合。
目标对象绘制的笔画中可能存在一些冗余笔画,为了避免冗余笔画对后续评估的影响,需要将冗余笔画去除。在一种可能的实现方式中,可将长度小于预设的长度阈值的笔画作为冗余笔画去除。
步骤S202:获取目标笔画集合中各个笔画的特征,作为目标图形的笔画层面的特征。
任一笔画的特征可以包括以下特征中的一种或多种:笔画的时间特征、笔画的速度特征、笔画的压力特征、笔画的长度特征、笔画的角度特征、笔画的绘制顺序特征。
其中,任一笔画的时间特征可以包括以下特征中的一种或多种:该笔画的绘制时间、该笔画与上一笔画之间的时间间隔、该笔画与下一笔画之间的时间间隔。需要说明的是,任一笔画的绘制时间为该笔画的结束点的绘制时间与起始点的绘制时间的差值;两个笔画(其中,第一笔画先绘制,第二笔画后绘制)的时间间隔为第二个笔画起始点的绘制时间与第一个笔画结束点的绘制时间的差值。
其中,任一笔画的速度特征可以包括以下特征中的一种或多种:该笔画绘制的平均速度、和/或该笔画绘制的最大速度、和/或该笔画绘制的最小速度。需要说明的是,任一笔画绘制的平均速度可通过组成该笔画的各个轨迹点的位置坐标和绘制时间确定,假设组成该笔画的轨迹点有n个,则可计算第1个轨迹点与第2个轨迹点(第2个轨迹点与第1个轨迹点相邻,且第2个轨迹点的绘制时间晚于第1个轨迹点的绘制时间)的距离s1,该距离可利用两个轨迹点的坐标确定,然后计算时间t1,时间t1为第2个轨迹点的绘制时间与第一个轨迹点的绘制时间的差值,进而可得到v1=s1/t1,针对第2个轨迹点和第3个轨迹点进行上述同样的计算,可得到v2,以此类推可得到v3、…vn-1,则该笔画绘制的平均速度为(v1+v2+…vn-1)/(n-1),该笔画绘制的最大速度为v1~vn-1中的最大速度,该笔画绘制的最小速度为v1~vn-1中的最小速度。
其中,任一笔画的压力特征可以包括以下特征中的一种或多种:该笔画绘制的平均压力、该笔画绘制的最大压力、该笔画绘制的最小压力。需要说明的是,任一笔画绘制的平均压力为该笔画所包含的各个轨迹点的压力值的平均值,任一笔画绘制的最大压力为该笔画所包含的各个轨迹点的压力值中的最大压力值,任一笔画绘制的最小压力为该笔画所包含的各个轨迹点的压力值中的最小压力值。
其中,任一笔画的长度特征包括以下特征中的一种或多种:该笔画的首尾距离、该笔画的实际长度、该笔画与上一笔画之间的最短距离、该笔画与下一笔画之间的最短距离。需要说明的是,任一笔画的首尾距离为该笔画的起始点与结束点之间的距离;一个笔画的实际长度的确定方式为:假设组成该笔画的轨迹点有m个,则计算任两个相邻轨迹点之间的距离,具体的,计算第1个轨迹点与第2个轨迹点的距离s1、第2个轨迹点与第3个轨迹点的距离s2、…、第m-1个轨迹点与第m个轨迹点的距离s m-1,将(s1+s2+…+sm-1)确定为该笔画的实际长度;两个相邻笔画之间的最短距离的确定方式为:针对第一笔画的每个轨迹点,分别计算该轨迹点与第二笔画的各个轨迹点的距离,获得各个距离中的最小距离,作为该轨迹点与第二笔画的距离,从而得到第一笔画的每个轨迹点与第二笔画的距离,将第一笔画的各个轨迹点与第二笔画的距离中的最小距离确定为第一笔画与第二笔画之间的最短距离。
其中,任一笔画的绘制顺序特征包括:该笔画的绘制次序。
步骤S203:从目标笔画集合中获取每种图形元素的笔画集合,并通过每种图形元素的笔画集合获得每种图形元素。
示例性的,目标图形可以为钟表图形,根据钟表图形的绘制要求所绘制的图形应包括钟表轮廓、指针和数字这三种图形元素。本步骤的目的在于从目标笔画集合中获取轮廓的笔画集合、指针的笔画集合和数字的笔画集合,进而通过轮廓的笔画集合、指针的笔画集合和数字的笔画集合获得轮廓、指针和数字。需要说明的是,在对具有认知功能障碍的人进行筛查时,一种筛查方式是要求筛查对象绘制钟表图形,钟表图形的绘制要求为:绘制一个圆形的表盘轮廓,在表盘轮廓内画上1~12这12个数字,并画上时针和分针,12个数字应书写正确,且12个数字的位置应正确,时针和分针指向11点20分。
步骤S204:获取每种图形元素的特征,作为目标图形的图形元素层面的特征。
任一图形元素的特征可以但不限定为包括以下特征中的一种或多种:图形元素的时间特征、图形元素的速度特征、图形元素的压力特征、图形元素的长度特征、图形元素的角度特征、图形元素的准确性特征等。
其中,图形元素的绘制时间特征可以包括以下特征中的一种或多种:图形元素绘制过程总时间、图形元素实际绘制总时间、图形元素笔画绘制最长时间、图形元素笔画绘制最短时间、图形元素笔画绘制平均时间、图形元素总思考时间、图形元素笔画思考最长时间、图形元素笔画思考最短时间、图形元素笔画思考平均时间、图形元素笔画绘制时间变化、图形元素笔画思考时间变化。需要说明的是,图形元素绘制过程总时间为图形元素实际绘制总时间与图形元素总思考时间的和;图形元素实际绘制总时间为图形元素所包含的各个笔画的绘制时间的和;图形元素笔画绘制最长时间为图形元素所包含的各个笔画的绘制时间中的最长绘制时间;图形元素笔画绘制最短时间为图形元素所包含的各个笔画的绘制时间中的最短绘制时间;图形元素笔画绘制平均时间为图形元素所包含的各个笔画的绘制时间的平均值;图形元素总思考时间为图形元素所包含的各个笔画的思考时间的和,任一笔画的思考时间为该笔画与前向相邻笔画的时间间隔;图形元素笔画思考最长时间为图形元素所包含的各个笔画的思考时间中的最长思考时间;图形元素笔画思考最短时间为图形元素所包含的各个笔画的思考时间中的最短思考时间;图形元素笔画思考平均时间为图形元素所包含的各个笔画的思考时间的平均值;图形元素笔画绘制时间变化为图形元素所包含笔画的实际绘制时间的方差;图形元素笔画思考时间变化为图形元素所包含笔画的思考时间的方差。
其中,图形元素的速度特征可以包括以下特征中的一种或多种:图形元素绘制平均速度、图形元素笔画绘制最大速度、图形元素笔画绘制最小速度、图形元素笔画绘制平均速度。前面提到,针对两个相邻轨迹点可以得到一个速度,对于任一笔画可获得多个速度,针对图形元素所包含的各个笔画获得的所有速度中的最大速度为图形元素笔画绘制最大速度,针对图形元素所包含的各个笔画获得的所有速度中的最小速度为图形元素笔画绘制最小速度,针对图形元素所包含的各个笔画获得的所有速度的平均值为图形元素绘制平均速度,而图形元素笔画绘制平均速度为图形元素所包含的各个笔画的平均速度的平均值,假设图形元素包括两个笔画,第一个笔画包括N个轨迹点,第二个笔画包括M个轨迹点,则针对第一个笔画可获得N-1个速度,N-1个速度的均值为v1,针对第二个笔画可获得M-1个速度,M-1个速度的均值为v2,则图形元素笔画绘制平均速度为v1与v2的平均值。
其中,图形元素的压力特征可以包括以下特征中的一种或多种:图形元素绘制平均压力、图形元素笔画绘制最大压力、图形元素笔画绘制最小压力、图形元素笔画绘制平均压力。需要说明的是,图形元素绘制平均压力为图形元素所包含的各个轨迹点的压力的平均值;图形元素笔画绘制最大压力为图形元素所包含的各个轨迹点的压力中的最大压力;图形元素笔画绘制最小压力为图形元素所包含的各个轨迹点的压力中的最小压力;图形元素笔画绘制平均压力为图形元素所包含的各个笔画的平均压力的平均值,一个笔画的平均压力为该笔画所包含的各个轨迹点的压力的平均值。
其中,图形元素的长度特征包括以下特征中的一种或多种:图形元素绘制总长度、图形元素笔画绘制最大长度、图形元素笔画绘制最小长度、图形元素笔画绘制平均长度。需要说明的是,图形元素绘制总长度为图形元素所包含的各个笔画的长度的和;图形元素笔画绘制最大长度为图形元素所包含的各个笔画的长度中的最大长度;图形元素笔画绘制最小长度为图形元素所包含的各个笔画的长度中的最小长度;图形元素笔画绘制平均长度为图形元素所包含的各个笔画的长度的平均值。
下面以目标图形为钟表图形为例,对图形元素层面的特征进行进一步介绍。对于钟表图形而言,图形元素层面的特征可以包括表盘轮廓的特征、和/或指针的特征和/或数字的特征。需要说明的是,不同对象的认知水平不同,这导致有的对象绘制的图形可能包括所有图形元素,而有的对象绘制的图形可能只包括部分图形元素,基于此,获取的图形元素层面的特征可能包括所有图形元素的特征,但也可能只包括部分图形元素的特征。
首先对表盘轮廓的特征进行介绍:
表盘廓特的特征可以包括以下特征中的一种或多种:轮廓的时间特征、轮廓的速度特征、轮廓的压力特征、轮廓的长度特征、轮廓的角度特征、轮廓的曲率特征、轮廓的面积特征、轮廓的椭圆拟合特征。
其中,轮廓的绘制时间特征可以包括以下特征中的一种或多种:轮廓绘制过程总时间、轮廓实际绘制总时间、轮廓笔画绘制最长时间、轮廓笔画绘制最短时间、轮廓笔画绘制平均时间、轮廓总思考时间、轮廓笔画思考最长时间、轮廓笔画思考最短时间、轮廓笔画思考平均时间、轮廓笔画绘制时间变化、轮廓笔画思考时间变化、轮廓总思考时间占轮廓绘制过程总时间的比例。
其中,轮廓的绘制速度特征可以包括以下特征中的一种或多种:轮廓绘制平均速度、轮廓笔画绘制最大速度、轮廓笔画绘制最小速度、轮廓笔画绘制平均速度。
其中,轮廓的绘制压力特征可以包括以下特征中的一种或多种:轮廓绘制平均压力、轮廓笔画绘制最大压力、轮廓笔画绘制最小压力、轮廓笔画绘制平均压力。
其中,轮廓的长度特征包括以下特征中的一种或多种:轮廓开口的长度、轮廓绘制总长度、轮廓笔画绘制最大长度、轮廓笔画绘制最小长度、轮廓笔画绘制平均长度。
其中,轮廓的角度特征包括轮廓开口角度。需要说明的是,轮廓开口角度为轮廓的起始点、结束点与轮廓中心点构成的夹角,夹角的顶点为轮廓中心点。需要说明的,轮廓中心点为轮廓的笔画集合中的所有笔画组成的表盘轮廓所包含的区域的中心点,轮廓中心点的横坐标x=(x_min+x_max)/2,纵坐标y=(y_min+y_max)/2,其中,x_min和x_max分别为轮廓所包含的各个轨迹点的坐标中的最小横坐标、最大横坐标,y_min和y_max分别为轮廓所包含的各个轨迹点的坐标中的最小纵坐标和最大纵坐标。
其中,轮廓的曲率特征包括以下特征中的一种或多种:轮廓笔画最大曲率、轮廓笔画最小曲率、轮廓笔画平均曲率。需要说明的是,轮廓笔画最大曲率为轮廓笔画所包含的各个轨迹点的曲率中的最大曲率;轮廓笔画最小曲率为轮廓笔画所包含的各个轨迹点的曲率中的最小曲率;轮廓笔画平均曲率为轮廓笔画所包含的各个轨迹点的曲率的平均值。
其中,轮廓的面积特征包括以下特征中的一种或多种:轮廓所占面积、轮廓外接矩形的长宽比。需要说明的是,轮廓所占面积为(xmax-xmin)*(ymax-ymin),xmax和xmin分别为轮廓所包含的各个轨迹的坐标中的最大横坐标、最小横坐标,ymax和ymin分别为轮廓所包含的各个轨迹的坐标中的最大纵坐标、最小纵坐标。
其中,轮廓的椭圆拟合特征为根据轮廓的笔画集合进行椭圆拟合所得到的椭圆的特征,拟合得到的椭圆的特征包括以下特征中的一种或多种:长半轴a、短半轴b、长短轴之比a/b、轮廓所包含的各个轨迹点分别与拟合得到的椭圆的最近距离之和。
需要说明的是,根据表盘轮廓的笔画集合进行椭圆拟合的过程包括:首先,根据表盘轮廓的笔画集合中的边界点确定椭圆中心点(x,y);然后,在表盘轮廓的笔画集合中确定距离椭圆中心点(x,y)最远的一个点A,并以点A与椭圆中心点(x,y)建立直线方程L1,直线方程的倾斜角记为θ;接着,从表盘轮廓的笔画集合中去除点A周围与椭圆中心点(x,y)的距离小于设定距离阈值Dth的点,从剩余的点中确定距离L1最近的一个点B,计算AB的距离即为2a;找到与L1垂直并且过椭圆中心点(x,y)的一条直线L2,在L1的第一侧确定距离L2最近的点C,并在L1的第二侧确定距离L2最近的点D,计算点C与点D之间的距离,点C与点D之间的距离即为2b。其中,a为椭圆长半轴长度,b为椭圆短半轴长度。请参阅图3,示出了椭圆拟合效果,图3中的虚线椭圆即为拟合得到的椭圆。
另外,轮廓的特征还可以包括:轮廓笔画数、轮廓到中心点距离最大值、轮廓到中心点距离最小值、轮廓到中心点距离均值、轮廓到中心点距离标准差等。
接下来对数字的特征进行介绍:
数字的特征可以包括以下特征中的一种或多种:数字的时间特征、数字的速度特征、数字的压力特征、数字的长度特征、数字的角度特征、数字的面积特征、数字的准确性特征、数字的分布特征。
其中,数字的时间特征包括以下特征中的一种或多种:数字绘制过程总时间、数字实际绘制总时间、数字笔画绘制最长时间、数字笔画绘制最短时间、数字笔画绘制平均时间、数字思考总时间、数字笔画思考最长时间、数字笔画思考最短时间、数字笔画思考平均时间、数字笔画绘制时间变化、数字笔画思考时间变化、数字思考总时间占数字绘制过程总时间的比例。
其中,数字的速度特征包括以下特征中的一种或多种:数字绘制平均速度、数字笔画绘制最大速度、数字笔画绘制最小速度、数字笔画绘制平均速度。
其中,数字的压力特征包括以下特征中的一种或多种:数字绘制平均压力、数字笔画绘制最大压力、数字笔画绘制最小压力、数字笔画绘制平均压力。
其中,数字的长度特征包括以下特征中的一种或多种:数字绘制总长度、数字笔画绘制最大长度、数字笔画绘制最小长度、数字笔画绘制平均长度。
其中,数字的角度特征包括以下特征中的一种或多种:每个数字的起始点与结束点之间的角度(即数字书写的方向)、每个数字的中心点与轮廓中心点之间的角度。需要说明的是两个点之间的角度为两个形成的直线与预设的基准方向的夹角,其中,预设的基准方向可以为以轮廓中心点为原点建立的坐标系的X轴正方向,X轴正方向的角度可设定为0度。
其中,数字的面积特征包括以下特征中的一种或多种:数字所占面积的平均值、数字所占面积的最大值、数字所占面积的最小值、数字框的平均考高度、数字框的平均宽度。其中,数字所占的面积通过数字所包含的轨迹点的最大横坐标、最小横坐标、最大纵坐标和最小纵坐标确定。
其中,数字的准确性特征包括以下特征中的一种或多种:缺失的数字、重复的数字、正确数字的个数。
其中,数字的分布特征包括以下特征中的一种或多种:相邻数字之间的距离、相邻数字的方差、相邻数字间角度均值、相邻数字间角度最大值、相邻数字间角度最小值、数字到中心点距离最大值、数字到中心点距离最小值、数字到中心点距离均值。
最后,对指针的特征进行介绍:
指针的特征包括以下特征中的一种或多种:指针的时间特征、指针的速度特征、指针的压力特征、指针的长度特征、指针的角度特征、指针的准确性特征。
其中,指针的时间特征包括以下特征中的一种或多种:指针绘制过程总时间、指针实际绘制总时间、指针笔画绘制最长时间、指针笔画绘制最短时间、指针笔画绘制平均时间、指针思考总时间、指针笔画思考最长时间、指针笔画思考最短时间、指针笔画思考平均时间、指针笔画绘制时间变化、指针笔画思考时间变化、指针思考总时间占指针绘制过程总时间的比例。
其中,指针的速度特征包括以下特征中的一种或多种:指针绘制平均速度、指针笔画绘制最大速度、指针笔画绘制最小速度、指针笔画绘制平均速度。
其中,指针的压力特征包括以下特征中的一种或多种:指针绘制平均压力、指针笔画绘制最大压力、指针笔画绘制最小压力、指针笔画绘制平均压力。
其中,指针的长度特征包括以下特征中的一种或多种:指针笔画与轮廓中心点之间的最短距离、指针绘制总长度、指针笔画绘制最大长度、指针笔画绘制最小长度、指针笔画绘制平均长度、分针长度、时针长度。需要说明的是,指针笔画与轮廓中心点之间的最短距离为指针笔画所包含的各个轨迹点分别与轮廓中心点之间的距离中的最短距离。
其中,指针的角度特征包括以下特征中的一种或多种:每个指针的起始点与结束点之间的角度、指针笔画中心点与轮廓中心点之间的角度。
其中,指针的准确性特征包括以下特征中的一种或多种:时针是否缺失、分针是否缺失、时针是否重复、分针是否重复、时针和分针的长度比、分针是否指向2、时针是否指向11。
另外,指针的特征还可以包括:指针长度、分针长度、时针长度、时针角度偏差、分针角度偏差、分针与时针角度差值、时针包含的笔画数、分针包含的笔画数、分针到轮廓中心点距离最小值、时针到中心点距离最小值等。
步骤S205:通过每种图形元素获得整个图形,并获取整个图形的特征,作为目标图形的整个图形层面的特征。
整个图形层面的特征包括以下特征中的一种或多种:整个图形的时间特征、整个图形的速度特征、整个图形的压力特征、整个图形的长度特征、整个图形的整体分布特征、整个图形中各种元素的绘制顺序特征。
其中,整个图形的时间特征包括以下特征中的一种或多种:整个图形绘制过程总时间(即整个图形的实际绘制总时间与整个图形的思考总时间的和)、整个图形的实际绘制总时间(即整个图形所包含的各个笔画的绘制时间的和)、整个图形的笔画绘制最长时间(即整个图形所包含的各个笔画的绘制时间中的最长绘制时间)、整个图形的笔画绘制最短时间、整个图形的笔画绘制平均时间(即整个图形所包含的各个笔画的绘制时间的平均值)、整个图形的思考总时间(即整个图形所包含的各个笔画的思考时间的和,)、整个图形的笔画思考最长时间(即整个图形所包含的各个笔画的思考时间中的最长思考时间)、整个图形的笔画思考最短时间、整个图形的笔画思考平均时间、整个图形的实际绘制总时间与思考总时间的比值、整个图形的笔画绘制时间变化(即整个图形所包含笔画的绘制时间的方差)、整个图形的笔画思考时间变化(整个图形所包含笔画的思考时间的方差)、整个图形的思考总时间占整个图形绘制过程总时间的比例。
其中,整个图形的绘制速度特征可以包括以下特征中的一种或多种:整个图形绘制过程的平均速度(即针对整个图形所包含的各个笔画获得的所有速度的平均值,针对一个笔画的相邻两点可获得一个速度,针对一个笔画可获得多个速度)、整个图形的最大绘制速度(即针对整个图形所包含的各个笔画获得的所有速度中的最大速度)、整个图形的最小绘制速度、整个图形的平均绘制速度。
其中,整个图形的压力特征包括以下特征中的一种或多种:整个图形的平均绘制压力(即整个图形所包含的各个轨迹点的压力的平均值)、整个图形的笔画绘制最大压力(即整个图形所包含的各个轨迹点的压力中的最大压力)、整个图形的笔画绘制最小压力、整个图形的笔画绘制平均压力(即整个图形所包含的各个笔画的平均压力的平均值,一个笔画的平均压力为该笔画所包含的各个轨迹点的压力的平均值)。
其中,整个图形的长度特征包括整个图形的绘制总长度。需要说明的是,整个图形的绘制总长度为整个图形所包含的各个笔画的长度的和。
其中,整个图形的整体分布特征为表征整个图形分布情况的特征,整个图形中各种元素的绘制顺序特征为表征整个图形中各种元素的绘制顺序的特征。示例性的目标图形为钟表图形,则整个图形的整体分布特征可以包括绘制在轮廓外部的数字的个数、和/或四象限中数字的个数,其中,四象限指的是以轮廓中心点为原点建立的坐标系的四象限;整个图形中各种元素的绘制顺序特征可以包括轮廓、指针和数字的绘制顺序,和/或各个数字的书写顺序(比如,12、3、6、9是否先书写)。
接下来,对上述实施例中的“步骤S203:从目标笔画集合中获取每种图形元素的笔画集合,并通过每种图形元素的笔画集合获得每种图形元素”的实现过程进行介绍。
“从目标笔画集合中获取每种图形元素的笔画集合”的实现方式有多种,在第一种可能的实现方式中,可根据预设的笔画识别规则,从目标笔画集合中识别出每种图形元素的笔画集合。其中,笔画识别规则根据按绘制要求应绘制的部分或全部图形元素的特点设定。
以下以目标图形为钟表图形为例,对根据预设的笔画识别规则,从目标笔画集合中识别出每种图形元素的笔画集合的过程进行进一步说明。
请参阅图4,示出了根据预设的笔画识别规则,从钟表图形对应的目标笔画集合中获取表盘轮廓的集合、指针轮廓的笔画集合和数字的笔画集合的实现过程的流程示意图,可以包括:
步骤S401:根据笔画的长度和笔画间的距离,从目标笔画集合中获取表盘轮廓的笔画集合。
具体的,根据笔画的长度和笔画间的距离,从目标笔画集合中获取表盘轮廓的笔画集合的过程可以包括:
步骤S401-1、从目标笔画集合中获取最长笔画作为轮廓笔画,并获取当前轮廓的起始点集和结束点集。
其中,当前轮廓为当前获得的所有轮廓笔画组成的轮廓,当前轮廓的起始点集包括当前轮廓的起始点,当前轮廓的结束点集包括当前轮廓的结束点。需要说明的是,当前轮廓的起始点包括当前轮廓起始端的预设个轨迹点,同样的,当前轮廓的结束点包括当前轮廓结束端的预设个轨迹点。
步骤S401-2、判断目标笔画集合中是否还有未获取过的笔画,若是,则执行步骤S401-3,若否,则执行步骤S401-6。
步骤S401-3、根据当前轮廓的起始点集和结束点集,从目标笔画集合中未获取过的笔画中获取与当前轮廓距离最近的笔画,作为候选轮廓笔画。
需要说明的是,确定一个笔画与当前轮廓的距离的过程包括:计算该笔画与当前轮廓的起始点集的距离作为第一距离,并计算该笔画与当前轮廓的结束点集的距离作为第二距离,将第一距离和第二距离中较小的距离确定为该笔画与当前轮廓的距离。
进一步的,确定一个笔画s与一个点集p的距离的过程可以包括:针对笔画s包含的每个轨迹点,分别计算该轨迹点与点集p中各个点的距离,从计算得到的距离中确定最小距离作为该轨迹点与点集p的距离,以得到笔画s包含的各个轨迹点与点集p的距离,将笔画s包含的各个轨迹点与点集p的距离中的最小距离确定为笔画s与点集p的距离。
步骤S401-4:判断候选轮廓笔画与当前轮廓的距离是否小于预设的第一距离阈值,若是,则执行步骤S401-5a,若否,则执行步骤S401-5b。
步骤S401-5a:确定候选轮廓笔画为轮廓笔画,获取当前轮廓(即当前确定出的所有轮廓笔画组成的轮廓)的起始点集和结束点集,然后返回步骤S401-2。
步骤S401-5b:确定候选轮廓笔画不为轮廓笔画,然后返回步骤S401-2。
步骤S401-6:将获得的所有轮廓笔画组成的集合确定为表盘轮廓的笔画集合。
步骤S402:根据笔画与轮廓中心点的距离,从目标笔画集合中的非轮廓笔画中获取指针的笔画集合。
具体的,计算目标笔画集合中的每个非轮廓笔画与轮廓中心点的距离;将与轮廓中心点的距离小于预设的第二距离阈值的非轮廓笔画所组成的集合确定为指针的笔画集合。需要说明的是,一个笔画与轮廓中心点的距离为该笔画包含的各个轨迹点分别与轮廓中心点的距离中的最小距离。
步骤S403:将目标笔画集合中除轮廓笔画和指针笔画外的笔画组成的集合确定为数字的笔画集合。
请参阅图5,示出了“从目标笔画集合中获取每种图形元素的笔画集合”的第二种可能的实现方式的流程示意图,可以包括:
步骤S501:获取目标笔画集合中每个笔画的特征。
任一笔画的特征可以包括该笔画的位置特征,还可以包括该笔画的长度特征、时序特征等。
其中,一笔画的位置特征可以包括:该笔画的中心点(x_mean,y_mean)、和/或该笔画的中心点与轮廓中心点的角度。需要说明的是,x_mean为该笔画包含的各个轨迹点的坐标中所有横坐标的均值,y_mean为该笔画包含的各个轨迹点的坐标中所有纵坐标的均值。一笔画的长度特征可以包括:该笔画的长度、和/或该笔画的中心点与轮廓中心点间的距离。一笔画的时序特征可以包括:该笔画绘制的时间均值、和/或该笔画的绘制顺序。
步骤S502:根据目标笔画集合中每个笔画的特征,按预设的类别个数,对目标笔画集合中的笔画进行聚类,获得聚类结果。
其中,类别个数根据目标图形中包含的图形元素的种类数设定。
假设根据绘制要求,应绘制的图形元素包括N种,则在一种可能的实现方式中,可设定预设的类别个数为N,可以理解的是,目标对象在绘制图形时可能绘制一些冗余的内容,比如,在绘制钟表图形时,可能在指针上绘制箭头,还可能在表盘轮廓内书写11:10,也就是说,目标笔画集合中除了包括各个图形元素的笔画外,还可能包括一些冗余笔画,为了能够同时将冗余笔画区分出来,在另一种可能的实现方式中,可设定类别个数为N+1。
可选的,可根据目标笔画集合中各个笔画的特征,利用kmeans算法对目标笔画集合中的笔画进行聚类,通过聚类,属于同一类型的笔画会聚在一起,也就是说,属于同一图形元素的笔画会聚在一起,冗余笔画会聚在一起。
步骤S503:通过聚类结果获得每种图形元素的笔画集合。
假设根据绘制要求,应绘制的图形元素包括N种,若预设的类别个数为N,则可获得每种图形元素的笔画集合,若预设的类别个数为N+1,则除了可获得每种图形元素的笔画集合外,还可获得冗余笔画集合。
请参阅图6,示出了从目标笔画集合中获取每种图形元素的笔画集合”的第三种可能的实现方式的流程示意图,可以包括:
步骤S601:获取目标笔画集合中每个笔画的特征。
任一笔画的特征可以包括以下特征中的一种或多种:该笔画的长度特征、该笔画的角度特征、该笔画的曲率特征、该笔画的时间特征、该笔画的面积特征、该笔画的速度特征、该笔画的时序特征。
其中,任一笔画的长度特征可以包括以下特征中的一种或多种:该笔画的长度、该笔画中心点与轮廓中心点的之间的距离、该笔画起始点与结束点之间的距离;任一笔画的角度特征可以包括以下特征中的一种或多种:该笔画与轮廓中心点之间的角度、该笔画到前一笔画结束点的角度、该笔画到后一笔画起始点的角度;任一笔画的曲率特征可以包括以下特征中的一种或多种:该笔画所包含的各个轨迹点的曲率的平均值、该笔画所包含的各个轨迹点的曲率的中位数;任一笔画的时间特征可以包括以下特征中的一种或多种:该笔画的绘制时间、该笔画与上一笔画之间的间隔时间、该笔画与下一笔画之间的间隔时间;任一笔画的面积特征可以包括该笔画所占的面积(该笔画所占的面积通过该笔画所包含的各个轨迹点的坐标中的最大横坐标、最小横坐标、最大纵坐标、最小纵坐标确定);任一笔画的速度特征可以包括该笔画绘制的平均速度;任一笔画的时序特征可以包括该笔画的绘制顺序。
步骤S602:将目标笔画集合中每个笔画的特征输入预先建立的笔画分类模型,获得目标笔画集合中每个笔画所属的类别。
其中,任一笔画所属的类别用于指示该笔画所属的图形元素。
其中,笔画分类模型采用标注有笔画类别的训练笔画训练得到,其中,训练笔画为训练图形对应的笔画集合中的笔画。在训练笔画分类模型时,获取训练笔画的特征输入初始的笔画分类模型进行训练。
需要说明的是,在对训练笔画进行类别标注时,在一种可能的实现方式中,针对训练笔画可只进行所属图形元素的标注,在另一种可能的实现方式中,针对训练笔画除了进行所属图形元素的标注外,还可进行冗余笔画的标注,以便采用训练笔画训练得到的笔画分类模型既能够识别出各图形元素的笔画,又能识别出冗余笔画。
步骤S603:通过目标笔画集合中各个笔画所属的类别,获得每种图形元素的笔画集合。
若训练样本进行了冗余笔画的标注,则利用笔画分类模型除了能够获得每种图形元素的笔画集合,还能够获得冗余笔画集合。
经由上述过程可获得各图形元素的笔画集合,获得各图形元素的笔画集合后,可通过各图形元素的笔画集合获得各图形元素。
需要说明的是,对于包含至少一个数字的目标图形比如钟表图形而言,需要根据数字的集合进行数字识别,请参阅图7,示出了根据数字的笔画集合进行数字识别的流程示意图,可以包括:
步骤S701:根据笔画的绘制时间和空间位置,对数字的笔画集合中的笔画进行聚类,获得多组笔画。
其中,每组笔画对应目标图形中的一个数字。根据笔画的绘制时间和空间位置对数字的笔画集合中的笔画进行聚类,能够将属于同一数字的笔画聚集在一起,从而将属于不同数字的笔画区分开。
步骤S702:根据多组笔画生成目标图形中每个数字对应的轨迹点文件。
其中,任一数字对应的轨迹点文件包括组成该数字的所有轨迹点。
以目标图形为钟表图形为例,如果目标对象在绘制钟表图形时,书写了1~12这12个数字,那么,通过步骤S702可获得12个轨迹点文件。
步骤S703:分别将目标图形中每个数字对应的轨迹点文件输入预先建立的数字识别模型,获得钟表图形中的每个数字。
其中,数字识别模型采用标注有数字的训练轨迹点文件训练得到。需要说明的是,目标图形的数字中可能会存在倾斜数字,为了能对倾斜数字进行识别,本实施例可在数字识别模型的训练样本集中添加倾斜数字的训练样本,以使训练得到数字识别模型能够对倾斜数字进行准确识别。
需要说明的是,在获取各图形元素的笔画集合时,若还获得冗余笔画集合,则在获取图形元素层面的特征时,除了获取各个图形元素的特征外,还可获取冗余笔画的特征。
具体的,冗余笔画的特征可以包括以下特征中的一种或多种:冗余笔画的时间特征、冗余笔画的速度特征、冗余笔画的压力特征、冗余笔画的长度特征、冗余笔画的数量特征、冗余笔画的类型特征。
其中,冗余笔画的时间特征可以以下特征中的一种或多种:冗余笔画绘制过程总时间(即冗余笔画实际绘制总时间与冗余笔画思考总时间的和)、冗余笔画实际绘制总时间(即冗余笔画集合中各冗余笔画的绘制时间的和)、冗余笔画绘制最长时间(即冗余笔画集合中各冗余笔画的绘制时间中的最长绘制时间)、冗余笔画绘制最短时间、冗余笔画绘制平均时间、冗余笔画总思考时间(即冗余笔画集合中各冗余笔画的思考时间的和)、冗余笔画思考最长时间(即冗余笔画集合中各冗余笔画的思考时间中的最长思考时间)、冗余笔画思考最短时间、冗余笔画思考平均时间、冗余笔画绘制时间变化(即冗余笔画集合中冗余笔画的绘制时间的方差)、冗余笔画思考时间变化(即冗余笔画集合中冗余笔画的思考时间的方差)。
其中,冗余笔画的绘制速度特征可以包括以下特征中的一种或多种:冗余笔画平均速度(即针对冗余笔画集合中各冗余笔画获得的速度的平均值,其中,针对两个轨迹点可获得一个速度,针对一个笔画可获得多个速度)、冗余笔画绘制最大速度(即针对冗余笔画集合中各冗余笔画获得的速度中的最大速度)、冗余笔画绘制最小速度、冗余笔画绘制平均速度。
其中,冗余笔画的绘制压力特征可以包括以下特征中的一种或多种:冗余笔画平均压力(即冗余笔画集合中各冗余笔画所包含的各个轨迹点的压力的平均值)、冗余笔画绘制最大压力(即冗余笔画集合中各个冗余笔画所包含的各个轨迹点的压力中的最大压力)、冗余笔画绘制最小压力、冗余笔画绘制平均压力。
其中,冗余笔画的长度特征包括以下特征中的一种或多种:冗余笔画总长度(即冗余笔画集合中各冗余笔画的长度的和)、冗余笔画绘制最大长度(即冗余笔画集合中各冗余笔画的长度中的最大长度)、冗余笔画绘制最小长度、冗余笔画绘制平均长度。
其中,冗余笔画的数量特征包括冗余笔画的个数;冗余笔画的类别特征为能够表征冗余笔画类别的特征,以目标图形为钟表图形为例,冗余笔画的类别特征包括冗余笔画集合中是否出线刻度标记、和/或是否出现指针上的箭头、和/或是否出现文本标记。
前述内容给出了获取目标图形的评估指标集合的过程,接下来对上述实施例中的“步骤S103:根据评估指标集合,确定目标图形的评估结果”的过程进行介绍。
“根据评估指标集合,确定目标图形的评估结果”的实现方式有多种,请参阅图8,示出了第一种可能的实现方式的流程示意图,可以包括:
步骤S801:根据评估指标集合中每个指标的指标值,确定评估指标集合中的每个指标在目标图形上的权重。
具体的,可根据评估指标集合中每个指标的指标值,采用熵权法确定评估指标集合中的每个指标在目标图形上的权重。
步骤S802:根据评估指标集合中每个指标的指标值和每个指标在目标图形上的权重,确定目标图形的得分,作为目标图形的评估结果。
具体的,可通过对评估指标集合中各个指标的指标值进行加权求和,以获得目标图形的得分。假设评估指标集合中包括n个指标x1、x2、…、xn,n个指标在目标图形上的权重依次为w1、w2、…、wn,则可通过下式确定目标图形的得分:
可选的,可进一步利用下式(2)将通过上式(1)计算得到score标准化为0-100的得分:
其中,score_max和score_min根据多个样本统计得,需要说明的是,多个样本指的是多个对象按同样的绘制要求绘制的图形,score_max多个对象绘制的图形的得分中的最大得分,score_min为多个对象绘制的图形的得分中的最小得分。
接下来给出“步骤S103:根据评估指标集合,确定目标图形的评估结果”的第二种可能的实现方式,该实现方式的实现过程可以包括:
将评估指标集合中的各个评估指标作为三级指标;根据评估指标集合中每个三级指标的指标值,以及,预先设定的、每个三级指标所属的二级指标和每个二级指标所属的一级指标,确定目标图形的评估结果。
在该实现方式中,预先设定三级指标体系,根据预先设定的三级指标体系和评估指标集合中各个评估指标的指标值确定目标图形的评估结果。三级指标体系中包括的三级指标、二级指标、一级指标、每个三级指标所属的二级指标以及每个二级指标所属的一级指标均是预先设定好的。需要说明的是,三级指标体系中的各指标均是抽象定义,其只是指标名称,不具有指标值,而获取的评估指标集合中的每个评估指标不但具有指标名称,还具有指标值。
请参阅图9,示出了根据评估指标集合中每个三级指标的指标值,以及,预先设定的、每个三级指标所属的二级指标和每个二级指标所属的一级指标,确定目标图形的评估结果的流程示意图,可以包括:
步骤S901:根据评估指标集合中每个三级指标的指标值,以及预先设定的每个三级指标所属的二级指标,确定评估指标集合中每个三级指标在其所属的二级指标上的权重。
具体的,可根据评估指标集合中各个三级指标的指标值以及预先设定的每个三级指标所属的二级指标,采用熵权法确定每个三级指标在其所属的二级指标上的权重。
步骤S902:根据评估指标集合中每个三级指标的指标值和评估指标集合中每个三级指标在其所属的二级指标上的权重,确定每个二级指标的得分。
具体的,针对任意一个二级指标,可对其包含的各个三级指标的指标值进行加权求和,然后将加权求和得到的分数标准化为0-100的分数,得到该二级指标的得分,以得到每个二级指标的得分。
步骤S903:根据每个二级指标的得分,以及预先设定的每个二级指标所属的一级指标,确定每个二级指标在其所属的一级指标上的权重。
具体的,可根据各个二级指标的得分以及预先设定的每个二级指标所属的一级指标,采用熵权法确定每个二级指标在其所属的一级指标上的权重。
步骤S904:根据每个二级指标的得分和每个二级指标在其所属的一级指标上的权重,确定每个一级指标的得分。
具体的,针对任意一个一级指标,可首先对该一级指标包含的各个二级指标的分数进行加权求和,然后将加权求和得到的分数标准化为0-100的分数,得到该一级指标的得分,以得到每个一级指标的得分。
步骤S905:根据每个一级指标的得分,确定每个一级指标在目标图形上的权重。
具体的,可根据各个一级指标的得分,采用熵权法确定每个一级指标在目标图形上的权重。
步骤S906:根据每个一级指标的得分和每个一级指标在目标图形上的权重,确定目标图形的得分,作为目标图形的评估结果。
具体的,可对各个一级指标的得分进行加权求和,然后将加权求和得到的得分标准化为0-100的得分,即得到目标图形的得分。
需要说明的是,对任意一个二级指标包含的各个三级指标的指标值进行加权求和、对任意一个一级指标包含的各个二级指标进行加权求和、对各个一级指标的得分进行加权求和的计算公式与上式(1)类似,对加权求和得到的分数进行标准化的公式与上式(2)类似,本实施例在此不作赘述。
请参阅图10,示出了“步骤S103:根据评估指标集合,确定目标图形的评估结果”的第三种可能的实现方式的流程示意图,可以包括:
步骤S1001:将评估指标集合中的各个评估指标作为三级指标,根据评估指标集合中的各个三级指标确定至少一个二级指标,并确定评估指标集合中每个三级指标所属的二级指标。
为了对目标图形进行评估,本申请提出了三级指标体系,评估指标集合中的各个评估指标作为三级指标体系中的三级指标,而二级指标通过三级指标确定,一级指标预先设定。在本实施例中,可通过评估指标集合中的三级指标,利用因子分析法确定二级指标以及每个三级指标所属的二级指标,具体确定过程可参见后续实施例的说明。
步骤S1002:根据预先设定的至少一个一级指标以及每个一级指标所包含的三级指标,确定每个二级指标所属的一级指标。
在本实施例中,除了需要预先设定一级指标外,还需要预先设定每个一级指标所包含的三级指标(或者说,每个三级指标所属的一级指标)。通过步骤S801可获知每个三级指标所属的二级指标,而每个三级指标所属的一级指标已知,基于此,可确定每个二级指标所属的一级指标。
可选的,预先设定的一级指标可以包括画图效率指标、信息处理指标和图形空间分布指标,其中,画图效率指标用于反映画图的快慢及简洁性,信息处理指标用于反映画图思考延迟时间,空间分布指标用于反映各图形元素的空间合理性。
下表1示出了钟表图形的三级指标体系的一示例。需要说明的是,下表1示出的指标仅为一示例,本实施例并不限定三级指标体系中的各级指标为表中的指标,三级指标体系中的各级指标可根据具体需求选取和设定,只要根据类似表1的三级指标体系确定目标图形的评估结果,均属于本申请的保护范围。
表1钟表图形的三级指标体系
步骤S1003:根据评估指标集合中每个三级指标的指标值、评估指标集合中每个三级指标所属的二级指标以及每个二级指标所属的一级指标,确定目标图形的评估结果。
接下来对上述实施例中的步骤S1001中的“根据评估指标集合中的各个三级指标确定至少一个二级指标,并确定评估指标集合中每个三级指标所属的二级指标”进行介绍。
请参阅图11,示出了“根据评估指标集合中的各个三级指标确定至少一个二级指标,并确定评估指标集合中每个三级指标所属的二级指标”的流程示意图,可以包括:
步骤S1101:根据评估指标集合中的各个三级指标,利用主成分分析方法,确定目标因子载荷矩阵。
具体的,步骤S1101的实现过程可以包括:
步骤S1101-1、对评估指标集合中的各个三级指标进行标准化,由所有的获得标准化三级指标组成新的评估指标集合。
具体的,对评估指标集合中的各个三级指标进行标准化的过程可以包括:针对评估指标集合中的每个三级指标,首先根据该三级指标的最优取值,确定该三级指标的指标类型,然后按该三级指标的指标类型对应的标准化方式,对该三级指标进行标准化,以得到标准化三级指标。
可选的,指标的类型可以包括正向指标、负向指标、最优指标和区间型指标。
所谓的正向指标指的是,对于指标x,设其任意取值为x1和x2,若x1>x2,并且,指标x在取x1时更优,则指标x为正向指标。也就是说,正向指标的取值越大越优,比如,前述内容提到的速度特征(如笔画的绘制速度、图形元素的绘制速度、整个图形的绘制速度等)即为正向指标,可以理解的是,在绘图时,绘制速度越快越好。
正向指标可按下式(3)进行标准化:
其中,x_max和x_min根据多个样本统计得到。
所谓的负向指标指的是,对于指标x,设其任意取值为x1和x2,若x1<x2,并且,指标x在取x1时更优,则称指标x为负向指标。也就是说,负向指标的取值越小越优,比如,前述内容提到的思考时间(如整个图形的思考时间、图形元素的思考时间等)为负向指标,可以理解的是,在绘图时,思考时间越短越好。
负向指标可按下式(4)进行标准化:
所谓的最优指标指的是,对于指标x,设其任意取值为xi,若存在p∈xi,当x=p时为最优,则称x为最优指标,p称为指标x的最优值。也就是说,最优指标具有一个明确的最优取值,比如,前述内容提到的轮廓外接矩形长宽比、数字的笔画数、正确数字的个数等均为最优指标。
最优指标可按下式(5)进行标准化:
所谓的区间型指标指的是,对于指标x,设其任意取值为xi,若存在p1∈xi,p2∈xi,p1<p2,并且,当x大于p1小于p2时为最优,则称x为区间型指标,(p1,p2)称为指标x的最优区间。也就是说,区间型指标的最优取值位于一个区间内,比如,数字笔画绘制平均长度、数字所占面积的平均值、数字框的平均宽度、数字框的平均高度等均为区间型指标。
区间型指标可按下式(6)进行标准化:
步骤S1101-2、针对每个一级指标,根据该一级指标所包含的标准化三级指标,利用主成分分析方法确定对应于该一级指标的因子载荷矩阵,通过对对应于该一级指标的因子载荷矩阵进行因子旋转,确定对应于该一级指标的目标因子载荷矩阵;以得到分别对应于各个一级指标的目标因子载荷矩阵。
其中,对应于任一一级指标的目标因子载荷矩阵能够表征该一级指标所包含的每个三级指标与至少一个目标因子中每个目标因子的关系,目标因子载荷矩阵中的任一元素为一个三级指标相对于一个目标因子的载荷。
针对任一一级指标,在根据该一级指标所包含的标准化三级指标,利用主成分分析方法确定对应于该一级指标的因子载荷矩阵时,首先,检验该一级指标所包含的标准化三级指标是否适合进行因子分析,具体的,可对该一级指标所包含的标准化三级指标进行KMO和Bartlett检验,当KMO检验的值大于第一预设值(比如0.5),并且,Bartlett检验的值小于第二预设值(比如0.05)时,确定该一级指标所包含的标准化三级指标适合进行因子分析;在确定出该一级指标所包含的标准化三级指标适合进行因子分析时,使用主成分分析方法对该一级指标所包含的标准化三级指标进行因子提取,获得对应于该一级指标的因子载荷矩阵,具体的,在进行因子提取时,设随机样本X=(X1,X2,...,Xp)′(随机样本中的X1,X2,...,Xp即为该一级指标所包含的标准化三级指标)的协方差矩阵为∑,λ1≥λ2≥...λm...≥λp>0为∑的特征根,u1,u2,...,up是相对应的标准正交化特征向量,当后p-m个特征根较小时,通常可以忽略,可以得到:
其中,∑ε为特殊因子的方差,A为因子载荷矩阵的估计。
在实际计算过程中,本申请可提取特征值大于等于1的因子,忽略特征值小于1的因子。
需要说明的是,通过主成分分析进行因子提取获得的因子载荷矩阵并不能对因子进行很好的解释,各个公共因子并没有突出性的指标,因此,在获得因子载荷矩阵后,优选为对因子载荷矩阵进行因子旋转,可选的,可使用正交旋转法进行因子旋转。
正交旋转法有多种,比如,四次方最大值旋转法(Quartimax旋转),方差最大正交旋转法(Varimax旋转)等。考虑到每种正交旋转方法具有其优势和劣势,为了获得较优的因子载荷矩阵,本申请提出通过至少两种正交旋转方法分别对因子载荷矩阵进行旋转,然后将通过至少两种正交旋转方法得到的至少两个旋转结果进行融合,融合后得到的因子载荷矩阵作为最终的目标因子载荷矩阵。
示例性的,Quartimax旋转通常可以提高第一因子的解释程度,但是,其他因子的解释程度会较低,而Varimax旋转可以突出每一个因子的性质,平均解释性会更强,但是,其对于有理想简单结构的因子载荷矩阵来说,旋转载荷的方差不一定能达到最大,考虑到两种旋转方法各有优劣势,为了获得较优的因子载荷矩阵,可同时采用这两种旋转方法对因子载荷矩阵进行旋转,从而可获得两个旋转后的因子载荷矩阵,然后将两个旋转后的因子载荷矩阵求平均,求平均后的得到因子载荷矩阵作为最终的目标因子载荷矩阵,假设Quartimax旋转得到的因子载荷矩阵为M1,Varimax旋转得到的因子载荷矩阵为M2,那么最终的目标因子载荷矩阵即为M=(M1+M2)/2。
步骤S1102:根据目标因子载荷矩阵,确定评估指标集合中每个三级指标所属的因子。
针对任意一个一级指标所包含的任意一个三级指标,从对应与该一级指标的目标因子载荷矩阵中获取该三级指标相对于各个因子的载荷,从该三级指标相对于各个因子的载荷中确定最大载荷,将最大载荷对应的因子确定为该三级指标所属的因子,以得到评估指标集合中每个三级指标所属的因子。
示例性的,对应于一级指标(比如处理效率指标)的目标因子载荷矩阵(包括m个因子)如下表2所示:
表2目标因子载荷矩阵
其中,指标1~指标n为一级指标(比如处理效率指标)所包含的n个三级指标,因子1~因子m为m个因子,x_11为指标1相对于因子1的载荷,…,x_1m为指标1相对于因子m的载荷,x_21为指标2相对于因子1的载荷,…,x_2m为指标2相对于因子m的载荷,…,x_n1为指标n相对于因子1的载荷,…,x_nm为指标n相对于因子m的载荷。
对于指标1而言,假设其相对于各个因子的载荷中的最大载荷为x_1m,则确定指标1所属的因子为因子m,对于指标n而言,假设其相对于各个因子的载荷中的最大载荷为x_n1,则确定指标n所属的因子为因子1,其它指标所属的因子类似。
步骤S1103:对于每个目标因子,根据属于该目标因子的三级指标确定二级指标,将属于该目标因子的三级指标作为针对该目标因子确定出的二级指标所包含的三级指标,以得到所有的二级指标,以及评估指标集合中每个三级指标所属的二级指标。
在本实施例中,对于每个目标因子,可通过该目标因子所包含的三级指标对该目标因子进行命名,命名后的目标因子即为二级指标,比如,一目标因子包含的三级指标有整个图形实际绘制时间、轮廓绘制时间等,则可将该目标因子命名为绘图时间,绘图时间即为一个二级指标。
接下来对上述实施例中的“步骤S1003:根据评估指标集合中每个三级指标的指标值、评估指标集合中每个三级指标所属的二级指标以及每个二级指标所属的一级指标,确定目标图形的评估结果”进行介绍。
请参阅图12,示出了步骤S1003的具体实现过程的流程示意图,包括:
步骤S1201:确定评估指标集合中每个三级指标在其所属的二级指标上的权重。
具体的,确定评估指标集合中每个三级指标在其所属的二级指标上的权重的过程可以包括:
步骤S1201-1:获取对应于每个一级指标的因子得分系数矩阵。
其中,对应于任一一级指标的因子得分系数矩阵,根据属于该一级指标的三级指标,利用因子分析法确定。
因子得分系数矩阵中的任一元素为一个三级指标相对于一个目标因子的得分,一个目标因子对应一个二级指标。
需要说明的是,对于任一一级指标,在利用因子分析法对属于该一级指标的三级指标进行因子分析时,可同时获得前述内容提及的因子载荷矩阵以
及此处提及的因子得分系数矩阵。
下表3示出了因子得分系数矩阵的一示例:
表3因子得分系数矩阵
其中,指标1~指标n为一级指标(比如处理效率指标)所包含的n个三级指标,因子1~因子m为m个因子,a_11为指标1相对于因子1的得分,…,x_1m为指标1相对于因子m的得分,x_21为指标2相对于因子1的得分,…,x_2m为指标2相对于因子m的得分,…,x_n1为指标n相对于因子1的得分,…,x_nm为指标n相对于因子m的得分。
步骤S1201-2:根据对应于每个一级指标的因子得分系数矩阵,确定评估指标集合中每个三级指标在其所属的二级指标上的权重。
需要说明的是,因子得分系数矩阵可以将所提取的因子表示为其所包含的各个指标的线性组合,因子得分系数矩阵中的元素即为各个指标的系数,其反映了指标的变化对因子的影响,基于此,对于任一一级指标而言,该一级指标所包含的每个三级指标在其所属的二级指标上的权重,可通过将该三级指标相对于其所属因子的得分进行标准化得到。
示例性的,如上表3所示,假设指标1所属的因子为因子m,则将指标1对应于因子m的得分a_1m进行归一化,归一化后得到的std_a_1m即为指标1在其所属的二级指标上的权重。
步骤S1202:获取每个二级指标在其所属的一级指标上的权重。
具体的,针对任意一个一级指标,假设该一级指标所包含的三级指标组成的随机样本X的协方差矩阵为∑,∑的特征根为λ1≥λ2≥...λm...≥λp>0,其中,后p-m个特征根较小时,通常可以忽略,即∑的特征根为λ1≥λ2≥...λm,则对应于该一级指标的目标载荷矩阵包括m个因子,对于该一级指标所包含的任一二级指标而言,该二级指标在其所属一级指标上的权重为对该二级指标对应的因子解释方差贡献率进行标准化后得到值,因子解释方差贡献率通过上述的特征根λ1~λm确定,假设二级指标对应的因子为m个因子中的第i个因子(i从1~m),则该二级指标对应的因子解释方差贡献率为λi/(λ1+λ2+...+λm)。
步骤S1203:根据评估指标集合中每个三级指标在其所属的二级指标上的权重,以及每个二级指标在其所属的一级指标上的权重,确定评估指标集合中每个三级指标在其所属的一级指标上的权重。
具体的,对于评估指标集合中的任意一个三级指标x,将该三级指标x在其所属的二级指标y上的权重与该二级指标y在其所属的一级指标z上的权重相乘,相乘得到的值即为该三级指标x在其所属的一级指标z上的权重。
步骤S1204:根据评估指标集合中每个三级指标的指标值,以及评估指标集合中每个三级指标在其所属的一级指标上的权重,确定每个一级指标的得分。
对于任意一个一级指标zj,假设该一级指标zj包括m个三级指标x1、x2、…、xm,m个三级指标在一级指标zj上的权重分别为w1,w2,…,wm,则一级指标zj的得分可通过下式计算得到:
可选的,获得一级指标z的得分后,可利用下式将其标准化为0-100的分数:
其中,scorej_max和scorej_min通过对多个样本进行统计得到。
针对每个一级指标均进行上述过程,便可获得每个一级指标的得分。假设一级指标包括画图效率指标、信息处理指标和图形空间分布指标,则通过上述过程可获得三个得分score1_std、score2_std、score3_std。
步骤S1205:根据每个一级指标的得分,确定每个一级指标在目标图形上的权重。
在本实施例,可根据各个一级指标的得分,采用熵权法确定每个一级指标在目标图形上的权重。
步骤S1206:根据每个一级指标的得分,以及每个一级指标在目标图形上的权重,确定目标图形的得分,作为目标图形的评估结果。
假设一级指标包括画图效率指标、信息处理指标和图形空间分布指标,三个一级指标的得分依次为score1_std、score2_std,三个一级指标在目标图形上的权重依次为w11、w12、w13,则目标图形的得分可通过下式确定:
可选的,获得目标图形的得分后,可利用下式将其标准化为0-100的分数,标准化后的分数作为目标图形的最终得分:
其中,score_max和score_min通过对多个样本进行统计得到。
本申请实施例提供的图形评估方法,可根据评估指标集合自动对目标图形进行评估,由于评估过程不需要人工参与,因此避免了主观因素对评估结果的影响,同时,节省了人力,降低了人工成本,并且,提高了图形评估效率,降了时间成本,即,本申请实施例提供的图形评估方法可自动、高效、准确地对目标对象根据绘制要求绘制的目标图形进行评估,用户体验较好。
本申请实施例还提供了一种图形评估装置,下面对本申请实施例提供的图形评估装置进行描述,下文描述的图形评估装置与上文描述的图形评估方法可相互对应参照。
请参阅图13,示出了本申请实施例提供的一种图形评估装置的结构示意图,该装置可以包括:轨迹点数据获取模块1301、评估指标获取模块1302和图形评估模块1304。
轨迹点数据获取模块1301,用于获取目标对象根据绘制要求绘制目标图形时的轨迹点数据。其中,目标图形包括至少一种图形元素。
评估指标获取模块1302,用于根据轨迹点数据,获取目标图形的评估指标集合。其中,评估指标集合包括至少一个评估指标,一个评估指标为目标图形的一个特征,目标图形的特征包括笔画层面的特征、图形元素层面的特征和/或整个图形层面的特征。
图形评估模块1303,用于根据评估指标集合,确定目标图形的评估结果。
本申请实施例提供的图形评估装置,可根据评估指标集合自动对目标图形进行评估,由于评估过程不需要人工参与,因此避免了主观因素对评估结果的影响,同时,节省了人力,降低了人工成本,并且,提高了图形评估效率,降了时间成本,即,本申请实施例提供的图形评估装置可自动、高效、准确地对目标对象根据绘制要求绘制的目标图形进行评估,用户体验较好。
在一种可能的实现方式中,上述实施例提供的图形评估装置中的评估指标获取模块1302可以包括:图形笔画获取模块、笔画特征获取模块、图形元素笔画获取模块、图形元素获取模块、图形元素特征获取模块、图形获取模块和图形特征获取模块。
其中,图形笔画获取模块,用于根据轨迹点数据获取目标笔画集合;其中,目标笔画集合包括至少一个笔画,所述目标笔画集合中的所有笔画能够表征目标图形;笔画特征获取模块,用于获取目标笔画集合中各个笔画的特征,作为笔画层面的特征;图形元素笔画获取模块,用于从目标笔画集合中获取每种图形元素的笔画集合;图形元素获取模块,用于通过每种图形元素的笔画集合获得每种图形元素;图形元素特征获取模块,用于获取每种图形元素的特征,作为图形元素层面的特征;图形获取模块,用于通过每种图形元素获得整个图形;图形特征获取模块,用于获取整个图形的特征,作为整个图形层面的特征。
在一种可能的实现方式中,上述实施例提供的图形评估装置中的图形评估模块1303可以包括:第一指标处理模块、第二指标处理获取和评估结果确定模块。
其中,第一指标处理模块,用于将评估指标集合中的各个评估指标作为三级指标,根据评估指标集合中的各个三级指标确定至少一个二级指标,并确定评估指标集合中每个三级指标所属的二级指标;第二指标处理获取,用于根据评估指标集合中每个三级指标所属的二级指标,以及,预先设定的至少一个一级指标和每个一级指标所包含的三级指标,确定每个二级指标所属的一级指标;评估结果确定模块,用于根据评估指标集合中每个三级指标的指标值、评估指标集合中每个三级指标所属的二级指标以及每个二级指标所属的一级指标,确定目标图形的评估结果。
在一种可能的实现方式中,第一指标处理模块包括:因子载荷矩阵确定子模块、指标所属因子确定子模块、指标处理子模块。
其中,因子载荷矩阵确定子模块,用于根据评估指标集合中的各个三级指标,利用主成分分析方法,确定目标因子载荷矩阵,目标因子载荷矩阵能够表征评估指标集合中每个三级指标与至少一个目标因子中每个目标因子的关系,目标因子载荷矩阵中的任一元素为一个三级指标相对于一个目标因子的载荷;指标所属因子确定子模块,用于根据目标因子载荷矩阵,确定评估指标集合中每个三级指标所属的因子;指标处理子模块,用于对于每个目标因子,根据属于该目标因子的三级指标确定二级指标,将属于该目标因子的三级指标作为针对该目标因子确定出的二级指标所包含的三级指标,以得到所有的二级指标,以及评估指标集合中每个三级指标所属的二级指标。
在一种可能的实现方式中,上述的因子载荷矩阵确定子模块,具体用针对每个一级指标:根据该一级指标所包含的标准化三级指标,利用主成分分析方法,确定对应于该一级指标的因子载荷矩阵;通过对所述对应于该一级指标的因子载荷矩阵进行因子旋转,确定对应于该一级指标的目标因子载荷矩阵;以得到对应于每个一级指标的目标因子载荷矩阵。
在一种可能的实现方式中,上述的评估结果确定模块包括:第一权重确定子模块、权重获取子模块、第二权重确定子模块、一级指标得分确定子模块、第三权重确定子模块和图形得分确定子模块。
其中,第一权重确定子模块,用于确定评估指标集合中每个三级指标在其所属的二级指标上的权重;权重获取子模块,用于获取每个二级指标在其所属的一级指标上的权重,其中,每个二级指标在其所属的一级指标上的权重根据评估指标集合中的各个三级指标确定;第二权重确定子模块,用于根据评估指标集合中每个三级指标在其所属的二级指标上的权重,以及每个二级指标在其所属的一级指标上的权重,确定评估指标集合中每个三级指标在其所属的一级指标上的权重;一级指标得分确定子模块,用于根据评估指标集合中每个三级指标的指标值,以及评估指标集合中每个三级指标在其所属的一级指标上的权重,确定每个一级指标的得分;第三权重确定子模块,用于根据每个一级指标的得分,确定每个一级指标在所述目标图形上的权重;图形得分确定子模块,用于根据每个一级指标的得分,以及每个一级指标在目标图形上的权重,确定目标图形的得分,作为目标图形的评估结果。
在一种可能的实现方式中,第一权重确定子模块,具体用于获取对应于每个一级指标的因子得分系数矩阵,根据对应于每个一级指标的因子得分系数矩阵,确定评估指标集合中每个三级指标在其所属的二级指标上的权重。其中,对应于任一一级指标的因子得分系数矩阵根据属于该一级指标的三级指标,利用因子分析法确定,因子得分系数矩阵中的任一元素为一个三级指标相对于一个目标因子的得分,一个目标因子对应一个二级指标。
在另一种可能的实现方式中,上述实施例提供的图形评估装置中的图形评估模块1303,具体用于将评估指标集合中的各个评估指标作为三级指标,根据评估指标集合中每个三级指标的指标值,以及,预先设定的、每个三级指标所属的二级指标和每个二级指标所属的一级指标,确定目标图形的评估结果。
在一种可能的实现方式中,图形评估模块1303可以包括:三级指标权重确定子模块、二级指标得分确定子模块、二级指标权重确定子模块、一级指标得分确定子模块、一级指标权重确定子模块和图形得分确定子模块。
其中,三级指标权重确定子模块,用于根据评估指标集合中每个三级指标的指标值,以及预先设定的每个三级指标所属的二级指标,确定评估指标集合中每个三级指标在其所属的二级指标上的权重;二级指标得分确定子模块,用于根据评估指标集合中每个三级指标的指标值和评估指标集合中每个三级指标在其所属的二级指标上的权重,确定每个二级指标的得分;二级指标权重确定子模块,用于根据每个二级指标的得分,以及预先设定的每个二级指标所属的一级指标,确定每个二级指标在其所属的一级指标上的权重;一级指标得分确定子模块,用于根据每个二级指标的得分和每个二级指标在其所属的一级指标上的权重,确定每个一级指标的得分;一级指标权重确定子模块,用于根据每个一级指标的得分,确定每个一级指标在目标图形上的权重;图形得分确定子模块,用于根据每个一级指标的得分和每个一级指标在目标图形上的权重,确定目标图形的得分,作为目标图形的评估结果。
在另一种可能的实现方式中,上述实施例提供的图形评估装置中的图形评估模块1303可以包括:权重确定模块和图形得分确定模块。
权重确定模块,用于根据评估指标集合中每个指标的指标值,确定评估指标集合中的每个指标在目标图形上的权重;图形得分确定模块,用于根据评估指标集合中每个指标的指标值和每个指标在目标图形上的权重,确定目标图形的得分,作为目标图形的评估结果。
在一种可能的实现方式中,目标图形的笔画层面的特征包括以下特征中的一种或多种:笔画的时间特征、笔画的速度特征、笔画的压力特征、笔画的长度特征、笔画的角度特征、笔画的绘制顺序特征;目标图形的图形元素层面的特征包括以下特征中的一种或多种:图形元素的时间特征、图形元素的速度特征、图形元素的压力特征、图形元素的长度特征、图形元素的角度特征、图形元素的准确性特征;目标图形的整个图形层面的特征包括以下特征中的一种或多种:整个图形的时间特征、整个图形的速度特征、整个图形的压力特征、整个图形的长度特征、整个图形的整体分布特征、整个图形中各种图形元素的绘制顺序特征。
本申请实施例还提供了一种图形评估设备,请参阅图14,示出了该评估设备的结构示意图,该评估设备可以包括:至少一个处理器1401,至少一个通信接口1402,至少一个存储器1403和至少一个通信总线1404;
在本申请实施例中,处理器1401、通信接口1402、存储器1403、通信总线1404的数量为至少一个,且处理器1401、通信接口1402、存储器1403通过通信总线1404完成相互间的通信;处理器1401可能是一个中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路等;存储器1403可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatilememory)等,例如至少一个磁盘存储器;
其中,存储器存储有程序,处理器可调用存储器存储的程序,所述程序用于:获取目标对象根据绘制要求绘制目标图形时的轨迹点数据,其中,目标图形包括至少一种图形元素;根据轨迹点数据,获取目标图形的评估指标集合,其中,评估指标集合包括至少一个评估指标,一个评估指标为目标图形的一个特征,目标图形的特征包括笔画层面的特征、图形元素层面的特征和/或整个图形层面的特征;根据评估指标集合,确定目标图形的评估结果。
可选的,所述程序的细化功能和扩展功能可参照上文描述。
本申请实施例还提供一种可读存储介质,该可读存储介质可存储有适于处理器执行的程序,所述程序用于:获取目标对象根据绘制要求绘制目标图形时的轨迹点数据,其中,目标图形包括至少一种图形元素;根据轨迹点数据,获取目标图形的评估指标集合,其中,评估指标集合包括至少一个评估指标,一个评估指标为目标图形的一个特征,目标图形的特征包括笔画层面的特征、图形元素层面的特征和/或整个图形层面的特征;根据评估指标集合,确定目标图形的评估结果。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (14)
1.一种图形评估方法,其特征在于,包括:
获取目标对象根据绘制要求绘制目标图形时的轨迹点数据,其中,所述目标图形包括至少一种图形元素;
根据所述轨迹点数据,获取所述目标图形的评估指标集合,其中,所述评估指标集合包括至少一个评估指标,一个评估指标为所述目标图形的一个特征,所述目标图形的特征包括笔画层面的特征、图形元素层面的特征和/或整个图形层面的特征;
将所述评估指标集合中的各个评估指标作为三级指标,根据所述评估指标集合中的各个三级指标确定至少一个二级指标,并确定所述评估指标集合中每个三级指标所属的二级指标;
根据所述评估指标集合中每个三级指标所属的二级指标,以及,预先设定的至少一个一级指标和每个一级指标所包含的三级指标,确定每个二级指标所属的一级指标;
根据所述评估指标集合中每个三级指标的指标值、所述评估指标集合中每个三级指标所属的二级指标以及所述每个二级指标所属的一级指标,确定所述目标图形的评估结果。
2.根据权利要求1所述的图形评估方法,其特征在于,根据所述轨迹点数据,获取所述目标图形的笔画层面的特征、图形元素层面的特征和整个图形层面的特征,包括:
根据所述轨迹点数据获取目标笔画集合,其中,所述目标笔画集合包括至少一个笔画,所述目标笔画集合中的所有笔画能够表征所述目标图形;
获取所述目标笔画集合中各个笔画的特征,作为所述笔画层面的特征;
从所述目标笔画集合中获取每种图形元素的笔画集合,通过所述每种图形元素的笔画集合获得每种图形元素;
获取所述每种图形元素的特征,作为所述图形元素层面的特征;
通过所述每种图形元素获得整个图形,并获取所述整个图形的特征,作为所述整个图形层面的特征。
3.根据权利要求2所述的图形评估方法,其特征在于,若所述目标图形中的图形元素包括数字,则根据数字的笔画集合获得所述目标图形中的每个数字的过程包括:
根据笔画的绘制时间和空间位置,对所述数字的笔画集合中的笔画进行聚类,获得多组笔画,其中,每组笔画对应所述目标图形中的一个数字;
根据所述多组笔画生成所述目标图形中每个数字对应的轨迹点文件,其中,任一数字对应的轨迹点文件包括组成该数字的所有轨迹点;
分别将所述目标图形中每个数字对应的轨迹点文件输入预先建立的数字识别模型,获得所述目标图形中的每个数字。
4.根据权利要求1至2中任意一项所述的图形评估方法,其特征在于,所述根据所述评估指标集合中的各个三级指标确定至少一个二级指标,并确定所述评估指标集合中每个三级指标所属的二级指标,包括:
根据所述评估指标集合中的各个三级指标,利用主成分分析方法,确定目标因子载荷矩阵,其中,所述目标因子载荷矩阵能够表征所述评估指标集合中每个三级指标与至少一个目标因子中每个目标因子的关系,所述目标因子载荷矩阵中的任一元素为一个三级指标相对于一个目标因子的载荷;
根据所述目标因子载荷矩阵,确定所述评估指标集合中每个三级指标所属的因子;
对于每个目标因子,根据属于该目标因子的三级指标确定二级指标,将属于该目标因子的三级指标作为针对该目标因子确定出的二级指标所包含的三级指标,以得到所有的二级指标,以及所述评估指标集合中每个三级指标所属的二级指标。
5.根据权利要求4所述的图形评估方法,其特征在于,所述根据所述评估指标集合中的各个三级指标,利用主成分分析方法,确定目标因子载荷矩阵,包括:
对所述评估指标集合中的各个三级指标进行标准化,由所有的标准化三级指标组成新的评估指标集合;
针对每个一级指标:
根据该一级指标所包含的标准化三级指标,利用主成分分析方法,确定对应于该一级指标的因子载荷矩阵;
通过对所述对应于该一级指标的因子载荷矩阵进行因子旋转,确定对应于该一级指标的目标因子载荷矩阵;
以得到对应于每个一级指标的目标因子载荷矩阵。
6.根据权利要求1所述的图形评估方法,其特征在于,所述根据所述评估指标集合中每个三级指标的指标值、所述评估指标集合中每个三级指标所属的二级指标以及所述每个二级指标所属的一级指标,确定所述目标图形的评估结果,包括:
确定所述评估指标集合中每个三级指标在其所属的二级指标上的权重;
获取每个二级指标在其所属的一级指标上的权重,其中,所述每个二级指标在其所属的一级指标上的权重根据所述评估指标集合中的各个三级指标确定;
根据所述评估指标集合中每个三级指标在其所属的二级指标上的权重,以及所述每个二级指标在其所属的一级指标上的权重,确定所述评估指标集合中每个三级指标在其所属的一级指标上的权重;
根据所述评估指标集合中每个三级指标的指标值,以及所述评估指标集合中每个三级指标在其所属的一级指标上的权重,确定每个一级指标的得分;
根据所述每个一级指标的得分,确定每个一级指标在所述目标图形上的权重;
根据所述每个一级指标的得分,以及所述每个一级指标在所述目标图形上的权重,确定所述目标图形的得分,作为所述目标图形的评估结果。
7.根据权利要求6所述的图形评估方法,其特征在于,所述确定所述评估指标集合中每个三级指标在其所属的二级指标上的权重,包括:
获取对应于每个一级指标的因子得分系数矩阵,其中,对应于任一一级指标的因子得分系数矩阵根据属于该一级指标的三级指标,利用因子分析法确定,所述因子得分系数矩阵中的任一元素为一个三级指标相对于一个目标因子的得分,一个目标因子对应一个二级指标;
根据所述对应于每个一级指标的因子得分系数矩阵,确定所述评估指标集合中每个三级指标在其所属的二级指标上的权重。
8.根据权利要求1~3中任意一项所述的图形评估方法,其特征在于,所述根据所述评估指标集合,确定所述目标图形的评估结果,包括:
将所述评估指标集合中的各个评估指标作为三级指标;
根据所述评估指标集合中每个三级指标的指标值,以及,预先设定的、每个三级指标所属的二级指标和每个二级指标所属的一级指标,确定所述目标图形的评估结果。
9.根据权利要求8所述的图形评估方法,所述根据所述评估指标集合中每个三级指标的指标值,以及,预先设定的、每个三级指标所属的二级指标和每个二级指标所属的一级指标,确定所述目标图形的评估结果,包括:
根据所述评估指标集合中每个三级指标的指标值,以及预先设定的每个三级指标所属的二级指标,确定所述评估指标集合中每个三级指标在其所属的二级指标上的权重;
根据所述评估指标集合中每个三级指标的指标值和所述评估指标集合中每个三级指标在其所属的二级指标上的权重,确定每个二级指标的得分;
根据所述每个二级指标的得分,以及预先设定的所述每个二级指标所属的一级指标,确定每个二级指标在其所属的一级指标上的权重;
根据所述每个二级指标的得分和所述每个二级指标在其所属的一级指标上的权重,确定每个一级指标的得分;
根据所述每个一级指标的得分,确定每个一级指标在所述目标图形上的权重;
根据所述每个一级指标的得分和所述每个一级指标在所述目标图形上的权重,确定所述目标图形的得分,作为所述目标图形的评估结果。
10.根据权利要求1~3中任意一项所述的图形评估方法,所述根据所述评估指标集合,确定所述目标图形的评估结果,包括:
根据所述评估指标集合中每个指标的指标值,确定所述评估指标集合中的每个指标在所述目标图形上的权重;
根据所述评估指标集合中每个指标的指标值和每个指标在所述目标图形上的权重,确定所述目标图形的得分,作为所述目标图形的评估结果。
11.根据权利要求1所述的图形评估方法,所述笔画层面的特征包括以下特征中的一种或多种:笔画的时间特征、笔画的速度特征、笔画的压力特征、笔画的长度特征、笔画的角度特征、笔画的绘制顺序特征;
所述图形元素层面的特征包括以下特征中的一种或多种:图形元素的时间特征、图形元素的速度特征、图形元素的压力特征、图形元素的长度特征、图形元素的角度特征、图形元素的准确性特征;
所述整个图形层面的特征包括以下特征中的一种或多种:整个图形的时间特征、整个图形的速度特征、整个图形的压力特征、整个图形的长度特征、整个图形的整体分布特征、整个图形中各种图形元素的绘制顺序特征。
12.一种图形评估装置,其特征在于,包括:轨迹点数据获取模块、评估指标获取模块和图形评估模块;
所述轨迹点数据获取模块,用于获取目标对象根据绘制要求绘制目标图形时的轨迹点数据,其中,所述目标图形包括至少一种图形元素;
所述评估指标获取模块,用于根据所述轨迹点数据,获取所述目标图形的评估指标集合,其中,所述评估指标集合包括至少一个评估指标,一个评估指标为所述目标图形的一个特征,所述目标图形的特征包括笔画层面的特征、图形元素层面的特征和/或整个图形层面的特征;
所述图形评估模块,用于将所述评估指标集合中的各个评估指标作为三级指标,根据所述评估指标集合中的各个三级指标确定至少一个二级指标,并确定所述评估指标集合中每个三级指标所属的二级指标;根据所述评估指标集合中每个三级指标所属的二级指标,以及,预先设定的至少一个一级指标和每个一级指标所包含的三级指标,确定每个二级指标所属的一级指标;根据所述评估指标集合中每个三级指标的指标值、所述评估指标集合中每个三级指标所属的二级指标以及所述每个二级指标所属的一级指标,确定所述目标图形的评估结果。
13.一种图形评估设备,其特征在于,包括:存储器和处理器;
所述存储器,用于存储程序;
所述处理器,用于执行所述程序,实现如权利要求1~11中任一项所述的图形评估方法的各个步骤。
14.一种可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,实现如权利要求1~11中任一项所述的图形评估方法的各个步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910677037.0A CN110390624B (zh) | 2019-07-25 | 2019-07-25 | 一种图形评估方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910677037.0A CN110390624B (zh) | 2019-07-25 | 2019-07-25 | 一种图形评估方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110390624A CN110390624A (zh) | 2019-10-29 |
CN110390624B true CN110390624B (zh) | 2023-05-30 |
Family
ID=68287478
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910677037.0A Active CN110390624B (zh) | 2019-07-25 | 2019-07-25 | 一种图形评估方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110390624B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114462347B (zh) * | 2022-01-21 | 2023-02-24 | 深圳市亿道电子科技有限公司 | 基于altium电路设计软件用辅助画图系统及方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012032940A1 (ja) * | 2010-09-07 | 2012-03-15 | 株式会社 日立メディコ | 認知症診断支援装置及び認知症診断支援方法 |
CN109409329A (zh) * | 2018-11-14 | 2019-03-01 | 科大讯飞股份有限公司 | 图形题目的判别方法、评估方法、装置、设备及存储介质 |
-
2019
- 2019-07-25 CN CN201910677037.0A patent/CN110390624B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012032940A1 (ja) * | 2010-09-07 | 2012-03-15 | 株式会社 日立メディコ | 認知症診断支援装置及び認知症診断支援方法 |
CN109409329A (zh) * | 2018-11-14 | 2019-03-01 | 科大讯飞股份有限公司 | 图形题目的判别方法、评估方法、装置、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
基于主成分分析的中压配电网供电可靠性评估;肖白等;《电力自动化设备》;20180930(第10期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110390624A (zh) | 2019-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109002562B (zh) | 一种仪器识别模型训练方法和装置及仪器识别方法和装置 | |
TWI705388B (zh) | 用於建構機器學習模型的特徵選取方法、裝置及設備 | |
CN109189767B (zh) | 数据处理方法、装置、电子设备及存储介质 | |
CA3066029A1 (en) | Image feature acquisition | |
CN109165309B (zh) | 负例训练样本采集方法、装置及模型训练方法、装置 | |
CN108710907B (zh) | 手写体数据分类方法、模型训练方法、装置、设备及介质 | |
CN109635010B (zh) | 一种用户特征及特征因子抽取、查询方法和系统 | |
CN110503143B (zh) | 基于意图识别的阈值选取方法、设备、存储介质及装置 | |
CN108304328B (zh) | 一种众包测试报告的文本描述生成方法、系统及装置 | |
CN113138982B (zh) | 一种大数据清洗方法 | |
CN110390624B (zh) | 一种图形评估方法、装置、设备及存储介质 | |
CN115798022A (zh) | 一种基于特征提取的人工智能识别方法 | |
CN113158777A (zh) | 质量评分方法、质量评分模型的训练方法及相关装置 | |
CN110020638B (zh) | 人脸表情识别方法、装置、设备和介质 | |
CN109902167B (zh) | 嵌入结果的解释方法和装置 | |
CN115545103A (zh) | 异常数据识别、标签识别方法和异常数据识别装置 | |
Ghaemmaghami et al. | A study of speaker clustering for speaker attribution in large telephone conversation datasets | |
CN111738319A (zh) | 一种基于大规模样本的聚类结果评价方法及装置 | |
CN109255368B (zh) | 随机选取特征的方法、装置、电子设备及存储介质 | |
CN112329810B (zh) | 一种基于显著性检测的图像识别模型训练方法及装置 | |
CN111583963B (zh) | 一种重复音频检测方法、装置、设备及存储介质 | |
CN107533672A (zh) | 模式识别装置、模式识别方法以及程序 | |
CN109255377A (zh) | 仪器识别方法、装置、电子设备及存储介质 | |
CN110096708B (zh) | 一种定标集确定方法及装置 | |
CN110929731B (zh) | 一种基于探路者智能搜索算法的医疗影像处理方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |