CN112800961B - 笔画书写顺序检测方法、装置、介质和电子设备 - Google Patents

笔画书写顺序检测方法、装置、介质和电子设备 Download PDF

Info

Publication number
CN112800961B
CN112800961B CN202110120718.4A CN202110120718A CN112800961B CN 112800961 B CN112800961 B CN 112800961B CN 202110120718 A CN202110120718 A CN 202110120718A CN 112800961 B CN112800961 B CN 112800961B
Authority
CN
China
Prior art keywords
writing
stroke
sequence
detected
characters
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
Application number
CN202110120718.4A
Other languages
English (en)
Other versions
CN112800961A (zh
Inventor
刘瑞
蔡猛
梁镇麟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Youzhuju Network Technology Co Ltd
Original Assignee
Beijing Youzhuju Network Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Youzhuju Network Technology Co Ltd filed Critical Beijing Youzhuju Network Technology Co Ltd
Priority to CN202110120718.4A priority Critical patent/CN112800961B/zh
Publication of CN112800961A publication Critical patent/CN112800961A/zh
Application granted granted Critical
Publication of CN112800961B publication Critical patent/CN112800961B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06V30/32—Digital ink
    • G06V30/333—Preprocessing; Feature extraction
    • G06V30/347—Sampling; Contour coding; Stroke extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/20—Drawing from basic elements, e.g. lines or circles
    • G06T11/203—Drawing of straight lines or curves
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06V30/32—Digital ink
    • G06V30/36—Matching; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Character Input (AREA)

Abstract

本公开涉及一种笔画书写顺序检测方法、装置、介质和电子设备，所述方法包括：接收待检测文字的笔画信息，所述笔画信息包含所述待检测文字对应的每一书写笔画，以及每一所述书写笔画对应的书写顺序；根据所述书写顺序和颜色顺序，对每一所述书写笔画进行颜色渲染，获得所述待检测文字对应的检测图像；对待检测文字进行文字识别，获得待检测文字对应的标准文字；根据检测图像和与标准文字对应的文字特征信息，确定所述待检测文字对应的所述书写顺序是否异常。由此可以提高进行笔画书写顺序检测时的特征的全面性和准确性，从而使得该方法可以适用于复杂文字的书写场景中，拓宽该方法的使用范围，同时提高对笔画书写顺序识别的准确性和鲁棒性。

Description

笔画书写顺序检测方法、装置、介质和电子设备
技术领域
本公开涉及计算机技术领域，具体地，涉及一种笔画书写顺序检测方法、装置、介质和电子设备。
背景技术
在练字的体验中，儿童常常会出现笔画书写顺序错误或者连笔的情况。现有技术中通常是通过基于各个笔画的采样点对各个笔画之间的书写顺序进行检测。然而由于汉字的笔画情况比较复杂，通过检测采样点的方法进行检测时，对于书写较为复杂的字体的准确度和鲁棒性不足。
发明内容
提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
第一方面，本公开提供一种笔画书写顺序检测方法，所述方法包括：
接收待检测文字的笔画信息，其中，所述笔画信息包含所述待检测文字对应的每一书写笔画，以及每一所述书写笔画对应的书写顺序；
根据所述书写顺序和颜色顺序，对每一所述书写笔画进行颜色渲染，获得所述待检测文字对应的检测图像；
对所述待检测文字进行文字识别，获得所述待检测文字对应的标准文字；
根据所述检测图像和与所述标准文字对应的文字特征信息，确定所述待检测文字对应的所述书写顺序是否异常。
第二方面，提供一种笔画书写顺序检测装置，所述装置包括：
接收模块，用于接收待检测文字的笔画信息，其中，所述笔画信息包含所述待检测文字对应的每一书写笔画，以及每一所述书写笔画对应的书写顺序；
渲染模块，用于根据所述书写顺序和颜色顺序，对每一所述书写笔画进行颜色渲染，获得所述待检测文字对应的检测图像；
识别模块，用于对所述待检测文字进行文字识别，获得所述待检测文字对应的标准文字；
确定模块，用于根据所述检测图像和与所述标准文字对应的文字特征信息，确定所述待检测文字对应的所述书写顺序是否异常。
第三方面，提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现第一方面所述方法的步骤。
第四方面，提供一种电子设备，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现第一方面所述方法的步骤。
在上述技术方案中，接收待检测文字的笔画信息，根据颜色顺序和该笔画信息中包含的每一书写笔画对应的书写顺序，对每一所述书写笔画进行颜色渲染，获得所述待检测文字对应的检测图像，并对所述待检测文字进行文字识别，获得所述待检测文字对应的标准文字；从而根据所述检测图像和与所述标准文字对应的文字特征信息，确定所述待检测文字对应的所述书写顺序是否异常。由此，通过上述技术方案，在进行笔画书写顺序检测时，并非直接基于采样点对应的笔画书写顺序进行检测，而是通过对每一书写笔画进行颜色渲染，从而可以将各个书写顺序在检测图像中通过颜色进行表征。在基于检测图像与待检测文件对应的标准性的文字特征信息进行书写笔画书写顺序检测时，该检测图像不仅包含书写顺序特征，同时还包含对应的颜色特征对书写顺序进行另一维度的表征，提高进行笔画书写顺序检测时的特征的全面性和准确性，从而使得该方法可以适用于复杂文字的书写场景中，拓宽该方法的使用范围，同时提高对笔画书写顺序识别的准确性和鲁棒性。另外，可以为在后续文字书写过程中对用户进行提示提供准确的数据支持，提升用户使用体验。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。在附图中：
图1是根据本公开的一种实施方法提供的笔画书写顺序检测方法的流程图；
图2是根据本公开的一种实施方法提供的文字笔画示意图；
图3A和图3B根据本公开的一种实施方法提供的进行颜色渲染后所得的检测图像的示意图；
图4A和图4B根据本公开的一种实施方法提供的进行颜色渲染后所得的检测图像的示意图；
图5是根据本公开的一种实施方法提供的笔画书写顺序检测装置的框图；
图6示出了适于用来实现本公开实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
图1所示，为根据本公开的一种实施方法提供的笔画书写顺序检测方法的流程图，如图1所示，所述方法包括：
在步骤11中，接收待检测文字的笔画信息，其中，所述笔画信息包含所述待检测文字对应的每一书写笔画，以及每一所述书写笔画对应的书写顺序。
其中，该笔画信息可以通过用户在书写板中进行书写时触发生成，从而获得该笔画信息。示例地，可以在用户进行书写的过程中检测书写笔接触书写板至书写笔离开书写板之间的信息作为一个书写笔画，并在该书写笔画书写的过程中进行关键点采样，以获得该书写笔画的相关信息。如图2所示，为待检测文字“方”的笔画信息，其中，该待检测文字包含4个书写笔画，分别为笔画A、笔画B、笔画C、笔画D，在书写的过程中对应的书写顺序为A-1、B-2、C-3、D-4的排序顺序，其中A-1用于表示笔画A为第1笔，B-2用于表示笔画B为第2笔。
在步骤12中，根据书写顺序和颜色顺序，对每一书写笔画进行颜色渲染，获得待检测文字对应的检测图像。
在该实施例中，其中，可以预先利用CASIA的在线数据生成渲染颜色的数据集，从而基于该数据集对各个书写笔画进行颜色渲染，从而可以生成检测图像。其中，书写顺序相邻的两个书写笔画对应的颜色不同，从而可以对书写过程中出现的连笔和断笔等情况进行准确表征。该颜色顺序对应的颜色数量和颜色种类可以根据实际使用场景进行指定，示例地，可以预先指定渲染4个颜色，其颜色顺序分别为红色、黄色、蓝色和绿色，则在对各个书写笔画进行颜色渲染时，则可以根据该4个颜色进行渲染。其中，进行颜色渲染的方式可以采用通用的渲染算法，本公开对此不进行限定。
在步骤13中，对待检测文字进行文字识别，获得待检测文字对应的标准文字。其中，可以采用本领域通用的文字识别算法对待检测文字进行识别，从而确定该待检测文字的识别结果，即该待检测文字对应的标准文字。
在步骤14中，根据检测图像和与标准文字对应的文字特征信息，确定待检测文字对应的书写顺序是否异常。示例地，该书写顺序异常可以包括但不限于笔画书写顺序错误，缺少笔画，笔画连笔，笔画断笔等。
其中，通过对各个书写笔画进行颜色渲染，可以将书写文字的各个书写笔画的书写顺序在该检测图像中通过颜色进行表征，与现有技术中基于采样的关键点进行表征相比，通过颜色进行表征一方面可以便于特征提取，另一方面通过在检测图像中集成各个书写笔画的颜色特征，还可以提高书写顺序对应的特征的全局性，从而可以保证确定出的笔画书写顺序的检测结果的准确性。
在上述技术方案中，接收待检测文字的笔画信息，根据颜色顺序和该笔画信息中包含的每一书写笔画对应的书写顺序，对每一所述书写笔画进行颜色渲染，获得所述待检测文字对应的检测图像，并对所述待检测文字进行文字识别，获得所述待检测文字对应的标准文字；从而根据所述检测图像和与所述标准文字对应的文字特征信息，确定所述待检测文字对应的所述书写顺序是否异常。由此，通过上述技术方案，在进行笔画书写顺序检测时，并非直接基于采样点对应的笔画书写顺序进行检测，而是通过对每一书写笔画进行颜色渲染，从而可以将各个书写顺序在检测图像中通过颜色进行表征。在基于检测图像与待检测文件对应的标准性的文字特征信息进行书写笔画书写顺序检测时，该检测图像不仅包含书写顺序特征，同时还包含对应的颜色特征对书写顺序进行另一维度的表征，提高进行笔画书写顺序检测时的特征的全面性和准确性，从而使得该方法可以适用于复杂文字的书写场景中，拓宽该方法的使用范围，同时提高对笔画书写顺序识别的准确性和鲁棒性。另外，可以为在后续文字书写过程中对用户进行提示提供准确的数据支持，提升用户使用体验。
为了使本领域技术人员更加理解本发明实施例提供的技术方案，下面对上述步骤进行详细的说明。
在一种可能的实施例中，在步骤12中，根据书写顺序和颜色顺序，对每一书写笔画进行颜色渲染，获得待检测文字对应的检测图像的示例性实现方式如下，该步骤可以包括：
根据所述书写顺序从所述书写笔画中依次获取目标笔画，根据所述颜色顺序依次获取目标颜色，并基于所述目标颜色对所述目标笔画进行颜色渲染；
在每一所述书写笔画进行颜色渲染完成后，获得所述检测图像。
示例地，接上文所述示例，待检测文字“方”包含笔画信息为笔画A、笔画B、笔画C、笔画D，分别对应的书写顺序为A-1、B-2、C-3、D-4的排序顺序。如图2所示，颜色顺序可以是红色、黄色、绿色和蓝色的顺序，为便于显示和说明，在附图中以不同的线条显示方式对颜色进行对应表示。
在该实施例中，根据所述书写顺序从所述书写笔画中依次获取目标笔画，根据所述颜色顺序依次获取目标颜色，并基于所述目标颜色对所述目标笔画进行颜色渲染的具体过程如下：
首先，根据书写顺序从书写笔画中依次获取目标笔画，即第1笔对应的笔画A，根据颜色顺序获取目标颜色为红色，则可以将目标笔画A渲染成红色，如图3A中笔画A所示；之后，根据书写顺序从书写笔画中依次获取目标笔画，即第2笔对应的笔画B，根据颜色顺序获取目标颜色为黄色，则可以将目标笔画B渲染成黄色，如图3A中笔画B所示；之后，根据书写顺序从书写笔画中依次获取目标笔画，即第3笔对应的笔画C，根据颜色顺序获取目标颜色为绿色，则可以将目标笔画C渲染成绿色，如图3A中笔画C所示；之后，根据书写顺序从书写笔画中依次获取目标笔画，即第4笔对应的笔画D，根据颜色顺序获取目标颜色为蓝色，则可以将目标笔画D渲染成蓝色，如图3A中笔画D所示。相应地，在该待检测文字的每一书写笔画渲染完成后，获得检测图像，如图3A所示。
示例地，该如3B所示，为另一用户书写的待检测文字“方”的笔画信息进行渲染所得的检测图像，在该示例中，笔画信息中的书写笔画为笔画A、笔画B、笔画C、笔画D，分别对应的书写顺序为A-1、B-2、D-3、C-4的排序顺序。因此，在渲染所得的检测图像中笔画D被渲染成绿色，笔画C被渲染成蓝色。由此，通过检测图像中的特征表征，可以更加明确地显示出笔画的书写顺序错误的显示差异。
需要进行说明的是，按照颜色顺序依次获取目标颜色时，为按照该颜色顺序依次循环获取，即在当前获取到该颜色顺序中的最后一个颜色时，下一次获取的目标颜色即为该颜色顺序中的第一个颜色。如上述示例中所述，待检测文字中的第5笔对应的颜色为红色，其他笔画对应的目标颜色的获取方式以此类推，在此不再赘述。
作为另一示例，如图4A所示，为用户书写文字“子”对应的检测图像，其中，该用户在书写文字“子”时包含3个笔画，分别为笔画H、笔画J和笔画K，并且其书写顺序为H-1，J-2，K-3的顺序，因此，根据颜色顺序和书写顺序进行渲染后所得的检测图像中笔画H通过红色表示，笔画J通过黄色表示，笔画K通过绿色表示。又如图4B所示，为另一用户书写文字“子”对应的检测图像，在该文字“子”的书写过程中包含两个笔画，分别为笔画M和笔画K，其中笔画M为笔画H和笔画J连笔书写对应的笔画，其书写顺序为M-1，K-2的顺序，因此，根据颜色顺序和书写顺序进行渲染后所得的检测图像中笔画M通过红色表示，笔画K通过黄色表示。由此，通过检测图像中的特征表征，可以更加明确地显示出笔画书写连笔的显示差异。
由此，通过上述技术方案，可以根据颜色顺序和书写顺序对每一书写笔画进行颜色渲染，从而获得待检测文字对应的检测图像，以基于该检测图像对各个笔画的书写顺序特征进行准确且有效地表征，为后续进行书写顺序的异常判定提供准确的数据支持。在一种可能的实施例中，所述标准文字的文字特征信息是对标准图像进行特征提取获得的标准特征，所述标准图像是按照所述标准文字的标准书写顺序和相同的颜色顺序进行颜色渲染获得的。
其中，在本公开的方案中，可以预先按照每一文字的标准书写顺序和颜色序列对该文字的各个书写笔画进行颜色渲染，从而获得标准书写顺序下该文字对应的颜色图像。
作为示例，可以将该颜色图像作为标准文字对应的文字特征信息并进行存储。作为另一示例，可以从颜色图像中提取出用于表征该文字的书写顺序的标准向量作为文字特征信息并进行存储。其中，生成文字对应的颜色图像的方式与上文所述生成待检测文字对应的检测图像的方式类似，具体步骤的实现方式不再赘述。相应地，在确定出待检测文字对应的标准文字之后，则可以直接根据该标准文字从预先存储的文字特征信息中确定与该标准文字对应的文字特征信息，从而可以在一定程度上提高书写顺序的检测效率。
相应地，所述根据检测图像和与标准文字对应的文字特征信息，确定所述待检测文字对应的所述书写顺序是否异常的示例性实现方式如下，可以包括：
对所述检测图像进行特征提取，获得所述检测图像对应的检测特征信息；
根据所述检测特征信息和所述文字特征信息，确定所述待检测文字对应的所述书写顺序是否异常。
由此，通过上述技术方案，可以基于检测图像进行特征提取，从而获得该待检测文字对应的更全面且准确的特征，并且通过结合检测特征信息与文字特征信息进行分析确定笔画书写顺序，可以使得在进行书写顺序检测时，同时结合笔画书写特征和视觉颜色特征，通过颜色特征可以对待检测文字的全局书写特征进行有效表征，从而可以提高该方法的使用范围和鲁棒性，避免现有技术中仅根据各个笔画的采样点顺序进行检测的误差，提升用户使用体验。
在一种可能的实施例中，对所述检测图像进行特征提取，获得所述检测图像对应的检测特征信息的示例性实现方式，可以包括：
将所述检测图像输入笔画顺序识别模型，根据所述笔画顺序识别模型的特征层的输出确定所述检测特征信息。
其中，该笔画顺序识别模型可以基于神经网络模型进行训练实现，示例地，可以采用Resnet 50模型进行训练。在该模型中存在有多个特征层，作为示例，在该模型训练结束后，可以将该模型的其中一个特征层的输出作为该检测特征信息，其中，该特征层可以根据实际使用场景进行设置，例如可以提取第4层的输出作为该检测特征信息。作为另一示例，也可以指定对该多个特征层中的部分特征层的输出进行加权组合，从而获得该检测特征信息。
其中，所述笔画顺序识别模型通过以下方式确定：
根据标准书写顺序和所述颜色顺序对书写笔画进行颜色渲染，得出第一训练图像，并将所述第一训练图像作为正样本，其中，根据书写顺序和颜色顺序对书写笔画进行颜色渲染的实现方式已在上文进行详述，在此不再赘述。由于该第一训练图像是根据标准书写顺序对笔画进行渲染的，可以将该训练图像标注为正样本，以便于对模型进行训练。
对所述标准书写顺序中的多个笔画对应的顺序进行调换，获得训练顺序，并根据所述训练顺序和所述颜色顺序对书写笔画进行颜色渲染，得出第二训练图像，并将所述第二训练图像作为负样本，之后基于所述正样本和所述负样本对模型进行训练，获得所述笔画顺序识别模型。
示例地，可以将该标准书写顺序中随机选择两个笔画进行调换，如图3A所示，文字“方”的标准书写顺序为A-1、B-2、C-3、D-4，因此，可以以该书写顺序进行颜色渲染，并将渲染得出的训练图像作为正样本。例如，可以将该标准书写顺序中的笔画C和笔画D对应的顺序进行调换，即训练顺序为A-1、B-2、D-3、C-4，以该训练顺序和颜色顺序进行颜色渲染，将所得的训练图像作为负样本。
示例地，可以将正样本和负样本作为训练图像输入模型，从而获得模型的输出。之后，可以根据该模型的输出和训练图像对应正负结果确定模型的损失值，并根据该损失值对该模型的参数进行调整。其中，该损失值可以采用contrastive loss或triplet loss确定，contrastive loss和triplet loss为本领域中常用的损失函数，在此不再赘述。通过上述过程重复迭代，在该损失值小于预设阈值的情况下，确定模型训练结束，获得笔画顺序识别模型。
在该实施例中，可以根据标准书写顺序进行正样本和负样本对应的训练图像的构建，从而可以提高训练图像的确定效率。同时，在该笔画顺序识别模型对输入的训练图像中的笔画顺序进行识别的过程中，模型中间的特征层需要对该输入的训练图像进行特征提取，从而获得该训练图像对应的笔画顺序的特征，进而进行正负样本的预测。从而在本公开中，可以通过正负样本训练得到一个对颜色敏感的模型，则可以通过该模型的特征层获得输入图像中所包含的检测特征信息，可以简化用于进行特征提取的模型的训练过程，并且可以保证提取出的检测特征信息与文字的匹配程度，从而可以提高基于该模型提取出的检测特征信息的准确性，可以为后续进行笔画书写顺序的判断提供准确的数据支持。并且，在本公开中只需要基于该笔画顺序识别模型进行图像特征提取，在进行特征提取后，后续可以基于提取出的特征与文字特征信息进行对比，以确定笔画书写顺序的检测结果，与直接基于笔画顺序识别模型进行预测相比，可以进一步提高笔画书写顺序的检测结果的准确性，提升用户使用体验。
在一种可能的实施例中，所述根据所述检测特征信息和文字特征信息，确定所述待检测文字对应的所述书写顺序是否异常的示例性实现方式如下，该步骤可以包括：
计算所述检测特征信息和所述文字特征信息之间的相似度参数。
其中，该相似度参数可以是两个向量之间的距离或者两个向量对应的夹角余弦值等，本公开对此不进行限定。
在所述相似度参数表征所述检测特征信息和所述文字特征信息不相似的情况下，确定所述待检测文字对应的所述书写顺序异常。在所述相似度参数表征所述检测特征信息和所述文字特征信息相似的情况下，确定待检测文字对应的书写顺序无异常。
其中，若相似度参数为向量之间的距离，则该相似度参数越小，其对应的相似度水平越高，则可以在该相似度参数大于距离阈值时，确定该检测特征信息和文字特征信息不相似；若相似度参数为向量之间的夹角余弦值，则该相似度参数越大，其对应的相似度水平越高，则可以在该相似度参数小于余弦阈值时，确定该检测特征信息和文字特征信息不相似。
由此，在上述技术方案中，该检测特征信息和文字特征信息均为包含书写顺序以及颜色特征的向量，如上文所述以及图3A和图3B，以及图4A和图4B的对比显示（为便于说明，以不同线条表示不同颜色），通过颜色特征可以更加明确笔画之间的差异，从而通过包含书写顺序特征和颜色特征的向量进行分析，可以进一步提高确定出的书写顺序的检测结果的准确性和有效性，贴合用户的使用需求，提升用户使用体验。
在一种可能的实施例中，所述方法还可以包括：
在确定所述待检测文字对应的所述书写顺序异常的情况下，输出异常提示消息，其中，所述异常提示消息中包括所述待检测文字对应的标准书写顺序。由此，可以通过异常提示消息对用户进行及时提示，以使得用户可以知晓其文字书写的准确性，同时通过为用户提示标准书写顺序，可以便于对文字书写过程进行校正和学习。
在一种可能的实施例中，所述方法还可以包括：
在确定所述待检测文字对应的所述书写顺序异常的情况下，显示所述检测图像和所述标准文字对应的颜色图像。其中，该标准文字对应的颜色图像的确定方式已在上文详述。
在该实施例中，在待检测文字对应的书写顺序异常时，显示检测图像和标准文字对应的颜色图像，其中，可以将该检测图像和标准文字对应的颜色图像并列显示，一方面可以在用户书写过程中书写顺序异常时及时对用户进行提示，另一方面同时显示检测图像和标准文字对应的颜色图像，人眼对于颜色可以进行快速简便分辨，由此也便于用户明确其书写过程中的具体异常位置，便于对该用户的书写过程进行校正和学习，提升用户使用体验。
本公开还提供一种笔画书写顺序检测装置，如图5所示，所述装置10包括：
接收模块100，用于接收待检测文字的笔画信息，其中，所述笔画信息包含所述待检测文字对应的每一书写笔画，以及每一所述书写笔画对应的书写顺序；
渲染模块200，用于根据所述书写顺序和颜色顺序，对每一所述书写笔画进行颜色渲染，获得所述待检测文字对应的检测图像；
识别模块300，用于对所述待检测文字进行文字识别，获得所述待检测文字对应的标准文字；
确定模块400，用于根据所述检测图像和与所述标准文字对应的文字特征信息，确定所述待检测文字对应的所述书写顺序是否异常。
可选地，所述渲染模块包括：
渲染子模块，用于根据所述书写顺序从所述书写笔画中依次获取目标笔画，根据所述颜色顺序依次获取目标颜色，并基于所述目标颜色对所述目标笔画进行颜色渲染；
确定子模块，用于在每一所述书写笔画进行颜色渲染完成后，获得所述检测图像。
可选地，所述标准文字的文字特征信息是对标准图像进行特征提取获得的标准特征，所述标准图像是按照所述标准文字的标准书写顺序和相同的颜色顺序进行颜色渲染获得的；
所述确定模块包括：
提取子模块，用于对所述检测图像进行特征提取，获得所述检测图像对应的检测特征信息；
第一确定子模块，用于根据所述检测特征信息和文字特征信息，确定所述待检测文字对应的所述书写顺序是否异常。
可选地，所述提取子模块包括：
第二确定子模块，用于将所述检测图像输入笔画顺序识别模型，根据所述笔画顺序识别模型的特征层的输出确定所述检测特征信息；
其中，所述笔画顺序识别模型通过以下方式确定：
根据标准书写顺序和所述颜色顺序对书写笔画进行颜色渲染，得出第一训练图像，并将所述第一训练图像作为正样本；
对所述标准书写顺序中的多个笔画对应的顺序进行调换，获得训练顺序，并根据所述训练顺序和所述颜色顺序对书写笔画进行颜色渲染，得出第二训练图像，并将所述第二训练图像作为负样本；
基于所述正样本和所述负样本对模型进行训练，获得所述笔画顺序识别模型。
可选地，所述第一确定子模块包括：
计算子模块，用于计算所述检测特征信息和所述文字特征信息之间的相似度参数；
第三确定子模块，用于在所述相似度参数表征所述检测特征信息和所述文字特征信息不相似的情况下，确定所述待检测文字对应的所述书写顺序异常。
可选地，所述装置还包括：
显示模块，用于在确定所述待检测文字对应的所述书写顺序异常的情况下，显示所述检测图像和所述标准文字对应的颜色图像。
下面参考图6，其示出了适于用来实现本公开实施例的电子设备600的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA（个人数字助理）、PAD（平板电脑）、PMP（便携式多媒体播放器）、车载终端（例如车载导航终端）等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示，电子设备600可以包括处理装置（例如中央处理器、图形处理器等）601，其可以根据存储在只读存储器（ROM）602中的程序或者从存储装置608加载到随机访问存储器（RAM）603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出（I/O）接口605也连接至总线604。
通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器（LCD）、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP（HyperText TransferProtocol，超文本传输协议）之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信（例如，通信网络）互连。通信网络的示例包括局域网（“LAN”），广域网（“WAN”），网际网（例如，互联网）以及端对端网络（例如，ad hoc端对端网络），以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：接收待检测文字的笔画信息，其中，所述笔画信息包含所述待检测文字对应的每一书写笔画，以及每一所述书写笔画对应的书写顺序；根据所述书写顺序和颜色顺序，对每一所述书写笔画进行颜色渲染，获得所述待检测文字对应的检测图像；对所述待检测文字进行文字识别，获得所述待检测文字对应的标准文字；根据所述检测图像和与所述标准文字对应的文字特征信息，确定所述待检测文字对应的所述书写顺序是否异常。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网（LAN）或广域网（WAN）——连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定，例如，接收模块还可以被描述为“接收待检测文字的笔画信息的模块”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、片上系统（SOC）、复杂可编程逻辑设备（CPLD）等等。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦除可编程只读存储器（EPROM或快闪存储器）、光纤、便捷式紧凑盘只读存储器（CD-ROM）、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例，示例1提供了一种笔画书写顺序检测方法，其中，所述方法包括：
接收待检测文字的笔画信息，其中，所述笔画信息包含所述待检测文字对应的每一书写笔画，以及每一所述书写笔画对应的书写顺序；
根据所述书写顺序和颜色顺序，对每一所述书写笔画进行颜色渲染，获得所述待检测文字对应的检测图像；
对所述待检测文字进行文字识别，获得所述待检测文字对应的标准文字；
根据所述检测图像和与所述标准文字对应的文字特征信息，确定所述待检测文字对应的所述书写顺序是否异常。
根据本公开的一个或多个实施例，示例2提供了示例1的方法，其中，所述根据所述书写顺序和颜色顺序，对每一所述书写笔画进行颜色渲染，获得所述待检测文字对应的检测图像，包括：
根据所述书写顺序从所述书写笔画中依次获取目标笔画，根据所述颜色顺序依次获取目标颜色，并基于所述目标颜色对所述目标笔画进行颜色渲染；
在每一所述书写笔画进行颜色渲染完成后，获得所述检测图像。
根据本公开的一个或多个实施例，示例3提供了示例1的方法，其中，所述标准文字的文字特征信息是对标准图像进行特征提取获得的标准特征，所述标准图像是按照所述标准文字的标准书写顺序和相同的颜色顺序进行颜色渲染获得的；
所述根据所述检测图像和与所述标准文字对应的文字特征信息，确定所述待检测文字对应的所述书写顺序是否异常，包括：
对所述检测图像进行特征提取，获得所述检测图像对应的检测特征信息；
根据所述检测特征信息和文字特征信息，确定所述待检测文字对应的所述书写顺序是否异常。
根据本公开的一个或多个实施例，示例4提供了示例3的方法，其中，所述对所述检测图像进行特征提取，获得所述检测图像对应的检测特征信息，包括：
将所述检测图像输入笔画顺序识别模型，根据所述笔画顺序识别模型的特征层的输出确定所述检测特征信息；
其中，所述笔画顺序识别模型通过以下方式确定：
根据标准书写顺序和所述颜色顺序对书写笔画进行颜色渲染，得出第一训练图像，并将所述第一训练图像作为正样本；
对所述标准书写顺序中的多个笔画对应的顺序进行调换，获得训练顺序，并根据所述训练顺序和所述颜色顺序对书写笔画进行颜色渲染，得出第二训练图像，并将所述第二训练图像作为负样本；
基于所述正样本和所述负样本对模型进行训练，获得所述笔画顺序识别模型。
根据本公开的一个或多个实施例，示例5提供了示例3的方法，其中，所述根据所述检测特征信息和文字特征信息，确定所述待检测文字对应的所述书写顺序是否异常，包括：
计算所述检测特征信息和所述文字特征信息之间的相似度参数；
在所述相似度参数表征所述检测特征信息和所述文字特征信息不相似的情况下，确定所述待检测文字对应的所述书写顺序异常。
根据本公开的一个或多个实施例，示例6提供了示例1-5中任一示例的方法，其中，所述方法还包括：
在确定所述待检测文字对应的所述书写顺序异常的情况下，显示所述检测图像和所述标准文字对应的颜色图像。
根据本公开的一个或多个实施例，示例7提供了一种笔画书写顺序检测装置，其中，所述装置包括：
接收模块，用于接收待检测文字的笔画信息，其中，所述笔画信息包含所述待检测文字对应的每一书写笔画，以及每一所述书写笔画对应的书写顺序；
渲染模块，用于根据所述书写顺序和颜色顺序，对每一所述书写笔画进行颜色渲染，获得所述待检测文字对应的检测图像；
识别模块，用于对所述待检测文字进行文字识别，获得所述待检测文字对应的标准文字；
确定模块，用于根据所述检测图像和与所述标准文字对应的文字特征信息，确定所述待检测文字对应的所述书写顺序是否异常。
根据本公开的一个或多个实施例，示例8提供了示例7的装置，其中，所述渲染模块包括：
渲染子模块，用于根据所述书写顺序从所述书写笔画中依次获取目标笔画，根据所述颜色顺序依次获取目标颜色，并基于所述目标颜色对所述目标笔画进行颜色渲染；
确定子模块，用于在每一所述书写笔画进行颜色渲染完成后，获得所述检测图像。
根据本公开的一个或多个实施例，示例9提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现示例1-示例6中任一所述方法的步骤。
根据本公开的一个或多个实施例，示例10提供了一种电子设备，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现示例1-示例6中任一项所述方法的步骤。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

Claims (9)

1.一种笔画书写顺序检测方法，其特征在于，所述方法包括：
接收待检测文字的笔画信息，其中，所述笔画信息包含所述待检测文字对应的每一书写笔画，以及每一所述书写笔画对应的书写顺序；
根据所述书写顺序和颜色顺序，对每一所述书写笔画进行颜色渲染，获得所述待检测文字对应的检测图像；
对所述待检测文字进行文字识别，获得所述待检测文字对应的标准文字；
根据所述检测图像和与所述标准文字对应的文字特征信息，确定所述待检测文字对应的所述书写顺序是否异常；
所述标准文字的文字特征信息是对标准图像进行特征提取获得的标准特征，所述标准图像是按照所述标准文字的标准书写顺序和相同的颜色顺序进行颜色渲染获得的；
所述根据所述检测图像和与所述标准文字对应的文字特征信息，确定所述待检测文字对应的所述书写顺序是否异常，包括：
对所述检测图像进行特征提取，获得所述检测图像对应的检测特征信息；
根据所述检测特征信息和所述文字特征信息，确定所述待检测文字对应的所述书写顺序是否异常。
2.根据权利要求1所述的方法，其特征在于，所述根据所述书写顺序和颜色顺序，对每一所述书写笔画进行颜色渲染，获得所述待检测文字对应的检测图像，包括：
根据所述书写顺序从所述书写笔画中依次获取目标笔画，根据所述颜色顺序依次获取目标颜色，并基于所述目标颜色对所述目标笔画进行颜色渲染；
在每一所述书写笔画进行颜色渲染完成后，获得所述检测图像。
3.根据权利要求1所述的方法，其特征在于，所述对所述检测图像进行特征提取，获得所述检测图像对应的检测特征信息，包括：
将所述检测图像输入笔画顺序识别模型，根据所述笔画顺序识别模型的特征层的输出确定所述检测特征信息；
其中，所述笔画顺序识别模型通过以下方式确定：
根据标准书写顺序和所述颜色顺序对书写笔画进行颜色渲染，得出第一训练图像，并将所述第一训练图像作为正样本；
对所述标准书写顺序中的多个笔画对应的顺序进行调换，获得训练顺序，并根据所述训练顺序和所述颜色顺序对书写笔画进行颜色渲染，得出第二训练图像，并将所述第二训练图像作为负样本；
基于所述正样本和所述负样本对模型进行训练，获得所述笔画顺序识别模型。
4.根据权利要求1所述的方法，其特征在于，所述根据所述检测特征信息和文字特征信息，确定所述待检测文字对应的所述书写顺序是否异常，包括：
计算所述检测特征信息和所述文字特征信息之间的相似度参数；
在所述相似度参数表征所述检测特征信息和所述文字特征信息不相似的情况下，确定所述待检测文字对应的所述书写顺序异常。
5.根据权利要求1-4中任一项所述的方法，其特征在于，所述方法还包括：
在确定所述待检测文字对应的所述书写顺序异常的情况下，显示所述检测图像和所述标准文字对应的颜色图像。
6.一种笔画书写顺序检测装置，其特征在于，所述装置包括：
接收模块，用于接收待检测文字的笔画信息，其中，所述笔画信息包含所述待检测文字对应的每一书写笔画，以及每一所述书写笔画对应的书写顺序；
渲染模块，用于根据所述书写顺序和颜色顺序，对每一所述书写笔画进行颜色渲染，获得所述待检测文字对应的检测图像；
识别模块，用于对所述待检测文字进行文字识别，获得所述待检测文字对应的标准文字；
确定模块，用于根据所述检测图像和与所述标准文字对应的文字特征信息，确定所述待检测文字对应的所述书写顺序是否异常；
所述标准文字的文字特征信息是对标准图像进行特征提取获得的标准特征，所述标准图像是按照所述标准文字的标准书写顺序和相同的颜色顺序进行颜色渲染获得的；
所述确定模块包括：
提取子模块，用于对所述检测图像进行特征提取，获得所述检测图像对应的检测特征信息；
第一确定子模块，用于根据所述检测特征信息和文字特征信息，确定所述待检测文字对应的所述书写顺序是否异常。
7.根据权利要求6所述的装置，其特征在于，所述渲染模块包括：
渲染子模块，用于根据所述书写顺序从所述书写笔画中依次获取目标笔画，根据所述颜色顺序依次获取目标颜色，并基于所述目标颜色对所述目标笔画进行颜色渲染；
确定子模块，用于在每一所述书写笔画进行颜色渲染完成后，获得所述检测图像。
8.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理装置执行时实现权利要求1-5中任一项所述方法的步骤。
9.一种电子设备，其特征在于，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现权利要求1-5中任一项所述方法的步骤。
CN202110120718.4A 2021-01-28 2021-01-28 笔画书写顺序检测方法、装置、介质和电子设备 Active CN112800961B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110120718.4A CN112800961B (zh) 2021-01-28 2021-01-28 笔画书写顺序检测方法、装置、介质和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110120718.4A CN112800961B (zh) 2021-01-28 2021-01-28 笔画书写顺序检测方法、装置、介质和电子设备

Publications (2)

Publication Number Publication Date
CN112800961A CN112800961A (zh) 2021-05-14
CN112800961B true CN112800961B (zh) 2023-02-24

Family

ID=75812560

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110120718.4A Active CN112800961B (zh) 2021-01-28 2021-01-28 笔画书写顺序检测方法、装置、介质和电子设备

Country Status (1)

Country Link
CN (1) CN112800961B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113223119A (zh) * 2021-05-16 2021-08-06 李沧区奇思者网络技术服务工作室 一种文字或图形笔顺拆解的方法、系统
CN113449787B (zh) * 2021-06-23 2022-12-09 西安交通大学 基于汉字笔画结构的字体库补全方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101377891A (zh) * 2007-08-31 2009-03-04 冯玉龙 一种汉字书写练习法及其采用的字帖
CN107301803A (zh) * 2017-06-29 2017-10-27 广东小天才科技有限公司 一种笔顺纠正方法、装置、终端设备和计算机存储介质
CN111931672A (zh) * 2020-08-17 2020-11-13 珠海大横琴科技发展有限公司 字迹识别方法、装置、计算机设备及存储介质
CN111985319A (zh) * 2020-07-13 2020-11-24 上海眼控科技股份有限公司 签名识别方法及设备

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5600696B2 (ja) * 2012-02-16 2014-10-01 株式会社文溪堂 筆記漢字判定システム、及び筆記漢字判定プログラム
CN103559026A (zh) * 2013-10-22 2014-02-05 杨平 一种利用计算机实现高效汉字书写笔顺的颜色表示方法
KR102208683B1 (ko) * 2014-05-30 2021-01-28 삼성에스디에스 주식회사 문자 인식 방법 및 그 장치
CN105528935A (zh) * 2016-02-22 2016-04-27 广东小天才科技有限公司 一种书写顺序的引导方法及装置
US20180322803A1 (en) * 2017-05-05 2018-11-08 Tomasz Wojciech Jaworski Method of representing the sequence of writing of strokes for characters in far east syllabic languages

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101377891A (zh) * 2007-08-31 2009-03-04 冯玉龙 一种汉字书写练习法及其采用的字帖
CN107301803A (zh) * 2017-06-29 2017-10-27 广东小天才科技有限公司 一种笔顺纠正方法、装置、终端设备和计算机存储介质
CN111985319A (zh) * 2020-07-13 2020-11-24 上海眼控科技股份有限公司 签名识别方法及设备
CN111931672A (zh) * 2020-08-17 2020-11-13 珠海大横琴科技发展有限公司 字迹识别方法、装置、计算机设备及存储介质

Also Published As

Publication number Publication date
CN112800961A (zh) 2021-05-14

Similar Documents

Publication Publication Date Title
CN113313064B (zh) 字符识别方法、装置、可读介质及电子设备
CN112883968B (zh) 图像字符识别方法、装置、介质及电子设备
CN110826567B (zh) 光学字符识别方法、装置、设备及存储介质
CN112800961B (zh) 笔画书写顺序检测方法、装置、介质和电子设备
CN113222983A (zh) 图像处理方法、装置、可读介质和电子设备
CN110659639B (zh) 汉字识别方法、装置、计算机可读介质及电子设备
CN112381717A (zh) 图像处理方法、模型训练方法、装置、介质及设备
CN113140012B (zh) 图像处理方法、装置、介质及电子设备
CN112883966A (zh) 图像字符识别方法、装置、介质及电子设备
CN110619597A (zh) 一种半透明水印去除方法、装置、电子设备及存储介质
CN109829431B (zh) 用于生成信息的方法和装置
CN109816670B (zh) 用于生成图像分割模型的方法和装置
CN110674813B (zh) 汉字识别方法、装置、计算机可读介质及电子设备
WO2023130925A1 (zh) 字体识别方法、装置、可读介质及电子设备
CN110765304A (zh) 图像处理方法、装置、电子设备及计算机可读介质
CN114155545A (zh) 表格识别方法、装置、可读介质及电子设备
CN114429628A (zh) 图像处理方法、装置、可读存储介质及电子设备
CN112036343B (zh) 答案提取方法、装置、计算机可读介质及电子设备
CN114758342A (zh) 文本识别方法、装置、介质及电子设备
CN114820484A (zh) 页面的检测方法、装置、设备及介质
CN113936271A (zh) 文本识别方法、装置、可读介质及电子设备
CN112800962B (zh) 笔画书写方向检测方法、装置、介质及电子设备
CN113222050A (zh) 图像分类方法、装置、可读介质及电子设备
CN113128470A (zh) 笔划识别方法、装置、可读介质及电子设备
CN111612714A (zh) 图像修复方法、装置和电子设备

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