CN112990349B - 书写质量评价方法、装置和电子设备 - Google Patents
书写质量评价方法、装置和电子设备 Download PDFInfo
- Publication number
- CN112990349B CN112990349B CN202110391453.1A CN202110391453A CN112990349B CN 112990349 B CN112990349 B CN 112990349B CN 202110391453 A CN202110391453 A CN 202110391453A CN 112990349 B CN112990349 B CN 112990349B
- Authority
- CN
- China
- Prior art keywords
- character
- image
- writing
- composite sample
- feature vector
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
- G06V30/14—Image acquisition
- G06V30/148—Segmentation of character regions
- G06V30/153—Segmentation of character regions using recognition of characters or words
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本公开实施例公开了书写质量评价方法、装置和电子设备。该方法的一具体实施方式包括采用分类模型处理待评价书写图像,以及获取该分类模型生成的第一特征向量;基于该第一特征向量,生成该待评价书写图像的书写质量评价信息;其中,该分类模型通过第一步骤得到,该第一步骤包括:将复合样本导入初始分类网络,得到初始分类网络输出的第一字符类型和初始分类网络输出的第一物体类型,其中,复合样本包括字符对象和物体对象;基于该第一字符类型、该第一物体类型和标签,调整该初始分类网络,以及基于调整后的初始分类网络得到该分类模型。由此,提供了一种通过计算机实现书写质量评价的方式。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种书写质量评价方法、装置和电子设备。
背景技术
随着互联网的发展,用户越来越多的使用终端设备实现各种功能。例如,用户可以借助终端设备不断学习。
在一些应用场景中,可以由人类对书写质量进行评价。
发明内容
提供该公开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。该公开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,本公开实施例提供了一种书写质量评价方法,该方法包括:采用分类模型处理待评价书写图像,以及获取所述分类模型生成的第一特征向量;基于所述第一特征向量,生成所述待评价书写图像的书写质量评价信息;其中,所述分类模型通过第一步骤得到,所述第一步骤包括:将复合样本导入初始分类网络,得到初始分类网络输出的第一字符类型和初始分类网络输出的第一物体类型,其中,复合样本包括字符对象和物体对象,复合样本所关联的标签包括对应字符对象的第二字符类型和对应物体对象的第二物体类型;基于所述第一字符类型、所述第一物体类型和所述标签,调整所述初始分类网络,以及基于调整后的初始分类网络得到所述分类模型。
第二方面,本公开实施例提供了一种书写质量评价装置,包括:获取单元,用于采用分类模型处理待评价书写图像,以及获取所述分类模型生成的第一特征向量;生成单元,用于基于所述第一特征向量,生成所述待评价书写图像的书写质量评价信息;其中,所述分类模型通过第一步骤得到,所述第一步骤包括:将复合样本导入初始分类网络,得到初始分类网络输出的第一字符类型和初始分类网络输出的第一物体类型,其中,复合样本包括字符对象和物体对象,复合样本所关联的标签包括对应字符对象的第二字符类型和对应物体对象的第二物体类型;基于所述第一字符类型、所述第一物体类型和所述标签,调整所述初始分类网络,以及基于调整后的初始分类网络得到所述分类模型。
第三方面,本公开实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如第一方面所述的书写质量评价方法。
第四方面,本公开实施例提供了一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现如第一方面所述的书写质量评价方法的步骤。
本公开实施例提供的书写质量评价方法、装置和电子设备,可以采用上述第一步骤训练得到的分类模型,处理待评价书写图像生成第一特征向量。上述分类模型采用复合样本训练得到分类模型所提取出的第一特征向量,可以兼顾对于笔画形状和笔画位置的敏感度,即能够表征书写质量评价场景中笔画形状信息和笔画位置信息,由此可以实现更真实地模拟人类书写质量评价过程,从而可以更准确而客观地评价书写质量。
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。
图1是根据本公开的书写质量评价方法的一个实施例的流程图;
图2是根据本公开的第一步骤的一种实现方式的示意图;
图3是与图2所示步骤相关的应用场景图;
图4是根据本公开的一个应用场景图;
图5根据本公开的一个应用场景图;
图6根据本公开的一种实现方式的示意图;
图7是根据本公开的书写质量评价装置的一个实施例的结构示意图;
图8公开的一个实施例的书写质量评价方法可以应用于其中的示例性系统架构;
图9根据本公开实施例提供的电子设备的基本结构的示意图。
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。
请参考图1,其示出了根据本公开的书写质量评价方法的一个实施例的流程。该方法可以应用于终端设备或者服务器。如图1所示该书写质量评价方法,包括以下步骤:
步骤101,采用分类模型处理待评价书写图像,以及获取所述分类模型生成的第一特征向量。
在本实施例中,书写质量评价方法的执行主体(例如服务器或者终端设备)可以采用分类模型处理待评价书写图像,以及获取所述分类模型生成的第一特征向量。
在本实施例中,待评价书写图像,可以图像内容包括书写字符的图像。书写字符的语种类型,可以是任意语种,在此不做限定。例如,可以是包括手写的汉字的图像。
在本实施例中,分类模型可以是用于对图像进行分类的模型。分类模型的输入可以是图像,输出可以是图像类型。图像类型的具体项,可以根据实际应用场景设置,在此不做限定。
在本实施例中,上述图像分类模型的结构,可以是任何神经网络结构,在此不做限定(例如,可以是AlexNet、VGG、ResNet、SqeezeNet、DenseNet、Inception等)。
在本实施例中,图像分类模型可以包括至少一个特征提取层。特征提取层用于提取图像特征。在一些应用场景中,提取图像特征可以得到特征向量(例如,图嵌入向量,graph embedding)。
可选的,特征提取层的个数可以是一个或者至少两个。作为示例,特征提取层的结构可以包括卷积层。
可选的,分类模型的输出可以包括字符识别结果。作为示例,对于手写图像中的“的”字,图像分类模型可以识别手写图像中的字符为“的”。
在本实施例中,目标特征提取层可以从图像分类模型的至少一个特征提取层从中确定。
可选的,可以预先从上述至少一个特征提取层中确定目标特征提取层。
可选的,可以在图像分类模型处理待评价书写图像之后,从至少一个特征提取层中确定目标特征提取层。
可以理解,第一特征向量中的第一,是为了与本申请中的其它特征向量区分,而不构成对第一特征向量的获取实际或者获取方式的限制,也不构成对第一特征向量的内容或者形式的限制。
步骤102,基于第一特征向量,生成待评价书写图像的书写质量评价信息。
在本实施例中,上述执行主体可以基于第一特征向量,生成待评价书写图像的书写质量评价信息。
在本实施例中,上述分类模型可以通过第一步骤得到。第一步骤可以包括图2所示的步骤201和步骤202。
步骤201,将复合样本导入初始分类网络,得到初始分类网络输出的第一字符类型和初始分类网络输出的第一物体类型。
在这里,初始分类网络可以是未经训练或者未训练完成的图像分类模型。初始分类网络的输出层所包括的类型,可以包括字符类型和物体类型。
在这里,复合样本包括字符对象和物体对象,复合样本所关联的标签包括对应字符对象的第二字符类型和对应物体对象的第二物体类型。
在这里,第二字符类型可以是字符对象的类型,例如字符对象是哪个字。
在这里,第二图像类型可以是物体对象的类型,例如物体对象指示何种物体。
作为示例,初始分类网络的输出层可以包括动物类型和汉字类型,即初始分类网络可以用于对动物图像进行识别,确定动物图像中的动物种类;也可以对汉字进行分类,确定汉字类型。
换句话说,初始分类模型可以对图像中的字符进行识别,确定图像中的书写或者说手写字符是哪个字符,例如,可以识别出字符中手写字符是“王”或者“主”。初始分类模型还可以对图像中的图形进行识别,确定物体对象是什么物体种类,例如可以识别出物体对象为小猫。
步骤202,基于第一字符类型、所述第一物体类型和所述标签,调整所述初始分类网络,以及基于调整后的初始分类网络得到所述分类模型。
请参考图3,图3示出了与图2所示步骤相关的应用场景图。
在图3中,复合样本301可以包括字符对象和物体对象,作为示例,复合样本可以是展示字符“王”和物体“小猫”的图像。
复合样本301可以与第二字符类型302关联,也可以与第二物体类型303关联。
将复合样本301导入初始分类网络304,可以得到第一字符类型305和第一物体类型306。
然后,基于第一字符类型305、第一物体类型306、第二字符类型302和第二物体类型303,对初始分类网络进行调整,可以得到上述分类模型。
需要说明的是,本实施例提供的书写质量评价方法,可以采用上述第一步骤训练得到的分类模型生成第一特征向量。上述分类模型采用复合样本训练得到分类模型所提取出的第一特征向量,可以兼顾对于笔画形状和笔画位置的敏感度,即能够表征书写质量评价场景中笔画形状信息和笔画位置信息,由此可以实现更真实地模拟人类书写质量评价过程,从而可以更准确而客观地评价书写质量。
以图3所示例子进一步说明,初始分类网络以识别出小猫和王字为目标任务,所以初始分类网络保证识别出猫与文字之间的位置差别,也就是初始分类网络生成的第一特征向量需要能够表征不同对象之间的位置差异。因此,通过符合训练出的模型,可以对于笔画的位置也敏感。
并且,采用复合样本训练初始分类网络,可以避免字符对象识别和物体对象识别的分开训练。由此,可以节省计算资源和内存开销。对比来说。如果采用两套模型分别评价,则系统计算开销和内存开销都会翻倍。
对比来说,采用包括字符对象的图像样本训练得到的分类模型,对字符的笔画或者形状敏感度较高,但对于笔画位置敏感度却会降低。这个现象直观理解的话,与模型训练的目标任务相关,例如当以字符类型作为标签时,模型优化目标希望提高文字识别的准确率,无论文字位置如何都应准确识别。
作为示例,同样是一撇,写在图像边角的一撇,与写在字中的一撇,打分出来区分度不大。但是,手写质量评价过程中既需要评价文字的字形,也需要评价文字和笔画的位置。例如,“稀”字,禾的“丿”应该写在左上角,如果写的比较靠下,应该给个关于书写质量评价的负反馈。
在一些实施例中,所述复合样本通过第二步骤生成。
在这里,所述第二步骤包括:获取包括物体对象的第一图像;在所述第一图像上,渲染字符对象,得到复合样本。
请参考图4和图5,图4示出了第一图像,第一图像可以包括物体对象“小猫”。图5示出了复合样本,复合样本可以包括字符对象“王”和物体对象“小猫”。
需要说明的是,字符对象的图像的获取成本远大于非第一字符图像样本的获取成本。因此,采用在显示物体对象的图像上渲染字符对象,可以快速得到大量的复合样本,并且成本较低。
对比来说,搜寻包括物体对象和字符对象的复合样本,时间成本和人力成本较大。
在一些实施例中,所述在所述第一图像上,渲染字符对象,得到复合样本,包括:在所述第一图像除物体对象之外的区域,随机选择方位渲染字符对象,得到复合样本。
在这里,可以在第一图像中除物体对象之外的区域,渲染字符对象,可以实现字符对象和物体对象之间具有一定的相对距离,保证初始分类网络的识别基础符合应用场景,即采用保证训练得到的分类模型能够识别笔画位置。
在这里,随机选择方位渲染字符对象,可以保证在复合样本生成的过程中,大量的复合样本中物体对象和字符对象之间的相对位置关系是随机的,从而使得训练得到的分类模型能够准确表征各种相对位置关系的笔画。从而,提高分类模型所生成的第一特征向量所表征的笔画位置的准确性,提高书写质量评价的准确度。
在一些实施例中,所述在所述第一图像上,渲染字符对象,得到复合样本,包括:在所述第一图像除物体对象之外的区域,随机选择方向;在所选择的方向中确定目标位置渲染字符对象,得到复合样本,其中,所述目标位置与所述物体对象的位置之间的距离小于预设距离阈值。
在这里,在字符对象的渲染之前,可以先确定与物体对象的相对方向。然后,可以在所确定的相对方向上,根据预设的距离阈值确定目标位置。目标位置与物体对象的距离可以小于预设距离阈值。
在这里,目标位置与物体对象距离如何确定,可以根据实际应用场景设置,例如,可以物体对象的中心位置到目标位置之间的距离为准,也可以以物体对象的边缘与目标位置之间的最小距离为准。
需要说明的是,目标位置与物体对象之间距离小于预设距离阈值,可以保证复合样本的对象之间的距离不是特别远,初始分类模型可以对于距离较近的不同对象,也可以准确表征两者不同的位置关系。由此,可以提高分类模型表征位置差异的精确程度。
在一些实施例中,所述基于所述第一字符类型、所述第一物体类型和所述标签,调整所述初始分类网络得到所述分类模型,包括:根据所述第一字符类型和所述第二字符类型,生成第一任务损失值;根据所述第一物体类型和所述第二物体类型,生成第二任务损失值;根据所述第一任务损失值和所述第二任务损失值,调整初始分类网络的网络参数。
在这里,可以计算第一字符类型和第二字符类型之间的差异值,生成第一任务损失值。作为示例,可以将多个复合样本的第一字符类型和第二字符类型的交叉熵,作为第一任务损失值。
在这里,可以计算第一物体类型和第二物体类型之间的差异值,生成第二任务损失值。作为示例,可以将多个复合样本的第一物体类型和第二物体类型之间的交叉熵,作为第二任务损失值。
在一些应用场景中,所述根据所述第一任务损失值和所述第二任务损失值,调整初始分类网络的网络参数,包括:采用第一任务损失值,调整初始分类网络,得到第一分类网络;采用第二任务损失值,调整第一分类网络。或者,所述根据所述第一任务损失值和所述第二任务损失值,调整初始分类网络的网络参数,包括:采用第二任务损失值,调整初始分类网络,得到第二分类网络;采用第一任务损失值,调整第二分类网络。
在这里,可以先利用第一任务损失值进行反向传播,调整初始分类网络参数;再利用第二任务损失值进行反向传播,调整初始分类网络参数。
在一些实施例中,所述根据所述第一任务损失值和所述第二任务损失值,调整初始分类网络的网络参数,包括:确定所述第一任务损失值和所述第二任务损失值的加权和;采用所述加权和,调整所述初始分类网络。
在这里,第一任务损失值和第二任务损失值对应的权重,可以根据实际情况预先设置。
在这里,上述权重可以是静态的,也可以随着模型训练的进行动态调整。
需要说明的是,通过加权得到第一任务损失值和第二任务损失值的加权和,可以在表征字符识别任务的训练结果和物体识别任务的训练结果的同时,可以根据实际训练状况,或者说根据实际期望模型对于哪个任务的处理更为准确而利用权重进行调整。由此,可以使得分类模型可以准确表征笔画位置的同时,并且可以识别字形结构得到字符整体是否熟悉正确。
在一些实施例中,步骤102可以包括图6所示的步骤601和步骤602。
步骤601,获取第二特征向量。
在本实施例中,上述执行主体可以获取第二特征向量。
在本实施例中,第二特征向量可以基于书写样例图像得到。在这里,书写样例图像的图像内容可以包括书写样例。书写样例可以包括书写正样例,也可以包括书写负样例;例如,关于书写字符是否倾斜,既可以包括书写不倾斜的样例,也可以包括书写倾斜的样例,具体的,可以包括倾斜到不同程度的样例。
在本实施例中,基于书写样例图像得到第二特征向量,可以采用各种方式实现。
在一些应用场景中,可以采用图像分类模型对书写样例图像进行处理,以及获取上述目标特征提取层生成的特征向量作为第二特征向量。
步骤602,根据第一特征向量和第二特征向量,确定待评价书写图像的书写质量评价信息。
在本实施例中,上述执行主体可以根据第一特征向量和第二特征向量,确定所述待评价书写图像的书写质量评价信息。
在本实施例中,书写质量评价信息,可以用于表征书写质量。可以理解,书写质量通常为人眼去去看去评价的东西。在这里,可以将主观评价具体化为书写质量参数,采用计算机进行书写质量评价信息;即可以将通常需要人类去实现的评价,转化为计算机视觉以及计算机可以去衡量评价的指标。
在一些应用场景中,参与书写质量评价信息的具体书写质量参数项,可以根据实际应用场景选定,在此不做限制。
在本实施例中,书写质量参数项可以是用于评价书写质量的指标。书写质量参数项可以表征的内容,包括但不限于以下至少一项:字整体写的好不好,字形结构有没有问题,哪些笔画之间应该相连,哪些笔画应该出头而没有出头啊,笔顺对不对,笔画写的对不对,哪个偏旁写的好,或者哪个笔画写的好。
需要说明的是,本实施例提供的书写质量评价方法,通过采用图像分类模型处理待评价书写图像,然后,取图像分类模型中的目标特征提取层生成的第一特征向量,以及获取基于书写样例图像得到的第二特征向量;最后,基于第一特征向量和第二特征向量,确定待评价书写图像的书写质量评价信息。由此,可以提供一种新的书写质量评价信息方法,这种方法采图像分类模型,可以利用图像分类模型关于图像分类的特征提取能力对图像进行表征,对于未处理过的字符形状也可以进行准确的特征提取,从而,可以实现书写质量评价,并且准确率较高。
另外,需要说明的是,本实施例提供的书写质量评价方法,由于采用减少样例图像的收集量和处理量。举例说明如下:一个“王”字,如果“丨”写的不直,则需要收集很多“丨”的样例,去学习分类直或者不直这个事情。而且在不同的字中,“丨”直或者不直可能还会有差异。在我们有多个质量评价参数项的时候,再加上不同字的场景,如果将每个评价指标都分多个类收集样本,则实践当中几乎是不可能的事情。采用图像分类模型处理待评价书写图像过程中生成的第一特征向量,可以避免分类问题,即不必针对每个类型收集大量样本,处理较少样本即可实现将第一特征向量与第二特征向量比对,生成书写质量评价信息。
在一些实施例中,根据所述第一特征向量和所述第二特征向量之间的相似度,确定待评价书写图像的书写质量评价信息。
在这里,第一特征向量和第二特征向量之间的相似度的计算方式,可以是各种相似度计算方式,在此不做限定。作为示例,可以上述相似度的计算可以采用余弦距离表征。
需要说明的是,根据第一特征向量和第二特征向量之间的相似度,确定待评价书写图像的书写质量评价信息,可以降低确定书写质量评价信息的难度,以及提高所确定的书写质量评价信息的准确度。
在一些实施例中,书写质量包括至少一个书写质量参数项,书写质量参数项与至少一个第二特征向量对应。书写质量参数项对应的第二特征向量可以用于计算书写质量参数项值。
在一些实施例中,书写质量评价信息可以通过以下方式得到:对于书写质量包括的每个书写质量参数项,获取该书写质量参数项对应的至少一个第二特征向量;确定所述第一特征向量与所述至少一个第二特征向量中各个特征向量的相似度;根据所确定的相似度,确定所述待评价书写图像关于该书写质量参数项的书写质量参数项值;然后,可以根据所确定的各个书写质量参数项值,生成所述书写质量评价信息。
作为示例,书写质量可以包括第一书写质量参数项(笔画应该出头而没有出头)和第二书写质量参数项(字体倾斜)。可以获取第一书写质量参数项对应的第二特征向量,与第一特征向量进行相似度计算,确定所述待评价书写图像在笔画应该出头而没有出头方面的参数项值。可以获取第二书写质量参数项对应的第二特征向量,与第一特征向量进行相似度计算,确定所述待评价书写图像在字体倾斜方面的参数项值。然后,可以根据笔画应该出头而没有出头方面的参数项值和字体倾斜方面的参数项值,生成所述书写质量评价信息。
在一些实施例中,根据所确定的相似度,确定第一特征向量关于该书写质量参数项的书写质量参数项值,可以包括:将最高相似度对应的第二特征向量指示的参数值,确定为所述待评价书写图像关于该书写质量参数项的书写质量参数项值。
在这里,第二特征向量指示的参数值,可以是第二特征向量提取自的书写样例图像对应的书写质量参数项值。
在一些实施例中,所获取的第二特征向量的数量,可以是至少两个。可以计算第一特征向量与各个第二特征向量之间的相似度,然后,将最高的相似度对应的第二特征向量指示的参数值,确定为第一特征向量对应的参数值,也就可以确定书写字符图像对应的评价信息。
作为示例,关于字体倾斜,从待评价书写图像中提取出的第一特征向量,会和不同的参考文字特征向量计算余弦距离,参考文字包括不倾斜的文字和各种不同倾斜角度的文字。打分之后取分数最优值对应的参考文字信息作为判断结果。
在一些实施例中,所获取的第二特征向量的数量,可以是一个。可以计算第一特征向量与第二特征向量之间的相似度,然后将相似度确定为书写质量参数项的参数值。
作为示例,关于“丨”是否直,从待评价书写图像中提取出的第一特征向量,会和样例图像的特征向量计算余弦距离。余弦相似度大于预设的相似度阈值,可以认为是直的;如果不大于,可以认为是不直的。
在一些实施例中,用于计算各个书写质量参数项的特征向量,可以是从相同的特征提取层获取的。换句话说,在指定一个特征提取层之后,计算各个书写质量参数项均可以采用这个特征提取层生成的特征向量。
在一些实施例中,目标特征提取层与书写质量参数项对应。换句话说,不同的书写质量参数项,可以采用从不同特征提取层获取的特征向量计算参数值。
在一些实施例中,分类模型可以通过目标特征提取层提取第一特征向量。目标特征提取层为预先确定的特征提取层。
在这里,可以通过各种方式指定特征提取层。
例如,如果图像分类模型包括多个特征提取层。可以将各个特征提取层生成的特征向量,基于各种书写质量参数项进行比较,确定表现较好的特征向量,将表现较好的特征向量对应的特征提取层,确定为目标特征提取层。
需要说明的是,预先指定目标特征提取层,可以确定在书写质量评价方面表现较为准确的特征提取层。
进一步参考图7,作为对上述各图所示方法的实现,本公开提供了一种书写质量评价装置的一个实施例,该装置实施例与图1所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图7所示,本实施例的书写质量评价装置包括:获取单元701和生成单元702。其中,获取单元,用于采用分类模型处理待评价书写图像,以及获取所述分类模型生成的第一特征向量;生成单元,用于基于所述第一特征向量,生成所述待评价书写图像的书写质量评价信息;其中,所述分类模型通过第一步骤得到,所述第一步骤包括:将复合样本导入初始分类网络,得到初始分类网络输出的第一字符类型和初始分类网络输出的第一物体类型,其中,复合样本包括字符对象和物体对象,复合样本所关联的标签包括对应字符对象的第二字符类型和对应物体对象的第二物体类型;基于所述第一字符类型、所述第一物体类型和所述标签,调整所述初始分类网络,以及基于调整后的初始分类网络得到所述分类模型。
在本实施例中,书写质量评价装置的获取单元701和生成单元702的具体处理及其所带来的技术效果可分别参考图1对应实施例中步骤101和步骤102的相关说明,在此不再赘述。
在一些实施例中,所述复合样本通过第二步骤生成,其中,所述第二步骤包括:获取包括物体对象的第一图像;在所述第一图像上,渲染字符对象,得到复合样本。
在一些实施例中,所述在所述第一图像上,渲染字符对象,得到复合样本,包括:在所述第一图像除物体对象之外的区域,随机选择方位渲染字符对象,得到复合样本。
在一些实施例中,所述在所述第一图像上,渲染字符对象,得到复合样本,包括:在所述第一图像除物体对象之外的区域,随机选择方向;在所选择的方向中确定目标位置渲染字符对象,得到复合样本,其中,所述目标位置与所述物体对象的位置之间的距离小于预设距离阈值。
在一些实施例中,所述基于所述第一字符类型、所述第一物体类型和所述标签,调整所述初始分类网络得到所述分类模型,包括:根据所述第一字符类型和所述第二字符类型,生成第一任务损失值;根据所述第一物体类型和所述第二物体类型,生成第二任务损失值;根据所述第一任务损失值和所述第二任务损失值,调整初始分类网络的网络参数。
在一些实施例中,所述根据所述第一任务损失值和所述第二任务损失值,调整初始分类网络的网络参数,包括:确定所述第一任务损失值和所述第二任务损失值的加权和;采用所述加权和,调整所述初始分类网络。
在一些实施例中,所述方法还包括:获取第二特征向量,其中,第二特征向量基于书写样例图像得到;根据所述第一特征向量和所述第二特征向量,确定所述待评价书写图像的书写质量评价信息。
请参考图8,图8示出了本公开的一个实施例的书写质量评价方法可以应用于其中的示例性系统架构。
如图8所示,系统架构可以包括终端设备801、802、803,网络804,服务器808。网络804用以在终端设备801、802、803和服务器808之间提供通信链路的介质。网络804可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
终端设备801、802、803可以通过网络804与服务器808交互,以接收或发送消息等。终端设备801、802、803上可以安装有各种客户端应用,例如网页浏览器应用、搜索类应用、新闻资讯类应用。终端设备801、802、803中的客户端应用可以接收用户的指令,并根据用户的指令完成相应的功能,例如根据用户的指令在信息中添加相应信息。
终端设备801、802、803可以是硬件,也可以是软件。当终端设备801、802、803为硬件时,可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。当终端设备801、802、803为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器808可以是提供各种服务的服务器,例如接收终端设备801、802、803发送的信息获取请求,根据信息获取请求通过各种方式获取信息获取请求对应的展示信息。并展示信息的相关数据发送给终端设备801、802、803。
需要说明的是,本公开实施例所提供的书写质量评价方法可以由终端设备执行,相应地,书写质量评价装置可以设置在终端设备801、802、803中。此外,本公开实施例所提供的书写质量评价方法还可以由服务器808执行,相应地,书写质量评价装置可以设置于服务器808中。
应该理解,图8中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
下面参考图9,其示出了适于用来实现本公开实施例的电子设备(例如图8中的终端设备或服务器)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9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9所示,电子设备可以包括处理装置(例如中央处理器、图形处理器等)901,其可以根据存储在只读存储器(ROM)902中的程序或者从存储装置908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。在RAM 903中,还存储有电子设备900操作所需的各种程序和数据。处理装置901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
通常,以下装置可以连接至I/O接口905: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906;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置907;包括例如磁带、硬盘等的存储装置908;以及通信装置909。通信装置909可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图9示出了具有各种装置的电子设备,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909从网络上被下载和安装,或者从存储装置908被安装,或者从ROM 902被安装。在该计算机程序被处理装置901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(HyperTextTransferProtocol,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:采用分类模型处理待评价书写图像,以及获取所述分类模型生成的第一特征向量;基于所述第一特征向量,生成所述待评价书写图像的书写质量评价信息;其中,所述分类模型通过第一步骤得到,所述第一步骤包括:将复合样本导入初始分类网络,得到初始分类网络输出的第一字符类型和初始分类网络输出的第一物体类型,其中,复合样本包括字符对象和物体对象,复合样本所关联的标签包括对应字符对象的第二字符类型和对应物体对象的第二物体类型;基于所述第一字符类型、所述第一物体类型和所述标签,调整所述初始分类网络,以及基于调整后的初始分类网络得到所述分类模型。
在一些实施例中,所述复合样本通过第二步骤生成,其中,所述第二步骤包括:获取包括物体对象的第一图像;在所述第一图像上,渲染字符对象,得到复合样本。
在一些实施例中,所述在所述第一图像上,渲染字符对象,得到复合样本,包括:在所述第一图像除物体对象之外的区域,随机选择方位渲染字符对象,得到复合样本。
在一些实施例中,所述在所述第一图像上,渲染字符对象,得到复合样本,包括:在所述第一图像除物体对象之外的区域,随机选择方向;在所选择的方向中确定目标位置渲染字符对象,得到复合样本,其中,所述目标位置与所述物体对象的位置之间的距离小于预设距离阈值。
在一些实施例中,所述基于所述第一字符类型、所述第一物体类型和所述标签,调整所述初始分类网络得到所述分类模型,包括:根据所述第一字符类型和所述第二字符类型,生成第一任务损失值;根据所述第一物体类型和所述第二物体类型,生成第二任务损失值;根据所述第一任务损失值和所述第二任务损失值,调整初始分类网络的网络参数。
在一些实施例中,所述根据所述第一任务损失值和所述第二任务损失值,调整初始分类网络的网络参数,包括:确定所述第一任务损失值和所述第二任务损失值的加权和;采用所述加权和,调整所述初始分类网络。
在一些实施例中,所述方法还包括:获取第二特征向量,其中,第二特征向量基于书写样例图像得到;根据所述第一特征向量和所述第二特征向量,确定所述待评价书写图像的书写质量评价信息。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单元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,单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“获取第一特征向量的单元”。
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。
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。
Claims (9)
1.一种书写质量评价方法,其特征在于,包括:
采用分类模型处理待评价书写图像,以及获取所述分类模型生成的第一特征向量;第一特征向量能够表征书写质量评价场景中的笔画形状信息和笔画位置信息;
基于所述第一特征向量,生成所述待评价书写图像的书写质量评价信息;
其中,所述分类模型通过第一步骤得到,所述第一步骤包括:将复合样本导入初始分类网络,得到初始分类网络输出的第一字符类型和初始分类网络输出的第一物体类型,其中,复合样本包括字符对象和物体对象,复合样本所关联的标签包括对应字符对象的第二字符类型和对应物体对象的第二物体类型;基于所述第一字符类型、所述第一物体类型和所述标签,调整所述初始分类网络,以及基于调整后的初始分类网络得到所述分类模型;
其中,所述复合样本通过第二步骤生成,其中,所述第二步骤包括:获取包括物体对象的第一图像;在所述第一图像上除所述物体对象之外的区域,渲染字符对象,得到所述复合样本。
2.根据权利要求1所述的方法,其特征在于,所述在所述第一图像上除所述物体对象之外的区域,渲染字符对象,得到所述复合样本,包括:
在所述第一图像除物体对象之外的区域,随机选择方位渲染字符对象,得到所述复合样本。
3.根据权利要求1所述的方法,其特征在于,所述在所述第一图像上除所述物体对象之外的区域,渲染字符对象,得到所述复合样本,包括:
在所述第一图像除物体对象之外的区域,随机选择方向;
在所选择的方向中确定目标位置渲染字符对象,得到所述复合样本,其中,所述目标位置与所述物体对象的位置之间的距离小于预设距离阈值。
4.根据权利要求1所述的方法,其特征在于,所述基于所述第一字符类型、所述第一物体类型和所述标签,调整所述初始分类网络得到所述分类模型,包括:
根据所述第一字符类型和所述第二字符类型,生成第一任务损失值;
根据所述第一物体类型和所述第二物体类型,生成第二任务损失值;
根据所述第一任务损失值和所述第二任务损失值,调整初始分类网络的网络参数。
5.根据权利要求4所述的方法,其特征在于,所述根据所述第一任务损失值和所述第二任务损失值,调整初始分类网络的网络参数,包括:
确定所述第一任务损失值和所述第二任务损失值的加权和;
采用所述加权和,调整所述初始分类网络。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取第二特征向量,其中,第二特征向量基于书写样例图像得到;
根据所述第一特征向量和所述第二特征向量,确定所述待评价书写图像的书写质量评价信息。
7.一种书写质量评价装置,其特征在于,包括:
获取单元,用于采用分类模型处理待评价书写图像,以及获取所述分类模型生成的第一特征向量;第一特征向量能够表征书写质量评价场景中的笔画形状信息和笔画位置信息;
生成单元,用于基于所述第一特征向量,生成所述待评价书写图像的书写质量评价信息;
其中,所述分类模型通过第一步骤得到,所述第一步骤包括:将复合样本导入初始分类网络,得到初始分类网络输出的第一字符类型和初始分类网络输出的第一物体类型,其中,复合样本包括字符对象和物体对象,复合样本所关联的标签包括对应字符对象的第二字符类型和对应物体对象的第二物体类型;基于所述第一字符类型、所述第一物体类型和所述标签,调整所述初始分类网络,以及基于调整后的初始分类网络得到所述分类模型;
其中,所述复合样本通过第二步骤生成,其中,所述第二步骤包括:获取包括物体对象的第一图像;在所述第一图像上除所述物体对象之外的区域,渲染字符对象,得到所述复合样本。
8.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
9.一种计算机可读介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110391453.1A CN112990349B (zh) | 2021-04-09 | 2021-04-09 | 书写质量评价方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110391453.1A CN112990349B (zh) | 2021-04-09 | 2021-04-09 | 书写质量评价方法、装置和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112990349A CN112990349A (zh) | 2021-06-18 |
CN112990349B true CN112990349B (zh) | 2023-06-27 |
Family
ID=76338004
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110391453.1A Active CN112990349B (zh) | 2021-04-09 | 2021-04-09 | 书写质量评价方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112990349B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000268129A (ja) * | 1999-03-18 | 2000-09-29 | Sanyo Electric Co Ltd | 文字認識方法、文字認識装置および記憶媒体 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ITRM20130022A1 (it) * | 2013-01-11 | 2014-07-12 | Natural Intelligent Technologies S R L | Procedimento e apparato di riconoscimento di scrittura a mano |
US20200251217A1 (en) * | 2019-12-12 | 2020-08-06 | Renee CASSUTO | Diagnosis Method Using Image Based Machine Learning Analysis of Handwriting |
CN111444907B (zh) * | 2020-03-24 | 2023-05-16 | 上海东普信息科技有限公司 | 文字识别的方法、装置、设备及存储介质 |
CN111626297A (zh) * | 2020-04-13 | 2020-09-04 | 小船出海教育科技(北京)有限公司 | 文字书写质量评价方法、装置、电子设备和记录介质 |
CN112183046A (zh) * | 2020-09-25 | 2021-01-05 | 北京有竹居网络技术有限公司 | 一种手写字的质量评价方法、装置、设备和存储介质 |
CN112215175B (zh) * | 2020-10-19 | 2024-01-30 | 北京乐学帮网络技术有限公司 | 一种手写字符识别方法、装置、计算机设备和存储介质 |
-
2021
- 2021-04-09 CN CN202110391453.1A patent/CN112990349B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000268129A (ja) * | 1999-03-18 | 2000-09-29 | Sanyo Electric Co Ltd | 文字認識方法、文字認識装置および記憶媒体 |
Non-Patent Citations (4)
Title |
---|
Scene text detection and recognition with advances in deep learning: a survey;Xiyan Liu 等;《International Journal on Document Analysis and Recognition》;第22卷;第143–162页 * |
Zernike moment feature extraction for handwritten Devanagari compound character recognition;Karbhari V. Kale 等;《2013 Science and Information Conference》;第459-466页 * |
基于特征向量和笔顺编码的字形相似算法研究;祁俊辉 等;《重庆邮电大学学报(自然科学版)》;第31卷(第6期);第885-891页 * |
手写汉字正确性评价综合方案实现及效果测试;姜杰 等;《电化教育研究》(第9期);第50-58页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112990349A (zh) | 2021-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111476306B (zh) | 基于人工智能的物体检测方法、装置、设备及存储介质 | |
CN112364860B (zh) | 字符识别模型的训练方法、装置和电子设备 | |
CN109961032B (zh) | 用于生成分类模型的方法和装置 | |
CN114282581B (zh) | 基于数据增强的训练样本获取方法、装置和电子设备 | |
CN112149699B (zh) | 用于生成模型的方法、装置和用于识别图像的方法、装置 | |
CN111314626B (zh) | 用于处理视频的方法和装置 | |
CN110046571B (zh) | 用于识别年龄的方法和装置 | |
CN112766284B (zh) | 图像识别方法和装置、存储介质和电子设备 | |
CN113449070A (zh) | 多模态数据检索方法、装置、介质及电子设备 | |
CN111897950A (zh) | 用于生成信息的方法和装置 | |
CN112307243B (zh) | 用于检索图像的方法和装置 | |
CN112990176B (zh) | 书写质量评价方法、装置和电子设备 | |
CN113255812B (zh) | 视频边框检测方法、装置和电子设备 | |
CN113343069B (zh) | 用户信息的处理方法、装置、介质及电子设备 | |
CN112241761B (zh) | 模型训练方法、装置和电子设备 | |
CN118071428A (zh) | 用于多模态监测数据的智能处理系统及方法 | |
CN110765304A (zh) | 图像处理方法、装置、电子设备及计算机可读介质 | |
CN112990349B (zh) | 书写质量评价方法、装置和电子设备 | |
CN112115740B (zh) | 用于处理图像的方法和装置 | |
CN110942033B (zh) | 用于推送信息的方法、装置、电子设备和计算机介质 | |
CN114495080A (zh) | 字体识别方法、装置、可读介质及电子设备 | |
CN112990346B (zh) | 书写质量评价方法、装置和电子设备 | |
CN113283115B (zh) | 图像模型生成方法、装置和电子设备 | |
CN111897951A (zh) | 用于生成信息的方法和装置 | |
CN112766285B (zh) | 图像样本生成方法、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 |