CN113139533A - 一种快速识别手写矢量的方法及装置、介质和设备 - Google Patents

一种快速识别手写矢量的方法及装置、介质和设备 Download PDF

Info

Publication number
CN113139533A
CN113139533A CN202110366873.4A CN202110366873A CN113139533A CN 113139533 A CN113139533 A CN 113139533A CN 202110366873 A CN202110366873 A CN 202110366873A CN 113139533 A CN113139533 A CN 113139533A
Authority
CN
China
Prior art keywords
letter
handwritten
image
vector
arrow
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
Application number
CN202110366873.4A
Other languages
English (en)
Other versions
CN113139533B (zh
Inventor
朱静
杜晓楠
牛子晗
王茹皓
李楚宪
尹邦政
赵宣博
陈新兵
黄薪如
刘静
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.)
Guangzhou University
Original Assignee
Guangzhou University
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 Guangzhou University filed Critical Guangzhou University
Priority to CN202110366873.4A priority Critical patent/CN113139533B/zh
Publication of CN113139533A publication Critical patent/CN113139533A/zh
Application granted granted Critical
Publication of CN113139533B publication Critical patent/CN113139533B/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
    • 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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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

Landscapes

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

Abstract

本发明公开了一种快速识别手写矢量的方法及装置、介质和设备，方法首先获取含有手写字体的原始图像并进行高斯滤波、灰度化、边缘检测，得到边缘图像，然后识别并存储其中的字母。检测边缘图像中是否含有直线，若有，则初步判定手写字体存在字母矢量的箭头特征，并分割边缘图像，得到含有直线的局部图像，再计算局部图像的HU矩，将HU矩与标准箭头HU矩进行匹配，两者一致的情况下判定手写字体存在字母矢量的箭头特征。只有两次都有检测到箭头特征，才判定手写字体为手写字母矢量，根据存储的字母信息生成并输出对应的字母矢量，其他情况则判定手写字体为字母，输出存储的字母信息。本发明可以准确高效地识别手写字母及手写字母矢量。

Description

一种快速识别手写矢量的方法及装置、介质和设备
技术领域
本发明涉及手写字体识别技术领域，特别是一种快速识别手写矢量的方法及装置、介质和设备。
背景技术
目前现有的针对手写字体的识别技术大多数适用于手写的数字、字母、中文汉字，而缺乏对手写的矢量(向量)的识别。随着通讯技术的发展，线上学习系统、学生作业线上批改系统发展势头迅猛。矢量作为理工科常用的符号，在教师授课的手写板书、学生手写作业中出现的频率很高，因此，有必要研究能分辨手写字母及手写字母矢量的技术。
发明内容
本发明的第一目的在于解决现有技术的不足，提出一种快速识别手写矢量的方法，可以准确高效地识别手写字母及手写字母矢量。
本发明的第二目的在于提出一种快速识别手写矢量的装置。
本发明的第三目的在于提出一种计算机可读存储介质。
本发明的第四目的在于提出一种计算设备。
本发明的第一目的通过下述技术方案实现：一种快速识别手写矢量的方法，包括如下步骤：
S1、获取含有手写字体的原始图像；
S2、对原始图像进行高斯滤波处理，再将其从RGB图像转换为灰度图；
S3、对灰度图进行边缘检测，得到边缘图像；
S4、识别边缘图像中手写的字母或手写的字母矢量中的字母，并存储该字母信息；
S5、检测边缘图像中是否含有直线，若无，则初步判定手写字体不存在字母矢量的箭头特征；若有，则初步判定手写字体存在字母矢量的箭头特征，然后根据直线在边缘图像中的像素点坐标，对边缘图像进行分割，得到含有直线的局部图像；
S6、计算局部图像的HU矩，并将该HU矩与标准箭头HU矩进行匹配，若两者一致，则判定手写字体存在字母矢量的箭头特征；若两者不一致，则判定手写字体不存在字母矢量的箭头特征；
S7、如果在步骤S5与步骤S6均有检测到箭头特征，则判定手写字体为手写字母矢量，根据步骤S4中存储的字母信息，生成并输出对应的字母矢量；
如果在步骤S5和S6中任一个步骤没有检测到箭头特征，则判定手写字体为字母，并输出步骤S4中存储的字母信息。
优选的，区域图像的HU矩的计算公式为：
I1＝η20+η02
I2＝(η20+η02)2+4η11 2
I3＝(η20+3η12)2+(3η21-η03)2
I4＝(η30+η12)2+(η21+η03)2
I5＝(η30-η12)(η30-η12)[(η30+η12)2-3(η21+η03)2]+(3η21-η03)(η21+η30)[3(η30+η12)2-(η21+η03)2]
I6＝(η20-η02)[(η30+η12)2-(η21+η03)2]+4η11(η30+η12)(η21+η03)
I7＝(3η21+η03)(η30+η12)[(η30+η12)2-3(η21+η03)2]+9η30-3η12)(η21+η30)[3(η30+η12)2-(η21+η03)2]
其中，I1、I2、I3、I4、I5、I6、I7分别代表7个不变矩；η20、η02、η11、η30、η03、η30、η21、η12均为归一化中心矩。
优选的，将原始图像从RGB图像转换为灰度图，具体是：对原始图像的RGB三个分量进行加权平均，得到最终的灰度值；或者使用中值滤波计算原始图像所有像素的中值，并以该中值调整中心像素的灰度值。
优选的，使用边缘检测算法对灰度图进行边缘检测。
优选的，识别边缘图像中手写的字母或手写的字母矢量中的字母，具体是：将边缘图像输入到提前训练好的手写字母识别模型中，由手写字母识别模型识别手写字体中的手写字母或手写字母矢量所涉及的字母。
优选的，使用概率霍夫变换检测边缘图像中是否含有直线。
本发明的第二目的通过下述技术方案实现：一种快速识别手写矢量的装置，包括：
原始图像获取模块，用于获取含有手写字体的原始图像；
预处理模块，用于对原始图像进行高斯滤波处理，再将其从RGB图像转换为灰度图；
边缘检测模块，用于对灰度图进行边缘检测，得到边缘图像；
字母识别及存储模块，用于识别边缘图像中手写的字母或手写的字母矢量中的字母，并储存该字母信息；
直线检测模块，用于检测边缘图像中是否含有直线，在不含有直线的情况下初步判定手写字体不存在字母矢量的箭头特征；在含有直线的情况下初步判定手写字体存在字母矢量的箭头特征，然后根据直线在边缘图像中的像素点坐标，对边缘图像进行分割，得到含有直线的局部图像；
HU矩匹配模块，用于计算局部图像的HU矩，并将该HU矩与标准箭头HU矩进行匹配，若两者一致，则判定手写字体存在字母矢量的箭头特征；若两者不一致，则判定手写字体不存在字母矢量的箭头特征；
字母矢量判断模块，用于在直线检测模块和HU矩匹配模块同时有检测到箭头特征的情况下判定手写字体为手写字母矢量，根据字母识别及存储模块中存储的字母信息，生成并输出对应的字母矢量；
字母判断模块，用于在直线检测模块和HU矩匹配模块中任一个模块没有检测到箭头特征的情况下判定手写字体为字母，并输出字母识别及存储模块中存储的字母信息。
本发明的第三目的通过下述技术方案实现：一种计算机可读存储介质，存储有程序，所述程序被处理器执行时，实现本发明第一目的所述的快速识别手写矢量的方法。
本发明的第四目的通过下述技术方案实现：一种计算设备，包括处理器以及用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现本发明第一目的所述的快速识别手写矢量的方法。
本发明相对于现有技术具有如下的优点及效果：
1、本发明方法通过两次检测来判断手写字体是否含有箭头特征，只有两次都有检测到箭头特征，才最终判定手写字体为手写字母矢量，根据存储的字母信息生成并输出对应的字母矢量，其他情况则判定手写字体为字母，输出存储的字母信息。可见，本发明能够准确分辨手写字母以及手写字母矢量，识别准确率高。
2、本发明利用了效率较高的概率霍夫变换来检测箭头中的直线部分，间接筛选出可能为手写字母矢量的局部图像，再通过具有平移、旋转和尺度不变性的HU矩进行再次判断，综合两次判断结果来确定手写字体是否为手写字母矢量，具有计算量小，识别速度快，识别效率高的优点。
附图说明
图1为本发明快速识别手写矢量的方法的流程图。
图2为本发明快速识别手写矢量的装置的结构框图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
实施例1
本实施例提供了一种快速识别手写矢量的方法，可应用于线上学习系统、学生作业线上批改系统、手写字体识别系统等。方法如图1所示，包括如下步骤：
S1、通过学生或老师的电脑摄像头拍摄授课的手写板书、学生提交的手写作业，或通过手写板等智能手写设备的传感器感应手写轨迹等，生成含有手写字体的原始图像，程序获取该原始图像。
S2、对原始图像进行高斯滤波处理，基本原理是将原始图像的每一个像素点与高斯内核进行卷积，将卷积和当作输出像素值，从而消除图像噪声。
为了减小图像原始数据量，便于后续计算处理，再将滤波后的图像进行灰度化，使其从RGB图像转换为灰度图。这里可以是对原始图像的RGB三个分量进行加权平均，得到最终的灰度值，也可以是使用中值滤波计算原始图像所有像素的中值，并以该中值调整中心像素的灰度值。
S3、使用边缘检测算法对灰度图进行边缘检测，得到边缘图像。这里是采用Canny算法，其具有低错误率、高定位性和最小响应的特点。
S4、识别边缘图像中手写的字母或手写的字母矢量中的字母，并存储该字母信息。这里，边缘图像具体是输入到提前训练好的手写字母识别模型中，由手写字母识别模型来识别手写字体中的手写字母或字母矢量涉及的是哪一个字母。手写字母识别模型可采用深度学习神经网络。
S5、使用概率霍夫变换粗略检测边缘图像中是否含有直线，若无，则初步判定手写字体不存在字母矢量的箭头特征；若有，则初步判定手写字体存在字母矢量的箭头特征，然后根据直线在边缘图像中的像素点坐标，对边缘图像进行分割，得到含有直线的局部图像。这里，假设直线中某个像素点坐标为(x,y)，分割边缘图像时可以多预留一定的距离，比如多预留5个像素的距离，即将该像素点(x+5,y+5)、(x-5,y-5)范围内的像素都保留，以确保能够得到有包含完整箭头的局部图像。
霍夫直线变换是一种用来在图像空间寻找直线的方法，输入图像要求是二值图像，同时为了提高检测直线的效率和准确率，在使用霍夫线变换之前，最好对图像进行边缘检测生成边缘二值图像，这样的检测效果是最好的。所以，本实施例在步骤S3中先对图像进行了边缘检测。
S6、计算局部图像的HU矩，并将该HU矩与标准箭头HU矩进行匹配，若两者一致，则判定手写字体存在字母矢量的箭头特征；若两者不一致，则判定手写字体不存在字母矢量的箭头特征。
其中，区域图像的HU矩的计算公式为：
I1＝η20+η02
I2＝(η20+η02)2+4η11 2
I3＝(η20+3η12)2+(3η21-η03)2
I4＝(η30+η12)2+(η21+η03)2
I5＝(η30-η12)(η30-η12)[(η30+η12)2-3(η21+η03)2]+(3η21-η03)(η21+η30)[3(η30+η12)2-(η21+η03)2]
I6＝(η20-η02)[(η30+η12)2-(η21+η03)2]+4η11(η30+η12)(η21+η03)
I7＝(3η21+η03)(η30+η12)[(η30+η12)2-3(η21+η03)2]+9η30-3η12)(η21+η30)[3(η30+η12)2-(η21+η03)2]
式中，I1、I2、I3、I4、I5、I6、I7分别代表7个不变矩；η20、η02、η11、η30、η03、η30、η21、η12均为归一化中心矩。
像素的坐标可以看成是一个二维随机变量(x,y)，那么一幅灰度图像可以用二维灰度密度函数来表示，因此可以用矩来描述灰度图像的特征。Hu矩是一种具有平移、旋转和尺度不变性的图像特征。上述7个不变矩是由归一化中心矩构造，无论所得到的箭头书写方向倾斜角度有多大，或者是检测到的箭头的大小是否一致，它的HU矩都不会发生变化，因此能够达到检测的目的。
S7、如果在步骤S5与步骤S6均有检测到箭头特征，则判定手写字体为手写字母矢量，程序根据步骤S4中存储的字母信息生成对应字母的矢量形式，即生成字母矢量，最终输出该字母矢量。
如果在步骤S5无法粗略检测出直线的存在，和/或在后续步骤S6无法检测到箭头的存在，则判定手写字体为字母，最终输出步骤S4中存储的字母信息。当然，程序还可以同时生成该输出不是手写字母矢量的相应提示。
实施例2
本实施例提供了一种快速识别手写矢量的装置，可实现实施例1中的快速识别手写矢量的方法。如图2所示，装置包括原始图像获取模块、预处理模块、边缘检测模块、字母识别及存储模块、直线检测模块、HU矩匹配模块、字母矢量判断模块以及字母判断模块。原始图像获取模块、预处理模块、边缘检测模块、直线检测模块和HU矩匹配模块依次连接，字母识别及存储模块连接边缘检测模块，直线检测模块和HU矩匹配模块均连接字母矢量判断模块、字母判断模块。
其中，原始图像获取模块，用于获取含有手写字体的原始图像。
预处理模块，用于对原始图像进行高斯滤波处理，再将其从RGB图像转换为灰度图。
边缘检测模块，用于对灰度图进行边缘检测，得到边缘图像。
字母识别及存储模块，用于识别边缘图像中手写的字母或手写的字母矢量中的字母，并存储该字母信息。
直线检测模块，用于检测边缘图像中是否含有直线，在不含有直线的情况下初步判定手写字体不存在字母矢量的箭头特征；在含有直线的情况下初步判定手写字体存在字母矢量的箭头特征，然后根据直线在边缘图像中的像素点坐标，对边缘图像进行分割，得到含有直线的局部图像。
HU矩匹配模块，用于计算局部图像的HU矩，并将该HU矩与标准箭头HU矩进行匹配，若两者一致，则判定手写字体存在字母矢量的箭头特征；若两者不一致，则判定手写字体不存在字母矢量的箭头特征。
字母矢量判断模块，用于在直线检测模块和HU矩匹配模块同时有检测到箭头特征的情况下判定手写字体为手写字母矢量，根据字母识别及存储模块中存储的字母信息，生成并输出对应的字母矢量。
字母判断模块，用于在直线检测模块和HU矩匹配模块中任一个模块没有检测到箭头特征的情况下判定手写字体为字母，并输出字母识别及存储模块中存储的字母信息。
在此需要说明的是，本实施例的装置仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。
实施例3
本实施例提供了一种计算机可读存储介质，存储有程序，所述程序被处理器执行时，实现实施例1中的快速识别手写矢量的方法，具体为：
S1、获取含有手写字体的原始图像；
S2、对原始图像进行高斯滤波处理，再将其从RGB图像转换为灰度图；
S3、对灰度图进行边缘检测，得到边缘图像；
S4、识别边缘图像中手写的字母或手写的字母矢量中的字母，并存储该字母信息；
S5、检测边缘图像中是否含有直线，若无，则初步判定手写字体不存在字母矢量的箭头特征；若有，则初步判定手写字体存在字母矢量的箭头特征，然后根据直线在边缘图像中的像素点坐标，对边缘图像进行分割，得到含有直线的局部图像；
S6、计算局部图像的HU矩，并将该HU矩与标准箭头HU矩进行匹配，若两者一致，则判定手写字体存在字母矢量的箭头特征；若两者不一致，则判定手写字体不存在字母矢量的箭头特征；
S7、如果在步骤S5与步骤S6均有检测到箭头特征，则判定手写字体为手写字母矢量，根据步骤S4中存储的字母信息，生成并输出对应的字母矢量；
如果在步骤S5和S6中任一个步骤没有检测到箭头特征，则判定手写字体为字母，并输出步骤S4中存储的字母信息。
本实施例中的计算机可读存储介质可以是磁盘、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、U盘、移动硬盘等介质。
实施例4
本实施例提供了一种计算设备，包括处理器以及用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现实施例1中的快速识别手写矢量的方法，具体为：
S1、获取含有手写字体的原始图像；
S2、对原始图像进行高斯滤波处理，再将其从RGB图像转换为灰度图；
S3、对灰度图进行边缘检测，得到边缘图像；
S4、识别边缘图像中手写的字母或手写的字母矢量中的字母，并存储该字母信息；
S5、检测边缘图像中是否含有直线，若无，则初步判定手写字体不存在字母矢量的箭头特征；若有，则初步判定手写字体存在字母矢量的箭头特征，然后根据直线在边缘图像中的像素点坐标，对边缘图像进行分割，得到含有直线的局部图像；
S6、计算局部图像的HU矩，并将该HU矩与标准箭头HU矩进行匹配，若两者一致，则判定手写字体存在字母矢量的箭头特征；若两者不一致，则判定手写字体不存在字母矢量的箭头特征；
S7、如果在步骤S5与步骤S6均有检测到箭头特征，则判定手写字体为手写字母矢量，根据步骤S4中存储的字母信息，生成并输出对应的字母矢量；
如果在步骤S5和S6中任一个步骤没有检测到箭头特征，则判定手写字体为字母，并输出步骤S4中存储的字母信息。
本实施例中所述的计算设备可以是台式电脑、笔记本电脑、智能手机、平板电脑或其他具有处理器功能的终端设备。
以上仅为本发明创造的较佳实施例而已，并不用以限制本发明创造，凡在本发明创造的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明创造的保护范围之内。

Claims (9)

1.一种快速识别手写矢量的方法，其特征在于，包括如下步骤：
S1、获取含有手写字体的原始图像；
S2、对原始图像进行高斯滤波处理，再将其从RGB图像转换为灰度图；
S3、对灰度图进行边缘检测，得到边缘图像；
S4、识别边缘图像中手写的字母或手写的字母矢量中的字母，并存储该字母信息；
S5、检测边缘图像中是否含有直线，若无，则初步判定手写字体不存在字母矢量的箭头特征；若有，则初步判定手写字体存在字母矢量的箭头特征，然后根据直线在边缘图像中的像素点坐标，对边缘图像进行分割，得到含有直线的局部图像；
S6、计算局部图像的HU矩，并将该HU矩与标准箭头HU矩进行匹配，若两者一致，则判定手写字体存在字母矢量的箭头特征；若两者不一致，则判定手写字体不存在字母矢量的箭头特征；
S7、如果在步骤S5与步骤S6均有检测到箭头特征，则判定手写字体为手写字母矢量，根据步骤S4中存储的字母信息，生成并输出对应的字母矢量；
如果在步骤S5和S6中任一个步骤没有检测到箭头特征，则判定手写字体为字母，并输出步骤S4中存储的字母信息。
2.根据权利要求1所述的快速识别手写矢量的方法，其特征在于，区域图像的HU矩的计算公式为：
I1＝η20+η02
I2＝(η20+η02)2+4η11 2
I3＝(η20+3η12)2+(3η21-η03)2
I4＝(η30+η12)2+(η21+η03)2
I5＝(η30-η12)(η30-η12)[(η30+η12)2-3(η21+η03)2]+(3η21-η03)(η21+η30)[3(η30+η12)2-(η21+η03)2]
I6＝(η20-η02)[(η30+η12)2-(η21+η03)2]+4η11(η30+η12)(η21+η03)
I7＝(3η21+η03)(η30+η12)[(η30+η12)2-3(η21+η03)2]+9η30-3η12)(η21+η30)[3(η30+η12)2-(η21+η03)2]
其中，I1、I2、I3、I4、I5、I6、I7分别代表7个不变矩；η20、η02、η11、η30、η03、η30、η21、η12均为归一化中心矩。
3.根据权利要求1所述的快速识别手写矢量的方法，其特征在于，将原始图像从RGB图像转换为灰度图，具体是：对原始图像的RGB三个分量进行加权平均，得到最终的灰度值；或者使用中值滤波计算原始图像所有像素的中值，并以该中值调整中心像素的灰度值。
4.根据权利要求1所述的快速识别手写矢量的方法，其特征在于，使用边缘检测算法对灰度图进行边缘检测。
5.根据权利要求1所述的快速识别手写矢量的方法，其特征在于，识别边缘图像中手写的字母或手写的字母矢量中的字母，具体是：将边缘图像输入到提前训练好的手写字母识别模型中，由手写字母识别模型识别手写字体中的手写字母或手写字母矢量所涉及的字母。
6.根据权利要求1所述的快速识别手写矢量的方法，其特征在于，使用概率霍夫变换检测边缘图像中是否含有直线。
7.一种快速识别手写矢量的装置，其特征在于，包括：
原始图像获取模块，用于获取含有手写字体的原始图像；
预处理模块，用于对原始图像进行高斯滤波处理，再将其从RGB图像转换为灰度图；
边缘检测模块，用于对灰度图进行边缘检测，得到边缘图像；
字母识别及存储模块，用于识别边缘图像中手写的字母或手写的字母矢量中的字母，并储存该字母信息；
直线检测模块，用于检测边缘图像中是否含有直线，在不含有直线的情况下初步判定手写字体不存在字母矢量的箭头特征；在含有直线的情况下初步判定手写字体存在字母矢量的箭头特征，然后根据直线在边缘图像中的像素点坐标，对边缘图像进行分割，得到含有直线的局部图像；
HU矩匹配模块，用于计算局部图像的HU矩，并将该HU矩与标准箭头HU矩进行匹配，若两者一致，则判定手写字体存在字母矢量的箭头特征；若两者不一致，则判定手写字体不存在字母矢量的箭头特征；
字母矢量判断模块，用于在直线检测模块和HU矩匹配模块同时有检测到箭头特征的情况下判定手写字体为手写字母矢量，根据字母识别及存储模块中存储的字母信息，生成并输出对应的字母矢量；
字母判断模块，用于在直线检测模块和HU矩匹配模块中任一个模块没有检测到箭头特征的情况下判定手写字体为字母，并输出字母识别及存储模块中存储的字母信息。
8.一种计算机可读存储介质，存储有程序，其特征在于，所述程序被处理器执行时，实现权利要求1至6中任一项所述的快速识别手写矢量的方法。
9.一种计算设备，包括处理器以及用于存储处理器可执行程序的存储器，其特征在于，所述处理器执行存储器存储的程序时，实现权利要求1至6中任一项所述的快速识别手写矢量的方法。
CN202110366873.4A 2021-04-06 2021-04-06 一种快速识别手写矢量的方法及装置、介质和设备 Active CN113139533B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110366873.4A CN113139533B (zh) 2021-04-06 2021-04-06 一种快速识别手写矢量的方法及装置、介质和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110366873.4A CN113139533B (zh) 2021-04-06 2021-04-06 一种快速识别手写矢量的方法及装置、介质和设备

Publications (2)

Publication Number Publication Date
CN113139533A true CN113139533A (zh) 2021-07-20
CN113139533B CN113139533B (zh) 2022-08-02

Family

ID=76811686

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110366873.4A Active CN113139533B (zh) 2021-04-06 2021-04-06 一种快速识别手写矢量的方法及装置、介质和设备

Country Status (1)

Country Link
CN (1) CN113139533B (zh)

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1350390A (zh) * 2001-12-12 2002-05-22 北京中文之星数码科技有限公司 一种实现手机上字符手写输入的方法和系统
CN1619583A (zh) * 2003-11-20 2005-05-25 摩托罗拉公司 手写识别的方法和系统
US20060050969A1 (en) * 2004-09-03 2006-03-09 Microsoft Corporation Freeform digital ink annotation recognition
US20060071081A1 (en) * 2004-10-05 2006-04-06 Ynjiun Wang System and method to automatically discriminate between a signature and a barcode
US20060078200A1 (en) * 2004-09-24 2006-04-13 Fuji Xerox Co., Ltd. Apparatus, method and storage medium storing program for recognizing characters
US20070139722A1 (en) * 2005-12-21 2007-06-21 Xerox Corporation System and method for selective image acquisition
US20080212879A1 (en) * 2006-12-22 2008-09-04 Canon Kabushiki Kaisha Method and apparatus for detecting and processing specific pattern from image
CN101290659A (zh) * 2008-05-29 2008-10-22 宁波新然电子信息科技发展有限公司 基于组合分类器的手写识别方法
US20090060335A1 (en) * 2007-08-30 2009-03-05 Xerox Corporation System and method for characterizing handwritten or typed words in a document
CN103324925A (zh) * 2012-03-22 2013-09-25 佳能株式会社 用于获得用于手写字符识别的字符数据的方法和装置
CN104423731A (zh) * 2013-08-21 2015-03-18 株式会社理光 坐标检测设备、坐标检测的方法及电子信息板系统
CN104471522A (zh) * 2012-07-13 2015-03-25 三星电子株式会社 用于用户终端的用户界面装置和方法
CN104484643A (zh) * 2014-10-27 2015-04-01 中国科学技术大学 一种手写表格的智能识别方法及系统
US20170004122A1 (en) * 2015-07-01 2017-01-05 Fujitsu Limited Handwritten character correction apparatus, handwritten character correction method, and non-transitory computer-readable recording medium
CN107609546A (zh) * 2017-08-29 2018-01-19 北京奇艺世纪科技有限公司 一种文字标题识别方法及装置
US20190303422A1 (en) * 2016-06-17 2019-10-03 Universidad De Las Palmas De Gran Canaria Method and system for generating handwritten text with different degrees of maturity of the writer
CN111638807A (zh) * 2020-04-29 2020-09-08 上海元趣信息技术有限公司 一种基于智能手写笔的学习辅助系统

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1350390A (zh) * 2001-12-12 2002-05-22 北京中文之星数码科技有限公司 一种实现手机上字符手写输入的方法和系统
CN1619583A (zh) * 2003-11-20 2005-05-25 摩托罗拉公司 手写识别的方法和系统
US20060050969A1 (en) * 2004-09-03 2006-03-09 Microsoft Corporation Freeform digital ink annotation recognition
US20060078200A1 (en) * 2004-09-24 2006-04-13 Fuji Xerox Co., Ltd. Apparatus, method and storage medium storing program for recognizing characters
US20060071081A1 (en) * 2004-10-05 2006-04-06 Ynjiun Wang System and method to automatically discriminate between a signature and a barcode
US20070139722A1 (en) * 2005-12-21 2007-06-21 Xerox Corporation System and method for selective image acquisition
US20080212879A1 (en) * 2006-12-22 2008-09-04 Canon Kabushiki Kaisha Method and apparatus for detecting and processing specific pattern from image
US20090060335A1 (en) * 2007-08-30 2009-03-05 Xerox Corporation System and method for characterizing handwritten or typed words in a document
CN101290659A (zh) * 2008-05-29 2008-10-22 宁波新然电子信息科技发展有限公司 基于组合分类器的手写识别方法
CN103324925A (zh) * 2012-03-22 2013-09-25 佳能株式会社 用于获得用于手写字符识别的字符数据的方法和装置
CN104471522A (zh) * 2012-07-13 2015-03-25 三星电子株式会社 用于用户终端的用户界面装置和方法
CN104423731A (zh) * 2013-08-21 2015-03-18 株式会社理光 坐标检测设备、坐标检测的方法及电子信息板系统
CN104484643A (zh) * 2014-10-27 2015-04-01 中国科学技术大学 一种手写表格的智能识别方法及系统
US20170004122A1 (en) * 2015-07-01 2017-01-05 Fujitsu Limited Handwritten character correction apparatus, handwritten character correction method, and non-transitory computer-readable recording medium
US20190303422A1 (en) * 2016-06-17 2019-10-03 Universidad De Las Palmas De Gran Canaria Method and system for generating handwritten text with different degrees of maturity of the writer
CN107609546A (zh) * 2017-08-29 2018-01-19 北京奇艺世纪科技有限公司 一种文字标题识别方法及装置
CN111638807A (zh) * 2020-04-29 2020-09-08 上海元趣信息技术有限公司 一种基于智能手写笔的学习辅助系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李国宏 等: "基于笔划方向特征和非对称分布的手写体汉字识别", 《上海交通大学学报》 *
杨玲玲 等: "一种基于图像矩和纹理特征的自然场景文本检测算法", 《小型微型计算机系统》 *

Also Published As

Publication number Publication date
CN113139533B (zh) 2022-08-02

Similar Documents

Publication Publication Date Title
US8750619B2 (en) Character recognition
US8744196B2 (en) Automatic recognition of images
CN110378310B (zh) 一种基于答案库的手写样本集的自动生成方法
CN110210413A (zh) 一种基于深度学习的多学科试卷内容检测与识别系统及方法
CN110598686B (zh) 发票的识别方法、系统、电子设备和介质
CN111178290A (zh) 一种签名验证方法和装置
CN111783757A (zh) 一种基于ocr技术的复杂场景下身份证识别方法
Pawar et al. Image to text conversion using tesseract
CN114092938B (zh) 图像的识别处理方法、装置、电子设备及存储介质
CN112307919A (zh) 一种基于改进YOLOv3的单证图像中数字信息区域识别方法
CN115620312A (zh) 跨模态字符笔迹验证方法、系统、设备及存储介质
Yadav et al. A robust approach for offline English character recognition
CN110414622B (zh) 基于半监督学习的分类器训练方法及装置
Ovodov Optical braille recognition using object detection neural network
Aravinda et al. Template matching method for Kannada handwritten recognition based on correlation analysis
Raj et al. Grantha script recognition from ancient palm leaves using histogram of orientation shape context
CN113139533B (zh) 一种快速识别手写矢量的方法及装置、介质和设备
Sonavane et al. Review on optical character recognition-based applications of industrial iot
CN114241486A (zh) 一种提高识别试卷学生信息准确率的方法
Awaida et al. Automatic check digits recognition for Arabic using multi-scale features, HMM and SVM classifiers
Soora et al. Object Recognition using Novel Geometrical Feature Extraction Techniques
Sari et al. The Involvement of Local Binary Pattern to Improve the Accuracy of Multi Support Vector-Based Javanese Handwriting Character Recognition
Bhandary et al. Comparative Study on Handwritten Character Recognition Tools.
Dojčinović et al. Neural network based optical character recognition system
Abdulaziz et al. Radon transformation for Arabic character recognition

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