CN116311289A - 一种基于轨迹识别算法的手写字体水平评价系统 - Google Patents

一种基于轨迹识别算法的手写字体水平评价系统 Download PDF

Info

Publication number
CN116311289A
CN116311289A CN202310132747.1A CN202310132747A CN116311289A CN 116311289 A CN116311289 A CN 116311289A CN 202310132747 A CN202310132747 A CN 202310132747A CN 116311289 A CN116311289 A CN 116311289A
Authority
CN
China
Prior art keywords
handwriting
font
level evaluation
recognition algorithm
point
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.)
Pending
Application number
CN202310132747.1A
Other languages
English (en)
Inventor
华敏
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.)
Jiangsu Leyi Smart Technology Co ltd
Original Assignee
Jiangsu Leyi Smart 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 Jiangsu Leyi Smart Technology Co ltd filed Critical Jiangsu Leyi Smart Technology Co ltd
Priority to CN202310132747.1A priority Critical patent/CN116311289A/zh
Publication of CN116311289A publication Critical patent/CN116311289A/zh
Pending legal-status Critical Current

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
    • G06V30/24—Character recognition characterised by the processing or recognition method
    • G06V30/242—Division of the character sequences into groups prior to recognition; Selection of dictionaries
    • G06V30/244—Division of the character sequences into groups prior to recognition; Selection of dictionaries using graphical properties, e.g. alphabet type or font
    • G06V30/245—Font recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • 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
    • G06V30/19—Recognition using electronic means
    • G06V30/19007—Matching; Proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/19—Recognition using electronic means
    • G06V30/19007—Matching; Proximity measures
    • G06V30/19093—Proximity measures, i.e. similarity or distance measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/19—Recognition using electronic means
    • G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
    • G06V30/19147—Obtaining sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Character Discrimination (AREA)

Abstract

一种基于轨迹识别算法的手写字体水平评价系统，包括手写字体信息采集模块、手写字体轨迹识别模块和手写字体水平评价模块，针对目前手写字体缺乏客观的水平评价的问题，传统的识别仅在2维平面上，基于演变启发式思维，将2维时间序列进化到3维几何空间，考虑到了用户笔锋力度的评判，利用改进的轨迹识别算法模型从笔迹追踪的角度解决手写字体识别和评价的难题。其应用层面广，可降低一定的成本，可推广至社会进行广泛应用，带来良好的社会效益。

Description

一种基于轨迹识别算法的手写字体水平评价系统
技术领域
本发明涉及文体教育领域，具体地说，涉及一种基于轨迹识别算法的手写字体水平评价系统。
背景技术
手写字体是一种十分复杂的行为生物特征。手写笔迹，以连续多个基本笔划组合而成。这些笔划以相对位置与角度的形式存储在大脑皮层特定区域中，形成空间记忆。一旦轨迹规划完毕，中枢神经系统发出运动控制指令，由特定肌肉负责执行，形成手写笔迹。手写字体需要书写者经过长年反复练习以达到流畅自如的运动控制状态，人们从小由描红本或练字本开始练习书写，以形成各个字符的空间记忆，并训练大脑的运动控制能力；经过可能长达十年的反复练习，字符记忆渐进牢固，大脑的书写运动控制能力渐趋完善，则此时书写者能够以稳定的个人风格进行流畅书写。随着科技的进步与发展，手写字体依旧是人们广为重视的一种社会传统，其中手写签名在当今社会的行政管理、银行办公、合同签署、信用卡交易等场景下有着广泛的使用。进入信息时代以来，基于计算机的生物特征认证技术逐步兴起。在此背景下，计算机辅助的手写字体笔迹识别技术也应运而生。但目前手写字体缺乏客观的水平评价的问题仍然存在，本发明利用轨迹识别算法模型从笔迹追踪的角度解决手写字体识别和评价的难题。其应用层面广，经济成本低，可以推广至广泛的社会应用，带来良好的社会办公和教育效益。
发明内容
本发明的目的在于提供一种基于轨迹识别算法的手写字体水平评价系统，以解决上述背景技术中提出的问题。
为实现上述目的，提供了一种基于轨迹识别算法的手写字体水平评价系统，包括手写字体信息采集模块、手写字体轨迹识别模块和手写字体水平评价模块；具体过程描述如下：
S1.在手写字体信息采集模块中，按照用户书写习惯，安装和固定图像采集设备，基于图像采集原理，捕捉手写字体的在单位时间段内的信息；
S2.基于标准字体设置手写字体信息的关键属性，以此属性作为系统数据库的储存结构信息，并构建系统数据库；
S3.在手写字体轨迹识别模块中，提取计算机终端设备中的内置标准字体作为对比依据和训练集，结合S1中所捕捉到的信息，构建手写笔迹轨迹识别算法模型，多次迭代训练和测试，得到最终模型；
S4.在手写字体水平评价模块中，将手写字体输入S3中训练好的笔迹轨迹识别算法模型，结合笔迹匹配度算法对手写笔迹和标准字体的笔划匹配度进行计算；
S5.将系统部署至本地计算机，基于S4中的匹配计算结果，创建字体水平评价模型，最终以评分制度反馈到用户界面，并给出关键笔划的书写意见。
进一步的，所述S1中用户书写习惯，包括用户手写的习惯性用手和附属的动作方式。
进一步的，所述S1中图像采集设备，指的是具有热成像功能的双目摄像机及其附属的服务性设备。
进一步的，所述S2中基于标准字体设置手写字体信息的关键属性，包括手写笔迹所涉及的特殊符号，汉字，外文字符的笔划属性。
进一步的，所述S2中系统数据库指的是结合关系型数据库结构型的特点，主要以MySQL数据库为基础建立关系型数据库，以此来储存笔迹图像和视频流数据作为手写笔迹轨迹识别算法模型的输入数据集。
进一步的，所述S3中提取计算机终端设备中的内置标准字体作为对比依据和训练集，指的是载有本系统的移动计算机设备，固定计算机设备和电子手写板的组合，以本地计算机管理员所在功能盘中的系统字体为标准。
进一步的，S3中手写笔迹轨迹识别算法模型，详细过程如下：
采用改进的动态时间规整(Dynamic Time Warping，DTW)算法进行轨迹识别，假设有三个时间序列R，F和T，分别代表横向，深度和纵向维度的时间序列，其中纵向表示书写力度，他们的长度分别是M，L和N，R＝{R1,R2,…,Rm,…,RM}，F＝{F1,F2,…,Fl,…,FL}，T＝{T1,T2,…,Tn,…,TN}，根据欧式距离公式，计算如下：
Figure BDA0004084769670000021
求得R，F和T中每个分量之间的距离，利用属性交叉乘积得到一个M*N的方阵距离矩阵D，为了便于书写字体的规范性评估，设定在单位像素内M＝L＝N，以分量F作为参考队列：
Figure BDA0004084769670000031
定义一组时间序列相似性关系的连续元素集合，称之为规整路径W，路径需满足以下约束条件：
(1)边界条件：由于一个人的手写笔迹各部分的先后次序是不会改变的，因此所选的匹配路径必定是从左下角出发，在右上角结束；
(2)连续性：匹配路径上某点只能和其相邻的点进行连接。这样可以保证参考模板R和待匹配模板T中的每个坐标都可能在时间规整函数上中出现；
(3)单调性：弯曲路径起始点(m,n)的下一个起始点必定是(m+1,l,n)、(m,l,n+1)或(m+1,l,n+1)3个点中的一个，设(m,n)为匹配路径中的一点，则根据改进的DTW匹配路径规则，其下一个点为(m+1,l,n)、(m,l,n+1)或(m+1,l+1,n+1)中的一点，取点(m,l,,n)到这3个点在XOY平面投影点中两点间的距离最小的一点为下一个出发点，距离递推公式如下：
Figure BDA0004084769670000032
Figure BDA0004084769670000033
Figure BDA0004084769670000034
其中，D(RM,FL)、D(RM,TN)和D(FL,TN)分别表示从起始端点逐点匹配，这是一种三维空间启发的计算方式，随后投影到YOZ和XOZ平面，计算原理同上，因为，三维空间考虑到了用户书写的笔锋力度问题，这使得评判更加科学和精准，参考模板R中的m分量和待测模板T中的n分量匹配后的累计失真度，由递推公式可以得到一条完整的匹配路径，从而求得最大累计失真度D(RM,FL)；
其计算公式为
Figure BDA0004084769670000041
进一步的，所述S4中结合笔迹匹配度算法对手写笔迹和标准字体的笔划匹配度进行计算，详细过程如下：
首先，输入手写字图像后，进行图像预处理，使用图像细化算法遍历手写字骨架，文使用斜线冗余像素消除模板对骨架细节进行冗余去除，遍历完毕后输出处理完毕的手写字骨架；输入手写字图像后，进行图像预处理，使用图像细化算法遍历手写字骨架，使用斜线冗余像素消除模板对骨架细节进行冗余去除，遍历完毕后输出处理完毕的手写字骨架，改进了DTW算法的路径搜索方式，放松了算法匹配路径中起始端点对齐的限制，由于手写平台系统中绘制事件会阻塞触屏事件的采样，在采集手写笔迹信息的过程中会产生时间延迟，因此适当的放松起始端点的对齐提高笔迹识别的准确率。
进一步的，所述S5中字体水平评价模型，详细过程如下：在字体中存在字体的中心线，中心线即指字体的简化版本，而骨架与书法字中心线非常近似，其可以代表书法字体整体结构特征和拓扑信息，在目标手写字骨架提取之后，分别与源字体库中楷书、仿宋、隶书、行书、黑体以及宋体等标准字体中同一个字做骨架九宫格相似度判别，从而得到字体水平评价，利用计算得出的相似度作为书法字之间的相似度评分。
进一步的，所述S5中将系统部署至本地计算机，本地计算机和S1中安装和固定图像采集设备连载的计算机为同一台计算机。
本发明有益效果：本发明阐述了一种基于轨迹识别算法的手写字体水平评价系统，包括手写字体信息采集模块、手写字体轨迹识别模块和手写字体水平评价模块。首先按照包括用户手写的习惯性用手和附属的动作方式等书写习惯，安装和固定图像采集设备，基于图像采集原理，使用具有热成像功能的双目摄像机及其附属的服务性设备捕捉手写字体的在单位时间段内的信息，基于标准字体设置手写字体信息的包括手写笔迹所涉及的特殊符号，汉字，外文字符的笔划属性等关键属性，以此属性作为系统数据库的储存结构信息，结合关系型数据库结构型的特点，构建MySQL系统数据库，并提取计算机终端设备中的内置标准字体作为对比依据和训练集，结合图像采集设备所捕捉到的信息，构建手写笔迹轨迹识别算法模型，多次迭代训练和测试，得到最终模型后将手写字体输入训练好的笔迹轨迹识别算法模型，使用一种改进的DTW算法进行轨迹识别，本发明在其轨迹追踪方面由欧氏空间的2维计算进化为几何空间的三维计算，这样的改进符合字体练习评估方法，因为，三维空间考虑到了用户书写的笔锋力度问题，这使得评判更加科学和精准，利用计算得出的相似度作为手写字与标准字之间的相似度评分，结合笔迹匹配度算法对手写笔迹和标准字体的笔划匹配度进行计算。再将系统部署至本地计算机，基于匹配计算结果，创建字体水平评价模型，使用字骨架进行笔划匹配度研究，在目标手写字骨架提取之后，分别与源字体库中楷书、仿宋、隶书、行书、黑体以及宋体等标准字体中同一个字做骨架九宫格相似度判别，最终以评分制度反馈到用户界面，并给出关键笔划的书写意见。本发明针对目前手写字体缺乏客观的水平评价的问题，利用轨迹识别算法模型从笔迹追踪的角度解决手写字体识别和评价的难题。其应用层面广，经济成本低，可以推广至广泛的社会应用，带来良好的社会办公和教育效益。
附图说明
利用附图对发明创造作进一步说明，但附图中的实施例不构成对本发明创造的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1是本发明结构示意图。
具体实施方式
结合以下实例对本发明作进一步描述。
参见图1，本发明旨在提供一种基于轨迹识别算法的手写字体水平评价系统，以解决上述背景技术中提出的问题。
为实现上述目的，提供了一种基于轨迹识别算法的手写字体水平评价系统，包括手写字体信息采集模块、手写字体轨迹识别模块和手写字体水平评价模块；具体过程描述如下：
S1.按照用户书写习惯，安装和固定图像采集设备，基于图像采集原理，捕捉手写字体的在单位时间段内的信息；
S2.基于标准字体设置手写字体信息的关键属性，以此属性利用MySQL数据库作为系统数据库的储存结构信息，并构建系统数据库，以此来储存笔迹图像和视频流数据作为手写笔迹轨迹识别算法模型的输入数据集；
S3.提取计算机终端设备中的内置标准字体作为对比依据和训练集，结合S1中所捕捉到的信息，构建手写笔迹轨迹识别算法模型，多次迭代训练和测试，得到最终模型，详细过程如下：
采用改进的动态时间规整(Dynamic Time Warping，DTW)算法进行轨迹识别，假设有三个时间序列R，F和T，分别代表横向，深度和纵向维度的时间序列，其中纵向表示书写力度，他们的长度分别是M，L和N，R＝{R1,R2,…,Rm,…,RM}，F＝{F1,F2,…,Fl,…,FL}，T＝{T1,T2,…,Tn,…,TN}，根据欧式距离公式，计算如下：
Figure BDA0004084769670000061
求得R，F和T中每个分量之间的距离，得到一个M*N的方阵距离矩阵D，为了便于书写字体的规范性评估，设定M＝L＝N，以分量F作为参考队列：
Figure BDA0004084769670000062
定义一组时间序列相似性关系的连续元素集合，称之为规整路径W，路径需满足以下约束条件：
(1)边界条件：由于一个人的手写笔迹各部分的先后次序是不会改变的，因此所选的匹配路径必定是从左下角出发，在右上角结束；
(2)连续性：匹配路径上某点只能和其相邻的点进行连接。这样可以保证参考模板R和待匹配模板T中的每个坐标都可能在时间规整函数上中出现；
(3)单调性：弯曲路径起始点(m,n)的下一个起始点必定是(m+1,l,n)、(m,l,n+1)或(m+1,l,n+1)3个点中的一个，设(m,n)为匹配路径中的一点，则根据改进的DTW匹配路径规则，其下一个点为(m+1,l,n)、(m,l,n+1)或(m+1,l+1,n+1)中的一点，取点(m,l,,n)到这3个点在XOY平面投影点中两点间的距离最小的一点为下一个出发点，距离递推公式如下：
Figure BDA0004084769670000071
Figure BDA0004084769670000072
Figure BDA0004084769670000073
其中，D(RM,FL)、D(RM,TN)和D(FL,TN)分别表示从起始端点逐点匹配，这是一种三维空间启发的计算方式，随后投影到YOZ和XOZ平面，计算原理同上，因为，三维空间考虑到了用户书写的笔锋力度问题，这使得评判更加科学和精准，参考模板R中的m分量和待测模板T中的n分量匹配后的累计失真度，由递推公式可以得到一条完整的匹配路径，从而求得最大累计失真度D(RM,FL)；
其计算公式为
Figure BDA0004084769670000074
S4.将手写字体输入S3中训练好的笔迹轨迹识别算法模型，结合笔迹匹配度算法对手写笔迹和标准字体的笔划匹配度进行计算，详细过程如下：
首先，输入手写字图像后，进行图像预处理，使用图像细化算法遍历手写字骨架，使用斜线冗余像素消除模板对骨架细节进行冗余去除，遍历完毕后输出处理完毕的手写字骨架；首先输入手写字图像后，进行图像预处理，使用图像细化算法遍历手写字骨架，使用斜线冗余像素消除模板对骨架细节进行冗余去除，遍历完毕后输出处理完毕的手写字骨架，本发明使用的DTW算法自定义了路径搜索方式，放松了算法匹配路径中起始端点对齐的限制，由于手写平台系统中绘制事件会阻塞触屏事件的采样，在采集手写笔迹信息的过程中会产生时间延迟，因此适当的放松起始端点的对齐提高笔迹识别的准确率。
S5.将系统部署至本地计算机，基于S4中的匹配计算结果，创建字体水平评价模型，在字体中存在字体的中心线，中心线即指字体的简化版本，而骨架与书法字中心线非常近似，其可以代表书法字体整体结构特征和拓扑信息。本发明中在目标手写字骨架提取之后，分别与源字体库中楷书、仿宋、隶书、行书、黑体以及宋体等标准字体中同一个字做骨架九宫格相似度判别，从而得到字体水平评价。利用计算得出的相似度作为书法字之间的相似度评分。最终以评分制度反馈到用户界面，并给出关键笔划的书写意见。
本发明有益效果：本发明阐述了一种基于轨迹识别算法的手写字体水平评价系统，包括手写字体信息采集模块、手写字体轨迹识别模块和手写字体水平评价模块。首先按照包括用户手写的习惯性用手和附属的动作方式等书写习惯，安装和固定图像采集设备，基于图像采集原理，使用具有热成像功能的双目摄像机及其附属的服务性设备捕捉手写字体的在单位时间段内的信息，基于标准字体设置手写字体信息的包括手写笔迹所涉及的特殊符号，汉字，外文字符的笔划属性等关键属性，以此属性作为系统数据库的储存结构信息，结合关系型数据库结构型的特点，构建MySQL系统数据库，并提取计算机终端设备中的内置标准字体作为对比依据和训练集，结合图像采集设备所捕捉到的信息，构建手写笔迹轨迹识别算法模型，多次迭代训练和测试，得到最终模型后将手写字体输入训练好的笔迹轨迹识别算法模型，使用一种改进的DTW算法进行轨迹识别，本发明在其轨迹追踪方面由欧氏空间的2维计算进化为几何空间的三维计算，这样的改进符合字体练习评估方法，因为，三维空间考虑到了用户书写的笔锋力度问题，这使得评判更加科学和精准，利用计算得出的相似度作为手写字与标准字之间的相似度评分，结合笔迹匹配度算法对手写笔迹和标准字体的笔划匹配度进行计算。再将系统部署至本地计算机，基于匹配计算结果，创建字体水平评价模型，使用字骨架进行笔划匹配度研究，在目标手写字骨架提取之后，分别与源字体库中楷书、仿宋、隶书、行书、黑体以及宋体等标准字体中同一个字做骨架九宫格相似度判别，最终以评分制度反馈到用户界面，并给出关键笔划的书写意见。本发明针对目前手写字体缺乏客观的水平评价的问题，利用轨迹识别算法模型从笔迹追踪的角度解决手写字体识别和评价的难题。其应用层面广，经济成本低，可以推广至广泛的社会应用，带来良好的社会办公和教育效益。
本发明还提供了一种计算机可读存储介质，该存储介质中存储有至少一条指令，该指令由处理器加载并执行，以实现上述方法。其中，该计算机可读存储介质可以是ROM、随机存取存储器、CD-ROM、磁带、软盘和光数据存储设备等。其内存储的指令可由终端中的处理器加载并执行上述方法。
本发明实施方式是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
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 (10)

1.一种基于轨迹识别算法的手写字体水平评价系统，其特征在于，包括手写字体信息采集模块、手写字体轨迹识别模块和手写字体水平评价模块；所述系统具体运行过程如下：
S1.在手写字体信息采集模块中，按照用户书写习惯，安装和固定图像采集设备，基于图像采集原理，捕捉手写字体的在单位时间段内的信息；
S2.基于标准字体设置手写字体信息的关键属性，以此属性作为系统数据库的储存结构信息，并构建系统数据库；
S3.在手写字体轨迹识别模块中，提取计算机终端设备中的内置标准字体作为对比依据和训练集，结合S1中所捕捉到的信息，基于启发式算法考虑了用户书写笔锋力度的问题，构建手写笔迹轨迹识别算法模型，多次迭代训练和测试，得到最终模型；
S4.在手写字体水平评价模块中，将手写字体输入S3中训练好的笔迹轨迹识别算法模型，结合笔迹匹配度算法对手写笔迹和标准字体的笔划匹配度进行计算；
S5.将系统部署至本地计算机，基于S4中的匹配计算结果，创建手写字体水平评价模块最终以评分制度反馈到用户界面，并给出关键笔划的书写意见。
2.根据权利要求1所述一种基于轨迹识别算法的手写字体水平评价系统，其特征在于，所述S1中手写字体信息采集模块的用户书写习惯，在书写环境中安装和固定图像采集设备，包括用户手写的习惯性用手和附属的动作方式。
3.根据权利要求1所述一种基于轨迹识别算法的手写字体水平评价系统，其特征在于，所述S1中图像采集设备，指的是具有热成像功能的双目摄像机及其附属的服务性设备。
4.根据权利要求1所述一种基于轨迹识别算法的手写字体水平评价系统，其特征在于，所述S2中手写字体轨迹识别模块，基于标准字体设置手写字体信息的关键属性，包括手写笔迹所涉及的特殊符号，汉字，外文字符的笔划属性。
5.根据权利要求1所述一种基于轨迹识别算法的手写字体水平评价系统，其特征在于，所述S2中系统数据库指的是结合关系型数据库结构型的特点，主要以MySQL数据库为基础建立关系型数据库，以此来储存笔迹图像和视频流数据作为手写笔迹轨迹识别算法模型的输入数据集。
6.根据权利要求1所述一种基于轨迹识别算法的手写字体水平评价系统，其特征在于，所述S3中提取计算机终端设备中的内置标准字体作为对比依据和训练集，指的是载有本系统的移动计算机设备，固定计算机设备和电子手写板的组合，以本地计算机管理员所在功能盘中的系统字体为标准。
7.根据权利要求1所述一种基于轨迹识别算法的手写字体水平评价系统，其特征在于，所述S3中手写笔迹轨迹识别算法模型，详细过程如下：
采用改进的动态时间规整(Dynamic Time Warping，DTW)算法进行轨迹识别，假设有三个时间序列R，F和T，分别代表横向，深度和纵向维度的时间序列，其中纵向表示书写力度，他们的长度分别是M，L和N，R＝{R1，R2，...，Rm，...，RM}，F＝{F1，F2，...，Fl，...，FL}，T＝{T1，T2，...，Tn，...，TN}，根据欧式距离公式，计算如下：
Figure FDA0004084769660000021
求得R，F和T中每个分量之间的距离，利用属性交叉乘积得到一个M*N的方阵距离矩阵D，为了便于书写字体的规范性评估，设定在单位像素内M＝L＝N，以分量F作为参考队列：
Figure FDA0004084769660000022
定义一组时间序列相似性关系的连续元素集合，称之为规整路径W，路径需满足以下约束条件：
(1)边界条件：由于一个人的手写笔迹各部分的先后次序是不会改变的，因此所选的匹配路径必定是从左下角出发，在右上角结束；
(2)连续性：匹配路径上某点只能和其相邻的点进行连接。这样可以保证参考模板R和待匹配模板T中的每个坐标都可能在时间规整函数上中出现；
(3)单调性：弯曲路径起始点(m，n)的下一个起始点必定是(m+1，l，n)、(m，l，n+1)或(m+1，l，n+1)3个点中的一个，设(m，n)为匹配路径中的一点，则根据改进的DTW匹配路径规则，其下一个点为(m+1，l，n)、(m，l，n+1)或(m+1，1+1，n+1)中的一点，取点(m，l，，n)到这3个点在XOY平面投影点中两点间的距离最小的一点为下一个出发点，距离递推公式如下：
Figure FDA0004084769660000031
Figure FDA0004084769660000032
Figure FDA0004084769660000033
其中，D(RM，FL)、D(RM，TN)和D(FL，TN)分别表示从起始端点逐点匹配，这是一种三维空间启发的计算方式，随后投影到YOZ和XOZ平面，参考模板R中的m分量和待测模板T中的n分量匹配后的累计失真度，由递推公式可以得到一条完整的匹配路径，从而求得最大累计失真度D(RM，FL)；
其计算公式为
Figure FDA0004084769660000034
8.根据权利要求1所述一种基于轨迹识别算法的手写字体水平评价系统，其特征在于，所述S4中手写字体水平评价模块，结合笔迹匹配度算法对手写笔迹和标准字体的笔划匹配度进行计算，详细过程如下：
首先，输入手写字图像后，进行图像预处理，使用图像细化算法遍历手写字骨架，文使用斜线冗余像素消除模板对骨架细节进行冗余去除，遍历完毕后输出处理完毕的手写字骨架；输入手写字图像后，进行图像预处理，使用图像细化算法遍历手写字骨架，使用斜线冗余像素消除模板对骨架细节进行冗余去除，遍历完毕后输出处理完毕的手写字骨架，改进了DTW算法的路径搜索方式，放松了算法匹配路径中起始端点对齐的限制，由于手写平台系统中绘制事件会阻塞触屏事件的采样，在采集手写笔迹信息的过程中会产生时间延迟，因此适当的放松起始端点的对齐提高笔迹识别的准确率。
9.根据权利要求1所述一种基于轨迹识别算法的手写字体水平评价系统，其特征在于，所述S5中字体水平评价模型，详细过程如下：
在字体中存在字体的中心线，中心线即指字体的简化版本，而骨架与书法字中心线非常近似，其可以代表书法字体整体结构特征和拓扑信息，在目标手写字骨架提取之后，分别与源字体库中楷书、仿宋、隶书、行书、黑体以及宋体等标准字体中同一个字做骨架九宫格相似度判别，从而得到字体水平评价，利用计算得出的相似度作为书法字之间的相似度进行评分。
10.根据权利要求1所述一种基于轨迹识别算法的手写字体水平评价系统，其特征在于，所述S5中将系统部署至本地计算机，特别声明本地计算机和S1中安装和固定图像采集设备连载的计算机为同一台计算机。
CN202310132747.1A 2023-02-17 2023-02-17 一种基于轨迹识别算法的手写字体水平评价系统 Pending CN116311289A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310132747.1A CN116311289A (zh) 2023-02-17 2023-02-17 一种基于轨迹识别算法的手写字体水平评价系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310132747.1A CN116311289A (zh) 2023-02-17 2023-02-17 一种基于轨迹识别算法的手写字体水平评价系统

Publications (1)

Publication Number Publication Date
CN116311289A true CN116311289A (zh) 2023-06-23

Family

ID=86788006

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310132747.1A Pending CN116311289A (zh) 2023-02-17 2023-02-17 一种基于轨迹识别算法的手写字体水平评价系统

Country Status (1)

Country Link
CN (1) CN116311289A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117037186A (zh) * 2023-10-09 2023-11-10 山东维克特信息技术有限公司 一种患者数据管理系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117037186A (zh) * 2023-10-09 2023-11-10 山东维克特信息技术有限公司 一种患者数据管理系统
CN117037186B (zh) * 2023-10-09 2024-01-30 山东维克特信息技术有限公司 一种患者数据管理系统

Similar Documents

Publication Publication Date Title
Zitnick Handwriting beautification using token means
US20210397266A1 (en) Systems and methods for language driven gesture understanding
JP2669583B2 (ja) 手書き認識のためのコンピュータベース方法及びシステム
CN110287952B (zh) 一种维语图片字符的识别方法及系统
Berg-Kirkpatrick et al. Unsupervised transcription of historical documents
CN104166474B (zh) 信息处理装置和字符识别方法
Yin et al. Gesture spotting and recognition using salience detection and concatenated hidden markov models
Phan et al. Flexyfont: Learning transferring rules for flexible typeface synthesis
CN105930784A (zh) 一种手势识别方法
Zhou et al. SignBERT: a BERT-based deep learning framework for continuous sign language recognition
CN112784531B (zh) 一种基于深度学习和部件拼接的中文字形及字库生成方法
Tabata et al. Automatic layout generation for graphical design magazines
CN116311289A (zh) 一种基于轨迹识别算法的手写字体水平评价系统
Kumar et al. A comprehensive survey on generative adversarial networks used for synthesizing multimedia content.
Yang et al. Controllable sketch-to-image translation for robust face synthesis
JP4817297B2 (ja) 文字検索装置
CN105893942A (zh) 一种基于eSC和HOG的自适应HMM的手语识别方法
CN111985184A (zh) 基于ai视觉下的书写字体临摹辅助方法、系统、装置
CN114495118B (zh) 基于对抗解耦的个性化手写文字生成方法
Tang et al. Layout-to-image translation with double pooling generative adversarial networks
JP2006260311A (ja) マッチング方法およびマッチング装置ならびにプログラム
CN116311281A (zh) 一种基于生成对抗网络的手写字体纠正系统
Hsu et al. Automatic extraction of face contours in images and videos
Dai et al. One-shot diffusion mimicker for handwritten text generation
Wang et al. Generative model with coordinate metric learning for object recognition based on 3D models

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20230623

RJ01 Rejection of invention patent application after publication