CN116466835A - 笔迹预测方法、装置、电子设备及存储介质 - Google Patents
笔迹预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116466835A CN116466835A CN202310444489.0A CN202310444489A CN116466835A CN 116466835 A CN116466835 A CN 116466835A CN 202310444489 A CN202310444489 A CN 202310444489A CN 116466835 A CN116466835 A CN 116466835A
- Authority
- CN
- China
- Prior art keywords
- handwriting
- kalman filtering
- filtering algorithm
- prediction
- input 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 115
- 238000001914 filtration Methods 0.000 claims abstract description 109
- 238000012545 processing Methods 0.000 claims abstract description 76
- 239000011159 matrix material Substances 0.000 claims description 69
- 238000005259 measurement Methods 0.000 claims description 33
- 238000003780 insertion Methods 0.000 claims description 20
- 230000037431 insertion Effects 0.000 claims description 20
- 230000004044 response Effects 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 11
- 230000003044 adaptive effect Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 12
- 238000004891 communication Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000013475 authorization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/03—Arrangements for converting the position or the displacement of a member into a coded form
- G06F3/033—Pointing devices displaced or positioned by the user, e.g. mice, trackballs, pens or joysticks; Accessories therefor
- G06F3/0354—Pointing devices displaced or positioned by the user, e.g. mice, trackballs, pens or joysticks; Accessories therefor with detection of 2D relative movements between the device, or an operating part thereof, and a plane or surface, e.g. 2D mice, trackballs, pens or pucks
- G06F3/03545—Pens or stylus
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/03—Arrangements for converting the position or the displacement of a member into a coded form
- G06F3/041—Digitisers, e.g. for touch screens or touch pads, characterised by the transducing means
- G06F3/0416—Control or interface arrangements specially adapted for digitisers
- G06F3/0418—Control or interface arrangements specially adapted for digitisers for error correction or compensation, e.g. based on parallax, calibration or alignment
-
- 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)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Position Input By Displaying (AREA)
- Character Discrimination (AREA)
Abstract
本申请提供一种笔迹预测方法、装置、电子设备及存储介质。其中，方法包括：确定当前笔迹输入点的输入数据；获取卡尔曼滤波算法，基于输入数据对卡尔曼滤波算法的参数进行校正更新，得到更新后的卡尔曼滤波算法，利用更新后的卡尔曼滤波算法进行笔迹预测处理，得到当前笔迹输入点的笔迹预测结果并输出。这样只需要保存卡尔曼滤波算法的各项参数即可，无需保存大量的数据，内存消耗少，由于卡尔曼滤波算法可以直接根据当前笔迹输入点的输入数据对各项参数进行更新，因此各项参数可以根据当前笔迹输入点的输入数据进行不断的调整，使得卡尔曼滤波算法能够适应各种场景的笔迹输入预测方案，进而有效提高笔迹输入预测方案的泛化性。
Description
技术领域
本申请涉及数据处理技术领域，尤其涉及一种笔迹预测方法、装置、电子设备及存储介质。
背景技术
目前一些终端设备可以通过触控屏幕支持用户手写绘图或者写字，这样就需要对用户的笔迹输入进行预测。
相关技术中，笔迹预测主要包括：1，基于记录笔迹数据更新笔迹矩阵进行相乘的预测方法预测笔迹；2，基于记录笔迹数据+笔迹预测策略的方法预测笔迹。
这些方法都需要基于保存的笔迹信息和一些设定的预测规则来完成笔迹预测的过程，这样需要保存的笔迹信息量较大，并且需要根据不同的场景进行人为改变不同的预测规则，导致笔迹预测方案的泛化性差。
发明内容
有鉴于此，本申请的目的在于提出一种笔迹预测方法、装置、电子设备及存储介质，用以解决或部分解决上述技术问题。
基于上述目的，本申请第一方面提供了一种笔迹预测方法，包括：
确定当前笔迹输入点的输入数据；
获取卡尔曼滤波算法，基于所述输入数据对所述卡尔曼滤波算法的参数进行校正更新，得到更新后的卡尔曼滤波算法，利用更新后的卡尔曼滤波算法进行笔迹预测处理，得到当前笔迹输入点的笔迹预测结果并输出。
基于同一个构思，本申请第二方面提供了一种笔迹预测装置，包括：
输入数据确定模块，被配置为确定当前笔迹输入点的输入数据；
笔迹预测模块，被配置为获取卡尔曼滤波算法，基于所述输入数据对所述卡尔曼滤波算法的参数进行校正更新，得到更新后的卡尔曼滤波算法，利用更新后的卡尔曼滤波算法进行笔迹预测处理，得到当前笔迹输入点的笔迹预测结果并输出。
基于同一个构思，本申请第三方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所述的方法。
基于同一个构思，本申请第四方面提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使计算机执行第一方面所述的方法。
从上面所述可以看出，本申请提供的笔迹预测方法、装置、电子设备及存储介质，能够利用当前笔迹输入点的输入数据对卡尔曼滤波算法的各项参数进行校正更新，这样就可以利用更新后的卡尔曼滤波算法进行笔迹预测处理，进而得到与当前笔迹输入点对应的笔迹预测结果，并将其输出，这样就可以根据输出的笔迹预测结果进行笔迹绘制。这样本申请只需要保存卡尔曼滤波算法的各项参数即可，无需保存大量的数据，内存消耗少，由于卡尔曼滤波算法可以直接根据当前笔迹输入点的输入数据对各项参数进行更新，因此各项参数可以根据当前笔迹输入点的输入数据进行不断的调整，使得卡尔曼滤波算法能够适应各种场景的笔迹输入预测方案，进而有效提高笔迹输入预测方案的泛化性。
附图说明
为了更清楚地说明本申请或相关技术中的技术方案，下面将对实施例或相关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申请的实施例，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，还可以根据这些附图获得其他的附图。
图1为本申请实施例的笔迹预测方法的流程示意图；
图2为本申请实施例的笔迹预测时具体应用场景的流程示意图；
图3为本申请实施例的笔迹预测装置的结构框图；
图4为本申请实施例的电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本申请进一步详细说明。
需要说明的是，除非另外定义，本申请实施例使用的技术术语或者科学术语应当为本申请所属领域内具有一般技能的人士所理解的通常意义。本申请实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
可以理解的是，在使用本公开中各个实施例的技术方案之前，均会通过恰当的方式对所涉及的个人信息的类型、使用范围、使用场景等告知用户，并获得用户的授权。
例如，在响应于接收到用户的主动请求时，向用户发送提示信息，以明确的提示用户，其请求执行的操作将需要获取和使用到用户的个人信息。从而，使得用户可以根据提示信息来自主的选择是否向执行本公开技术方案的操作的电子设备、应用程序、服务器或存储介质等软件或硬件提供个人信息。
作为一种可选的但非限定的实现方式，响应于接受到用户的主动请求，向用户发送提示信息的方式例如可以是弹窗的方式，弹窗中可以以文字的方式呈现提示信息。此外，弹窗中还可以承载供用户选择“同意”或者“不同意”向电子设备提供个人信息的选择控件。
可以理解的是，上述通知和获取用户授权过程仅是示意性的，不对本公开的实现方式构成限定，其他满足相关法律法规的方式也可应用于本公开的实现方式中。
在本文中，需要理解的是，附图中的任何元素数量均用于示例而非限制，以及任何命名都仅用于区分，而不具有任何限制含义。
本申请涉及的名词包括：
卡尔曼滤波算法(Kalman filtering)，是一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。
贝塞尔曲线(Bézier curve)，又称贝兹曲线或贝济埃曲线，是应用于二维图形应用程序的数学曲线。
下面参考本申请的若干代表性实施方式，详细阐释本申请的原理和精神。
本申请实施例提供了一种笔迹预测方法，如图1所示包括：
步骤101，确定当前笔迹输入点的输入数据。
具体实施时，当前笔迹输入点相关的输入数据包括：该当前笔迹输入点一些相关输入数据，和/或，至少一个历史笔迹输入点(例如，当前笔迹输入点前N个笔迹输入点)的相关输入数据，其中，N为正整数。
步骤102，获取卡尔曼滤波算法，基于所述输入数据对所述卡尔曼滤波算法的参数进行校正更新，得到更新后的卡尔曼滤波算法，利用更新后的卡尔曼滤波算法进行笔迹预测处理，得到当前笔迹输入点的笔迹预测结果并输出。
具体实施时，预先将卡尔曼滤波算法中的各项参数进行初始化处理，然后再根据当前笔迹输入点的输入数据对这些参数进行校正更新，使得更新后的卡尔曼滤波算法更够匹配当前笔迹输入点的笔迹绘制特点。使得基于该更新后的卡尔曼滤波算法进行笔迹预测处理，得到与当前笔迹输入点对应的笔迹预测结果更加准确。将其输出至终端的应用层，这样应用才能就可以根据输出的笔迹预测结果进行笔迹绘制，同时将笔迹绘制结果在显示屏上进行显示，以供用户查看。
通过上述方案，进行笔迹预测过程中，只需要保存卡尔曼滤波算法的各项参数即可，无需保存大量的数据，内存消耗少，由于卡尔曼滤波算法可以直接根据当前笔迹输入点的输入数据对各项参数进行更新，因此各项参数可以根据当前笔迹输入点的输入数据进行不断的调整，使得卡尔曼滤波算法能够适应各种场景的笔迹输入预测方案，进而有效提高笔迹输入预测方案的泛化性。
在一些实施例中，所述输入数据包括当前笔迹输入点的数量；所述卡尔曼滤波算法的参数包括：噪声协方差矩阵参数和测量系统协方差矩阵参数。
步骤102包括：
步骤1021，获取卡尔曼滤波算法。
具体实施时，该卡尔曼滤波算法可以是初始状态的卡尔曼滤波算法(即各项参数均是初始参数值)，也可以是上一个笔迹输入点经过笔迹预测处理后的卡尔曼滤波算法。
步骤1022，将所述输入数据中所述当前笔迹输入点的数量与笔迹阈值进行比较，得到比较结果。
其中，对应的笔迹阈值的数量可以根据实际进行设定或者调整，例如可以是20、30或者其他的值。
该比较结果包括：当前笔迹输入点数量大于笔迹阈值，或者，当前笔迹输入点数量小于等于笔迹阈值。
步骤1023，根据与所述比较结果对应的参数更新策略，对卡尔曼滤波算法中的噪声协方差矩阵参数(processNoiseCov)和测量系统协方差矩阵参数(measurementNoiseCov)进行更新，利用更新后的卡尔曼滤波算法进行笔迹预测处理，得到当前笔迹输入点的笔迹预测结果并输出。
具体实施时，可以根据不同的比较结果(当前笔迹输入点数量大于笔迹阈值，或者，当前笔迹输入点数量小于等于笔迹阈值)确定不同的参数更新策略，使得基于相应的参数更新策略更新的卡尔曼滤波算法更够适应不同笔迹输入的状态，进而使得笔迹预测处理的准确度得到进一步的提升。
在一些实施例中，所述输入数据还包括：当前笔迹输入点的位置信息(例如，坐标x_(k-1),y_(k-1))和当前笔迹输入点的时间信息(例如，时间戳t)。
步骤1023包括：
步骤A1，响应于所述比较结果为当前笔迹输入点的数量小于或等于笔迹阈值，根据所述位置信息计算当前笔迹输入点与上一个笔迹输入点的距离(distance)。
具体实施时，如果当前笔迹输入点是初始的笔迹输入点，没有上一个笔迹输入点，则确定上一个笔迹输入点与当前笔迹输入点相同，对应的距离distance为0。
步骤A2，利用所述距离与所述时间信息计算速度信息。
具体实施时，将距离distance与时间信息t进行比值运算，得到速度信息。
步骤A3，将所述速度信息利用自适应函数进行处理，得到输出结果，将所述输出结果作为所述噪声协方差矩阵参数(processNoiseCov)，完成对所述噪声协方差矩阵参数的更新。
具体实施时，对应的自适应函数为：其中，x为速度信息，output为输出结果。将自适应函数计算的输出结果作为该卡尔曼滤波算法中的噪声协方差矩阵参数。其中，噪声协方差矩阵参数能够调整后续笔迹预测结果的平滑程度以及对折线的敏感程度。
步骤A4，利用所述位置信息作为所述测量系统协方差矩阵参数，完成对所述测量系统协方差矩阵参数的更新，利用更新后的卡尔曼滤波算法进行笔迹预测处理，得到当前笔迹输入点的笔迹预测结果并输出。
具体实施时，将位置信息x_(k-1),y_(k-1))作为测量系统协方差矩阵参数，得到更新后的卡尔曼滤波算法，通过更新后的卡尔曼滤波算法进行运算，能够对当前笔迹输入点进行笔迹预测，得到笔迹预测结果，将的待的笔迹预测结果输出。
通过上述方案，能够针对当前笔迹输入点数量小于等于笔迹阈值的情况进行笔迹预测处理，进而保证在该情况下得到的笔迹预测结果更符合该情况的特点，笔迹预测结果的准确性得到有效提高。
在一些实施例中，所述输入数据还包括：当前笔迹输入点的位置信息和当前笔迹输入点的时间信息；
步骤1023包括：
步骤B1，响应于所述比较结果为当前笔迹输入点的数量大于笔迹阈值，根据所述位置信息计算当前笔迹输入点与上一个笔迹输入点的距离。
步骤B2，利用所述距离与所述时间信息计算速度信息。
步骤B3，将所述速度信息利用自适应函数进行处理，得到输出结果，将所述输出结果作为所述噪声协方差矩阵参数，完成对所述噪声协方差矩阵参数的更新。
具体实施时，上述步骤B1至B3的过程与上述步骤A1至A3的过程同理，这里就不再赘述。
步骤B4，根据所述位置信息计算当前笔迹输入点与上一个笔迹输入点之间的向量与水平方向的夹角(angel)。
步骤B5，根据所述距离和/或所述夹角满足的条件确定对应的更新预测方式，基于所述更新预测方式对所述测量系统协方差矩阵参数进行更新，利用更新后的卡尔曼滤波算法进行笔迹预测处理，得到当前笔迹输入点的笔迹预测结果并输出。
具体实施时，由于计算得到的距离和夹角满足的条件不同，对卡尔曼滤波算法中的测量系统协方差矩阵参数的更新方式不同，进而得到的更新后的卡尔曼滤波算法不同。这样使得更新后的卡尔曼滤波算法更够依据距离和/或夹角满足的条件，进行适应性的变化更新，有效提高更新后的卡尔曼滤波算法的泛化性，并且还能提高笔迹预测结果的准确性。
在一些实施例中，步骤B5包括：
步骤B51，判断所述距离是否大于设定的最大距离阈值。
步骤B52，响应于确定所述距离大于设定的最大距离阈值，基于所述位置信息进行插值预测处理，利用所述插值预测处理结果对所述测量系统协方差矩阵参数进行更新，利用更新后的卡尔曼滤波算法进行笔迹预测处理，得到当前笔迹输入点的笔迹预测结果并输出。
具体实施时，如果距离大于设定的最大距离阈值，证明当前笔迹输入点与上一个笔迹输入点距离较远，为了提高两点之间的平滑效果，采用插值预测处理的方式加入插点得到插值预测处理结果，然后再根据该插值预测处理结果对卡尔曼滤波算法中的测量系统协方差矩阵参数进行更新。这样得到的更新后的卡尔曼滤波算法，能够更加符合距离较大的输入点的特点，进而使得笔迹预测结果更加准确。
在一些实施例中，在步骤B51之后，还包括：
步骤B53，响应于确定所述距离小于或等于所述最大距离阈值，判断所述距离是否小于最小距离阈值。
步骤B54，响应于确定所述距离大于或等于所述最小距离阈值，且，小于或等于所述最大距离阈值，判断所述夹角是否小于角度阈值。
步骤B55，响应于所述夹角大于或等于所述角度阈值，基于所述位置信息进行插值预测处理，利用所述插值预测处理结果对所述测量系统协方差矩阵参数进行更新，利用更新后的卡尔曼滤波算法进行笔迹预测处理，得到当前笔迹输入点的笔迹预测结果并输出。
具体实施时，当距离在最小距离阈值至最大距离阈值的范围内时，如果上述计算得到的夹角也大于或等于角度阈值，证明当前笔迹输入点正处于曲线的拐点处。此时为了保证拐点的曲线圆滑拐弯的效果，需要进行插值预测处理加入插点得到插值预测处理结果，然后再根据该插值预测处理结果对卡尔曼滤波算法中的测量系统协方差矩阵参数进行更新。这样得到的更新后的卡尔曼滤波算法，能够更加符合处于拐弯状态的输入点的特点，进而使得笔迹预测结果更加准确。
在一些实施例中，在步骤B54之后，还包括：
步骤B54’，响应于所述夹角小于所述角度阈值，利用所述位置信息作为所述测量系统协方差矩阵参数，完成对所述测量系统协方差矩阵参数的更新，利用更新后的卡尔曼滤波算法进行笔迹预测处理，得到当前笔迹输入点的笔迹预测结果并输出。
具体实施时，当距离在最小距离阈值至最大距离阈值的范围内时，如果上述计算得到的夹角小于角度阈值，证明当前笔迹输入点的轨迹接近于直线。此时不需要进行插值预测处理，直接将当前笔迹输入点的位置信息作为卡尔曼滤波算法中的测量系统协方差矩阵参数进行更新。这样得到的更新后的卡尔曼滤波算法，能够更加符合处于直线书写状态的输入点的特点，进而使得笔迹预测结果更加准确。
在一些实施例中，在步骤B53之后，还包括：
步骤B53’，响应于确定所述距离小于所述最小距离阈值，获取卡尔曼滤波算法对于上一个笔迹输入点的笔迹预测结果，将所述上一个笔迹输入点的笔迹预测结果作为当前笔迹输入点的笔迹预测结果并输出。
具体实施时，如果当前笔迹输入点与上一个笔迹输入点的距离小于最小距离阈值，此时笔迹移动较小，不需要进行笔迹预测处理，可以调取卡尔曼滤波算法针对上一个笔迹输入点的预测结果作为当前笔迹输入点的笔迹预测结果输出给应用层，通过应用层进行笔迹绘制。
在一些实施例中，步骤B52或步骤B55中的插值预测处理过程包括：
步骤C1，选取距离当前笔迹输入点最近的第一预定数量的输入点。
具体实施时，该第一预定数量m的输入点中包括：当前笔迹输入点，和该当前笔迹输入点之前的m-1个历史笔迹输入点。该第一预定数量m可以是2、3、4或5等，可以根据实际需要进行设定或更改。优选为m＝3，例如当前笔迹输入点为a，a之前的两个输入点为b和c。则对应的第一预定数量的输入点包括：c、b、a。
步骤C2，在所述第一预定数量的输入点中的相邻两个输入点之间插入第二预定数量的插点。
具体实施时，可以在相邻两个输入点之间插入第二预定数量(例如，2、3、或4个，优选3个)插点，具体插入方式可以是等距离平均插入，也可以是按照一定距离差值插入。例如，第一预定数量的输入点和所有插点为：c、c1、c2、c3、b、b1、b2、b3、a。
步骤C3，从所述第一预定数量的输入点和所有插点中选择至少两个点作为目标点，根据所述目标点的位置信息对卡尔曼滤波算法中的测量系统协方差矩阵参数进行更新。
步骤C4，利用更新后的卡尔曼滤波算法进行笔迹预测处理，得到当前笔迹输入点的笔迹预测结果并输出。
具体实施时，将第一预定数量的输入点和所有插点按照位置顺序进行排列，可以从中选取多个点作为目标点，利用该目标点对卡尔曼滤波算法中的测量系统协方差矩阵参数进行更新。这样能够使得更新后的卡尔曼滤波算法进行笔迹预测的笔迹预测结果更加平滑，进而基于该笔迹预测结果绘制的笔迹更加顺畅。
在一些实施例中，步骤C2包括：
通过贝塞尔曲线的插值方式在所述第一预定数量的输入点中的相邻两个输入点之间，插入第二预定数量的插点。
具体实施时，利用贝塞尔曲线的圆滑特点，进行插点插入，使得插入的插点与相邻的两个输入点能够平滑过渡。这样进一步使得更新后的卡尔曼滤波算法进行笔迹预测处理得到的笔迹预测结果的顺畅效果得到提高。
在一些实施例中，所述目标点包括：将当前笔迹输入点和任一插点。
具体实施时，可以选择当前笔迹输入点和靠近当前输入点的第二个插点(也可以选择其他的插点，例如，靠近当前输入点的第一个插点)作为目标点，对卡尔曼滤波算法中的测量系统协方差矩阵参数进行更新。例如，c、c1、c2、c3、b、b1、b2、b3、a，9个点中选取a和b2两个点作为目标点。
本申请一个实施例以具体场景描述笔迹预测方法的具体过程。
如图2所示，主要实施步骤包括：
步骤201，用户书写笔迹。
步骤202，采样获取笔迹输入点。
步骤203，根据当前笔迹输入点的数量确定对卡尔曼滤波算法进行不同的更新预测策略，进行笔迹预测。
步骤204，输出笔迹预测结果到应用层。
步骤205，应用层根据笔迹预测结果进行笔迹绘制。
针对步骤203中卡尔曼滤波算法进行笔迹预测的流程包括：
1、(1)初始化卡尔曼滤波器相关参数：过程噪声协方差矩阵参数processNoiseCov，转换矩阵参数transitionMatrix，以及测量系统协方差矩阵参数measurementNoiseCov，和估计协方差矩阵参数errorCovPost，初始值为默认参数。
(2)判断当前笔迹输入点是笔迹的第几个点，根据点是否超出笔迹阈值N，送入不同的策略中。
2、如果当前笔迹输入点的数量在N个点内，笔迹预测分为以下几个主要的步骤：
(1)输入当前笔迹输入点的坐标x_(k-1),y_(k-1),和时间戳t。
(2)使用时间戳计算出当前笔迹的速度，使用上一个笔迹输入点和当前笔迹输入点的距离和时间戳差值进行相除处理，计算速度。
(3)使用速度作为自适应函数的输入，自适应函数为：
其中x为输入的速度值，输出的值output作为更新卡尔曼滤波processNoiseCov的参数，processNoiseConv能够调整预测点的平滑和对折线敏感的程度。
(4)调用卡尔曼滤波算法，使用当前笔迹输入点的坐标(x_(k-1),y_(k-1))更新参数measurementNoiseCov：
measurementNoiseCov＝measurementNoiseCov(x_(k-1),y_(k-1))，得到更新后的卡尔曼滤波算法。
(5)利用更新后的卡尔曼滤波算法输出预测点坐标x_k,y_k。
(6)等待下一次输入。
3、如果当前笔迹输入点的数量超过N个点，笔迹预测分为以下几个主要的步骤：
(1)输入当前笔迹输入点的坐标x_(k-1),y_(k-1),和时间戳t；
(2)使用时间戳计算出当前笔迹的速度，使用上一个笔迹输入点和当前笔迹输入点的距离和时间戳差值进行相除处理，计算速度。
(3)使用速度作为自适应函数的输入，自适应函数为：
其中x为输入的速度值，输出的值output作为更新卡尔曼滤波processNoiseCov的参数。
(4)计算当前笔迹输入点与上一个笔迹输入点之间的距离distance以及两点形成的向量与水平方向的夹角angle。
(5)根据距离distance和夹角angle满足的条件，调用卡尔曼滤波算法对滤波器进行校正更新，之后做笔迹预测，具体为：
1)如果距离distance小于等于设定最大距离阈值，同时形成的夹角angle也满足相应角度阈值时，即认为此时处于曲线的拐点处，需要进行插值预测处理，从而实现预测的笔迹曲线的圆滑的效果。
2)如果距离distance小于等于设定最大距离阈值，且大于等于设定最小距离阈值，但此时夹角angle并没有满足角度阈值，即认为此时笔迹轨迹接近于直线时不需要插值预测，直接使用当前笔迹输入点的坐标(x_(k-1),y_(k-1))更新参数measurementNoiseCov，并进行笔迹预测处理得到笔迹预测结果。
3)如果距离distance非常小，即距离小于最小距离阈值时，此时不做预测处理，将上一个笔迹输入点的笔迹预测结果作为当前笔迹输入点的笔迹预测结果输出，从而减小延迟时间。
4)如果距离distance大于设定的最大距离阈值时，此时同样选择做插值预测处理。
上述步骤中的插值预测处理的过程包括：
通过选择距离当前笔迹输入点最近的三个点，利用贝塞尔曲线做插值，相邻两点间插入三个点，即插值后得到九个点，为了减少延迟时间只选择当前点及插值的倒数第二个点对滤波器进行校正及预测。
例如，如当前输入点为a点，选择a点前两个点b和c点，相邻两点间插入三个点后得到9给点，即c、c1、c2、c3、b、b1、b2、b3、a。选择a和b2点对卡尔曼滤波算法的参数measurementNoiseCov进行更新校正，更新校正完成后进行笔迹预测处理。
(6)利用更新后的卡尔曼滤波算法输出预测点坐标x_k,y_k。
(7)等待下一次输入。
需要说明的是，本申请实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本申请实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。
需要说明的是，上述对本申请的一些实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于上述实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
基于同一发明构思，与上述任意实施例方法相对应的，本申请还提供了一种笔迹预测装置。
参考图3，所述笔迹预测装置，包括：
输入数据确定模块31，被配置为确定当前笔迹输入点的输入数据；
笔迹预测模块32，被配置为获取卡尔曼滤波算法，基于所述输入数据对所述卡尔曼滤波算法的参数进行校正更新，得到更新后的卡尔曼滤波算法，利用更新后的卡尔曼滤波算法进行笔迹预测处理，得到当前笔迹输入点的笔迹预测结果并输出。
在一些实施例中，所述输入数据包括当前笔迹输入点的数量；所述卡尔曼滤波算法的参数包括：噪声协方差矩阵参数和测量系统协方差矩阵参数；
笔迹预测模块32包括：
算法获取单元，被配置为获取卡尔曼滤波算法；
数量比较单元，被配置为将所述输入数据中所述当前笔迹输入点的数量与笔迹阈值进行比较，得到比较结果；
更新预测单元，被配置为根据与所述比较结果对应的参数更新策略，对卡尔曼滤波算法中的噪声协方差矩阵参数和测量系统协方差矩阵参数进行更新，利用更新后的卡尔曼滤波算法进行笔迹预测处理，得到当前笔迹输入点的笔迹预测结果并输出。
在一些实施例中，所述输入数据还包括：当前笔迹输入点的位置信息和当前笔迹输入点的时间信息；
所述更新预测单元，包括：
距离确定子单元，被配置为响应于所述比较结果为当前笔迹输入点的数量小于或等于笔迹阈值，根据所述位置信息计算当前笔迹输入点与上一个笔迹输入点的距离；
速度确定子单元，被配置为利用所述距离与所述时间信息计算速度信息；
参数更新子单元，被配置为将所述速度信息利用自适应函数进行处理，得到输出结果，将所述输出结果作为所述噪声协方差矩阵参数，完成对所述噪声协方差矩阵参数的更新；
笔迹预测子单元，被配置为利用所述位置信息作为所述测量系统协方差矩阵参数，完成对所述测量系统协方差矩阵参数的更新，利用更新后的卡尔曼滤波算法进行笔迹预测处理，得到当前笔迹输入点的笔迹预测结果并输出。
在一些实施例中，所述输入数据还包括：当前笔迹输入点的位置信息和当前笔迹输入点的时间信息；
距离确定子单元，还被配置为响应于所述比较结果为当前笔迹输入点的数量大于笔迹阈值，根据所述位置信息计算当前笔迹输入点与上一个笔迹输入点的距离；
速度确定子单元，还被配置为利用所述距离与所述时间信息计算速度信息；
参数更新子单元，还被配置为将所述速度信息利用自适应函数进行处理，得到输出结果，将所述输出结果作为所述噪声协方差矩阵参数，完成对所述噪声协方差矩阵参数的更新；
所述更新预测单元，还包括：
夹角确定子单元，被配置为根据所述位置信息计算当前笔迹输入点与上一个笔迹输入点之间的向量与水平方向的夹角；
笔迹预测子单元，还被配置为根据所述距离和/或所述夹角满足的条件确定对应的更新预测方式，基于所述更新预测方式对所述测量系统协方差矩阵参数进行更新，利用更新后的卡尔曼滤波算法进行笔迹预测处理，得到当前笔迹输入点的笔迹预测结果并输出。
在一些实施例中，笔迹预测子单元，包括第一笔迹预测子单元，被配置为：
判断所述距离是否大于设定的最大距离阈值；
响应于确定所述距离大于设定的最大距离阈值，基于所述位置信息进行插值预测处理，利用所述插值预测处理结果对所述测量系统协方差矩阵参数进行更新，利用更新后的卡尔曼滤波算法进行笔迹预测处理，得到当前笔迹输入点的笔迹预测结果并输出。
在一些实施例中，笔迹预测子单元，包括第二笔迹预测子单元，被配置为：
在所述判断所述距离是否大于设定的最大距离阈值之后，响应于确定所述距离小于或等于所述最大距离阈值，判断所述距离是否小于最小距离阈值；
响应于确定所述距离大于或等于所述最小距离阈值，且，小于或等于所述最大距离阈值，判断所述夹角是否小于角度阈值；
响应于所述夹角大于或等于所述角度阈值，基于所述位置信息进行插值预测处理，利用所述插值预测处理结果对所述测量系统协方差矩阵参数进行更新，利用更新后的卡尔曼滤波算法进行笔迹预测处理，得到当前笔迹输入点的笔迹预测结果并输出。
在一些实施例中，笔迹预测子单元，包括第三笔迹预测子单元，被配置为：
在所述响应于确定所述距离大于或等于所述最小距离阈值，且，小于或等于所述最大距离阈值，判断所述夹角是否小于角度阈值之后；
响应于所述夹角小于所述角度阈值，利用所述位置信息作为所述测量系统协方差矩阵参数，完成对所述测量系统协方差矩阵参数的更新，利用更新后的卡尔曼滤波算法进行笔迹预测处理，得到当前笔迹输入点的笔迹预测结果并输出。
在一些实施例中，笔迹预测子单元，包括第四笔迹预测子单元，被配置为：
所述响应于确定所述距离小于或等于所述最大距离阈值，判断所述距离是否小于最小距离阈值之后；
响应于确定所述距离小于所述最小距离阈值，获取卡尔曼滤波算法对于上一个笔迹输入点的笔迹预测结果，将所述上一个笔迹输入点的笔迹预测结果作为当前笔迹输入点的笔迹预测结果并输出。
在一些实施例中，第一笔迹预测子单元或第二笔迹预测子单元，还被配置为：
选取距离当前笔迹输入点最近的第一预定数量的输入点；
在所述第一预定数量的输入点中的相邻两个输入点之间插入第二预定数量的插点；
从所述第一预定数量的输入点和所有插点中选择至少两个点作为目标点，根据所述目标点的位置信息对卡尔曼滤波算法中的测量系统协方差矩阵参数进行更新；
利用更新后的卡尔曼滤波算法进行笔迹预测处理，得到当前笔迹输入点的笔迹预测结果并输出。
在一些实施例中，第一笔迹预测子单元或第二笔迹预测子单元，还被配置为：
通过贝塞尔曲线的插值方式在所述第一预定数量的输入点中的相邻两个输入点之间，插入第二预定数量的插点。
在一些实施例中，所述目标点包括：将当前笔迹输入点和任一插点。
为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本申请时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
上述实施例的装置用于实现前述任一实施例中相应的方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
基于同一发明构思，与上述任意实施例方法相对应的，本申请还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上任意一实施例所述的方法。
图4示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。
存储器1020可以采用ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。
输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1050包括一通路，在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。
上述实施例的电子设备用于实现前述任一实施例中相应的方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
基于同一发明构思，与上述任意实施例方法相对应的，本申请还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上任一实施例所述的方法。
本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
上述实施例的存储介质存储的计算机指令用于使所述计算机执行如上任一实施例所述的方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本申请的范围(包括权利要求)被限于这些例子；在本申请的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本申请实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。
另外，为简化说明和讨论，并且为了不会使本申请实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本申请实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本申请实施例的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本申请的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本申请实施例。因此，这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本申请的具体实施例对本申请进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态RAM(DRAM))可以使用所讨论的实施例。
本申请实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本申请实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (14)
1.一种笔迹预测方法，其特征在于，包括：
确定当前笔迹输入点的输入数据；
获取卡尔曼滤波算法，基于所述输入数据对所述卡尔曼滤波算法的参数进行校正更新，得到更新后的卡尔曼滤波算法，利用更新后的卡尔曼滤波算法进行笔迹预测处理，得到当前笔迹输入点的笔迹预测结果并输出。
2.根据权利要求1所述的方法，其特征在于，所述输入数据包括当前笔迹输入点的数量；所述卡尔曼滤波算法的参数包括：噪声协方差矩阵参数和测量系统协方差矩阵参数；
所述获取卡尔曼滤波算法，基于所述输入数据对所述卡尔曼滤波算法的参数进行校正更新，得到更新后的卡尔曼滤波算法，利用更新后的卡尔曼滤波算法进行笔迹预测处理，得到当前笔迹输入点的笔迹预测结果并输出，包括：
获取卡尔曼滤波算法；
将所述输入数据中所述当前笔迹输入点的数量与笔迹阈值进行比较，得到比较结果；
根据与所述比较结果对应的参数更新策略，对卡尔曼滤波算法中的噪声协方差矩阵参数和测量系统协方差矩阵参数进行更新，利用更新后的卡尔曼滤波算法进行笔迹预测处理，得到当前笔迹输入点的笔迹预测结果并输出。
3.根据权利要求2所述的方法，其特征在于，所述输入数据还包括：当前笔迹输入点的位置信息和当前笔迹输入点的时间信息；
所述根据与所述比较结果对应的参数更新策略，对卡尔曼滤波算法中的噪声协方差矩阵参数和测量系统协方差矩阵参数进行更新，利用更新后的卡尔曼滤波算法进行笔迹预测处理，得到当前笔迹输入点的笔迹预测结果并输出，包括：
响应于所述比较结果为当前笔迹输入点的数量小于或等于笔迹阈值，根据所述位置信息计算当前笔迹输入点与上一个笔迹输入点的距离；
利用所述距离与所述时间信息计算速度信息；
将所述速度信息利用自适应函数进行处理，得到输出结果，将所述输出结果作为所述噪声协方差矩阵参数，完成对所述噪声协方差矩阵参数的更新；
利用所述位置信息作为所述测量系统协方差矩阵参数，完成对所述测量系统协方差矩阵参数的更新，利用更新后的卡尔曼滤波算法进行笔迹预测处理，得到当前笔迹输入点的笔迹预测结果并输出。
4.根据权利要求2所述的方法，其特征在于，所述输入数据还包括：当前笔迹输入点的位置信息和当前笔迹输入点的时间信息；
所述根据与所述比较结果对应的参数更新策略，对卡尔曼滤波算法中的噪声协方差矩阵参数和/或测量系统协方差矩阵参数进行更新，利用更新后的卡尔曼滤波算法进行笔迹预测处理，得到当前笔迹输入点的笔迹预测结果并输出，包括：
响应于所述比较结果为当前笔迹输入点的数量大于笔迹阈值，根据所述位置信息计算当前笔迹输入点与上一个笔迹输入点的距离；
利用所述距离与所述时间信息计算速度信息；
将所述速度信息利用自适应函数进行处理，得到输出结果，将所述输出结果作为所述噪声协方差矩阵参数，完成对所述噪声协方差矩阵参数的更新；
根据所述位置信息计算当前笔迹输入点与上一个笔迹输入点之间的向量与水平方向的夹角；
根据所述距离和/或所述夹角满足的条件确定对应的更新预测方式，基于所述更新预测方式对所述测量系统协方差矩阵参数进行更新，利用更新后的卡尔曼滤波算法进行笔迹预测处理，得到当前笔迹输入点的笔迹预测结果并输出。
5.根据权利要求4所述的方法，其特征在于，所述根据所述距离和/或所述夹角满足的条件确定对应的更新预测方式，基于所述更新预测方式对所述测量系统协方差矩阵参数进行更新，利用更新后的卡尔曼滤波算法进行笔迹预测处理，得到当前笔迹输入点的笔迹预测结果并输出，包括：
判断所述距离是否大于设定的最大距离阈值；
响应于确定所述距离大于设定的最大距离阈值，基于所述位置信息进行插值预测处理，利用所述插值预测处理结果对所述测量系统协方差矩阵参数进行更新，利用更新后的卡尔曼滤波算法进行笔迹预测处理，得到当前笔迹输入点的笔迹预测结果并输出。
6.根据权利要求5所述的方法，其特征在于，在所述判断所述距离是否大于设定的最大距离阈值之后，还包括：
响应于确定所述距离小于或等于所述最大距离阈值，判断所述距离是否小于最小距离阈值；
响应于确定所述距离大于或等于所述最小距离阈值，且，小于或等于所述最大距离阈值，判断所述夹角是否小于角度阈值；
响应于所述夹角大于或等于所述角度阈值，基于所述位置信息进行插值预测处理，利用所述插值预测处理结果对所述测量系统协方差矩阵参数进行更新，利用更新后的卡尔曼滤波算法进行笔迹预测处理，得到当前笔迹输入点的笔迹预测结果并输出。
7.根据权利要求6所述的方法，其特征在于，在所述响应于确定所述距离大于或等于所述最小距离阈值，且，小于或等于所述最大距离阈值，判断所述夹角是否小于角度阈值之后，还包括：
响应于所述夹角小于所述角度阈值，利用所述位置信息作为所述测量系统协方差矩阵参数，完成对所述测量系统协方差矩阵参数的更新，利用更新后的卡尔曼滤波算法进行笔迹预测处理，得到当前笔迹输入点的笔迹预测结果并输出。
8.根据权利要求6所述的方法，其特征在于，所述响应于确定所述距离小于或等于所述最大距离阈值，判断所述距离是否小于最小距离阈值之后，还包括：
响应于确定所述距离小于所述最小距离阈值，获取卡尔曼滤波算法对于上一个笔迹输入点的笔迹预测结果，将所述上一个笔迹输入点的笔迹预测结果作为当前笔迹输入点的笔迹预测结果并输出。
9.根据权利要求5或6所述的方法，其特征在于，所述基于所述位置信息进行插值预测处理，利用所述插值预测处理结果对所述测量系统协方差矩阵参数进行更新，利用更新后的卡尔曼滤波算法进行笔迹预测处理，得到当前笔迹输入点的笔迹预测结果并输出，包括：
选取距离当前笔迹输入点最近的第一预定数量的输入点；
在所述第一预定数量的输入点中的相邻两个输入点之间插入第二预定数量的插点；
从所述第一预定数量的输入点和所有插点中选择至少两个点作为目标点，根据所述目标点的位置信息对卡尔曼滤波算法中的测量系统协方差矩阵参数进行更新；
利用更新后的卡尔曼滤波算法进行笔迹预测处理，得到当前笔迹输入点的笔迹预测结果并输出。
10.根据权利要求9所述的方法，其特征在于，在所述第一预定数量的输入点中的相邻两个输入点之间插入第二预定数量的插点，包括：
通过贝塞尔曲线的插值方式在所述第一预定数量的输入点中的相邻两个输入点之间，插入第二预定数量的插点。
11.根据权利要求9所述的方法，其特征在于，所述目标点包括：
将当前笔迹输入点和任一插点。
12.一种笔迹预测装置，其特征在于，包括：
输入数据确定模块，被配置为确定当前笔迹输入点的输入数据；
笔迹预测模块，被配置为获取卡尔曼滤波算法，基于所述输入数据对所述卡尔曼滤波算法的参数进行校正更新，得到更新后的卡尔曼滤波算法，利用更新后的卡尔曼滤波算法进行笔迹预测处理，得到当前笔迹输入点的笔迹预测结果并输出。
13.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至11任意一项所述的方法。
14.一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，其特征在于，所述计算机指令用于使计算机执行权利要求1至11任意一项所述的方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310444489.0A CN116466835A (zh) | 2023-04-23 | 2023-04-23 | 笔迹预测方法、装置、电子设备及存储介质 |
| CN202311226308.3A CN117234402A (zh) | 2023-04-23 | 2023-09-21 | 电子白板的书写方法、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310444489.0A CN116466835A (zh) | 2023-04-23 | 2023-04-23 | 笔迹预测方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116466835A true CN116466835A (zh) | 2023-07-21 |
Family
ID=87185086
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310444489.0A Withdrawn CN116466835A (zh) | 2023-04-23 | 2023-04-23 | 笔迹预测方法、装置、电子设备及存储介质 |
| CN202311226308.3A Pending CN117234402A (zh) | 2023-04-23 | 2023-09-21 | 电子白板的书写方法、电子设备及存储介质 |
Family Applications After (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311226308.3A Pending CN117234402A (zh) | 2023-04-23 | 2023-09-21 | 电子白板的书写方法、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (2) | CN116466835A (zh) |
-
2023
- 2023-04-23 CN CN202310444489.0A patent/CN116466835A/zh not_active Withdrawn
- 2023-09-21 CN CN202311226308.3A patent/CN117234402A/zh active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| CN117234402A (zh) | 2023-12-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111707294B (zh) | 基于最优区间估计的行人导航零速区间检测方法和装置 | |
| CN116451593B (zh) | 基于数据质量评估的强化联邦学习动态采样方法及设备 | |
| CN110956131A (zh) | 单目标追踪方法、装置及系统 | |
| CN110555798A (zh) | 图像变形方法、装置、电子设备及计算机可读存储介质 | |
| CN114091763A (zh) | 路线规划方法、装置、可读介质和电子设备 | |
| CN109359727B (zh) | 神经网络的结构确定方法、装置、设备及可读介质 | |
| CN114757229A (zh) | 信号处理方法、装置、电子设备及介质 | |
| US10982971B2 (en) | Method and apparatus for detecting background noise of sensor | |
| CN110555861A (zh) | 光流计算方法、装置及电子设备 | |
| CN111798263A (zh) | 一种交易趋势的预测方法和装置 | |
| CN116466835A (zh) | 笔迹预测方法、装置、电子设备及存储介质 | |
| CN113706606B (zh) | 确定隔空手势位置坐标的方法及装置 | |
| CN113127803A (zh) | 业务集群容量预估模型的建立方法、装置及电子设备 | |
| CN114417964B (zh) | 卫星运营商分类方法、装置及电子设备 | |
| CN113282535B (zh) | 量化处理方法和装置、量化处理芯片 | |
| CN111538831A (zh) | 一种文本生成方法、装置及电子设备 | |
| CN104995584A (zh) | 计算磁航向 | |
| CN114840719A (zh) | 检测模型后处理方法、介质、电子设备和程序产品 | |
| CN116051878B (zh) | 基于量子线路实现的图像数据聚类方法及相关设备 | |
| CN114755444B (zh) | 目标速度测定方法、装置、电子设备及存储介质 | |
| CN114020736A (zh) | 基于分段函数拟合的单调有序数据处理方法及相关设备 | |
| WO2024038864A1 (ja) | 情報処理装置、情報処理方法、及びプログラム | |
| WO2021075317A1 (ja) | Ａｒシステム及び端末 | |
| CN117993756A (zh) | 基于曲线算法的水力设备运行等级确定方法及相关设备 | |
| CN116310388A (zh) | 图像处理方法、可读介质和电子设备 |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230721 |
|
| WW01 | Invention patent application withdrawn after publication |