CN1347534A - 手写体编码及识别 - Google Patents
手写体编码及识别 Download PDFInfo
- Publication number
- CN1347534A CN1347534A CN00806186A CN00806186A CN1347534A CN 1347534 A CN1347534 A CN 1347534A CN 00806186 A CN00806186 A CN 00806186A CN 00806186 A CN00806186 A CN 00806186A CN 1347534 A CN1347534 A CN 1347534A
- Authority
- CN
- China
- Prior art keywords
- input parameter
- interval
- matrix
- record
- input
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/30—Writer recognition; Reading and verifying signatures
-
- 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
- G06V30/142—Image acquisition using hand-held instruments; Constructional details of the instruments
- G06V30/1423—Image acquisition using hand-held instruments; Constructional details of the instruments the instrument generating sequences of position coordinates corresponding to handwriting
Abstract
一种用于手写体的编码及识别方法,可辨识在出现跨越一规定值的如笔的位置及速度的输入参数之间的间隔,及记录间隔的长度。随后可记录间隔中的最大与最小数。
Description
本发明涉及手写体编码及识别,特别涉及一种使用编码方法以产生用于识别的数据的系统。
手写体的识别问题最近已引起众多关注,特别是用以作为计算机输入的系统,如小型笔记本计算机系统及“掌上”型计算机系统。
手写体识别可划分为识别问题的性质不同的类型。主要特征为连续书写之间,其在字符必须分开之处,字与笔迹之间无间隔。由于连续书写的字间必须有间隔,使识别系统易于辨认隔离及易于辨认整个字是属于合乎逻辑的事情。
手写体识别方案的另一重要特征为字符是在被分析时产生还是字符是在之前产生。在前者情况中,则有更多信息可用。
在一不同场合,对时间编码语言而言,利用时间编码信号处理及识别(TESPAR)编码器为众所周知。此种编码器的特性披露于GB 2020517,GB 2084433,GB 2162024,GB 2162025,GB 2187586,GB 2179183,WO92/15089,WO 97/31368,WO 97/45831及WO 98/08188中。
根据本发明的第一方面,提供有一种用于手写体的编码方法,包括下列步骤:
记录一输入参数的变化,
辨认出现跨越一规定值的输入参数之间的间隔,及量化间隔的长度,
辨认在该间隔中至一预定等级(predetermined rank)的输入参数的复数0(complex zeroes)的数,和
记录间隔的量化长度及该复数0的量度至一预定等级,作为输入参数变化的表示。
1的预定等级D的存在可提供一良好结果。此情况下,此方法记录第一等级0的数,即,正最小或负最大。此信息可提供特性化的足够细节,而不需过多的计算。
此方法因此可将输入参数函数的形状参数化。如参数平滑上升至最大,再平滑下降至下一个0,而无正最小,故该数应为0。
如函数有一“M”型,升至最大再降至最小,并在通过0之前升至另一最大,此时将有一正最小,故该数为1。
因此,该数将输入参数的振荡数在各0之间参数化。
正最小或负最大为已知函数的复数0的理由为,对输入至函数的复数而言,它们对应函数的各0。第一等级的0在复数的实值为实值之处出现,这些复数其函数有一0值。
编码方法可以是TESPAR方法。
此方法还包括一步骤。以产生一编码号码,其采取表示间隔期间的一组预定值,及至少某间隔的最大及最小的数。
编码号码可进一步予以参数化。在一方法中,可计算一S矩阵。S矩阵将输入参数的被记录变化中每一编码号码的事件数加以记录。另外,跟随有一预定延迟的第二编码号码,并记录第一编码号码的发生数的A矩阵,可加以计算。另一方案为计算一DZ矩阵,该矩阵记录间隔的出现数,幅值及长度,及在下一时期(epoch)的最大和最小增加及降低或停留于原处的数。
S,A和/或DZ矩阵可予存储或予以评估。
以上方法至少可用以记录二输入参数。该输入参数可选自x及y座标,速度,速率的一或多个座标(即速度及角度,或x座标和y座标),角速度,或曲率半径。
间隔的长度可由时间测量,即记录的长度表示连续跨过一规定值之间的时间。但其他参数,如x座标亦可使用。后者的情况,记录的长度为距离。TESPAR可用于变数的单一值函数。
该规定值最好为一预定值。此值可为一零值,特别是通过0的速度的垂直(y)成分的座标。规定值亦可为对应手写体的中间值的一值。此方法可用以将y座标位置参数化,例如,此值可为手写体的中线,即,中间y座标,假定手写体系在x方向所写。
最好备有一手写体输入板以捕捉输入参数或各参数。手写体输入板亦可输出位置数据,该数据可由计算机转换为其他参数。
或者,此方法可用在已经写好的手写体上,将手写体加以扫描,于是产生输入参数。此一方法可利用已知的向量化比特图数据技术完成。
本发明的第一方面还提供了一种手写体识别的方法,包括如上所述将手写体编码的步骤,及将编码的表示与对应许多不同字符的表示比较,以找出最佳匹配,及输出对应最佳匹配的字符。
比较步骤可用矩阵法实施,其中的表示编码数据的矩阵与表示许多不同字符的矩阵间的相互关系加以比较。或者,利用一种神经网路方法比较。每一方法均需要训练时间以产生适当的矩阵。
根据本发明的第二方面,提供了一种手写体编码装置,该装置包括:
一数据输入装置,用于测量输入参数的变化,
一辨认装置,用于辨认出现跨越一规定值的输入参数之间的间隔,并将间隔量化,辨认间隔中的输入参数的最大及最小数,及
一记录装置,用于记录量化的间隔,及记录表示输入参数中变化的最大与最小数。
最好,上述方法用以记录至少二输入参数。输入参数可选自x和y座标,速度,速率的一个或多个座标(即速度及角度,或x座标及y座标),角速度或曲率半径。
最好,提供有一写入图形输入板以捕捉输入参数。写入图形输入板可为传统型式。或者,此方法可用于已写好的手写体,经由一扫描器将手写体扫描,再以已知技术,如向量化比特图数据,以在数据输入装置中产生输入参数。
本发明的第二方面还提供一种手写体识别装置,包括一如上所述的手写体编码装置。该手写体识别装置还包括一处理装置,用于将字符的编码表示与对应不同字符的表示加以比较,以找出最佳匹配,并输出对应最佳匹配的字符。
最好,辨认装置及处理装置均为一计算机的中央处理单元。
根据本发明的第三方面,提供有一记录于数据载体上的计算机程序,操作时可控制具有一数据存储器,一输入装置及一处理器的计算机,计算机程序的操作可使计算机与输入装置配合以实施用于手写体编码的方法,该计算机程序包含下列步骤:
记录输入参数的变化,
辨认出现跨过一规定值的输入参数之间的间隔,及量化此间隔,
辨认间隔中输入参数的第一级各零的数,及
记录量化的间隔及第一级零的数,作为输入参数的变化的表示。
该输入装置例如可为一手写体图形输入板,或一扫描器。
根据本发明第三方面的记录于数据载体的计算机程序,最好亦有可使计算机实施将编码表示与若干不同字符对应的表示加以比较的步骤,以找出最佳匹配,及输出对应最佳匹配的字符。
为更好地了解本发明,以举例方式,并参考附图,说明一实施例,其中:
图1为本发明一装置的略图,
图2为本发明的编码方法的流程图,
图3为本发明的手写体识别方案以识别静态内容,及
图4为本发明的手写体识别方案以识别动态内容。
参考图1,一写入输入板1记录用于书写的记录笔2的x-及y-座标。输入板连接到计算机3,该计算机具有一显示器5,一处理器9及一数据存储器11。该计算机由一连接器13与输入板连接。
一程序存储于数据存储器11内以使系统实施数据编码方法,如图2所示。
首先,对应输入座标的数据由输入板1所捕捉,在其以记录笔写入输入板1时记录笔2的位置被记录。输入板1输出记录笔2的x-与y-座标。速度的x及y成份由计算机加以计算。此方法随后使用位置的y-座标及速度的x-及y-座标作为三输入参数。这些输入参数并非是唯一的,对于某些装置,其他的输入参数组可能更适合。
计算机随后计算手写体的中央线,并用其作为y座标输入参数的特殊值。速率的x及y成分的零值供这些成分之用。为方便起见,以后这些定值将称为“零值”。
将输入微分,再将其参数化,任何偏移可以消除。
数据以将跨越零间的间隔量化方式,予以参数化,即输入数据参数跨越零值的连续机会(occasion)间的时间。随后将每一时间间隔的第一级零值的数,加以记录。第一级零值的数为负最大或正最小的数。间隔及零值数利用1-28间的单一整数编码。整数1例如对应一长度间隔,其长度达一预定时间,但无第一级零值。间隔的每一范围及零值的数被指定为一预定的整数,如GB 2162024所披露。
完成的手写体抽样随后利用“S”矩阵予以参数化,如在TESPAR方法中使用的一样。“S”矩阵记录数据抽样中每一码号情况(instance)的数。
此方法将记录的值与用于每一可能字母字符及数字1-9的值作比较,以记录已经写入的字符。与三个输入参数的每一个均为最佳匹配的字符则予以输出,并且计算机随后对下一字符进行评估。
在一特殊例中,该方法包括所谓“TESPAR”方法。语言编码器“TESPAR”披露于GB 2162024中。本发明的方法可用TESPAR方法及一适于实施此方法的硬件来实施编码。TESPAR的概要如下所示。
任何频带限制的信号可由其实际零值及复数零值表示,其为 其中的τi为函数的零值,实际零值对应函数f(t)跨越零线的时间。
复数零值发生在实函数的共轭时,并通过考虑对于时间微分的效果来分类。复数零等级的定义为,在作为复数零值的相同时间的纵座标,产生真实零值所需的微分数。因此,对应第一级复数零值的波形的正最小(正值时最小)及负最大(在负值时最大),由于这些静止点,当波形微分一次时,变为零跨越。
TESPAR中的波形利用实际零值为每段间的分界点,可分为数段。每二实际零值间的每一间隔称为一时期。此方法并非唯一的方法,但该方法具有其简单而有效的特点。
一旦时期已限定,其有关数据必需记录。包括时期间隔的长度;其最大幅值及第一级零值的数。在这点上,该期间通常由波长抽样的最近整数所表示,而非确实时间期间。结果为尺寸(3x时期数)的值的一矩阵中包括波形中所含的信息。
应注意,在此点,一原波形的近似值仍可再产生。其不可能太精确,因为每一时期的期间已被量化,仅注意到第一级零值的存在。零值的位置及较高级零值的存在未被记录。但有存储的足够信息,可使产生一原波形的近似值,即再生的语言信号可易于了解。
一旦各时期已被限定并且其参数已记录,则时间编码即可完成。在信号以时间型式存储后,有许多编码方案可用,如上所述(称为自然TESPAR流)。其概念为依序取一时期,或每次取数个时期以产生一码号,视存储于时期的信息而定。一通用编码方案考虑第一级零值的期间及数,及返回一单一码号,视1-28间的值而定。
当时期已被编码时某些信息丢失,但一信号仍可再生。但是此时的目的不在于再生信号,而是产生一简单格式,其可使波形特征化,及与其他波形比较。为此,每一时期的代码号码并入一可能矩阵中。最常见型式的矩阵如下所述。
矩阵为一长度的向量,与用以说明所有时期的不同型式的TESPAR的数相等。向量的每一元素包括在具有该代码的时期在信号中发生的次数。所得到的向量包括信号内容的信息,但不包括时期顺序的信息,这表明信号如无其他信息则无法再生。
‘S’矩阵可进一步限定。并非以适当代码作为每一时期向量的一元素增量,元素可予增量,其量视时期的特性而定。这将导致将期间加权的‘S’矩阵,其元素由一依据该时期的持续时间的量来增量,和将幅值加权的‘S’矩阵,其最大时期幅值用于加权。此外,最后矩阵本身可予修改。例如,‘S’矩阵的每一元素中的数可予加倍,以产生一由波形中发生的时期数更重加权的矩阵。
‘A’矩阵为一二维矩阵,其系依次考虑时期对而产生。这些时期对可能为相邻时期,或为有一特定间隔(称为滞后)的时期。在该时期对中的每一时期有一其有关的TESPAR码,其提供二座标,指定将予增量的矩阵的元素。‘A’矩阵与‘S’矩阵相似,但保留有关时期顺序的某个信息。图2示出了此矩阵的一个例子。与‘S’矩阵一样,‘A’矩阵的元素可根据时期参数的组合予以加权。
可考虑三个时期的组以延伸‘A’矩阵的概念,以产生三维矩阵。其可延伸至信号中的时期数,在该点时,在具有与该波形中的时期相同的维数的矩阵中有一非零元素。
‘DZ’矩阵系考虑时期对而产生,并注意其变化。检验每一矩阵中的最大幅值,期间及复数第一级零值的数。其中的每一参数可增加,降低或保留原状,其有27种可能组合,因此有27种元素向量,因此,‘DZ’矩阵与‘S’矩阵相似。因为期间与幅值几乎是连续的,通常,规定此值的特定改变范围,与为编码‘DZ’矩阵的目的是相同的。
为说明末端点测定方法如何工作,考虑一具有由寂静(silence)分开的单字的语言波形。信号被分成短时间片段(20ms),每一时间片段编码于一‘S’矩阵中。这些‘S’矩阵的每一元素相加以在每一时间部分获得一数,其可反映出每一时间部分有若干时期存在。注意,寂静中可能包括许多小幅值时期,如不可避免的背景噪声。此情况下,需要某型式的抑制,如忽略所有具有小于某值的最大幅值的时期。此简单曲线在寂静区将有较低的值,在字被说出的区将有较高的值,因而可估计字的末端点。
一旦波形的适当段被找出,并被在某一型式矩阵中被编码后,其应被编类为前已知信号的一例。此二种最普遍的方法是使用原型矩阵或使用神经网。
给出一组特殊信号之例后,原型矩阵通过仅将矩阵相加一起再以矩阵数相除即可产生。为测试以找出信号是否与由原型表示的信号相同,该信号需以原型矩阵的相同矩阵编码,再找出相关分数互相比较。以此方式,许多原型可被包括,并排定哪一个最有可能与该信号相同。
如需提供比原型矩阵更佳的鉴别,可利用一神经网。因为任何长度的信号,当其为时间编码时(假定用相同矩阵),其经常产生一相同尺寸的矩阵,一神经网可用对应矩阵中元素数的固定输入数予以设计。以足够的训练例子,神经网可被训练以识别许多标准信号。
如手写体被分析后,认为其已写毕(或相关数据已记录),作为时间函数的笔位置将可利用。(x,y)座标提供随时间改变并且正交的两个波形,。它们可被分别编码以提供二单独的矩阵,或用以获得其他参数。其中一例为将x(t)及y(t)微分一次以产生速度。每一情况下,所选的波形必须有波形跨过的一零值,以便限定一时期。在速度情况下,此可能为真实零值,对y座标而言,将需要通过内容中间的一线。
当笔离开其书写的表面时,出现另一复杂情况。此可能发生在“t”的一横,是在垂直线写完后才写。这种情况的特征为在某一时间造成一间隙。将这些间隙并入的方法包括,在间隙期间设定函数值为零,或将单独的片段接在一起。在任一情况下,波形将有不连续的改变。但是,对时间编码上不构成问题。
图3说明识别下一个写入内容的一系统的实施。在步骤31,获得笔在输入板上的写位置和速度的数据。在步骤33,从该数据提取书写实施的y座标的平均水准(mean level),及提取x方向的实施速度作为时间函数。此二波形随后在步骤35,利用TESPAR编码方案予以时间编码,并与存储的前例比较。已知例与输入数据的最匹配者予以输出。
以上识别例子的一特殊应用为签字识别。该人将其姓名签在输入板上,其将位置作为时间函数记录。此信号随后可予以时间编码,并与已知时间编码的签字比较,以证实该人的身份。
该识别方法亦可应用于静态内容。当待识别的内容已被写入时,如何写入的信息则可不利用。因为此例提供在动态中可利用信息的子组,其中的内容在写入时,已被分析。
已写笔迹的表示如一比特图,其中的像素为黑色(前景)或白色(背景)。此可提供二维的点阵列,每一点取0或1值。此可认为无限修剪的二维波形。(另一方法为指定一号码给可表示的每一颜色,以产生在整个范围变化的函数)。此波形产生后,即可予以编码。一方法为编码每一列(或行)为矩阵型式,之后用所得到的矩阵组作为神经网的输入。或者,可顺序写入每一行(或列)将此阵列被变为一维向量。所得到的向量随后予以编码以产生单一矩阵,用以表现图像的特性。此例说明一系统实施识别静态内容的扫描图像的方法。图4示出了此系统的流程图。开始,在步骤41待分类的内容的图像被扫描,以使其为电子型式并在步骤43中以二维比特图存储。在步骤45中,此图像被一行接一行,一列接一列读出,以产生二个与行和列扫描对应的长波形。清晰的像素由-1表示,一填充像素由+1表示。这可产生一具有良好的所规定的零跨越点的矩形矩阵。
在步骤47所得到的编码波形与前面确定的例子比较,并指定其一概率。最有可能者返回步骤49,作为识别后的内容。
Claims (19)
1.一种手写体编码方法,包括下列步骤:
记录输入参数的变化,
辨认出现跨越一规定值的输入参数之间的间隔,及量化该间隔长度,
辨认在该间隔中的输入参数至一预定级的复数零的数,及
记录间隔的量化长度,及至一预定级的复数零值数的量度,作为输入参数变化的表示。
2.如权利要求1所述的方法,其中的预定级为1,及记录输入参数的变化的表示步骤记录第一级零值的数。
3.如权利要求2所述的方法,其中的编码方法为TESPAR方法。
4.如任何一前述权利要求所述的方法,还包括一采取一组表示间隔的期间的预定值以产生一代码号的步骤,并且所述复数零值的数用于至少一些所述间隔。
5.如权利要求4所述的方法,还包括一计算记录输入参数的已记录变化中每一代码号的情况数的S矩阵的步骤。
6.如权利要求4或5所述的方法,还包括一计算记录跟随有一预定延迟的第二代码号的第一代码号情况数的A矩阵的步骤。
7.如权利要求4至6中的任一权利要求所述的方法,还包括一计算记录间隔的幅值、长度的情况数,及在下一时期相同处的最大和最小增加、减少或停留的数的DZ矩阵的步骤。
8.如任何一前述权利要求所述的方法,其中至少记录二个输入参数。
9.如任何一前述权利要求所述的方法,其中的间隔为时间间隔,从而记录的长度表示连续跨越该规定值间的时间。
10.如任何一前述权利要求所述的方法,其中的规定值为手写体的中间值。
11.如任何一前述权利要求所述的方法,包括以手写体输入板捕捉输入参数或各参数。
12.如权利要求1至10所述的任何一权利要求的方法,包括将手写体扫描,再产生该输入参数。
13.一种手写体识别的方法,包括以下步骤:
根据任何前述任何一权利要求,将手写体编码,
将编码的表示与相应的若干不同字符的表示进行比较,以找出最佳匹配,及
输出对应最佳匹配的字符。
14.一种手写体编码装置,包括:
一数据输入装置,用以测量输入参数的变化,
一辨认装置,用以辨认出现一跨越一规定值的输入参数间的间隔,量化此间隔,及辨认至该间隔中的输入参数的预定级的复数零值的数,和
一记录装置,用以记录量化的间隔及复数零值数的量度,作为输入参数变化的表示。
15.如权利要求14所述的手写体编码装置,其中的预定级为1。
16.如权利要求14或15所述的手写体编码装置,还包括一捕捉输入参数的手写体输入板。
17.一种手写体识别装置,包括如权利要求14或16任一 所述的手写体编码装置,还包括:
一处理装置,适于将字符的编码表示与对应的不同字符表示进行比较,以找出最佳匹配,并输出对应较佳匹配的字符。
18.如权利要求17所述的手写体识别装置,其中的辨认装置及处理装置均为计算机的中央处理单元。
19.一种计算机程序,用以控制一具有数据存储装置及一处理器的计算机,连接至输入装置以提供手写体数据输入,该计算机程序可使该计算机与输入装置相结合以实施一用于将手写体编码的方法,该计算机程序包括以下步骤:
记录输入参数的变化,
辨认出现跨越一规定值的输入参数间的间隔,及量化此间隔,
辨认所述间隔中的输入参数的第一级复数零值的数,及
记录量化的间隔及耦合零值数的量度,作为输入参数变化的表示。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
GBGB9908462.6A GB9908462D0 (en) | 1999-04-14 | 1999-04-14 | Handwriting coding and recognition |
GB9908462.6 | 1999-04-14 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN1347534A true CN1347534A (zh) | 2002-05-01 |
Family
ID=10851464
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN00806186A Pending CN1347534A (zh) | 1999-04-14 | 2000-04-14 | 手写体编码及识别 |
Country Status (6)
Country | Link |
---|---|
EP (1) | EP1173823A1 (zh) |
JP (1) | JP2002541597A (zh) |
CN (1) | CN1347534A (zh) |
AU (1) | AU3979300A (zh) |
GB (1) | GB9908462D0 (zh) |
WO (1) | WO2000062244A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100518824B1 (ko) * | 2003-03-17 | 2005-10-05 | 삼성전자주식회사 | 필기 모션 획 구분 인식 시스템 및 그 인식방법 |
DE102004057157A1 (de) * | 2004-08-21 | 2006-04-27 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Verfahren und Vorrichtung zum Erfassen einer eigenhändig ausgeführten Unterschrift oder Signatur und zum Erkennen der Echtheit der Unterschrift oder Signatur |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3818443A (en) * | 1972-04-28 | 1974-06-18 | Burroughs Corp | Signature verification by zero-crossing characterization |
GB2062323B (en) * | 1979-10-26 | 1983-04-07 | Nat Res Dev | Apparatus for recognising handwritten signs |
GB9603553D0 (en) * | 1996-02-20 | 1996-04-17 | Domain Dynamics Ltd | Signal processing arrangments |
-
1999
- 1999-04-14 GB GBGB9908462.6A patent/GB9908462D0/en not_active Ceased
-
2000
- 2000-04-14 EP EP00919036A patent/EP1173823A1/en not_active Withdrawn
- 2000-04-14 WO PCT/GB2000/001340 patent/WO2000062244A1/en not_active Application Discontinuation
- 2000-04-14 JP JP2000611237A patent/JP2002541597A/ja active Pending
- 2000-04-14 AU AU39793/00A patent/AU3979300A/en not_active Abandoned
- 2000-04-14 CN CN00806186A patent/CN1347534A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
WO2000062244A1 (en) | 2000-10-19 |
AU3979300A (en) | 2000-11-14 |
JP2002541597A (ja) | 2002-12-03 |
GB9908462D0 (en) | 1999-06-09 |
EP1173823A1 (en) | 2002-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8077973B2 (en) | Handwritten word recognition based on geometric decomposition | |
CN1167030C (zh) | 使用多分辨率模型的手写字符记录的方法 | |
CN100511219C (zh) | 可以通过手写检索查询来检索的电子文件管理系统 | |
CN1333366C (zh) | 基于统计结构特征的联机手写汉字识别方法 | |
CN1607540A (zh) | 检测以墨水输入的手绘对象的系统和方法 | |
CN1040693A (zh) | 手写字符识别装置及方法 | |
CN1607539A (zh) | 检测墨水输入中列表的系统和方法 | |
Garg et al. | Segmentation of handwritten Hindi text | |
CN108664975A (zh) | 一种维吾尔文手写字母识别方法、系统及电子设备 | |
Forczmański et al. | Segmentation of scanned documents using deep-learning approach | |
Cheekati et al. | Telugu handwritten character recognition using deep residual learning | |
Sahare et al. | Word level multi-script identification using curvelet transform in log-polar domain | |
CN116343190B (zh) | 自然场景文字识别方法、系统、设备及存储介质 | |
CN1347534A (zh) | 手写体编码及识别 | |
CN1029534C (zh) | 自由书写联机手写汉字识别方法及其系统 | |
Mahto et al. | Robust offline Gurmukhi handwritten character recognition using multilayer histogram oriented gradient features | |
De Stefano et al. | A saliency-based segmentation method for online cursive handwriting | |
Halder et al. | Individuality of isolated Bangla numerals | |
CN1172996A (zh) | 在线字符识别方法和设备 | |
CN1204526C (zh) | 用于手写汉字识别的预分类方法及系统 | |
Jain | Unconstrained Arabic & Urdu text recognition using deep CNN-RNN hybrid networks | |
Zeng et al. | Deep Learning Methods for Signature Verification | |
CN1133134C (zh) | 汉字笔画自动抽取方法及其装置 | |
Singh et al. | A Case Study on Handwritten Indic Script Classification: Benchmarking of the Results at Page, Block, Text-line, and Word Levels | |
Konstantakis et al. | A writer identification system of greek historical documents using matlab |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |