KR20210017090A - 필기 입력을 텍스트로 변환하는 방법 및 전자 장치 - Google Patents
필기 입력을 텍스트로 변환하는 방법 및 전자 장치 Download PDFInfo
- Publication number
- KR20210017090A KR20210017090A KR1020190095788A KR20190095788A KR20210017090A KR 20210017090 A KR20210017090 A KR 20210017090A KR 1020190095788 A KR1020190095788 A KR 1020190095788A KR 20190095788 A KR20190095788 A KR 20190095788A KR 20210017090 A KR20210017090 A KR 20210017090A
- Authority
- KR
- South Korea
- Prior art keywords
- language
- handwriting
- stroke group
- text
- handwriting input
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 194
- 230000008569 process Effects 0.000 claims description 127
- 230000011218 segmentation Effects 0.000 claims description 29
- 230000005484 gravity Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012805 post-processing Methods 0.000 description 68
- 238000010586 diagram Methods 0.000 description 47
- 238000001514 detection method Methods 0.000 description 45
- 238000004891 communication Methods 0.000 description 43
- 230000006870 function Effects 0.000 description 30
- 238000007781 pre-processing Methods 0.000 description 22
- 238000000605 extraction Methods 0.000 description 21
- 238000000926 separation method Methods 0.000 description 16
- 230000008859 change Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 10
- 238000012937 correction Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 230000002457 bidirectional effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 240000000220 Panda oleosa Species 0.000 description 1
- 235000016496 Panda oleosa Nutrition 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- G06K9/00402—
-
- 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
- G06F3/02—Input arrangements using manually operated switches, e.g. using keyboards or dials
- G06F3/023—Arrangements for converting discrete items of information into a coded form, e.g. arrangements for interpreting keyboard generated codes as alphanumeric codes, operand codes or instruction codes
-
- 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
-
- 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
- G06F3/033—Pointing devices displaced or positioned by the user, e.g. mice, trackballs, pens or joysticks; Accessories therefor
- G06F3/038—Control and interface arrangements therefor, e.g. drivers or device-embedded control circuitry
-
- G06K9/00456—
-
- 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
-
- G06N3/0454—
-
- 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
-
- 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
- G06V30/32—Digital ink
- G06V30/333—Preprocessing; Feature extraction
- G06V30/347—Sampling; Contour coding; Stroke extraction
-
- 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
- G06V30/32—Digital ink
- G06V30/36—Matching; Classification
-
- G06K2209/01—
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Computer Interaction (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Character Discrimination (AREA)
Abstract
전자 장치에 있어서, 복수 개의 언어들 각각의 특성에 따른 필체 모델들 및 언어 모델들을 저장하는 메모리, 및 상기 메모리와 작동적으로 연결된 프로세서를 포함하고, 상기 프로세서는, 필기 입력을 수신하고, 상기 필체 모델들 중 제1 언어에 대응하는 제1 필체 모델 및 상기 언어 모델들 중 상기 제1 언어에 대응하는 제1 언어 모델을 기반으로, 상기 필기 입력을 인식하여 상기 제1 언어의 텍스트로 변환하고, 상기 필기 입력을 인식한 결과에서 상기 제1 언어와 다른 제2 언어로 필기된 부분을 검출하고, 상기 필체 모델들 중 상기 제2 언어에 대응하는 제2 필체 모델 및 상기 언어 모델들 중 상기 제2 언어에 대응하는 제2 언어 모델을 기반으로, 상기 검출된 부분을 상기 제2 언어로 재인식하여 상기 제2 언어의 텍스트로 변환하고, 상기 변환된 제1 언어의 텍스트 중 상기 검출된 부분에 대응하는 텍스트를 상기 변환된 제2 언어의 텍스트로 대체하도록 설정된 전자 장치가 개시된다. 이 외에도 본 문서를 통해 파악되는 다양한 실시예들이 가능하다.
Description
본 발명의 다양한 실시예들은, 필기 입력을 텍스트로 변환하는 기술에 관한 것이다.
스마트 폰과 같은 전자 장치는 사용자의 신체 일부 또는 전자 펜을 이용한 필기 입력을 인식할 수 있다. 예를 들어, 전자 장치는 사용자의 신체 일부 또는 전자 펜에 대한 접근 및 접촉을 감지하는 입력 장치를 구비하여 입력 장치를 통해 수신된 사용자의 신체 일부 또는 전자 펜에 의한 필기 입력을 인식할 수 있다.
이러한 전자 장치는 인식된 필기 입력을 이미지의 형태로 저장하거나 추가적인 처리가 가능하도록 텍스트로 변환할 수 있다. 인식된 필기 입력을 텍스트로 변환하기 위해, 전자 장치는 언어의 특성을 고려하여 적합한 인식 방법을 구현하는 필기 인식 엔진(handwriting recognition engine)을 사용할 수 있다. 필기 인식 엔진은 예를 들어, 한국어, 일본어 또는 중국어와 같은 활자체 필기(printed handwriting)를 인식하는 활자체 필기 인식 엔진(printed handwriting recognition engine) 및 영어, 라틴(Latin)계 언어 또는 키릴(Cyrillic)계 언어와 같은 필기체 필기(cursive handwriting)를 인식하는 필기체 필기 인식 엔진(cursive handwriting recognition engine)을 포함할 수 있다.
활자체 필기 인식 엔진은, 딥러닝(deep learning) 방법의 한 종류인 CNN(convolutional neural network) 방법을 사용하여, 필기 입력의 획 입력 순서(handwritten stroke order)에 상관없이 그래픽 특징에 기반하여 글자 단위로 정합(matching)하는 방법으로 입력 정보를 분석할 수 있다. 예컨대, 활자체 언어의 경우, 각 글자 단위가 획 단위로 끊어질 수 있고, 형태 자체도 한 글자가 여러 획으로 복잡하게 구성되기 때문에, CNN 방법과 같이 정적이고 그래픽 요소를 고려하는 딥러닝 방법으로 정확도가 높은 결과를 획득할 수 있다.
필기체 필기 인식 엔진은, 딥러닝 방법의 한 종류인 RNN(recurrent neural network) 기반의 LSTM(long-short term memory) 방법을 사용하여, 획 입력 순서에 기반하여 이전에 입력된 정보를 선택적으로 고려하는 방법으로 입력 정보를 분석할 수 있다. 예컨대, 필기체 언어의 경우, 한 글자가 한 획으로 연결되는 경우가 많고 글자 수 자체도 상대적으로 많지 않기 때문에 시간상으로 연속된(sequential) 입력 정보를 분석할 때 뛰어난 성능을 가지는 RNN 기반의 LSTM 방법으로 인식률 및 인식 속도가 높은 결과를 획득할 수 있다.
그러나, 기존의 전자 장치는 필기 입력의 인식 시, 어느 하나의 필기 인식 엔진을 이용하여 필기 입력을 인식하기 때문에, 필기 입력에 복수 개의 언어들이 혼재되어 있는 경우, 다른 언어로 필기된 부분이 오인식되는 경우가 발생될 수 있다. 또한, 기존의 전자 장치는 필기된 부분이 해당하는 언어로 인식될 수 있도록, 사용자 인터페이스를 통해 사용자로 하여금 변환할 언어를 선택하도록 하기 때문에, 각각의 언어에 해당하는 부분을 일일이 선택해야 하는 번거로움이 있었다.
본 발명의 다양한 실시예들은, 변환할 언어에 대한 사용자 선택없이 필기 입력에 포함된 복수 개의 언어들로 필기된 부분을 자동으로 인식하여 텍스트로 변환하는 방법 및 이를 지원하는 전자 장치를 제공할 수 있다.
본 발명의 다양한 실시예에 따른 전자 장치는, 복수 개의 언어들 각각의 특성에 따른 필체 모델들 및 언어 모델들을 저장하는 메모리, 및 상기 메모리와 작동적으로 연결된 프로세서를 포함하고, 상기 프로세서는, 필기 입력을 수신하고, 상기 필체 모델들 중 제1 언어에 대응하는 제1 필체 모델 및 상기 언어 모델들 중 상기 제1 언어에 대응하는 제1 언어 모델을 기반으로, 상기 필기 입력을 인식하여 상기 제1 언어의 텍스트로 변환하고, 상기 필기 입력을 인식한 결과에서 상기 제1 언어와 다른 제2 언어로 필기된 부분을 검출하고, 상기 필체 모델들 중 상기 제2 언어에 대응하는 제2 필체 모델 및 상기 언어 모델들 중 상기 제2 언어에 대응하는 제2 언어 모델을 기반으로, 상기 검출된 부분을 상기 제2 언어로 재인식하여 상기 제2 언어의 텍스트로 변환하고, 상기 변환된 제1 언어의 텍스트 중 상기 검출된 부분에 대응하는 텍스트를 상기 변환된 제2 언어의 텍스트로 대체하도록 설정될 수 있다.
또한, 본 발명의 다양한 실시예에 따른 전자 장치의 필기 입력을 텍스트로 변환하는 방법은, 필기 입력을 수신하는 동작, 상기 전자 장치의 메모리에 저장된 복수 개의 언어들 각각의 특성에 따른 필체 모델들 및 언어 모델들 중 제1 언어에 대응하는 제1 필체 모델 및 제1 언어 모델을 기반으로, 상기 필기 입력을 인식하여 상기 제1 언어의 텍스트로 변환하는 동작, 상기 필기 입력을 인식한 결과에서 상기 제1 언어와 다른 제2 언어로 필기된 부분을 검출하는 동작, 상기 메모리에 저장된 상기 필체 모델들 및 상기 언어 모델들 중 상기 제2 언어에 대응하는 제2 필체 모델 및 제2 언어 모델을 기반으로, 상기 검출된 부분을 상기 제2 언어로 재인식하여 상기 제2 언어의 텍스트로 변환하는 동작, 및 상기 변환된 제1 언어의 텍스트 중 상기 검출된 부분에 대응하는 텍스트를 상기 변환된 제2 언어의 텍스트로 대체하는 동작을 포함할 수 있다.
본 발명의 다양한 실시예들에 따르면, 필기 입력을 텍스트로 변환함에 있어서, 변환할 언어에 대한 사용자 선택없이 필기 입력에 포함된 복수 개의 언어들로 필기된 부분을 자동으로 인식하여 텍스트로 변환함으로써, 편의성이 증대될 수 있다.
또한, 본 발명의 다양한 실시예들에 따르면, 필기 입력에 포함된 복수 개의 언어들 각각으로 필기된 부분에 적합한 필기 인식 엔진을 이용하여 필기 입력을 인식함으로써, 필기 입력에 대한 인식률이 증대될 수 있다.
이 외에, 본 문서를 통해 직접적 또는 간접적으로 파악되는 다양한 효과들이 제공될 수 있다.
도 1은 다양한 실시예들에 따른 네트워크 환경 내의 전자 장치의 블록도이다.
도 2는 본 발명의 일 실시예에 따른 전자 장치를 나타낸 도면이다.
도 3은 본 발명의 일 실시예에 따른 활자체 필기의 학습 데이터베이스를 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시예에 따른 동일한 글자의 다양한 필체를 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따른 템플릿 클러스터링(template clustering)을 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시예에 따른 글자 단위의 세그먼테이션(segmentation)을 설명하기 위한 도면이다.
도 7은 본 발명의 일 실시예에 따른 필기체 필기의 학습 데이터베이스를 설명하기 위한 도면이다.
도 8은 본 발명의 일 실시예에 따른 BLSTM(bidirectional long-short term memory) 학습 아키텍처(architecture)를 설명하기 위한 도면이다.
도 9는 본 발명의 일 실시예에 따른 활자체 필기 인식 엔진을 나타낸 도면이다.
도 10은 본 발명의 일 실시예에 따른 활자체 필기 인식 엔진에서의 전처리(pre-process) 과정을 설명하기 위한 도면이다.
도 11은 본 발명의 일 실시예에 따른 전처리 과정에서의 노이즈 제거 기능을 설명하기 위한 도면이다.
도 12는 본 발명의 일 실시예에 따른 전처리 과정에서의 라인 분리 기능을 설명하기 위한 도면이다.
도 13은 본 발명의 일 실시예에 따른 라인 분리의 예를 도시한 도면이다.
도 14는 본 발명의 일 실시예에 따른 전처리 과정에서의 기울기 보정(skew correction) 기능을 설명하기 위한 도면이다.
도 15는 본 발명의 일 실시예에 따른 활자체 필기 인식 엔진에서의 디코드(decode) 과정 및 후처리(post-process) 과정을 설명하기 위한 도면이다.
도 16은 본 발명의 일 실시예에 따른 디코드 과정에서의 프리 세그먼테이션(pre-segmentation)을 설명하기 위한 도면이다.
도 17은 본 발명의 일 실시예에 따른 디코드 과정에서의 템플릿 정합에 따른 인식 대상 후보를 추출하는 방법을 설명하기 위한 도면이다.
도 18은 본 발명의 일 실시예에 따른 디코드 과정에서의 언어 모델에 기반한 인식 대상 후보를 추출하는 방법을 설명하기 위한 도면이다.
도 19는 본 발명의 일 실시예에 따른 인식 대상 후보 중 최적의 후보를 산출하는 방법을 설명하기 위한 도면이다.
도 20은 본 발명의 일 실시예에 따른 후처리 과정에서의 기하학적 후처리 기능을 설명하기 위한 도면이다.
도 21은 본 발명의 일 실시예에 따른 후처리 과정에서의 단어 분리 기능을 설명하기 위한 도면이다.
도 22 및 도 23은 본 발명의 일 실시예에 따른 후처리 과정에서의 언어 모델 결합 기능을 설명하기 위한 도면이다.
도 24는 본 발명의 일 실시예에 따른 후처리 과정에서의 영어 단어 검출 기능을 설명하기 위한 도면이다.
도 25는 본 발명의 일 실시예에 따른 활자체 필기 인식 엔진에서의 영어 단어 인식 과정을 설명하기 위한 도면이다.
도 26은 본 발명의 일 실시예에 따른 필기체 필기 인식 엔진을 나타낸 도면이다.
도 27은 본 발명의 일 실시예에 따른 필기체 필기 인식 엔진에서의 디코드 과정을 설명하기 위한 도면이다.
도 28은 본 발명의 일 실시예에 따른 필기체 필기 인식 엔진에서의 갭 모델(gap model) 적용 과정을 설명하기 위한 도면이다.
도 29는 본 발명의 일 실시예에 따른 전자 장치의 필기 입력을 텍스트로 변환하는 방법을 나타낸 도면이다.
도면의 설명과 관련하여, 동일 또는 유사한 구성요소에 대해서는 동일 또는 유사한 참조 부호가 사용될 수 있다.
도 2는 본 발명의 일 실시예에 따른 전자 장치를 나타낸 도면이다.
도 3은 본 발명의 일 실시예에 따른 활자체 필기의 학습 데이터베이스를 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시예에 따른 동일한 글자의 다양한 필체를 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따른 템플릿 클러스터링(template clustering)을 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시예에 따른 글자 단위의 세그먼테이션(segmentation)을 설명하기 위한 도면이다.
도 7은 본 발명의 일 실시예에 따른 필기체 필기의 학습 데이터베이스를 설명하기 위한 도면이다.
도 8은 본 발명의 일 실시예에 따른 BLSTM(bidirectional long-short term memory) 학습 아키텍처(architecture)를 설명하기 위한 도면이다.
도 9는 본 발명의 일 실시예에 따른 활자체 필기 인식 엔진을 나타낸 도면이다.
도 10은 본 발명의 일 실시예에 따른 활자체 필기 인식 엔진에서의 전처리(pre-process) 과정을 설명하기 위한 도면이다.
도 11은 본 발명의 일 실시예에 따른 전처리 과정에서의 노이즈 제거 기능을 설명하기 위한 도면이다.
도 12는 본 발명의 일 실시예에 따른 전처리 과정에서의 라인 분리 기능을 설명하기 위한 도면이다.
도 13은 본 발명의 일 실시예에 따른 라인 분리의 예를 도시한 도면이다.
도 14는 본 발명의 일 실시예에 따른 전처리 과정에서의 기울기 보정(skew correction) 기능을 설명하기 위한 도면이다.
도 15는 본 발명의 일 실시예에 따른 활자체 필기 인식 엔진에서의 디코드(decode) 과정 및 후처리(post-process) 과정을 설명하기 위한 도면이다.
도 16은 본 발명의 일 실시예에 따른 디코드 과정에서의 프리 세그먼테이션(pre-segmentation)을 설명하기 위한 도면이다.
도 17은 본 발명의 일 실시예에 따른 디코드 과정에서의 템플릿 정합에 따른 인식 대상 후보를 추출하는 방법을 설명하기 위한 도면이다.
도 18은 본 발명의 일 실시예에 따른 디코드 과정에서의 언어 모델에 기반한 인식 대상 후보를 추출하는 방법을 설명하기 위한 도면이다.
도 19는 본 발명의 일 실시예에 따른 인식 대상 후보 중 최적의 후보를 산출하는 방법을 설명하기 위한 도면이다.
도 20은 본 발명의 일 실시예에 따른 후처리 과정에서의 기하학적 후처리 기능을 설명하기 위한 도면이다.
도 21은 본 발명의 일 실시예에 따른 후처리 과정에서의 단어 분리 기능을 설명하기 위한 도면이다.
도 22 및 도 23은 본 발명의 일 실시예에 따른 후처리 과정에서의 언어 모델 결합 기능을 설명하기 위한 도면이다.
도 24는 본 발명의 일 실시예에 따른 후처리 과정에서의 영어 단어 검출 기능을 설명하기 위한 도면이다.
도 25는 본 발명의 일 실시예에 따른 활자체 필기 인식 엔진에서의 영어 단어 인식 과정을 설명하기 위한 도면이다.
도 26은 본 발명의 일 실시예에 따른 필기체 필기 인식 엔진을 나타낸 도면이다.
도 27은 본 발명의 일 실시예에 따른 필기체 필기 인식 엔진에서의 디코드 과정을 설명하기 위한 도면이다.
도 28은 본 발명의 일 실시예에 따른 필기체 필기 인식 엔진에서의 갭 모델(gap model) 적용 과정을 설명하기 위한 도면이다.
도 29는 본 발명의 일 실시예에 따른 전자 장치의 필기 입력을 텍스트로 변환하는 방법을 나타낸 도면이다.
도면의 설명과 관련하여, 동일 또는 유사한 구성요소에 대해서는 동일 또는 유사한 참조 부호가 사용될 수 있다.
이하, 첨부된 도면을 참조하여 본 발명의 다양한 실시예들이 설명된다. 설명의 편의를 위하여 도면에 도시된 구성요소들은 그 크기가 과장 또는 축소될 수 있으며, 본 발명이 반드시 도시된 바에 의해 한정되는 것은 아니다.
도 1은 다양한 실시예들에 따른, 네트워크 환경(100) 내의 전자 장치(101)의 블록도이다.
도 1을 참조하면, 네트워크 환경(100)에서 전자 장치(101)는 제1 네트워크(198)(예: 근거리 무선 통신 네트워크)를 통하여 전자 장치(102)와 통신하거나, 또는 제2 네트워크(199)(예: 원거리 무선 통신 네트워크)를 통하여 전자 장치(104) 또는 서버(108)와 통신할 수 있다. 일 실시예에 따르면, 전자 장치(101)는 서버(108)를 통하여 전자 장치(104)와 통신할 수 있다. 일 실시예에 따르면, 전자 장치(101)는 프로세서(120), 메모리(130), 입력 장치(150), 음향 출력 장치(155), 표시 장치(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 포함할 수 있다. 어떤 실시예에서는, 전자 장치(101)에는, 이 구성요소들 중 적어도 하나(예: 표시 장치(160) 또는 카메라 모듈(180))가 생략되거나, 하나 이상의 다른 구성요소가 추가될 수 있다. 어떤 실시예에서는, 이 구성요소들 중 일부들은 하나의 통합된 회로로 구현될 수 있다. 예를 들면, 센서 모듈(176)(예: 지문 센서, 홍채 센서, 또는 조도 센서)은 표시 장치(160)(예: 디스플레이)에 임베디드된 채 구현될 수 있다.
프로세서(120)는, 예를 들면, 소프트웨어(예: 프로그램(140))를 실행하여 프로세서(120)에 연결된 전자 장치(101)의 적어도 하나의 다른 구성요소(예: 하드웨어 또는 소프트웨어 구성요소)를 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다. 일 실시예에 따르면, 데이터 처리 또는 연산의 적어도 일부로서, 프로세서(120)는 다른 구성요소(예: 센서 모듈(176) 또는 통신 모듈(190))로부터 수신된 명령 또는 데이터를 휘발성 메모리(132)에 로드하고, 휘발성 메모리(132)에 저장된 명령 또는 데이터를 처리하고, 결과 데이터를 비휘발성 메모리(134)에 저장할 수 있다. 일 실시예에 따르면, 프로세서(120)는 메인 프로세서(121)(예: 중앙 처리 장치 또는 어플리케이션 프로세서), 및 이와는 독립적으로 또는 함께 운영 가능한 보조 프로세서(123)(예: 그래픽 처리 장치, 이미지 시그널 프로세서, 센서 허브 프로세서, 또는 커뮤니케이션 프로세서)를 포함할 수 있다. 추가적으로 또는 대체적으로, 보조 프로세서(123)는 메인 프로세서(121)보다 저전력을 사용하거나, 또는 지정된 기능에 특화되도록 설정될 수 있다. 보조 프로세서(123)는 메인 프로세서(121)와 별개로, 또는 그 일부로서 구현될 수 있다.
보조 프로세서(123)는, 예를 들면, 메인 프로세서(121)가 인액티브(예: 슬립) 상태에 있는 동안 메인 프로세서(121)를 대신하여, 또는 메인 프로세서(121)가 액티브(예: 어플리케이션 실행) 상태에 있는 동안 메인 프로세서(121)와 함께, 전자 장치(101)의 구성요소들 중 적어도 하나의 구성요소(예: 표시 장치(160), 센서 모듈(176), 또는 통신 모듈(190))와 관련된 기능 또는 상태들의 적어도 일부를 제어할 수 있다. 일 실시예에 따르면, 보조 프로세서(123)(예: 이미지 시그널 프로세서 또는 커뮤니케이션 프로세서)는 기능적으로 관련 있는 다른 구성요소(예: 카메라 모듈(180) 또는 통신 모듈(190))의 일부로서 구현될 수 있다.
메모리(130)는, 전자 장치(101)의 적어도 하나의 구성요소(예: 프로세서(120) 또는 센서 모듈(176))에 의해 사용되는 다양한 데이터를 저장할 수 있다. 데이터는, 예를 들어, 소프트웨어(예: 프로그램(140)) 및, 이와 관련된 명령에 대한 입력 데이터 또는 출력 데이터를 포함할 수 있다. 메모리(130)는, 휘발성 메모리(132) 또는 비휘발성 메모리(134)를 포함할 수 있다.
프로그램(140)은 메모리(130)에 소프트웨어로서 저장될 수 있으며, 예를 들면, 운영 체제(142), 미들 웨어(144) 또는 어플리케이션(146)을 포함할 수 있다.
입력 장치(150)는, 전자 장치(101)의 구성요소(예: 프로세서(120))에 사용될 명령 또는 데이터를 전자 장치(101)의 외부(예: 사용자)로부터 수신할 수 있다. 입력 장치(150)는, 예를 들면, 마이크, 마우스, 키보드, 또는 디지털 펜(예: 스타일러스 펜)을 포함할 수 있다.
음향 출력 장치(155)는 음향 신호를 전자 장치(101)의 외부로 출력할 수 있다. 음향 출력 장치(155)는, 예를 들면, 스피커 또는 리시버를 포함할 수 있다. 스피커는 멀티미디어 재생 또는 녹음 재생과 같이 일반적인 용도로 사용될 수 있고, 리시버는 착신 전화를 수신하기 위해 사용될 수 있다. 일 실시예에 따르면, 리시버는 스피커와 별개로, 또는 그 일부로서 구현될 수 있다.
표시 장치(160)는 전자 장치(101)의 외부(예: 사용자)로 정보를 시각적으로 제공할 수 있다. 표시 장치(160)는, 예를 들면, 디스플레이, 홀로그램 장치, 또는 프로젝터 및 해당 장치를 제어하기 위한 제어 회로를 포함할 수 있다. 일 실시예에 따르면, 표시 장치(160)는 터치를 감지하도록 설정된 터치 회로(touch circuitry), 또는 상기 터치에 의해 발생되는 힘의 세기를 측정하도록 설정된 센서 회로(예: 압력 센서)를 포함할 수 있다.
오디오 모듈(170)은 소리를 전기 신호로 변환시키거나, 반대로 전기 신호를 소리로 변환시킬 수 있다. 일 실시예에 따르면, 오디오 모듈(170)은, 입력 장치(150)를 통해 소리를 획득하거나, 음향 출력 장치(155), 또는 전자 장치(101)와 직접 또는 무선으로 연결된 외부 전자 장치(예: 전자 장치(102))(예: 스피커 또는 헤드폰)를 통해 소리를 출력할 수 있다.
센서 모듈(176)은 전자 장치(101)의 작동 상태(예: 전력 또는 온도), 또는 외부의 환경 상태(예: 사용자 상태)를 감지하고, 감지된 상태에 대응하는 전기 신호 또는 데이터 값을 생성할 수 있다. 일 실시예에 따르면, 센서 모듈(176)은, 예를 들면, 제스처 센서, 자이로 센서, 기압 센서, 마그네틱 센서, 가속도 센서, 그립 센서, 근접 센서, 컬러 센서, IR(infrared) 센서, 생체 센서, 온도 센서, 습도 센서, 또는 조도 센서를 포함할 수 있다.
인터페이스(177)는 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 직접 또는 무선으로 연결되기 위해 사용될 수 있는 하나 이상의 지정된 프로토콜들을 지원할 수 있다. 일 실시예에 따르면, 인터페이스(177)는, 예를 들면, HDMI(high definition multimedia interface), USB(universal serial bus) 인터페이스, SD카드 인터페이스, 또는 오디오 인터페이스를 포함할 수 있다.
연결 단자(178)는, 그를 통해서 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 물리적으로 연결될 수 있는 커넥터를 포함할 수 있다. 일 실시예에 따르면, 연결 단자(178)는, 예를 들면, HDMI 커넥터, USB 커넥터, SD 카드 커넥터, 또는 오디오 커넥터(예: 헤드폰 커넥터)를 포함할 수 있다.
햅틱 모듈(179)은 전기적 신호를 사용자가 촉각 또는 운동 감각을 통해서 인지할 수 있는 기계적인 자극(예: 진동 또는 움직임) 또는 전기적인 자극으로 변환할 수 있다. 일 실시예에 따르면, 햅틱 모듈(179)은, 예를 들면, 모터, 압전 소자, 또는 전기 자극 장치를 포함할 수 있다.
카메라 모듈(180)은 정지 영상 및 동영상을 촬영할 수 있다. 일 실시예에 따르면, 카메라 모듈(180)은 하나 이상의 렌즈들, 이미지 센서들, 이미지 시그널 프로세서들, 또는 플래시들을 포함할 수 있다.
전력 관리 모듈(188)은 전자 장치(101)에 공급되는 전력을 관리할 수 있다. 일 실시예에 따르면, 전력 관리 모듈(188)은, 예를 들면, PMIC(power management integrated circuit)의 적어도 일부로서 구현될 수 있다.
배터리(189)는 전자 장치(101)의 적어도 하나의 구성요소에 전력을 공급할 수 있다. 일 실시예에 따르면, 배터리(189)는, 예를 들면, 재충전 불가능한 1차 전지, 재충전 가능한 2차 전지 또는 연료 전지를 포함할 수 있다.
통신 모듈(190)은 전자 장치(101)와 외부 전자 장치(예: 전자 장치(102), 전자 장치(104), 또는 서버(108))간의 직접(예: 유선) 통신 채널 또는 무선 통신 채널의 수립, 및 수립된 통신 채널을 통한 통신 수행을 지원할 수 있다. 통신 모듈(190)은 프로세서(120)(예: 어플리케이션 프로세서)와 독립적으로 운영되고, 직접(예: 유선) 통신 또는 무선 통신을 지원하는 하나 이상의 커뮤니케이션 프로세서를 포함할 수 있다. 일 실시예에 따르면, 통신 모듈(190)은 무선 통신 모듈(192)(예: 셀룰러 통신 모듈, 근거리 무선 통신 모듈, 또는 GNSS(global navigation satellite system) 통신 모듈) 또는 유선 통신 모듈(194)(예: LAN(local area network) 통신 모듈, 또는 전력선 통신 모듈)을 포함할 수 있다. 이들 통신 모듈 중 해당하는 통신 모듈은 제1 네트워크(198)(예: 블루투스, WiFi direct 또는 IrDA(infrared data association) 같은 근거리 통신 네트워크) 또는 제2 네트워크(199)(예: 셀룰러 네트워크, 인터넷, 또는 컴퓨터 네트워크(예: LAN 또는 WAN)와 같은 원거리 통신 네트워크)를 통하여 외부 전자 장치와 통신할 수 있다. 이런 여러 종류의 통신 모듈들은 하나의 구성요소(예: 단일 칩)로 통합되거나, 또는 서로 별도의 복수의 구성요소들(예: 복수 칩들)로 구현될 수 있다. 무선 통신 모듈(192)은 가입자 식별 모듈(196)에 저장된 가입자 정보(예: 국제 모바일 가입자 식별자(IMSI))를 이용하여 제1 네트워크(198) 또는 제2 네트워크(199)와 같은 통신 네트워크 내에서 전자 장치(101)를 확인 및 인증할 수 있다.
안테나 모듈(197)은 신호 또는 전력을 외부(예: 외부 전자 장치)로 송신하거나 외부로부터 수신할 수 있다. 일 실시예에 따르면, 안테나 모듈(197)은 서브스트레이트(예: PCB) 위에 형성된 도전체 또는 도전성 패턴으로 이루어진 방사체를 포함하는 하나의 안테나를 포함할 수 있다. 일 실시예에 따르면, 안테나 모듈(197)은 복수의 안테나들을 포함할 수 있다. 이런 경우, 제1 네트워크(198) 또는 제2 네트워크(199)와 같은 통신 네트워크에서 사용되는 통신 방식에 적합한 적어도 하나의 안테나가, 예를 들면, 통신 모듈(190)에 의하여 상기 복수의 안테나들로부터 선택될 수 있다. 신호 또는 전력은 상기 선택된 적어도 하나의 안테나를 통하여 통신 모듈(190)과 외부 전자 장치 간에 송신되거나 수신될 수 있다. 어떤 실시예에 따르면, 방사체 이외에 다른 부품(예: RFIC)이 추가로 안테나 모듈(197)의 일부로 형성될 수 있다.
상기 구성요소들 중 적어도 일부는 주변 기기들간 통신 방식(예: 버스, GPIO(general purpose input and output), SPI(serial peripheral interface), 또는 MIPI(mobile industry processor interface))을 통해 서로 연결되고 신호(예: 명령 또는 데이터)를 상호간에 교환할 수 있다.
일 실시예에 따르면, 명령 또는 데이터는 제2 네트워크(199)에 연결된 서버(108)를 통해서 전자 장치(101)와 외부의 전자 장치(104)간에 송신 또는 수신될 수 있다. 전자 장치(102, 104) 각각은 전자 장치(101)와 동일한 또는 다른 종류의 장치일 수 있다. 일 실시예에 따르면, 전자 장치(101)에서 실행되는 동작들의 전부 또는 일부는 외부 전자 장치들(102, 104, 또는 108) 중 하나 이상의 외부 전자 장치들에서 실행될 수 있다. 예를 들면, 전자 장치(101)가 어떤 기능이나 서비스를 자동으로, 또는 사용자 또는 다른 장치로부터의 요청에 반응하여 수행해야 할 경우에, 전자 장치(101)는 기능 또는 서비스를 자체적으로 실행시키는 대신에 또는 추가적으로, 하나 이상의 외부 전자 장치들에게 그 기능 또는 그 서비스의 적어도 일부를 수행하라고 요청할 수 있다. 상기 요청을 수신한 하나 이상의 외부 전자 장치들은 요청된 기능 또는 서비스의 적어도 일부, 또는 상기 요청과 관련된 추가 기능 또는 서비스를 실행하고, 그 실행의 결과를 전자 장치(101)로 전달할 수 있다. 전자 장치(101)는 상기 결과를, 그대로 또는 추가적으로 처리하여, 상기 요청에 대한 응답의 적어도 일부로서 제공할 수 있다. 이를 위하여, 예를 들면, 클라우드 컴퓨팅, 분산 컴퓨팅, 또는 클라이언트-서버 컴퓨팅 기술이 이용될 수 있다.
도 2는 본 발명의 일 실시예에 따른 전자 장치를 나타낸 도면이다.
도 2를 참조하면, 전자 장치(200)(예: 도 1의 전자 장치(101))는 사용자의 신체 일부 또는 전자 펜을 이용한 필기 입력을 인식하고, 인식된 필기 입력을 이미지의 형태로 저장하거나 추가적인 처리가 가능하도록 텍스트로 변환할 수 있다. 상술한 기능을 수행하기 위한 전자 장치(200)는 입력 감지 회로(210), 디스플레이(230), 통신 회로(250), 프로세서(270), 및 메모리(290)를 포함할 수 있다. 그러나, 전자 장치(200)의 구성이 이에 한정되는 것은 아니다. 다양한 실시예에 따르면, 전자 장치(200)는 상술한 구성 요소들 중 적어도 하나를 생략하거나 적어도 하나의 다른 구성 요소를 더 포함할 수 있다. 일 예로, 전자 장치(200)는 통신 회로(250)를 생략할 수 있다.
상기 입력 감지 회로(210)는 사용자의 신체 일부 또는 전자 펜의 접근 또는 접촉을 감지할 수 있다. 예를 들어, 상기 입력 감지 회로(210)는 사용자의 신체 일부 또는 전자 펜을 이용한 필기 입력을 수신할 수 있다. 상기 입력 감지 회로(210)는 예를 들어, 터치 패널(touch panel) 또는 디지타이저(digitizer) 중 적어도 하나를 포함할 수 있다. 상기 터치 패널은 정전식, 감압식, 적외선 방식 또는 초음파 방식 중 적어도 하나의 방식을 사용할 수 있다. 상기 디지타이저는 전자기 유도 방식(electromagnetic resonance, EMR)을 지원하는 전자 펜의 접근 또는 접촉을 감지할 수 있다. 상기 디지타이저는 상기 터치 패널의 일부이거나 별도의 인식용 시트(sheet)로 구성될 수 있다. 일 실시예에 따르면, 상기 터치 패널 또는 상기 디지타이저 중 적어도 하나는 상기 디스플레이(230)의 표시 패널과 적어도 일부 영역이 중첩되도록 적층될 수 있다. 또한, 상기 터치 패널 또는 상기 디지타이저 중 적어도 하나를 포함하는 상기 입력 감지 회로(210)는 상기 디스플레이(230)와 일체로 제공될 수 있으며, 이때 상기 입력 감지 회로(210)와 상기 디스플레이(230)를 터치스크린 디스플레이(또는 터치스크린)로 지칭할 수 있다.
상기 디스플레이(230)(예: 표시 장치(160))는 사용자에게 각종 컨텐츠(예: 텍스트, 이미지, 비디오, 아이콘, 또는 심볼 등)를 표시할 수 있다. 상기 디스플레이(230)는 터치스크린을 포함할 수 있으며, 예를 들면, 전자 펜 또는 사용자의 신체 일부를 이용한 터치, 제스처, 근접 또는 호버링(hovering) 입력을 수신할 수 있다. 일 실시예에 따르면, 상기 디스플레이(230)는 상기 입력 감지 회로(210)를 통해 수신된 필기 입력이 인식된 결과를 화면에 출력할 수 있다. 예를 들어, 상기 디스플레이(230)는 상기 디스플레이(230)의 화면 상에서의 사용자의 손가락이나 전자 펜의 입력 경로(사용자의 손가락이나 전자 펜이 상기 화면 상에 접촉되어 이동하는 경로)에 대응하도록 필기 입력의 경로를 화면 상에 표시할 수 있다.
상기 통신 회로(250)(예: 통신 모듈(190))는 전자 장치(200)와 외부 전자 장치 간의 통신을 지원할 수 있다. 일 실시예에 따르면, 상기 통신 회로(250)는 상기 외부 전자 장치(예: 서버(108))로부터 언어별 필체 모델 및 언어 모델(291)을 수신할 수 있다. 다른 실시예에 따르면, 상기 통신 회로(250)는 입력 감지 회로(210)를 통해 수신된 필기 입력 또는 상기 수신된 필기 입력의 인식 결과 중 적어도 하나를 상기 외부 전자 장치로 전송할 수 있다.
상기 프로세서(270)(예: 프로세서(120))는 전자 장치(200)의 적어도 하나의 다른 구성요소를 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다. 일 실시예에 따르면, 상기 프로세서(270)는 상기 입력 감지 회로(210)를 통해 수신된 필기 입력을 인식하여 텍스트로 변환할 수 있다. 상기 프로세서(270)는 필기 입력을 텍스트로 변환하기 위해 필기 인식 엔진을 구동 및 제어할 수 있다. 상기 필기 인식 엔진은 전자 장치(200) 내에서 하드웨어 및/또는 소프트웨어 구성요소로 구현될 수 있다. 일 예로, 상기 필기 인식 엔진은 메모리(290)에 저장된 프로그램의 형태로 구현될 수 있다. 이 경우, 상기 필기 인식 엔진은 메모리(290)에 저장된 명령어로 구현되고, 상기 명령어는 상기 프로세서(270)에 의해 실행될 때, 상기 프로세서(270)가 상기 명령어에 해당하는 기능을 수행할 수 있다.
상기 필기 인식 엔진은 언어의 특성에 따른 분석의 정확성을 높이기 위해, 각 언어별로 구비될 수 있다. 예를 들어, 상기 필기 인식 엔진은 한국어, 일본어 또는 중국어와 같은 활자체 필기(예: 활자체 언어로 작성된 필기)를 인식하는 활자체 필기 인식 엔진 및 영어, 라틴계 언어 또는 키릴계 언어와 같은 필기체 필기(예: 필기체 언어로 작성된 필기)를 인식하는 필기체 필기 인식 엔진을 포함할 수 있다. 상기 활자체 필기 인식 엔진은, 딥러닝 방법의 한 종류인 CNN 방법을 사용하여, 필기 입력의 획 입력 순서에 상관없이 그래픽 특징에 기반하여 글자 단위로 정합하는 방법으로 상기 필기 입력을 분석할 수 있다. 상기 필기체 필기 인식 엔진은, 딥러닝 방법의 한 종류인 RNN 기반의 LSTM 방법을 사용하여, 획 입력 순서에 기반하여 이전에 입력된 정보를 선택적으로 고려하는 방법으로 필기 입력을 분석할 수 있다.
상기 프로세서(270)는 상기 필기 입력을 텍스트로 변환함에 있어서, 변환할 언어에 대한 사용자의 선택없이 상기 필기 입력에 포함된 복수 개의 언어들로 필기된 부분을 자동으로 인식하여 텍스트로 변환할 수 있다. 예컨대, 사용자가 어떤 문장을 복수 개의 언어로 필기하였을 때, 상기 문장에서 서로 다른 언어로 필기된 부분을 사용자로 하여금 선택하게 한 후 선택된 각 부분에 대해 변환할 언어를 다시 사용자로 하여금 선택하도록 하는 과정없이(즉, 사용자 입력없이), 상기 프로세서(270)는 복수 개의 언어들 각각으로 필기된 부분에 적합한 필기 인식 엔진을 이용하여 상기 문장에 포함된 서로 다른 언어로 필기된 부분을 자동으로 인식하여 텍스트로 변환할 수 있다. 이를 위해, 각각의 필기 인식 엔진은 다른 언어로 필기된 부분을 구분하기 위한 다른 언어 판단 모듈을 포함할 수 있다. 예를 들어, 상기 활자체 필기 인식 엔진은 상기 필기체 언어로 필기된 부분을 구분하기 위한 필기체 언어 판단 모듈을 포함할 수 있고, 상기 필기체 필기 인식 엔진은 상기 활자체 언어로 필기된 부분을 구분하기 위한 활자체 언어 판단 모듈을 포함할 수 있다.
일 실시예에 따르면, 상기 프로세서(270)는 특정 언어(제1 언어)의 필기 인식 엔진을 통해 필기된 문장을 상기 특정 언어로 인식하면서, 상기 특정 언어와 다른 언어(제2 언어)로 필기된 부분을 상기 다른 언어 판단 모듈을 통해 구분하고, 상기 특정 언어로의 인식이 완료된 후 상기 구분된 다른 언어로 필기된 부분을 상기 다른 언어의 필기 인식 엔진을 통해 인식함으로써, 필기 입력에 대한 인식률을 향상시킬 수 있다. 필기 입력을 각각의 언어로 인식하기 위해, 상기 프로세서(270)는 각각의 언어에 대한 필체 모델 및 언어 모델(291)을 학습하여 데이터베이스로 구축할 수 있다. 상기 언어로 된 필기의 학습 과정 및 인식 과정에 대해서는 후술하는 실시예들을 통해 자세히 설명하도록 한다.
본 명세서에서 한국어, 일본어 또는 중국어와 같은 활자체 필기를 인식하기 위한 필기 인식 엔진을 활자체 필기 인식 엔진으로 설명하고, 영어, 라틴계 언어 또는 키릴계 언어와 같은 필기체 필기를 인식하기 위한 필기 인식 엔진을 필기체 필기 인식 엔진으로 설명하였지만, 이는 설명의 편의를 위해 언어의 특성에 따라 분류한 것이며 이에 한정되는 것은 아니다. 다양한 실시예에 따르면, 상기 활자체 필기 인식 엔진은 한국어를 인식하기 위한 한국어 필기 인식 엔진, 일본어를 인식하기 위한 일본어 필기 인식 엔진, 또는 중국어를 인식하기 위한 중국어 필기 인식 엔진으로 구분될 수 있고, 상기 필기체 필기 인식 엔진도 영어, 라틴계 언어 또는 키릴계 언어에 포함된 특정 언어에 대한 필기 인식 엔진으로 구분될 수 있다. 또한, 이하의 설명에서는 설명의 편의를 위해, 상기 활자체 필기 인식 엔진이 영어로 필기된 부분을 구분할 수 있는 영어 판단 모듈(English Judging Module)을 포함하는 것으로 설명하지만, 이에 한정되는 것은 아니며, 상기 영어 판단 모듈 외에 라틴계 언어 또는 키릴계 언어 중 적어도 하나로 필기된 부분을 구분할 수 있는 언어 판단 모듈을 포함할 수도 있다. 또한, 상기 필기체 필기 인식 엔진도 활자체 언어들 중 적어도 하나로 필기된 부분을 구분할 수 있는 언어 판단 모듈을 포함할 수 있다.
상기 메모리(290)(예: 메모리(130))는 전자 장치(200)의 적어도 하나의 구성요소에 의해 사용되는 다양한 데이터를 저장할 수 있다. 일 실시예에 따르면, 상기 메모리(290)는 프로그램 형태의 상기 필기 인식 엔진(미도시)을 포함할 수 있다. 또한, 상기 메모리(290)는 각각의 언어로 된 필기에 대한 학습 데이터 베이스(예: 필체 모델 및 언어 모델(291))를 저장할 수 있다.
도 3은 본 발명의 일 실시예에 따른 활자체 필기의 학습 데이터베이스를 설명하기 위한 도면이고, 도 4는 본 발명의 일 실시예에 따른 동일한 글자의 다양한 필체를 설명하기 위한 도면이며, 도 5는 본 발명의 일 실시예에 따른 템플릿 클러스터링(template clustering)을 설명하기 위한 도면이고, 도 6은 본 발명의 일 실시예에 따른 글자 단위의 세그먼테이션(segmentation)을 설명하기 위한 도면이다.
도 3 내지 도 6을 참조하면, 활자체 필기의 학습 프레임워크(300)는 멀티 템플릿 분류기 트레이너(MTC(multi template classifier) trainer)(310), 글자 분류기 트레이너(char/non-Char classifier trainer)(330), 영어 글자 판단 트레이너(English/non-English char judging trainer)(350), 언어 모델 트레이너(language model trainer)(370), 및 파라미터 튜닝(parameter tuning) 모듈(390)을 포함할 수 있다.
상기 멀티 템플릿 분류기 트레이너(310)는 필기 입력 샘플(handwriting samples)(301)에 대해, 낱 글자 단위로 인식 결과를 얻기 위한 학습 과정을 수행할 수 있다. 예컨대, 상기 멀티 템플릿 분류기 트레이너(310)는 글자의 특징을 추출하고 추출된 글자의 특징을 기반으로 후보 글자인 템플릿을 생성하고, 생성된 템플릿을 클러스터링할 수 있다. 여기서, 상기 글자의 특징을 나타내는 정보는 연속된 입력 포인트의 각도에 대한 방향 벡터, x/y(가로방향/세로방향) 변화량 등을 포함할 수 있다. 또한, 상기 템플릿은 글자를 구성하는 획 그룹의 형태 예컨대, 각 획의 길이, 모양, 및 획들 간의 위치 관계를 나타내는 정보를 포함할 수 있다.
상기 멀티 템플릿 분류기 트레이너(310)는 도 4에 도시된 바와 같이, 동일한 글자라 하더라도 여러 가지 형태의 필체가 존재하기 때문에, 각각의 글자(400)에 대응하는 복수 개의 템플릿(410 내지 460)들을 구성할 수 있다. 일 실시예에 따르면, 상기 멀티 템플릿 분류기 트레이너(310)는 사용 빈도(필기 입력에 사용된 횟수)가 높은 글자에 대해서는 사용빈도가 낮은 글자보다 많은 수의 템플릿을 생성할 수 있다.
상기 멀티 템플릿 분류기 트레이너(310)는 필기 입력에서 글자를 인식하기 위해 필기 입력에서의 낱 글자와 상기 템플릿을 정합하는 방법을 사용하는데, 여기서 템플릿 정합은 추출된 특징에 대해 유클리디언 거리(Euclidean distance)를 계산하는 방식으로 연산할 수 있다. 이 경우, 연산 속도가 매우 빠를 수 있다. 그러나, 지원하는 글자 수 및 이에 해당하는 템플릿 수가 많은 경우, 분류된 템플릿과 각각의 글자를 일일이 정합하는 데에 많은 시간이 소요될 수 있다. 이에 따라, 상기 멀티 템플릿 분류기 트레이너(310)는 인식 속도를 향상시키기 위해, 먼저 LDA(linear discriminant analysis)를 통해 특징 개수인 차원을 줄여 압축함으로써 연산량을 줄일 수 있다. 또한, 상기 멀티 템플릿 분류기 트레이너(310)는 도 5에 도시된 바와 같이, 템플릿들(511 내지 532)을 클러스터링하여 분류한 후, 트리 구조로 구성할 수 있다. 이에 따라, 활자체 필기 인식 엔진에서는 클러스터링된 트리 노드(tree nodes)로부터 가장 유사한 클러스터(510 내지 530)를 찾고, 리프 노드(leaf nodes)에서 그에 해당하는 템플릿(511 내지 532)을 찾는 방법을 사용할 수 있다. 일 실시예에 따르면, 상기 멀티 템플릿 분류기 트레이너(310)는 하나의 템플릿이 복수 개의 클러스터에 포함되도록 트리 구조를 구성할 수도 있다. 상술한 과정을 통해 상기 멀티 템플릿 분류기 트레이너(310)는 각 글자에 대한 템플릿 모델(single character template model)(311)을 생성할 수 있다. 여기서, 각 글자에 대한 템플릿 모델(311)은 각 글자에 대한 필체 모델로 지칭될 수 있다.
상기 글자 분류기 트레이너(330)는 필기 입력 샘플(301)에서 글자와 글자가 아닌 비문자를 분류하는 학습 과정을 수행할 수 있다. 이러한 학습 과정은 도 6에 도시된 바와 같이, 필기 입력에서 글자 단위의 세그먼테이션을 수행하기 위한 것일 수 있다. 예를 들어, 활자체 언어는 복수 개의 획들이 하나의 글자를 구성하고, 각 글자가 획 단위로 끊어져 있어서 어느 획에서 시작하여 어느 획까지가 하나의 글자를 이루게 되는지 구분할 필요가 있다. 이에 따라, 상기 글자 분류기 트레이너(330)는 필기 입력에서 획들(601 내지 609)의 조합을 통해 해당 획들의 조합이 글자인지 아닌지를 학습할 수 있다. 예를 들어, 상기 글자 분류기 트레이너(330)는 제1 획(601)("ㅇ")과 제2 획(602)("ㅏ")의 조합("아"), 제2 획(602)과 제3 획(603)("ㅂ")의 조합("ㅏㅂ") 등의 순서로 마지막 글자(609)까지 학습함으로써, 글자와 글자가 아닌 비문자를 학습할 수 있다. 상술한 과정을 통해 상기 글자 분류기 트레이너(330)는 글자와 글자가 아닌 비문자에 대한 세그먼테이션 모델(char/non-char segmentation model)(331)을 생성할 수 있다.
상기 영어 글자 판단 트레이너(350)는 필기 입력 샘플(301)에서 활자체 언어로 필기된 부분과 영어로 필기된 부분을 분류하는 학습 과정을 수행할 수 있다. 활자체 언어는 글자와 글자 사이가 하나의 획으로 연결되지 않는 형태를 가지지만, 영어는 글자와 글자 사이가 하나의 획으로 연결되는 형태가 다수 존재할 수 있다. 그러나, 하나의 획으로 연결된 복수 개의 영어 글자들은, 상기 멀티 템플릿 분류기 트레이너(310)에 의한 학습 결과 즉, 템플릿 정합에 의해 활자체 언어로 오인식되는 경우가 발생할 수 있다. 이에 따라, 상기 영어 글자 판단 트레이너(350)는 활자체 언어의 글자와 영어 글자를 나누어 학습함으로써, 영어 글자들을 활자체 언어로 오인식하지 않도록 할 수 있다.
일 실시예에 따르면, 상기 영어 글자 판단 트레이너(350)는 여러 글자가 하나의 획으로 연결된 영어 필체 샘플들도 학습 샘플에 포함하여 학습할 수 있다. 이를 통해 상기 영어 글자 판단 트레이너(350)는 활자체로 필기된 영어 글자뿐만 아니라 필기체로 필기된 영어 글자들을 구분하여 학습할 수 있다. 상술한 과정을 통해 상기 영어 글자 판단 트레이너(350)는 영어에 대한 판단 모델(English judging model)(351)을 생성할 수 있다. 이에 따라, 프로세서(270)는 활자체 필기 인식 엔진을 통해 필기 입력된 문장을 활자체 언어로 인식하면서, 상기 영어에 대한 판단 모델(351)을 기반으로 상기 문장에서 활자체 및/또는 필기체로 필기된 영어 글자들을 탐지하고, 탐지된 영어 글자들을 마크(mark)해 놓은 후, 상기 활자체 필기 인식 엔진을 통한 활자체 언어로의 인식이 완료되면, 필기체 필기 인식 엔진을 통해 마크된 영어 글자들을 재인식하여 텍스트로 변환할 수 있다.
상술한 설명에서는 설명의 편의를 위해 상기 영어 글자 판단 트레이너(350)가 상기 영어에 대한 판단 모델(351)을 생성하고, 상기 활자체 필기 인식 엔진이 생성된 상기 영어에 대한 판단 모델(351)을 이용하는 방법에 대해 설명하였지만, 이에 한정되는 것은 아니다. 다양한 실시예에 따르면, 상기 영어에 대한 판단 모델(351)뿐만 아니라 라틴계 언어 또는 키릴계 언어에 대한 판단 모델이 이용될 수 있다. 예를 들어, 상기 활자체 필기의 학습 프레임워크(300)에는 상기 영어 글자 판단 트레이너(350)와 동일 또는 유사한 라틴계 언어 또는 키릴계 언어 판단 트레이너가 포함될 수 있고, 상기 라틴계 언어 또는 키릴계 언어 판단 트레이너는 상기 라틴계 언어 또는 키릴계 언어에 대한 판단 모델을 생성할 수 있으며, 상기 활자체 필기 인식 엔진이 생성된 상기 라틴계 언어 또는 키릴계 언어에 대한 판단 모델을 이용할 수도 있다.
상기 언어 모델 트레이너(370)는 기 수집된 말뭉치 데이터(corpora)로부터 통계적인 정보 및 형태소 분석을 통해 학습하여 언어 모델(language model)(371)을 도출할 수 있다. 상기 언어 모델(371)은 예를 들어, 확률적 언어 모델인 n-gram을 포함할 수 있다. 상기 n-gram은 하나의 글자 또는 단어 뒤에 다른 글자 또는 단어가 나올 수 있는 통계적인 확률 값을 나타내는 것으로, 글자(또는 음절)에 대한 통계적인 확률 값을 나타내는 char n-gram, 및 단어(또는 어절)에 대한 통계적인 확률 값을 나타내는 word n-gram을 포함할 수 있다.
상기 파라미터 튜닝 모듈(390)은 상술한 4개의 구성들(멀티 템플릿 분류기 트레이너(310), 글자 분류기 트레이너(330), 영어 글자 판단 트레이너(350), 및 언어 모델 트레이너(370)) 각각으로부터 출력된 모델들(각 글자에 대한 템플릿 모델(311), 글자와 글자가 아닌 비문자에 대한 세그먼테이션 모델(331), 영어에 대한 판단 모델(351), 및 언어 모델(371))을 조합하여 문장 인식 성능을 향상시킬 수 있다. 상기 파라미터 튜닝 모듈(390)은 상기 모델들에 기반하여 상기 4개의 구성들 각각으로부터 출력되는 스코어(score)(또는 결과 값)에 곱해지는 가중치를 조절하여 최적의 문장 후보를 추출할 수 있다. 이를 위해, 상기 파라미터 튜닝 모듈(390)은 밸리데이션 세트(validation set)를 바탕으로 다이나믹 프로그래밍(dynamic programing) 기법을 사용하여 최적의 가중치를 찾아낼 수 있고, 상기 최적의 가중치에 해당하는 값을 활자체 필기 학습 데이터베이스(391)에 저장할 수 있다.
상기 활자체 필기 학습 데이터베이스(391)는 상술한 4개의 구성들(멀티 템플릿 분류기 트레이너(310), 글자 분류기 트레이너(330), 영어 글자 판단 트레이너(350), 및 언어 모델 트레이너(370))을 통해 도출된 학습 모델들 및 각 학습 모델들에 적용되는 가중치를 포함할 수 있다. 상기 학습 모델들은 예를 들어, 각 글자에 대한 템플릿 모델(또는 필체 모델)(311), 글자와 글자가 아닌 비문자에 대한 세그먼테이션 모델(331), 영어에 대한 판단 모델(351), 및 언어 모델(371)을 포함할 수 있다.
도 7은 본 발명의 일 실시예에 따른 필기체 필기의 학습 데이터베이스를 설명하기 위한 도면이고, 도 8은 본 발명의 일 실시예에 따른 BLSTM(bidirectional long-short term memory) 학습 아키텍처(architecture)를 설명하기 위한 도면이다.
도 7 및 도 8을 참조하면, 필기체 필기의 학습 프레임워크(700)는 BLSTM(bidirectional long-short term memory) 트레이너(710), 언어 모델 트레이너(730), 및 파라미터 튜닝 모듈(750)을 포함할 수 있다.
상기 BLSTM 트레이너(710)는 도 8에 도시된 바와 같이, BLSTM 아키텍처(800)를 통해 필기 입력 샘플(701)에 대해, 글자 또는 단어 단위로 학습하여, 필체 모델(trace(acoustic) model)(711)을 생성할 수 있다.
상기 언어 모델 트레이너(730)는 기 수집된 말뭉치 데이터로부터 통계적인 정보를 기반으로 학습하여 언어 모델(731)을 도출할 수 있다. 상기 언어 모델(731)은 예를 들어, 확률적 언어 모델인 n-gram을 포함할 수 있다. 상기 n-gram은 하나의 단어 뒤에 다른 단어가 나올 수 있는 통계적인 확률 값을 나타내는 word n-gram을 포함할 수 있다.
상기 파라미터 튜닝 모듈(750)은 상술한 2개의 구성들(BLSTM 트레이너(710) 및 언어 모델 트레이너(730)) 각각으로부터 출력된 모델들(필체 모델(711) 및 언어 모델(731))을 조합하여 문장 인식 성능을 향상시킬 수 있다. 상기 파라미터 튜닝 모듈(750)은 상기 모델들에 기반하여 상기 2개의 구성들 각각으로부터 출력되는 스코어(또는 결과 값)에 곱해지는 가중치를 조절하여 최적의 문장 후보를 추출할 수 있다. 이를 위해, 상기 파라미터 튜닝 모듈(750)은 밸리데이션 세트를 바탕으로 다이나믹 프로그래밍 기법을 사용하여 최적의 가중치를 찾아낼 수 있고, 상기 최적의 가중치에 해당하는 값을 필기체 필기 학습 데이터베이스(751)에 저장할 수 있다.
상기 필기체 필기 학습 데이터베이스(751)는 상술한 2개의 구성들(BLSTM 트레이너(710) 및 언어 모델 트레이너(730))을 통해 도출된 학습 모델들 및 각 학습 모델들에 적용되는 가중치를 포함할 수 있다. 상기 학습 모델들은 예를 들어, 필체 모델(711) 및 언어 모델(731)을 포함할 수 있다.
도 9는 본 발명의 일 실시예에 따른 활자체 필기 인식 엔진을 나타낸 도면이다.
도 9를 참조하면, 활자체 필기를 인식하기 위한 활자체 필기 인식 엔진(900)은 전처리(pre-process) 모듈(910), 특징 추출 및 디코더(feature extraction & decoder) 모듈(930), 후처리 및 영어 단어 검출(post-process & detecting English word) 모듈(950), 영어 단어 리스트 재인식(recognize English wordlist) 모듈(970), 및 최종 후처리(final post-process) 모듈(990)을 포함할 수 있다.
상기 전처리 모듈(910)은 필기 입력을 인식하기 위한 전처리를 수행할 수 있다. 예를 들어, 상기 전처리 모듈(910)은 상기 필기 입력에서 노이즈 포인트(noise point)를 제거하고, 라인 분리(line segmentation)를 수행하고, 기울기 보정(skew correction)을 수행할 수 있다. 상기 특징 추출 및 디코더 모듈(930)은 활자체 필기 학습 데이터베이스(391)를 기반으로, 전처리된 필기 입력으로부터 인식 대상 후보들을 추출할 수 있다. 상기 후처리 및 영어 단어 검출 모듈(950)은 추출된 인식 대상 후보들에 유사 글자 후보들을 추가하거나 기하학적인 정보를 활용하여 템플릿 정합 후보들을 조정할 수 있다. 또한, 상기 후처리 및 영어 단어 검출 모듈(950)은 영어로 판단되는 단어 리스트를 검출해 낼 수 있다. 상기 영어 단어 리스트 재인식 모듈(970)은 검출된 영어 단어 리스트를 영어 인식기(예: 필기체 필기 인식 엔진)로 재인식할 수 있다. 상기 최종 후처리(final post-process) 모듈(990)은 필기 입력의 기하학적 특징에 기반하여, 인식된 최종 결과를 변경할 수 있다.
도 10은 본 발명의 일 실시예에 따른 활자체 필기 인식 엔진에서의 전처리(pre-process) 과정을 설명하기 위한 도면이고, 도 11은 본 발명의 일 실시예에 따른 전처리 과정에서의 노이즈 제거 기능을 설명하기 위한 도면이며, 도 12는 본 발명의 일 실시예에 따른 전처리 과정에서의 라인 분리 기능을 설명하기 위한 도면이고, 도 13은 본 발명의 일 실시예에 따른 라인 분리의 예를 도시한 도면이며, 도 14는 본 발명의 일 실시예에 따른 전처리 과정에서의 기울기 보정(skew correction) 기능을 설명하기 위한 도면이다.
도 10 내지 도 14를 참조하면, 활자체 필기 인식 엔진(예: 활자체 필기 인식 엔진(900))에서의 전처리 모듈(1000)(예: 전처리 모듈(910))은 필기 입력(1001)에서 노이즈 포인트를 제거(noise point removal)(1010)하고, 라인 분리(line segmentation)(1030)를 수행하고, 기울기 보정(skew correction)(1050)을 수행할 수 있다.
상기 노이즈 포인트를 제거(1010)하는 과정은, 도 11에서와 같이, 필기 입력(1110)(예: 필기 입력(1001))에서 실제 글씨가 입력된 영역과 다소 떨어진 작은 획(1111)을 룰(rule)에 기반하여 제거하는 과정을 포함할 수 있다. 예를 들어, 상기 획(1111)이 실제 글씨가 입력된 영역과 일정 거리 이상 이격되고 획(1111)의 크기(길이 및 폭)가 지정된 크기보다 작을 경우, 상기 전처리 모듈(1000)은 상기 획(1111)을 노이즈 포인트로 결정하여 제거할 수 있다.
상기 라인 분리(1030)를 수행하는 과정은, 도 12에서와 같이, 필기 방향(writing direction)(예: 좌에서 우로 향하는 방향, 위에서 아래로 향하는 방향) 및 각 획들 사이의 거리(gap)를 고려한 룰에 기반하여 수행될 수 있다. 예를 들어, 제1 문구(예: "나는 회사에 다니지만")(1210)와 제2 문구(예: "아이는 유치원에")(1220) 사이의 y축 방향(세로 방향)의 거리 및 상기 제2 문구와 제3 문구(예: "다녀야 한다.")(1230) 사이의 y축 방향(세로 방향)의 거리가 지정된 크기 이상인 경우, 상기 제1 문구, 상기 제2 문구, 및 상기 제3 문구를 서로 다른 라인으로 인식하여 라인 분리를 수행할 수 있다.
다만, 활자체 언어의 경우, 도 13에 도시된 바와 같이, 하나의 글자를 구성하는 획들(예: 한국어의 경우 초성/중성/종성, 중국어의 경우 부수) 간에도 상하 또는 좌우로 간격(gap)이 존재할 수 있기 때문에, 상기 전처리 모듈(1000)은 활자체 필기 학습 데이터베이스(예: 활자체 필기 학습 데이터베이스(391))에 포함된 각 글자에 대한 템플릿 모델(311)을 기반으로 한 템플릿 정합을 활용하여 글자 또는 단어에 대한 라인 분리 결과를 개선할 수 있다. 예를 들어, 상기 전처리 모듈(1000)은 상기 활자체 필기 학습 데이터베이스에 포함된 각 글자에 대한 템플릿 모델을 기반으로 대상 글자(예: "긍"(1310) 또는 "恩"(1330))에 대해 템플릿 정합을 수행하고, 템플릿 정합의 수행으로 도출된 값(글자의 유사도)이 미리 정한 임계 값을 초과하는지 여부를 판단하고, 상기 임계 값을 초과하는 경우, 상기 대상 글자에 포함된 획 그룹("긍"(1310)의 경우, "그"(1311) 및 "ㅇ"(1313) 포함, "恩"(1330)의 경우, "因"(1331) 및 "心"(1333) 포함) 전체를 하나의 글자인 동시에 단일 라인으로 판단할 수 있다.
상기 기울기 보정(1050)을 수행하는 과정은, 도 14에서와 같이, 동일 라인으로 추출된 획들에 대한 베이스 라인(base line)을 구하고, 상기 베이스 라인의 기울어진 정도를 보정하는 과정을 포함할 수 있다. 예를 들어, 상기 전처리 모듈(1000)은 동일한 라인으로 판단된 문구(1410)에서 베이스 라인(1411)을 구하고, 상기 베이스 라인(1411)이 화면의 x축 방향(가로 방향)과 수평해지도록 회전시켜 상기 문구(1410)에서 기울기가 보정된 문구(1430)를 획득할 수 있다.
도 15는 본 발명의 일 실시예에 따른 활자체 필기 인식 엔진에서의 디코드(decode) 과정 및 후처리(post-process) 과정을 설명하기 위한 도면이다.
도 15를 참조하면, 활자체 필기 인식 엔진(예: 활자체 필기 인식 엔진(900))에서의 특징 추출 및 디코더 모듈(1510)(예: 특징 추출 및 디코더 모듈(930))은 활자체 필기 학습 데이터베이스(예: 활자체 필기 학습 데이터베이스(391))를 기반으로, 전처리된 필기 입력(1501)으로부터 인식 대상 후보들을 추출할 수 있다. 상기 인식 대상 후보들을 추출하기 위해, 상기 특징 추출 및 디코더 모듈(1510)은 프리 세그먼테이션(1511) 과정과 후보 패스(path) 추출(multi-score merge & create multi-path)(1513) 과정을 수행할 수 있다. 상기 프리 세그먼테이션(1511) 과정과 상기 후보 패스 추출(1513) 과정에 대해서는 도 16 내지 도 19에서 자세히 설명하도록 한다.
상기 활자체 필기 인식 엔진에서의 후처리 및 영어 단어 검출 모듈(1530)(예: 후처리 및 영어 단어 검출 모듈(950))은 상기 특징 추출 및 디코더 모듈(1510)에 의해 추출된 인식 대상 후보들에 유사 글자 후보들을 추가하거나 기하학적인 정보를 활용하여 템플릿 정합 후보들을 조정할 수 있다. 또한, 상기 후처리 및 영어 단어 검출 모듈(1530)은 영어로 판단되는 단어 리스트를 검출해 낼 수 있다. 상술한 기능을 수행하기 위해, 상기 후처리 및 영어 단어 검출 모듈(1530)은 기하학적 후처리(geometrical postprocess)(1531) 과정, 단어 분리(wordspacing for ko_KR)(1533) 과정, 언어 모델 결합(combining LM(language model))(1535) 과정, 및 영어 단어 검출(detecting English word)(1537) 과정을 수행할 수 있다. 상기 기하학적 후처리(1531) 과정, 상기 단어 분리(1533) 과정, 상기 언어 모델 결합(1535) 과정, 및 상기 영어 단어 검출(1537) 과정에 대해서는 도 20 내지 도 24에서 자세히 설명하도록 한다.
도 16은 본 발명의 일 실시예에 따른 디코드 과정에서의 프리 세그먼테이션(pre-segmentation)을 설명하기 위한 도면이며, 도 17은 본 발명의 일 실시예에 따른 디코드 과정에서의 템플릿 정합에 따른 인식 대상 후보를 추출하는 방법을 설명하기 위한 도면이고, 도 18은 본 발명의 일 실시예에 따른 디코드 과정에서의 언어 모델에 기반한 인식 대상 후보를 추출하는 방법을 설명하기 위한 도면이며, 도 19는 본 발명의 일 실시예에 따른 인식 대상 후보 중 최적의 후보를 산출하는 방법을 설명하기 위한 도면이다.
도 16 내지 도 19를 참조하면, 활자체 필기 인식 엔진(예: 활자체 필기 인식 엔진(900))에서의 특징 추출 및 디코더 모듈(1510)(예: 특징 추출 및 디코더 모듈(930))은 활자체 필기 학습 데이터베이스(예: 활자체 필기 학습 데이터베이스(391))를 기반으로, 전처리된 필기 입력(1501)으로부터 인식 대상 후보들을 추출할 수 있다. 상기 인식 대상 후보들을 추출하기 위해, 상기 특징 추출 및 디코더 모듈(1510)은 프리 세그먼테이션(1511) 과정과 후보 패스(path) 추출(multi-score merge & create multi-path)(1513) 과정을 수행할 수 있다.
상기 프리 세그먼테이션(1511) 과정은, 룰에 기반하여 상기 전처리된 필기 입력(1501)에서의 각 입력 획들을 최소 단위의 글자 후보 획 그룹인 템플릿으로 그룹핑하는 과정을 포함할 수 있다. 상기 획들을 병합(merge)하는 규칙으로 사용되는 특징으로는 상기 획들이 x축 방향(가로 방향)으로 겹쳐지는 비율, 획과 획 사이의 거리 값 등을 포함할 수 있다. 도 16에서는 중국어 및 한국어에 대한 프리 세그먼테이션 결과를 나타내고 있다.
상기 후보 패스 추출(1513) 과정은, 상기 프리 세그먼테이션(1511) 과정을 거친 결과(글자 후보 템플릿(또는 글자 후보 획 그룹))와 상기 활자체 필기 학습 데이터베이스에 포함된 학습 모델들(예: 각 글자에 대한 템플릿 모델(또는 필체 모델)(311), 글자와 글자가 아닌 비문자에 대한 세그먼테이션 모델(331), 영어에 대한 판단 모델(351), 및 언어 모델(371))에 기반하여, 인식 대상 후보 중 최적의 후보를 산출하는 과정을 포함할 수 있다. 예를 들어, 상기 후보 패스 추출(1513) 과정은, 상기 글자 후보 템플릿을 상기 학습 모델들 중 각 글자에 대한 템플릿 모델(311)과 템플릿 정합한 결과(예: GMM(gaussian mixture model) feature score)(1513a), 상기 글자 후보 템플릿을 상기 학습 모델들 중 글자와 글자가 아닌 비문자에 대한 세그먼테이션 모델(331)에 따라 분류한 결과(template candidates score)(1513b), 및 상기 글자 후보 템플릿을 상기 학습 모델들 중 언어 모델(371)에 적용한 결과(char n-gram language model score)(1513c)를 조합하여 최적의 후보를 산출하는 과정을 포함할 수 있다.
상기 글자 후보 템플릿을 상기 각 글자에 대한 템플릿 모델(311)과 템플릿 정합한 결과(1513a)는, 도 17에 도시된 바와 같이, 상기 글자 후보 템플릿과의 정합 대상인 템플릿(도 17의 results)과 상기 정합 대상인 템플릿과의 정합 결과를 나타내는 스코어(또는 결과 값)(도 17의 distance)로 산출될 수 있다.
상기 글자 후보 템플릿을 상기 글자와 글자가 아닌 비문자에 대한 세그먼테이션 모델(331)에 따라 분류한 결과(1513b)는, 도 6에 도시된 바와 같이, 획들(601 내지 609)의 조합이 글자인지 아닌지를 나타내는 스코어(또는 결과 값)로 산출될 수 있다.
상기 글자 후보 템플릿을 상기 언어 모델(371)에 적용한 결과(1513c)는, 도 18에 도시된 바와 같이, 상기 글자 후보 템플릿의 글자 뒤에 다른 글자가 나올 수 있는 통계적인 확률을 나타내는 스코어(또는 결과 값)로 산출될 수 있다.
상기 후보 패스 추출(1513) 과정은, 상술한 스코어들(템플릿 모델(311)과의 정합 스코어, 세그먼테이션 모델(331)에 따른 분류 스코어, 및 언어 모델(371)을 적용한 확률 스코어)을 이용하여 통합 스코어를 산출하는 과정을 포함할 수 있다. 여기서, 상기 통합 스코어는 상술한 스코어들을 가중합(weighted sum)과 같은 형태로 도출될 수 있다. 도 19는 상기 통합 스코어에 기반하여 인식 대상 후보 중 최적의 후보(굵은 선(1901)으로 연결된 패스)가 산출되는 것을 나타낸다.
도 20은 본 발명의 일 실시예에 따른 후처리 과정에서의 기하학적 후처리 기능을 설명하기 위한 도면이고, 도 21은 본 발명의 일 실시예에 따른 후처리 과정에서의 단어 분리 기능을 설명하기 위한 도면이며, 도 22 및 도 23은 본 발명의 일 실시예에 따른 후처리 과정에서의 언어 모델 결합 기능을 설명하기 위한 도면이고, 도 24는 본 발명의 일 실시예에 따른 후처리 과정에서의 영어 단어 검출 기능을 설명하기 위한 도면이다.
도 20 내지 도 24를 참조하면, 활자체 필기 인식 엔진(예: 활자체 필기 인식 엔진(900))에서의 후처리 및 영어 단어 검출 모듈(1530)(예: 후처리 및 영어 단어 검출 모듈(950))은 특징 추출 및 디코더 모듈(1510)에 의해 추출된 인식 대상 후보들에 유사 글자 후보들을 추가하거나 기하학적인 정보를 활용하여 템플릿 정합 후보들을 조정할 수 있다. 또한, 상기 후처리 및 영어 단어 검출 모듈(1530)은 영어로 판단되는 단어 리스트를 검출해 낼 수 있다. 상술한 기능을 수행하기 위해, 상기 후처리 및 영어 단어 검출 모듈(1530)은 기하학적 후처리(1531) 과정, 단어 분리(1533) 과정, 언어 모델 결합(1535) 과정, 및 영어 단어 검출(1537) 과정을 수행할 수 있다.
상기 기하학적 후처리(1531) 과정은, 상기 글자 후보 템플릿(또는 글자 후보 획 그룹)에 대해, 상기 글자 후보 템플릿의 앞 뒤에 위치한 템플릿과의 기하학적인 관계 및 인식 결과에 기반하여, 불필요한 후보를 제거하거나, 해당 후보에 대한 우선 순위를 변경(예: 템플릿 정합에 따른 distance 조정)하거나, 필요한 후보를 추가하는 과정을 포함할 수 있다. 이는 상기 언어 모델 결합(1535) 과정 전에, 최적 후보에 대한 검색 범위를 조절함으로써, 최적 후보 도출을 위한 유연성을 유지하면서 더 나은 결과를 도출해내기 위한 과정일 수 있다.
일 실시예에 따르면, 상기 기하학적 후처리(1531) 과정은, 상기 글자 후보 템플릿의 글자와 유사한 글자에 대한 후보 템플릿을 추가하고 상기 추가된 글자 후보 템플릿에 대한 적절한 템플릿 정합 결과(distance)를 할당하는 과정을 포함할 수 있다. 예를 들어, 한국어를 필기할 때, "쓴"과 "쓸", "여"와 "며"를 유사하게 쓰는 경우가 다수 존재하고, 중국어를 필기할 때도, 중국어 "了"와 숫자 "3", 중국어 "丁"과 영어 "J"를 유사하게 쓰는 경우가 다수 존재할 수 있다. 그런데, 글자 별 학습을 위해 수집한 데이터에서는 모든 글자에 대해 동일한 수의 템플릿을 수집하기 어렵고, 글자 별로 수집된 템플릿 수는 자주 사용되는 빈도에 따라 차이를 가지기 때문에, 자주 쓰는 글자(더 많이 수집된 글자)에 대한 템플릿 정합 결과(distance)가 더 좋게 나올 수 있다. 예컨대, 템플릿 정합 시 더 많은 수의 템플릿을 가진 글자에 대해 분류될 수 있는 범위가 더 넓게 잡힐 수 있다.
이에 따라, 글자 별 템플릿 수의 불균형에 따른 인식률 저하 문제를 극복하기 위해, 상기 기하학적 후처리(1531) 과정에서, 상기 후처리 및 영어 단어 검출 모듈(1530)은, 유사한 모양의 글자 세트(예: "쓴"과 "쓸", "여"와 "며", "了"와 "3", 또는 "丁"과 "J")를 정의하고, 유사한 모양의 글자 세트에 포함된 템플릿 정합 결과가 있는 경우, 해당 글자에 대한 페어(pair)를 적절한 정합 결과(distance)를 부여하여 추가할 수 있다. 예컨대, 상기 후처리 및 영어 단어 검출 모듈(1530)은, "쓴"이라고 인식된 글자에 대한 템플릿 정합 시, 정합 대상인 템플릿(results)에 "쓴"과 유사한 모양의 글자인 "쓸"이 후보로 없는 경우, "쓴"에 대한 템플릿 정합 결과에 "쓸"이라는 글자 후보 템플릿을 추가하고, 상기 추가된 글자 후보 템플릿에 대한 템플릿 정합 결과(distance)에 대해 적당한 가중치를 적용할 수 있다. 다른 예로, 상기 후처리 및 영어 단어 검출 모듈(1530)은, "쓴"이라고 인식된 글자에 대한 템플릿 정합 시, 정합 대상인 템플릿(results)에 "쓴"과 유사한 모양의 글자인 "쓸"이 후보로 있는 경우, "쓴"에 대한 템플릿 정합 결과와 "쓸"에 대한 템플릿 정합 결과를 가중 평균하여 "쓸"이라는 글자 후보 템플릿에 대해 새로운 템플릿 정합 결과(distance)를 부여할 수도 있다.
일 실시예에 따르면, 상기 기하학적 후처리(1531) 과정에서, 상기 후처리 및 영어 단어 검출 모듈(1530)은, 가장 좋은 템플릿 정합 결과(가장 낮은 distance 수치)에 특정 가중치를 적용한 값(곱한 값)보다 큰 정합 결과(distance)를 가진 글자 후보 템플릿을 삭제할 수 있다. 이는 불필요하다고 판단되는 인식 대상 후보의 개수를 줄여 인식률과 인식 속도를 동시에 개선하는 방법이 될 수 있다.
일 실시예에 따르면, 상기 기하학적 후처리(1531) 과정에서, 상기 후처리 및 영어 단어 검출 모듈(1530)은, 글자 인식 시 자주 틀릴 수 있는(인식률 떨어지는) 글자에 대해 글자 후보 템플릿을 확장 또는 변경할 수 있다. 예컨대, 도 20에 도시된 바와 같이, 필기 입력(2010)(예: "010")에 대한 인식 대상 후보로 제1 글자 후보 템플릿(2031)(예: "이0")이 선정되었을 때, 상기 후처리 및 영어 단어 검출 모듈(1530)은, 상기 제1 글자 후보 템플릿(2031)의 각각의 글자들의 획의 크기(또는 높이)를 비교(예: 첫번째 획(2011)과 두번째 획(2012)의 상대적인 크기(높이)를 비교)하여, 인식이 잘못되었다고 판단되면, 상기 제1 글자 후보 템플릿(2031)을 제2 글자 후보 템플릿(2033)(예: "010")으로 변경하거나, 상기 제2 글자 후보 템플릿(2033)을 상기 인식 대상 후보로 추가함으로써, 인식률을 향상시킬 수 있다.
일 실시예에 따르면, 상기 기하학적 후처리(1531) 과정에서, 상기 후처리 및 영어 단어 검출 모듈(1530)은, 인식 대상 후보에서 기하학적 특징에 맞지 않는 글자 후보 템플릿을 삭제할 수 있다. 예를 들어, 인식 대상 후보 중 특정 글자 후보 템플릿(예: ">")이 너비에 비해 높이가 소정 크기 이상 작은 경우, 상기 후처리 및 영어 단어 검출 모듈(1530)은 상기 특정 글자 후보 템플릿을 상기 인식 대상 후보에서 삭제할 수 있다. 다른 예로, 인식 대상 후보 중 특정 글자 후보 템플릿(예: ".", "-", "_")이 너비에 비해 높이가 소정 크기 이상 큰 경우에도, 상기 후처리 및 영어 단어 검출 모듈(1530)은 상기 특정 글자 후보 템플릿을 상기 인식 대상 후보에서 삭제할 수 있다.
일 실시예에 따르면, 상기 기하학적 후처리(1531) 과정에서, 상기 후처리 및 영어 단어 검출 모듈(1530)은, 글자 후보 템플릿의 글자 앞 또는 뒤에 위치한 글자 후보 템플릿에 대해 상대적인 크기(또는 높이)를 가늠하여 인식 대상 후보를 재배치할 수 있다. 예컨대, 일본어의 경우, 모양은 같지만 크기가 다른 다양한 문자 세트(예: "つ"와 "っ", "工"와 "ェ")가 존재할 수 있다. 이에 따라, 상기 후처리 및 영어 단어 검출 모듈(1530)은 글자 후보 템플릿의 글자 앞 또는 뒤에 위치한 글자 후보 템플릿의 상대적인 크기(또는 높이)를 측정하여, 측정된 크기(또는 높이)에 맞는 글자 후보 템플릿을 재배치하여 인식률을 향상시킬 수 있다.
상기 단어 분리(1533) 과정은, 글자 후보 템플릿들 사이의 x축 방향(가로 방향) 거리의 최소값과, 각 글자 후보 템플릿 사이의 무게 중심 사이의 거리(gap)를 이용하여, 공백이 존재할 수 있는 구간을 체크하고, 공백에 대한 가능성 정도를 점수로 산출하는 과정을 포함할 수 있다. 여기서, 상기 산출된 점수는 상기 언어 모델 결합(1535) 과정에 활용될 수 있다. 상기 단어 분리(1533) 과정에서, 상기 후처리 및 영어 단어 검출 모듈(1530)은, 도 21에 도시된 바와 같이, 필기 입력(2110)에서의 각 글자 사이의 거리(gap)를 이용하여, 상기 거리(gap)가 소정 크기 이상인 위치에 공백(띄어쓰기)이 존재할 가능성이 크다고 판단할 수 있다. 이에 따라, 상기 후처리 및 영어 단어 검출 모듈(1530)은 공백이 없는 제1 글자 후보 템플릿(2131)을 공백이 존재하는 제2 글자 후보 템플릿(2133)으로 변경(또는 대체)할 수 있다. 상기 단어 분리(1533) 과정은 띄어쓰기가 없는 중국어 및 일본어를 인식할 때는 생략될 수 있고, 한국어를 인식할 때만 수행될 수 있다.
상기 언어 모델 결합(1535) 과정은, 앞선 상기 기하학적 후처리(1531) 과정과 상기 단어 분리(1533) 과정을 통해 튜닝된 글자 후보 템플릿을 상기 언어 모델(371)에 기반하여 최적화하는 과정을 포함할 수 있다. 예컨대, 상기 후처리 및 영어 단어 검출 모듈(1530)은 다이나믹 프로그래밍 기법을 활용하여 인식 대상 후보에서 최적의 후보를 찾아낼 수 있다. 도 22 및 도 23에서는 각 글자 후보 템플릿 별로 왼쪽에서 오른쪽으로 진행(스텝(step) 별로 진행)하면서, 상기 언어 모델(371)의 적용 결과 및 단어 분리(1533) 결과에 해당하는 스코어를 합산하여 동일 스텝(예: 동일한 세로축에 나열된 스텝)에서 가장 좋은 결과(예: 가장 낮은 결합 스코어)를 가지도록 함으로써, 최적의 후보를 찾아내는 과정을 나타낸다. 도 22에서는 상기 언어 모델(371)로 char n-gram을 사용하는 과정을 나타내고, 도 23에서는 상기 언어 모델(371)로 word n-gram을 사용하는 과정을 나타낸다.
상기 영어 단어 검출(1537) 과정은, 상기 언어 모델 결합(1535) 과정을 통해, 최종적으로 도출된 인식 대상 후보에서, 영어 단어를 검출하는 과정을 포함할 수 있다. 예를 들어, 도 24에 도시된 바와 같이, 상기 후처리 및 영어 단어 검출 모듈(1530)은 인식 대상 후보(2410)(예: "케이abc가나")에 영어로 인식된 부분(2411)(예: "abc")이 존재하면, 상기 인식된 부분(2411)을 중심으로 전후 방향으로 활자체 필기 학습 데이터베이스(예: 활자체 필기 학습 데이터베이스(391))에 포함된 영어에 대한 판단 모델(351)을 적용할 수 있다. 우선, 상기 후처리 및 영어 단어 검출 모듈(1530)은 상기 인식 대상 후보(2410)에서 상기 영어로 인식된 부분(2411)의 후방으로의 검색을 시작할 수 있다. 예컨대, 상기 후처리 및 영어 단어 검출 모듈(1530)은 상기 인식된 부분(2411)의 뒤에 위치한 제1 글자(2412)(예: "가")를 상기 영어에 대한 판단 모델(351)에 기반하여 영어인지 아닌지를 판별할 수 있다. 상기 제1 글자(2412)가 영어가 아니라고 판별되면, 상기 후처리 및 영어 단어 검출 모듈(1530)은 상기 인식된 부분(2411)의 후방으로의 검색을 중지하고, 상기 인식된 부분(2411)의 전방으로의 검색을 시작할 수 있다. 예컨대, 상기 후처리 및 영어 단어 검출 모듈(1530)은 상기 인식된 부분(2411)의 앞에 위치한 제2 글자(2413)(예: "이")를 상기 영어에 대한 판단 모델(351)에 기반하여 영어인지 아닌지를 판별할 수 있다. 상기 제2 글자(2413)가 영어라고 판별되면, 상기 후처리 및 영어 단어 검출 모듈(1530)은 상기 인식된 부분(2411)의 전방으로의 검색을 계속 확장시킬 수 있다. 예컨대, 상기 후처리 및 영어 단어 검출 모듈(1530)은 상기 제2 글자(2413)의 앞에 위치한 제3 글자(2414)(예: "케")를 상기 영어에 대한 판단 모델(351)에 기반하여 영어인지 아닌지를 판별할 수 있다. 결과적으로, 상기 후처리 및 영어 단어 검출 모듈(1530)은 상기 영어로 인식된 부분(2411)을 중심으로 전후방으로 영어 단어가 존재하는지를 검색할 수 있고, 영어 단어라고 판별된 부분(2430)(예: "이abc")을 재인식 대상으로 결정할 수 있다. 일 실시예에 따르면, 상기 후처리 및 영어 단어 검출 모듈(1530)은 재인식 대상으로 결정된 상기 판별된 부분(2430)을 영어 단어 리스트에 추가할 수 있다.
도 25는 본 발명의 일 실시예에 따른 활자체 필기 인식 엔진에서의 영어 단어 인식 과정을 설명하기 위한 도면이다.
도 25를 참조하면, 활자체 필기 인식 엔진(예: 활자체 필기 인식 엔진(900))에서의 영어 단어 리스트 재인식 모듈(예: 영어 단어 리스트 재인식 모듈(970))은 상기 영어 단어 검출(1537) 과정에서 검출된 영어 단어 리스트를 영어 인식기(예: 필기체 필기 인식 엔진)로 재인식할 수 있다. 상기 영어 단어 리스트 재인식 모듈은, 상기 영어 인식기를 통해 상기 영어 단어 리스트에 포함된 영어로 필기된 부분이 재인식되면, 상기 필기된 부분을 상기 재인식된 결과로 대체할 수 있다. 예컨대, 상기 영어 단어 리스트 재인식 모듈은, 활자체 필기로 인식되어 변환된 텍스트에서, 상기 영어로 필기된 부분에 해당하는 텍스트를 상기 재인식되어 영어로 변환된 텍스트로 대체할 수 있다.
도 25에 도시된 바와 같이, 적어도 일부분이 필기체 형태를 가지는(예: 필기체 언어를 포함하는) 필기 입력(2510)을 활자체 필기 인식 엔진(예: 활자체 필기 인식 엔진(900))을 통해 인식하는 경우, 상기 적어도 일부분이 오인식될 수 있어, 상기 활자체 언어로 변환된 텍스트(2530)의 신뢰도가 떨어질 수 있다. 예컨대, 상기 필기 입력(2510)을 상기 활자체 필기 인식 엔진을 통해 인식하여 활자체 언어의 텍스트(2530)로 변환할 때, 두번째 및 세번째 라인의 경우, 필기체와 같이 하나의 획으로 필기된 부분(예: "com")이 활자체 언어(예: "物" 또는 "湖")로 오인식될 수 있다. 이러한 오인식 문제를 해결하기 위해, 상기 활자체 필기 인식 엔진은 상기 영어 단어 검출(1537) 과정에서, 상기 후처리 및 영어 단어 검출 모듈(1530)을 통해, 상기 부분을 영어 단어 리스트에 추가할 수 있다. 또한, 상기 영어 단어 리스트 재인식 모듈이 상기 영어 단어 리스트에 추가된 상기 부분을 재인식하여 상기 영어로 변환하고, 상기 활자체 언어로 변환된 텍스트(2530)에서 상기 부분에 해당하는 텍스트를 상기 영어로 변환된 텍스트로 대체하여 정확도(인식률)가 향상된 텍스트(2550)를 획득할 수 있다.
상기 활자체 필기 인식 엔진에서의 최종 후처리 모듈(예: 최종 후처리 모듈(990))은 필기 입력(2510)의 기하학적 특징에 기반하여, 인식된 최종 결과를 변경할 수 있다. 일 예로, 상기 기하학적 후처리(1531) 과정에서 인식 대상 후보를 재배치하고, 상기 언어 모델 결합(1535) 과정에서 상기 인식 대상 후보에 상기 언어 모델(371)을 적용하는 경우, 상기 인식 대상 후보의 재배치된 결과가 원복되는 경우가 발생될 수 있다. 예컨대, 특정 글자 세트("-"와 "_", "."과 ",")의 경우, 모양이 같아 전후 글자에 대한 상대적인 위치에 따라 인식 대상 후보를 재배치하여 후보 글자를 선정할 수 있는데, 상기 언어 모델(371)을 적용하게 되면 상기 인식 대상 후보의 재배치된 결과와 상반되는 후보 글자가 선정될 수도 있다. 이에 따라, 상기 최종 후처리 모듈은 모양이 같은 글자에 대해서 크기(또는 높이)나 쓰는 방향에 따른 특징이 명확한 경우, 최종 결과를 변경할 수 있다.
도 26은 본 발명의 일 실시예에 따른 필기체 필기 인식 엔진을 나타낸 도면이고, 도 27은 본 발명의 일 실시예에 따른 필기체 필기 인식 엔진에서의 디코드 과정을 설명하기 위한 도면이며, 도 28은 본 발명의 일 실시예에 따른 필기체 필기 인식 엔진에서의 갭 모델(gap model) 적용 과정을 설명하기 위한 도면이다.
도 26 내지 도 28을 참조하면, 필기체 필기를 인식하기 위한 필기체 필기 인식 엔진(2600)은 전처리(pre-process) 모듈(2610), 특징 추출 및 디코더(feature extraction & decoder) 모듈(2630), 후처리 및 갭모듈(post-process & gapmodule)(2650), 및 최종 후처리(final post-process) 모듈(2670)을 포함할 수 있다.
상기 전처리 모듈(2610)은 도 9에 도시된 활자체 필기 인식 엔진에서의 전처리 모듈(910)과 동일 또는 유사한 기능을 수행할 수 있다. 예를 들어, 상기 전처리 모듈(2610)은 필기 입력을 인식하기 위한 전처리를 수행할 수 있다. 일 예로, 상기 전처리 모듈(2610)은 상기 필기 입력에서 노이즈 포인트를 제거하고, 룰 기반의 라인 분리를 수행하고, 기울기 보정을 수행할 수 있다.
상기 특징 추출 및 디코더 모듈(2630)은 필기체 필기 학습 데이터베이스(예: 필기체 필기 학습 데이터베이스(751))를 기반으로, 전처리된 필기 입력으로부터 인식 대상 후보들을 추출할 수 있다. 상기 추출 과정에서 사용되는 특징으로는 입력된 획의 x/y 좌표 변화량(가로/세로 길이 변화량) 및 필기 입력을 위한 입력 장치(예: 사용자의 손가락이나 전자 펜)의 터치 업/다운(touch up/down) 정보를 포함할 수 있다. 상기 터치 업/다운 정보는 예를 들어, 상기 입력 장치가 디스플레이(예: 디스플레이(230))의 화면 상에 접촉된 후 접촉 해제되었을 때, 프로세서(예: 프로세서(270))가 상기 디스플레이의 제어 회로(또는 입력 감지 회로(210))로부터 획득하는 터치 이벤트 정보(touch up event/touch down event)에 대응할 수 있다.
일 실시예에 따르면, 상기 특징 추출 및 디코더 모듈(2630)은 필기체 필기의 학습 프레임워크(예: 필기체 필기의 학습 프레임워크(700))의 BLSTM 트레이너(예: BLSTM 트레이너(710))의 학습 결과(예: 필체 모델(711))와 디코딩 네트워크로부터 인식 대상 후보를 탐색할 수 있다. 예를 들어, 상기 특징 추출 및 디코더 모듈(2630)은, 도 27에 도시된 바와 같이, 주어진 인식 대상 후보(예: 도 27의 observation sequence "O")로부터 확률적으로 가장 그럴듯한 최적의 후보(예: 도 27의 sequence "W")를 찾는 과정으로, 학습 과정에서 학습한 단어 기반의 언어 모델("LM: ARPA Word N-gram")(예: 언어 모델(731)), 사전("LM: Dictionary Word->Characters"), 및 BLSTM 트레이너의 학습 결과("Trace Model(Character output probabilities from BLSTM neural network)")(예: 필체 모델(711))에 가중치를 적용하여 스코어를 산출할 수 있다. 이에 따라, 상기 특징 추출 및 디코더 모듈(2630)은 산출된 스코어를 기반으로, 인식 대상 후보들을 추출할 수 있다.
상기 후처리 및 갭모듈(2650)은 상기 활자체 필기 인식 엔진에서의 상기 기하학적 후처리(1531) 과정과 유사하게, 기하학적 특징에 기반하여 인식 결과를 변경할 수 있다. 또한, 상기 후처리 및 갭모듈(2650)은 사전에 없는 단어(OOV(out of vocabulary))나 언어 모델이 취약한 경우의 단어 단위 띄어쓰기 결과를 보정하기 위해 갭 모델(gap model) 처리 과정을 수행할 수 있다. 상기 갭 모델은 도 28에 도시된 바와 같이, 두 글자 사이의 빈 공간에 대한 특징 정보를 활용하여, 두 글자 사이에 공백을 추가할지 여부를 결정하는데 사용될 수 있다. 상기 갭 모델에서 활용하는 특징 정보는 x축 투사(projection)에 의한 글자의 너비, y축 투사에 의한 글자의 높이, 글자 컨벡스 헐(convex hull)의 x축 투사에 의한 너비, 글자 컨벡스 헐의 y축 투사에 의한 높이, x축 투사했을 때의 두 글자 사이의 거리, 및 두 글자의 높이가 공존하는 컨벡스 헐 사이의 평균 너비를 포함할 수 있다.
상기 최종 후처리 모듈(2670)은 도 9에 도시된 활자체 필기 인식 엔진에서의 최종 후처리 모듈(990)과 동일 또는 유사한 기능을 수행할 수 있다. 예컨대, 상기 최종 후처리 모듈(2670)은 필기 입력의 기하학적 특징에 기반하여, 인식된 최종 결과를 변경할 수 있다.
상술한 바와 같이, 다양한 실시예에 따르면, 전자 장치(예: 전자 장치(101) 또는 전자 장치(200))는, 복수 개의 언어들 각각의 특성에 따른 필체 모델들 및 언어 모델들(예: 언어별 필체 모델 및 언어 모델(291))을 저장하는 메모리(예: 메모리(130) 또는 메모리(290)), 및 상기 메모리와 작동적으로 연결된 프로세서(예: 프로세서(120) 또는 프로세서(270))를 포함하고, 상기 프로세서는, 필기 입력을 수신하고, 상기 필체 모델들 중 제1 언어에 대응하는 제1 필체 모델 및 상기 언어 모델들 중 상기 제1 언어에 대응하는 제1 언어 모델을 기반으로, 상기 필기 입력을 인식하여 상기 제1 언어의 텍스트로 변환하고, 상기 필기 입력을 인식한 결과에서 상기 제1 언어와 다른 제2 언어로 필기된 부분을 검출하고, 상기 필체 모델들 중 상기 제2 언어에 대응하는 제2 필체 모델 및 상기 언어 모델들 중 상기 제2 언어에 대응하는 제2 언어 모델을 기반으로, 상기 검출된 부분을 상기 제2 언어로 재인식하여 상기 제2 언어의 텍스트로 변환하고, 상기 변환된 제1 언어의 텍스트 중 상기 검출된 부분에 대응하는 텍스트를 상기 변환된 제2 언어의 텍스트로 대체하도록 설정될 수 있다.
다양한 실시예에 따르면, 상기 제1 언어는 활자체 언어이고, 상기 제2 언어는 필기체 언어일 수 있다.
다양한 실시예에 따르면, 상기 제1 언어는 한국어, 일본어 또는 중국어 중 적어도 하나이고, 상기 제2 언어는 영어, 라틴계 언어 또는 키릴계 언어 중 하나일 수 있다.
다양한 실시예에 따르면, 상기 프로세서는, 상기 필기 입력을 인식하는 과정에서, 상기 제1 필체 모델에 기반한 획 그룹의 정합을 통해 상기 필기 입력에서 라인을 분리하도록 설정될 수 있다.
다양한 실시예에 따르면, 상기 메모리는, 글자와 글자가 아닌 비문자를 분류하기 위한 세그먼테이션 모델을 더 저장하고, 상기 프로세서는, 상기 필기 입력을 인식하는 과정에서, 상기 필기 입력에 포함된 적어도 하나의 획 그룹에 대하여, 상기 제1 필체 모델에 기반한 정합 결과 값, 상기 세그먼테이션 모델에 따른 분류 결과 값, 및 상기 제1 언어 모델에 따른 확률 값을 산출하고, 상기 산출된 정합 결과 값, 분류 결과 값 및 확률 값을 조합하여, 상기 적어도 하나의 획 그룹에 대한 인식 후보를 산출하도록 설정될 수 있다.
다양한 실시예에 따르면, 상기 프로세서는, 상기 인식 후보를 산출하는 과정에서, 상기 적어도 하나의 획 그룹에 포함된 제1 획 그룹과 유사한 모양의 제2 획 그룹에 대한 정합 결과 값을 재할당하도록 설정될 수 있다.
다양한 실시예에 따르면, 상기 프로세서는, 상기 인식 후보를 산출하는 과정에서, 상기 적어도 하나의 획 그룹에 포함된 제1 획 그룹에 대한 정합 결과 값에 특정 가중치를 적용한 값보다 큰 정합 결과 값을 가지는 다른 제2 획 그룹을 상기 인식 후보에서 삭제하도록 설정될 수 있다.
다양한 실시예에 따르면, 상기 프로세서는, 상기 인식 후보를 산출하는 과정에서, 상기 적어도 하나의 획 그룹에 포함된 제1 획 그룹의 각 획들의 상대적인 크기를 비교한 결과에 기반하여, 상기 제1 획 그룹을 다른 제2 획 그룹으로 변경하거나, 상기 제2 획 그룹을 상기 인식 후보에 추가하도록 설정될 수 있다.
다양한 실시예에 따르면, 상기 프로세서는, 상기 인식 후보를 산출하는 과정에서, 상기 필기 입력에서 상기 적어도 하나의 획 그룹에 포함된 제1 획 그룹의 앞 또는 뒤에 위치한 다른 제2 획 그룹과의 상대적인 크기를 측정하고, 상기 측정된 크기에 맞는 제3 획 그룹을 상기 인식 후보에서 재배치하도록 설정될 수 있다.
다양한 실시예에 따르면, 상기 프로세서는, 상기 인식 후보를 산출하는 과정에서, 상기 적어도 하나의 획 그룹에 포함된 제1 획 그룹과 제2 획 그룹 사이의 가로 방향 거리의 최소값, 및 상기 제1 획 그룹의 무게 중심과 상기 제2 획 그룹의 무게 중심 사이의 거리를 이용하여, 상기 제1 획 그룹과 상기 제2 획 그룹 사이에 공백이 존재할 가능성을 나타내는 점수를 산출하고, 상기 산출된 점수를 상기 제1 언어 모델에 따른 상기 확률 값의 산출에 반영하도록 설정될 수 있다.
다양한 실시예에 따르면, 상기 프로세서는, 상기 검출된 부분을 재인식하는 과정에서, 상기 검출된 부분에 포함된 적어도 두 개의 글자들 사이의 빈 공간에 대한 특징 정보를 이용하여, 상기 적어도 두 개의 글자들 사이에 공백을 추가할지에 대한 여부를 결정하도록 설정될 수 있다.
다양한 실시예에 따르면, 상기 빈 공간에 대한 특징 정보는, 상기 적어도 두 개의 글자들에 대한 가로 방향 축으로의 투사에 의한 너비들, 상기 적어도 두 개의 글자들에 대한 세로 방향 축으로의 투사에 의한 높이들, 상기 적어도 두 개의 글자들이 형성하는 컨벡스 헐의 상기 가로 방향 축으로의 투사에 의한 너비, 상기 컨벡스 헐의 상기 세로 방향 축으로의 투사에 의한 높이, 상기 적어도 두 개의 글자들을 상기 가로 방향 축으로 투사했을 때의 상기 적어도 두 개의 글자들 사이의 거리, 및 상기 적어도 두 개의 글자들의 높이가 공존하는 상기 컨벡스 헐 사이의 평균 너비 중 적어도 하나를 포함할 수 있다.
도 29는 본 발명의 일 실시예에 따른 전자 장치의 필기 입력을 텍스트로 변환하는 방법을 나타낸 도면이다.
도 29를 참조하면, 전자 장치(예: 전자 장치(101, 200))의 프로세서(예: 프로세서(120, 270))는 동작 2910에서, 입력 장치(예: 입력 장치(150)를 이용한 필기 입력을 수신할 수 있다. 예를 들어, 상기 프로세서는 사용자의 신체 일부 또는 전자 펜을 이용한 필기 입력을 입력 감지 회로(예: 입력 감지 회로(210))를 통해 수신할 수 있다.
동작 2930에서, 상기 프로세서는 제1 언어의 필체 모델 및 언어 모델을 기반으로 상기 필기 입력을 인식하여 상기 제1 언어의 텍스트로 변환할 수 있다. 예를 들어, 상기 프로세서는 상기 제1 언어로 된 필기를 인식하기 위한 필기 인식 엔진을 구동하여, 상기 제1 언어의 필기 인식 엔진을 통해 상기 필기 입력을 인식할 수 있다. 여기서, 상기 제1 언어는 한국어, 일본어, 및 중국어와 같은 활자체 언어일 수 있고, 상기 제1 언어의 필기 인식 엔진은 도 9에 도시된 활자체 필기 인식 엔진(900)일 수 있다. 또한, 상기 제1 언어의 필체 모델 및 언어 모델은 각각 도 3에 도시된 활자체 필기의 학습 프레임워크(300)를 통해 학습된 각 글자에 대한 템플릿 모델(311) 및 언어 모델(371)에 대응될 수 있다. 그러나 상기 필기 입력을 인식하는 과정에서 사용되는 학습 모델이 필체 모델 및 언어 모델에 한정되는 것은 아니다. 상기 활자체 필기 인식 엔진(900)의 경우, 글자와 글자가 아닌 비문자에 대한 세그먼테이션 모델(331)을 더 사용할 수 있다. 또한, 상기 템플릿 모델(311), 상기 언어 모델(371) 및 상기 세그먼테이션 모델(331)은 활자체 필기의 학습 과정에서 활자체 필기 학습 데이터베이스(391)에 축적되기 때문에, 상기 활자체 필기 인식 엔진(900)은 상기 필기 입력을 인식하는 과정에서, 상기 활자체 필기 학습 데이터베이스(391)에 저장된 상기 학습 모델들(상기 템플릿 모델(311), 상기 언어 모델(371), 상기 세그먼테이션 모델(331), 및 영어에 대한 판단 모델(351)) 중 적어도 하나를 사용한다고 볼 수 있다.
동작 2950에서, 상기 프로세서는 상기 필기 입력을 상기 제1 언어로 인식한 결과에서 제2 언어로 필기된 부분을 검출할 수 있다. 예컨대, 상기 프로세서는 상기 제1 언어의 필기 인식 엔진을 통해 상기 제1 언어로 상기 필기 입력을 인식하는 과정에서, 상기 제1 언어가 아닌 다른 제2 언어로 필기된 부분을 검출할 수 있다. 이를 위해, 상기 제1 언어의 필기 인식 엔진은 상기 제2 언어를 검출하기 위한 모듈(예: 활자체 필기 인식 엔진(900)의 후처리 및 영어 단어 검출 모듈(950))을 포함할 수 있다. 여기서, 상기 제2 언어는 영어, 라틴계 언어 및 키릴계 언어와 같은 필기체 언어일 수 있다.
상기 제2 언어를 검출하기 위한 모듈은, 상기 활자체 필기 인식 엔진(900)에서의 영어 단어 검출(1537) 과정과 동일 또는 유사하게, 상기 제2 언어로 필기된 단어를 검출할 수 있다. 예컨대, 상기 필기 입력에서 상기 제2 언어로 인식된 부분이 존재하면, 상기 인식된 부분을 중심으로 전후 방향으로 상기 제2 언어로 된 글자를 검색할 수 있다. 이 때, 상기 제2 언어를 검출하기 위한 모듈은, 상기 활자체 필기 학습 데이터베이스(391)에 포함된 영어에 대한 판단 모델(351)과 동일 또는 유사한 형태의 상기 제2 언어에 대한 판단 모델을 기반으로, 상기 제2 언어로 필기된 글자를 판별할 수 있다. 상기 제2 언어를 검출하기 위한 모듈은, 상기 제2 언어로 판별된 부분을 재인식 대상으로 결정하고, 상기 제2 언어의 단어 리스트에 추가할 수 있다. 예를 들어, 상기 제2 언어가 영어인 경우, 상기 제2 언어를 검출하기 위한 모듈은 상기 활자체 필기 인식 엔진에 포함된 후처리 및 영어 단어 검출 모듈(950, 1530)일 수 있다. 이 경우, 상기 후처리 및 영어 단어 검출 모듈(950, 1530)이 상기 영어에 대한 판단 모델(351)을 기반으로 영어 단어인지를 판별할 수 있고, 영어로 판별된 부분을 재인식 대상으로 결정하고, 영어 단어 리스트에 추가할 수 있다.
동작 2970에서, 상기 프로세서는 상기 제2 언어의 필체 모델 및 언어 모델을 기반으로 상기 검출된 부분을 인식하여 상기 제2 언어의 텍스트로 변환할 수 있다. 예를 들어, 상기 프로세서는 상기 제2 언어로 된 필기를 인식하기 위한 필기 인식 엔진을 구동하여, 상기 제2 언어의 필기 인식 엔진을 통해 상기 검출된 부분을 재인식할 수 있다. 여기서, 상기 제2 언어는 영어, 라틴계 언어 및 키릴계 언어와 같은 필기체 언어일 수 있고, 상기 제2 언어의 필기 인식 엔진은 도 26에 도시된 필기체 필기 인식 엔진(2600)일 수 있다. 또한, 상기 제2 언어의 필체 모델 및 언어 모델은 각각 도 7에 도시된 필기체 필기의 학습 프레임워크(700)를 통해 학습된 필체 모델(711) 및 언어 모델(731)에 대응될 수 있다. 상기 필체 모델(711) 및 상기 언어 모델(731)은 필기체 필기의 학습 과정에서 필기체 필기 학습 데이터베이스(751)에 축적되기 때문에, 상기 필기체 필기 인식 엔진(2600)은 상기 검출된 부분을 인식하는 과정에서, 상기 필기체 필기 학습 데이터베이스(751)에 저장된 상기 학습 모델들(상기 필체 모델(711) 및 상기 언어 모델(731))을 사용한다고 볼 수 있다.
동작 2990에서, 상기 프로세서는 상기 변환된 제1 언어의 텍스트 중 상기 검출된 부분에 대응하는 텍스트를 상기 변환된 제2 언어의 텍스트로 대체할 수 있다. 이에 따라, 상기 프로세서는 상기 필기 입력에서 상기 제1 언어로 필기된 부분은 상기 제1 언어의 필기 인식 엔진을 통해 인식하여 텍스트로 변환하고, 상기 제2 언어로 필기된 부분은 상기 제2 언어의 필기 인식 엔진을 통해 인식하여 텍스트로 변환한 것과 같은 결과를 도출해낼 수 있다. 즉, 상기 필기 입력에 대한 인식률이 향상될 수 있다.
상술한 바와 같이, 다양한 실시예에 따르면, 전자 장치(예: 전자 장치(101) 또는 전자 장치(200))의 필기 입력을 텍스트로 변환하는 방법은, 필기 입력을 수신하는 동작(예: 동작 2910), 상기 전자 장치의 메모리에 저장된 복수 개의 언어들 각각의 특성에 따른 필체 모델들 및 언어 모델들 중 제1 언어에 대응하는 제1 필체 모델 및 제1 언어 모델을 기반으로, 상기 필기 입력을 인식하여 상기 제1 언어의 텍스트로 변환하는 동작(예: 동작 2930), 상기 필기 입력을 인식한 결과에서 상기 제1 언어와 다른 제2 언어로 필기된 부분을 검출하는 동작(예: 동작 2950), 상기 메모리에 저장된 상기 필체 모델들 및 상기 언어 모델들 중 상기 제2 언어에 대응하는 제2 필체 모델 및 제2 언어 모델을 기반으로, 상기 검출된 부분을 상기 제2 언어로 재인식하여 상기 제2 언어의 텍스트로 변환하는 동작(예: 동작 2970), 및 상기 변환된 제1 언어의 텍스트 중 상기 검출된 부분에 대응하는 텍스트를 상기 변환된 제2 언어의 텍스트로 대체하는 동작(예: 동작 2990)을 포함할 수 있다.
다양한 실시예에 따르면, 상기 필기 입력을 인식하여 상기 제1 언어의 텍스트로 변환하는 동작은, 상기 제1 필체 모델에 기반한 획 그룹의 정합을 통해 상기 필기 입력에서 라인을 분리하는 동작을 포함할 수 있다.
다양한 실시예에 따르면, 상기 필기 입력을 인식하여 상기 제1 언어의 텍스트로 변환하는 동작은, 상기 필기 입력에 포함된 적어도 하나의 획 그룹에 대하여, 상기 제1 필체 모델에 기반한 정합 결과 값, 상기 메모리에 저장되고 글자와 글자가 아닌 비문자를 분류하기 위한 세그먼테이션 모델에 따른 분류 결과 값, 및 상기 제1 언어 모델에 따른 확률 값을 산출하는 동작, 및 상기 산출된 정합 결과 값, 분류 결과 값 및 확률 값을 조합하여, 상기 적어도 하나의 획 그룹에 대한 인식 후보를 산출하는 동작을 포함할 수 있다.
다양한 실시예에 따르면, 상기 인식 후보를 산출하는 동작은, 상기 적어도 하나의 획 그룹에 포함된 제1 획 그룹과 유사한 모양의 제2 획 그룹에 대한 정합 결과 값을 재할당하는 동작을 더 포함할 수 있다.
다양한 실시예에 따르면, 상기 인식 후보를 산출하는 동작은, 상기 적어도 하나의 획 그룹에 포함된 제1 획 그룹에 대한 정합 결과 값에 특정 가중치를 적용한 값보다 큰 정합 결과 값을 가지는 다른 제2 획 그룹을 상기 인식 후보에서 삭제하는 동작을 더 포함할 수 있다.
다양한 실시예에 따르면, 상기 인식 후보를 산출하는 동작은, 상기 적어도 하나의 획 그룹에 포함된 제1 획 그룹의 각 획들의 상대적인 크기를 비교한 결과에 기반하여, 상기 제1 획 그룹을 다른 제2 획 그룹으로 변경하거나, 상기 제2 획 그룹을 상기 인식 후보에 추가하는 동작을 더 포함할 수 있다.
다양한 실시예에 따르면, 상기 인식 후보를 산출하는 동작은, 상기 필기 입력에서 상기 적어도 하나의 획 그룹에 포함된 제1 획 그룹의 앞 또는 뒤에 위치한 다른 제2 획 그룹과의 상대적인 크기를 측정하고, 상기 측정된 크기에 맞는 제3 획 그룹을 상기 인식 후보에서 재배치하는 동작을 더 포함할 수 있다.
다양한 실시예에 따르면, 상기 인식 후보를 산출하는 동작은, 상기 적어도 하나의 획 그룹에 포함된 제1 획 그룹과 제2 획 그룹 사이의 가로 방향 거리의 최소값, 및 상기 제1 획 그룹의 무게 중심과 상기 제2 획 그룹의 무게 중심 사이의 거리를 이용하여, 상기 제1 획 그룹과 상기 제2 획 그룹 사이에 공백이 존재할 가능성을 나타내는 점수를 산출하는 동작, 및 상기 산출된 점수를 상기 제1 언어 모델에 따른 상기 확률 값의 산출에 반영하는 동작을 더 포함할 수 있다.
본 문서에 개시된 다양한 실시예들에 따른 전자 장치는 다양한 형태의 장치가 될 수 있다. 전자 장치는, 예를 들면, 휴대용 통신 장치(예: 스마트폰), 컴퓨터 장치, 휴대용 멀티미디어 장치, 휴대용 의료 기기, 카메라, 웨어러블 장치, 또는 가전 장치를 포함할 수 있다. 본 문서의 실시예에 따른 전자 장치는 전술한 기기들에 한정되지 않는다.
본 문서의 다양한 실시예들 및 이에 사용된 용어들은 본 문서에 기재된 기술적 특징들을 특정한 실시예들로 한정하려는 것이 아니며, 해당 실시예의 다양한 변경, 균등물, 또는 대체물을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 또는 관련된 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다. 아이템에 대응하는 명사의 단수 형은 관련된 문맥상 명백하게 다르게 지시하지 않는 한, 상기 아이템 한 개 또는 복수 개를 포함할 수 있다. 본 문서에서, "A 또는 B", "A 및 B 중 적어도 하나", "A 또는 B 중 적어도 하나", "A, B 또는 C", "A, B 및 C 중 적어도 하나", 및 "A, B, 또는 C 중 적어도 하나"와 같은 문구들 각각은 그 문구들 중 해당하는 문구에 함께 나열된 항목들 중 어느 하나, 또는 그들의 모든 가능한 조합을 포함할 수 있다. "제1", "제2", 또는 "첫째", "둘째"와 같은 용어들은 단순히 해당 구성요소를 다른 해당 구성요소와 구분하기 위해 사용될 수 있으며, 해당 구성요소들을 다른 측면(예: 중요성 또는 순서)에서 한정하지 않는다. 어떤(예: 제1) 구성요소가 다른(예: 제2) 구성요소에, "기능적으로" 또는 "통신적으로"라는 용어와 함께 또는 이런 용어 없이, "커플드" 또는 "커넥티드"라고 언급된 경우, 그것은 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로(예: 유선으로), 무선으로, 또는 제3 구성요소를 통하여 연결될 수 있다는 것을 의미한다.
본 문서에서 사용된 용어 "모듈"은 하드웨어, 소프트웨어 또는 펌웨어로 구현된 유닛을 포함할 수 있으며, 예를 들면, 로직, 논리 블록, 부품, 또는 회로 등의 용어와 상호 호환적으로 사용될 수 있다. 모듈은, 일체로 구성된 부품 또는 하나 또는 그 이상의 기능을 수행하는, 상기 부품의 최소 단위 또는 그 일부가 될 수 있다. 예를 들면, 일 실시예에 따르면, 모듈은 ASIC(application-specific integrated circuit)의 형태로 구현될 수 있다.
본 문서의 다양한 실시예들은 기기(machine)(예: 전자 장치(101))에 의해 읽을 수 있는 저장 매체(storage medium)(예: 내장 메모리(136) 또는 외장 메모리(138))에 저장된 하나 이상의 명령어들을 포함하는 소프트웨어(예: 프로그램(140))로서 구현될 수 있다. 예를 들면, 기기(예: 전자 장치(101))의 프로세서(예: 프로세서(120))는, 저장 매체로부터 저장된 하나 이상의 명령어들 중 적어도 하나의 명령을 호출하고, 그것을 실행할 수 있다. 이것은 기기가 상기 호출된 적어도 하나의 명령어에 따라 적어도 하나의 기능을 수행하도록 운영되는 것을 가능하게 한다. 상기 하나 이상의 명령어들은 컴파일러에 의해 생성된 코드 또는 인터프리터에 의해 실행될 수 있는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장 매체는, 비일시적(non-transitory) 저장 매체의 형태로 제공될 수 있다. 여기서, '비일시적'은 저장 매체가 실재(tangible)하는 장치이고, 신호(signal)(예: 전자기파)를 포함하지 않는다는 것을 의미할 뿐이며, 이 용어는 데이터가 저장 매체에 반영구적으로 저장되는 경우와 임시적으로 저장되는 경우를 구분하지 않는다.
일 실시예에 따르면, 본 문서에 개시된 다양한 실시예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory(CD-ROM))의 형태로 배포되거나, 또는 어플리케이션 스토어(예: 플레이 스토어TM)를 통해 또는 두개의 사용자 장치들(예: 스마트폰들) 간에 직접, 온라인으로 배포(예: 다운로드 또는 업로드)될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 기기로 읽을 수 있는 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.
다양한 실시예들에 따르면, 상기 기술한 구성요소들의 각각의 구성요소(예: 모듈 또는 프로그램)는 단수 또는 복수의 개체를 포함할 수 있다. 다양한 실시예들에 따르면, 전술한 해당 구성요소들 중 하나 이상의 구성요소들 또는 동작들이 생략되거나, 또는 하나 이상의 다른 구성요소들 또는 동작들이 추가될 수 있다. 대체적으로 또는 추가적으로, 복수의 구성요소들(예: 모듈 또는 프로그램)은 하나의 구성요소로 통합될 수 있다. 이런 경우, 통합된 구성요소는 상기 복수의 구성요소들 각각의 구성요소의 하나 이상의 기능들을 상기 통합 이전에 상기 복수의 구성요소들 중 해당 구성요소에 의해 수행되는 것과 동일 또는 유사하게 수행할 수 있다. 다양한 실시예들에 따르면, 모듈, 프로그램 또는 다른 구성요소에 의해 수행되는 동작들은 순차적으로, 병렬적으로, 반복적으로, 또는 휴리스틱하게 실행되거나, 상기 동작들 중 하나 이상이 다른 순서로 실행되거나, 생략되거나, 또는 하나 이상의 다른 동작들이 추가될 수 있다.
Claims (20)
- 전자 장치에 있어서,
복수 개의 언어들 각각의 특성에 따른 필체 모델들 및 언어 모델들을 저장하는 메모리; 및
상기 메모리와 작동적으로 연결된 프로세서를 포함하고,
상기 프로세서는,
필기 입력을 수신하고,
상기 필체 모델들 중 제1 언어에 대응하는 제1 필체 모델 및 상기 언어 모델들 중 상기 제1 언어에 대응하는 제1 언어 모델을 기반으로, 상기 필기 입력을 인식하여 상기 제1 언어의 텍스트로 변환하고,
상기 필기 입력을 인식한 결과에서 상기 제1 언어와 다른 제2 언어로 필기된 부분을 검출하고,
상기 필체 모델들 중 상기 제2 언어에 대응하는 제2 필체 모델 및 상기 언어 모델들 중 상기 제2 언어에 대응하는 제2 언어 모델을 기반으로, 상기 검출된 부분을 상기 제2 언어로 재인식하여 상기 제2 언어의 텍스트로 변환하고,
상기 변환된 제1 언어의 텍스트 중 상기 검출된 부분에 대응하는 텍스트를 상기 변환된 제2 언어의 텍스트로 대체하도록 설정된 전자 장치. - 청구항 1에 있어서,
상기 제1 언어는 활자체 언어이고, 상기 제2 언어는 필기체 언어인 전자 장치. - 청구항 1에 있어서,
상기 제1 언어는 한국어, 일본어 또는 중국어 중 적어도 하나이고, 상기 제2 언어는 영어, 라틴계 언어 또는 키릴계 언어 중 하나인 전자 장치. - 청구항 1에 있어서,
상기 프로세서는, 상기 필기 입력을 인식하는 과정에서,
상기 제1 필체 모델에 기반한 획 그룹의 정합을 통해 상기 필기 입력에서 라인을 분리하도록 설정된 전자 장치. - 청구항 1에 있어서,
상기 메모리는,
글자와 글자가 아닌 비문자를 분류하기 위한 세그먼테이션 모델을 더 저장하고,
상기 프로세서는, 상기 필기 입력을 인식하는 과정에서,
상기 필기 입력에 포함된 적어도 하나의 획 그룹에 대하여, 상기 제1 필체 모델에 기반한 정합 결과 값, 상기 세그먼테이션 모델에 따른 분류 결과 값, 및 상기 제1 언어 모델에 따른 확률 값을 산출하고,
상기 산출된 정합 결과 값, 분류 결과 값 및 확률 값을 조합하여, 상기 적어도 하나의 획 그룹에 대한 인식 후보를 산출하도록 설정된 전자 장치. - 청구항 5에 있어서,
상기 프로세서는, 상기 인식 후보를 산출하는 과정에서,
상기 적어도 하나의 획 그룹에 포함된 제1 획 그룹과 유사한 모양의 제2 획 그룹에 대한 정합 결과 값을 재할당하도록 설정된 전자 장치. - 청구항 5에 있어서,
상기 프로세서는, 상기 인식 후보를 산출하는 과정에서,
상기 적어도 하나의 획 그룹에 포함된 제1 획 그룹에 대한 정합 결과 값에 특정 가중치를 적용한 값보다 큰 정합 결과 값을 가지는 다른 제2 획 그룹을 상기 인식 후보에서 삭제하도록 설정된 전자 장치. - 청구항 5에 있어서,
상기 프로세서는, 상기 인식 후보를 산출하는 과정에서,
상기 적어도 하나의 획 그룹에 포함된 제1 획 그룹의 각 획들의 상대적인 크기를 비교한 결과에 기반하여, 상기 제1 획 그룹을 다른 제2 획 그룹으로 변경하거나, 상기 제2 획 그룹을 상기 인식 후보에 추가하도록 설정된 전자 장치. - 청구항 5에 있어서,
상기 프로세서는, 상기 인식 후보를 산출하는 과정에서,
상기 필기 입력에서 상기 적어도 하나의 획 그룹에 포함된 제1 획 그룹의 앞 또는 뒤에 위치한 다른 제2 획 그룹과의 상대적인 크기를 측정하고, 상기 측정된 크기에 맞는 제3 획 그룹을 상기 인식 후보에서 재배치하도록 설정된 전자 장치. - 청구항 5에 있어서,
상기 프로세서는, 상기 인식 후보를 산출하는 과정에서,
상기 적어도 하나의 획 그룹에 포함된 제1 획 그룹과 제2 획 그룹 사이의 가로 방향 거리의 최소값, 및 상기 제1 획 그룹의 무게 중심과 상기 제2 획 그룹의 무게 중심 사이의 거리를 이용하여, 상기 제1 획 그룹과 상기 제2 획 그룹 사이에 공백이 존재할 가능성을 나타내는 점수를 산출하고,
상기 산출된 점수를 상기 제1 언어 모델에 따른 상기 확률 값의 산출에 반영하도록 설정된 전자 장치. - 청구항 1에 있어서,
상기 프로세서는, 상기 검출된 부분을 재인식하는 과정에서,
상기 검출된 부분에 포함된 적어도 두 개의 글자들 사이의 빈 공간에 대한 특징 정보를 이용하여, 상기 적어도 두 개의 글자들 사이에 공백을 추가할지에 대한 여부를 결정하도록 설정된 전자 장치. - 청구항 11에 있어서,
상기 빈 공간에 대한 특징 정보는,
상기 적어도 두 개의 글자들에 대한 가로 방향 축으로의 투사에 의한 너비들, 상기 적어도 두 개의 글자들에 대한 세로 방향 축으로의 투사에 의한 높이들, 상기 적어도 두 개의 글자들이 형성하는 컨벡스 헐의 상기 가로 방향 축으로의 투사에 의한 너비, 상기 컨벡스 헐의 상기 세로 방향 축으로의 투사에 의한 높이, 상기 적어도 두 개의 글자들을 상기 가로 방향 축으로 투사했을 때의 상기 적어도 두 개의 글자들 사이의 거리, 및 상기 적어도 두 개의 글자들의 높이가 공존하는 상기 컨벡스 헐 사이의 평균 너비 중 적어도 하나를 포함하는 전자 장치. - 전자 장치의 필기 입력을 텍스트로 변환하는 방법에 있어서,
필기 입력을 수신하는 동작;
상기 전자 장치의 메모리에 저장된 복수 개의 언어들 각각의 특성에 따른 필체 모델들 및 언어 모델들 중 제1 언어에 대응하는 제1 필체 모델 및 제1 언어 모델을 기반으로, 상기 필기 입력을 인식하여 상기 제1 언어의 텍스트로 변환하는 동작;
상기 필기 입력을 인식한 결과에서 상기 제1 언어와 다른 제2 언어로 필기된 부분을 검출하는 동작;
상기 메모리에 저장된 상기 필체 모델들 및 상기 언어 모델들 중 상기 제2 언어에 대응하는 제2 필체 모델 및 제2 언어 모델을 기반으로, 상기 검출된 부분을 상기 제2 언어로 재인식하여 상기 제2 언어의 텍스트로 변환하는 동작; 및
상기 변환된 제1 언어의 텍스트 중 상기 검출된 부분에 대응하는 텍스트를 상기 변환된 제2 언어의 텍스트로 대체하는 동작을 포함하는 필기 입력을 텍스트로 변환하는 방법. - 청구항 13에 있어서,
상기 필기 입력을 인식하여 상기 제1 언어의 텍스트로 변환하는 동작은,
상기 제1 필체 모델에 기반한 획 그룹의 정합을 통해 상기 필기 입력에서 라인을 분리하는 동작을 포함하는 필기 입력을 텍스트로 변환하는 방법. - 청구항 13에 있어서,
상기 필기 입력을 인식하여 상기 제1 언어의 텍스트로 변환하는 동작은,
상기 필기 입력에 포함된 적어도 하나의 획 그룹에 대하여, 상기 제1 필체 모델에 기반한 정합 결과 값, 상기 메모리에 저장되고 글자와 글자가 아닌 비문자를 분류하기 위한 세그먼테이션 모델에 따른 분류 결과 값, 및 상기 제1 언어 모델에 따른 확률 값을 산출하는 동작, 및
상기 산출된 정합 결과 값, 분류 결과 값 및 확률 값을 조합하여, 상기 적어도 하나의 획 그룹에 대한 인식 후보를 산출하는 동작을 포함하는 필기 입력을 텍스트로 변환하는 방법. - 청구항 15에 있어서,
상기 인식 후보를 산출하는 동작은,
상기 적어도 하나의 획 그룹에 포함된 제1 획 그룹과 유사한 모양의 제2 획 그룹에 대한 정합 결과 값을 재할당하는 동작을 더 포함하는 필기 입력을 텍스트로 변환하는 방법. - 청구항 15에 있어서,
상기 인식 후보를 산출하는 동작은,
상기 적어도 하나의 획 그룹에 포함된 제1 획 그룹에 대한 정합 결과 값에 특정 가중치를 적용한 값보다 큰 정합 결과 값을 가지는 다른 제2 획 그룹을 상기 인식 후보에서 삭제하는 동작을 더 포함하는 필기 입력을 텍스트로 변환하는 방법. - 청구항 15에 있어서,
상기 인식 후보를 산출하는 동작은,
상기 적어도 하나의 획 그룹에 포함된 제1 획 그룹의 각 획들의 상대적인 크기를 비교한 결과에 기반하여, 상기 제1 획 그룹을 다른 제2 획 그룹으로 변경하거나, 상기 제2 획 그룹을 상기 인식 후보에 추가하는 동작을 더 포함하는 필기 입력을 텍스트로 변환하는 방법. - 청구항 15에 있어서,
상기 인식 후보를 산출하는 동작은,
상기 필기 입력에서 상기 적어도 하나의 획 그룹에 포함된 제1 획 그룹의 앞 또는 뒤에 위치한 다른 제2 획 그룹과의 상대적인 크기를 측정하고, 상기 측정된 크기에 맞는 제3 획 그룹을 상기 인식 후보에서 재배치하는 동작을 더 포함하는 필기 입력을 텍스트로 변환하는 방법. - 청구항 15에 있어서,
상기 인식 후보를 산출하는 동작은,
상기 적어도 하나의 획 그룹에 포함된 제1 획 그룹과 제2 획 그룹 사이의 가로 방향 거리의 최소값, 및 상기 제1 획 그룹의 무게 중심과 상기 제2 획 그룹의 무게 중심 사이의 거리를 이용하여, 상기 제1 획 그룹과 상기 제2 획 그룹 사이에 공백이 존재할 가능성을 나타내는 점수를 산출하는 동작, 및
상기 산출된 점수를 상기 제1 언어 모델에 따른 상기 확률 값의 산출에 반영하는 동작을 더 포함하는 필기 입력을 텍스트로 변환하는 방법.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190095788A KR20210017090A (ko) | 2019-08-06 | 2019-08-06 | 필기 입력을 텍스트로 변환하는 방법 및 전자 장치 |
| PCT/KR2020/008339 WO2021025290A1 (ko) | 2019-08-06 | 2020-06-26 | 필기 입력을 텍스트로 변환하는 방법 및 전자 장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190095788A KR20210017090A (ko) | 2019-08-06 | 2019-08-06 | 필기 입력을 텍스트로 변환하는 방법 및 전자 장치 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20210017090A true KR20210017090A (ko) | 2021-02-17 |
Family
ID=74502506
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190095788A KR20210017090A (ko) | 2019-08-06 | 2019-08-06 | 필기 입력을 텍스트로 변환하는 방법 및 전자 장치 |
Country Status (2)
| Country | Link |
|---|---|
| KR (1) | KR20210017090A (ko) |
| WO (1) | WO2021025290A1 (ko) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023008745A1 (ko) * | 2021-07-28 | 2023-02-02 | 삼성전자 주식회사 | 전자 장치 및 필기 인식 방법 |
| KR102610242B1 (ko) * | 2023-09-18 | 2023-12-07 | 주식회사 마커키퍼 | 인공지능 ocr 기반 비정형 손글씨 인식 방법, 장치 및 시스템 |
| US11972756B2 (en) | 2022-06-29 | 2024-04-30 | Actionpower Corp. | Method for recognizing the voice of audio containing foreign languages |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113051400A (zh) * | 2021-03-31 | 2021-06-29 | 北京字节跳动网络技术有限公司 | 标注数据确定方法、装置、可读介质及电子设备 |
| US11829934B1 (en) * | 2022-12-19 | 2023-11-28 | Tbk Bank, Ssb | System and method for data selection and extraction based on historical user behavior |
| CN116543389B (zh) * | 2023-03-13 | 2023-09-19 | 中国人民解放军海军工程大学 | 基于关系网络的字符识别方法、装置、设备及介质 |
| CN116912845B (zh) * | 2023-06-16 | 2024-03-19 | 广东电网有限责任公司佛山供电局 | 一种基于nlp与ai的智能内容识别与分析方法及装置 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7369702B2 (en) * | 2003-11-07 | 2008-05-06 | Microsoft Corporation | Template-based cursive handwriting recognition |
| US20130343639A1 (en) * | 2012-06-20 | 2013-12-26 | Microsoft Corporation | Automatically morphing and modifying handwritten text |
| US10254952B2 (en) * | 2012-09-26 | 2019-04-09 | Google Llc | Progress display of handwriting input |
| WO2014200736A1 (en) * | 2013-06-09 | 2014-12-18 | Apple Inc. | Managing real - time handwriting recognition |
| KR101746428B1 (ko) * | 2014-12-29 | 2017-06-13 | 주식회사 셀바스에이아이 | 전역 학습을 통한 이중 단어 분할 장치 및 분할 방법 |
-
2019
- 2019-08-06 KR KR1020190095788A patent/KR20210017090A/ko unknown
-
2020
- 2020-06-26 WO PCT/KR2020/008339 patent/WO2021025290A1/ko active Application Filing
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023008745A1 (ko) * | 2021-07-28 | 2023-02-02 | 삼성전자 주식회사 | 전자 장치 및 필기 인식 방법 |
| US11972756B2 (en) | 2022-06-29 | 2024-04-30 | Actionpower Corp. | Method for recognizing the voice of audio containing foreign languages |
| KR102610242B1 (ko) * | 2023-09-18 | 2023-12-07 | 주식회사 마커키퍼 | 인공지능 ocr 기반 비정형 손글씨 인식 방법, 장치 및 시스템 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2021025290A1 (ko) | 2021-02-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR20210017090A (ko) | 필기 입력을 텍스트로 변환하는 방법 및 전자 장치 | |
| US9911052B2 (en) | System and method for superimposed handwriting recognition technology | |
| US10007859B2 (en) | System and method for superimposed handwriting recognition technology | |
| CN102449640B (zh) | 识别手写单词 | |
| US8180160B2 (en) | Method for character recognition | |
| KR101354663B1 (ko) | 수기 기호 인지 방법 및 장치 | |
| US8768062B2 (en) | Online script independent recognition of handwritten sub-word units and words | |
| US20050182760A1 (en) | Apparatus and method for searching for digital ink query | |
| JP2019512765A (ja) | 複数の入力管理のためのシステムおよび方法 | |
| CN108369637B (zh) | 用于美化数字墨水的系统和方法 | |
| JP7486131B2 (ja) | フリーハンドライティングモードでの手書きテキスト入力の処理 | |
| KR20200101481A (ko) | 전자 장치 및 그의 필체 보정 방법 | |
| US10884610B2 (en) | System and method for recognizing handwritten stroke input | |
| US20230046860A1 (en) | Electronic device and handwriting recognition method | |
| EP3295292B1 (en) | System and method for superimposed handwriting recognition technology | |
| EP4170545A1 (en) | Method and device for aligning handwriting | |
| US11482024B2 (en) | Electronic device and method for processing writing input | |
| CN113220125A (zh) | 手指交互方法、装置、电子设备及计算机存储介质 | |
| Urala et al. | Recognition of open vocabulary, online handwritten pages in Tamil script | |
| KR102376625B1 (ko) | 한글의 조합형 문자 특징을 이용한 학습모델의 구현 및 인공지능 채점을 위한 방법 | |
| KR20230118429A (ko) | 사용자 입력에 대한 인식 성능 개선 방법 및 전자 장치 | |
| WO2024110354A1 (en) | Setting font size in an unconstrained canvas | |
| KR20230112979A (ko) | 글쓰기 트레이닝 서비스를 제공하는 장치 및 방법 |