SE528063C2 - Metod och anordning för segmenteringsbaserad igenkänning - Google Patents
Metod och anordning för segmenteringsbaserad igenkänningInfo
- Publication number
- SE528063C2 SE528063C2 SE0402773A SE0402773A SE528063C2 SE 528063 C2 SE528063 C2 SE 528063C2 SE 0402773 A SE0402773 A SE 0402773A SE 0402773 A SE0402773 A SE 0402773A SE 528063 C2 SE528063 C2 SE 528063C2
- Authority
- SE
- Sweden
- Prior art keywords
- core
- points
- handwritten pattern
- point
- sequence
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000011218 segmentation Effects 0.000 title claims description 35
- 230000001186 cumulative effect Effects 0.000 claims abstract description 29
- 238000004590 computer program Methods 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/22—Character recognition characterised by the type of writing
- G06V30/226—Character recognition characterised by the type of writing of cursive writing
- G06V30/2268—Character recognition characterised by the type of writing of cursive writing using stroke segmentation
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
-
- G06K9/00852—
-
- G06K9/222—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/17—Image acquisition using hand-held instruments
-
- 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
- G06V30/22—Character recognition characterised by the type of writing
- G06V30/224—Character recognition characterised by the type of writing of printed characters having additional code marks or containing code marks
-
- 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
- G06V30/22—Character recognition characterised by the type of writing
- G06V30/226—Character recognition characterised by the type of writing of cursive writing
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Character Discrimination (AREA)
- Image Analysis (AREA)
Description
20 25 30 35 528 063 2 De flesta av dagens kommersiella system använder därför komplicerade statistiska system, som använder neuronnät och dolda markov-modeller med integrerade ordböcker. Exempel på sådana system presenteras i P.
Neskovic och L. Cooper, ”Neural network-based context driven recognition of on-line cursive script", Seventh International Workshop on Frontiers in Handwriting Recognition Proceedings, s. 352-362, september 2000 och M. Schenkel och I. Guyon, “On-line cursive script recognition using time delay networks and hidden markov models", Machine Vision and Applications, vol. 8, sida 215-223, 1995. En betydande nackdel hos dessa system är att de är stora och kräver stora träningsuppsättningar.
Vidare är de kraftigt beroende av den ordbok som används.
Sammanfattning av uppfinningen Det är ett ändamål med uppfinningen att tillhandahålla en förbättrad metod för skrivstilsigenkänning. Ett annat ändamål med uppfinningen är att tillhandahålla en metod som snabbt segmenterar och känner igen det handskrivna mönstret. Ett ytterligare ändamål med uppfinningen är att tillhandahålla en metod som inte kräver omfattande upplärning och inte behöver stor processorkraft. Åtminstone några av ovanstående ändamål åstadkommas medelst en metod, en anordning och en datorprogramprodukt enligt de självständiga kraven. Specifika utföringsformer av uppfinningen läggs fram i de osjälvständiga kraven.
Således tillhandahåller uppfinningen en metod för igenkänning av ett handskrivet mönster, vilket innefattar en eller flera bågar som representerar ett flertal symboler. Metoden innefattar att detektera det handskrivna mönstret som en sekvens av punkter längs det handskrivna mönstrets en eller flera bågar, och att välja ut kärnpunkter bland sekvensen av punkter. Kärnpunkterna väljs för användning vid segmentering av det handskrivna mönstret och igenkänning av dessa segment hos det 10 15 20 25 30 35 52 8 063 3 handskrivna mönstret som symboler. Metoden innefattar vidare att bestämma särdrag hos de en eller flera bågarna vid eller i närheten av varje kärnpunkt, och att jämföra det handskrivna mönstret med mallar, varvid varje mall representerar åtminstone en symbol eller del av en symbol. Jämförandet innefattar: att stegvis analysera kärnpunkterna i följd, varvid kärnpunkterna representerar möjliga segmenteringspunkter och sekvenser av kärnpunkter från en första möjlig segmenteringspunkt till en andra möjlig segmenteringspunkt representerar möjliga symboler, och varvid nämnda analysering utförs genom att matcha särdragen hos sekvenser av kärnpunkter, vilka antingen börjar med den första kärnpunkten eller den sista kärnpunkten hos en föregående sekvens av kärnpunkter, mot mallarna och beräkna ett avstàndsvärde, och att tilldela ett kumulativt avståndsvärde till den sista kärnpunkten i den matchade sekvensen av kärnpunkter, vilket kumulativt avstàndsvärde är en summa av ett avståndsvärde som tilldelats den första kärnpunkten i sekvensen och det beräknade avståndsvärdet. Ett minsta kumulativt avståndsvärde för alla sekventiella kärnpunkter tilldelas härigenom den sista kärnpunkten och motsvarar en sekvens av matchade mallar vilka representerar ett flertal symboler som ett möjligt igenkänningsresultat för det handskrivna mönstret.
Uppfinningen tillhandahåller också en anordning för igenkänning av ett handskrivet mönster, vilket innefattar en eller flera bågar som representerar ett flertal symboler, vilken anordning innefattar: organ för detektering av det handskrivna mönstret som en sekvens av punkter längs det handskrivna mönstrets en eller flera bågar; organ för utväljande av kärnpunkter bland sekvensen av punkter, varvid kärnpunkterna väljs för användning vid segmentering av det handskrivna mönstret och igenkänning av dessa segment hos det handskrivna mönstret som symboler; organ för bestämmande av särdrag hos de en eller flera bågarna vid eller i närheten av 10 15 20 25 30 35 528 063 4 varje kärnpunkt; organ för jämförande av det handskrivna mönstret med mallar, varvid varje mall representerar åtminstone en symbol eller del av en symbol, vilket organ för jämförande är anordnat att: stegvis analysera kärnpunkterna i följd, varvid kärnpunkterna representerar möjliga segmenteringspunkter och sekvenser av kärnpunkter från en första möjlig segmenteringspunkt till en andra möjlig segmenteringspunkt representerar möjliga symboler, och varvid nämnda analysering utförs genom att matcha särdragen hos sekvenser av kärnpunkter, vilka antingen börjar med den första kärnpunkten eller den sista kärnpunkten hos en föregående sekvens av kärnpunkter, mot mallarna och beräkna ett avståndsvärde, och att tilldela ett kumulativt avståndsvärde till den sista kärnpunkten i den matchade sekvensen av kärnpunkter, vilket kumulativt avståndsvärde är en summa av ett avståndsvärde som tilldelats den första kärnpunkten i beräknade avståndsvärdet, varigenom ett minsta kumulativt avståndsvärde för alla sekventiella kärnpunkter tilldelas den sista kärnpunkten och motsvarar en sekvens av sekvensen och det matchade mallar vilka representerar ett flertal symboler som ett möjligt igenkänningsresultat för det handskrivna mönstret.
Uppfinningen tillhandahåller också en datorprogramprodukt, vilken är direkt laddningsbar i ett internminne hos en databehandlingsenhet och vilken I innefattar mjukvarukodpartier för utförande av den ovan definierade metoden.
Tack vare uppfinningen kan ett handskrivet mönster som representerar flera symboler snabbt igenkännas. Genom användning av kärnpunkterna både för segmentering och igenkänning kommer beräkningarna att samtidigt separera det handskrivna mönstret och matcha mönstret mot mallar.
Därigenom är processen att jämföra det handskrivna mönstret med mallar mycket snabb. Efter att alla kärnpunkter har analyserats kommer kumulativa avstàndsvärden att vara tilldelade den sista kärnpunkten 10 15 20 25 30 35 5 och vara associerade med sekvenser av mallar som har matchats mot det handskrivna mönstret. Således skulle informationen som tilldelats den sista kärnpunkten enkelt kunna användas för erhållande av möjliga igenkänningsresultat för det handskrivna mönstret.
Det är en insikt hos uppfinningen att ett begränsat antal kärnpunkter kan användas, eftersom det endast är nödvändigt att välja de kärnpunkter som behövs för identifiering av segmenteringspunkter i det handskrivna mönstret. Således har det insetts att det inte finns något behov att använda neuronnät eller dolda markov- modeller för igenkänning av skrivstil. Istället väljs de kärnpunkter som är möjliga segmenteringspunkter och används samma kärnpunkter för igenkänning av symboler inom det handskrivna mönstret.
Väljandet av kärnpunkter förkastar ett stort antal punkter från den detekterade sekvensen. Således väljs ett hanterligt antal kärnpunkter, vilket begränsar det beräkningsarbete som behövs för jämförande av sekvenser av kärnpunkter med mallar. Det har insetts att en stor del av informationen i den detekterade sekvensen av punkter är överflödig för igenkänning av det handskrivna mönstret. Därför kommer förkastande av ett stort antal punkter knappt att påverka möjligheten att korrekt igenkänna det handskrivna mönstret. Eftersom ett begränsat antal punkter används vid igenkänningen kan också flera mallar användas för igenkänning av samma symbol. Således kan mallarna representera allografer, d v s olika utseenden eller stilar att skriva samma symbol.
Med fördel väljs endast kärnpunkter som utgör möjliga segmenteringspunkter i den handskrivna symbolen.
Detta håller med säkerhet ner antalet kärnpunkter som ska analyseras, varigenom metoden är snabb.
Såsom den används här skall termen ”symbol” tolkas som vilken form som helst som har en specifik innebörd, såsom ett tecken, latinskt, kinesiskt eller någon annan 10 15 20 25 30 35 528 063 6 typ, en ligatur mellan, före eller efter tecken, en siffra eller ett skiljetecken. Vidare skall termen "handskrivet mönster” tolkas som den specifika form av en symbol eller sekvens av symboler som har skrivits av en person.
Enligt en utföringsform utförs jämförandet genom att bilda en graf, som har noder och kanter som sammanbinder noderna, varvid varje nod representerar en kärnpunkt som motsvarar en möjlig segmenteringspunkt mellan två symboler i det handskrivna mönstret och varje kant representerar en väg längs en sekvens av kärnpunkter från en nod till en annan nod, vilken väg motsvarar en möjlig symbol i det handskrivna mönstret, att tilldela åtminstone ett avstândsvärde till varje väg genom matchning av särdragen hos sekvensen av kärnpunkter mot mallarna, och att bestämma åtminstone den väg genom grafen från den första noden till den sista noden med det minsta kumulativa avståndsvärdet, vilken väg motsvarar en sekvens av matchade mallar som representerar ett möjligt igenkänningsresultat för det handskrivna mönstret.
Genom bildande av en graf kan det stegvisa analyserandet av de sekventiella kärnpunkterna struktureras. Detta innebär att en god kontroll över de beräkningar som ska utföras erhålls och att resultaten av kumulativa avstånd kan lagras strukturellt i anslutning till noderna och kanterna. Vidare kan grafen effektivt användas, eftersom storleken på grafen enkelt hanteras då ett stort antal punkter kan förkastas i utväljandet av kärnpunkter.
Flera möjliga igenkänningsresultat kan bestämmas, vilka motsvarar vägar genom grafen som har kumulativa avståndsvärden under ett tröskelvärde. Detta innebär att jämförandet av det handskrivna mönstret med mallar kan returnera ett antal kandidater som igenkänningsresultat för det handskrivna mönstret. Dessa kandidater skulle kunna hanteras på flera olika sätt. Den bästa kandidaten som motsvarar det minsta kumulativa avståndsvärdet skulle 10 15 20 25 30 35 5 2 8 063 7 kunna presenteras för en användare. Om denna kandidat avvisas kan andra kandidater presenteras. Alternativt kan flera kandidater presenteras initialt.
Grafen kan bildas genom att sekventiellt addera kärnpunkter som noder och varvid tilldelningen av åtminstone ett avstàndsvärde till varje väg utförs under bildandet av grafen. De erforderliga beräkningarna utförs när grafen bildas. Detta innebär att de möjliga igenkänningsresultaten kan erhållas från grafen så fort den har bildats.
Tilldelandet av åtminstone ett avstândsvärde innefattar att tilldela varje väg det lägsta avståndsvärdet som motsvarar den mall som bäst matchar särdragen hos sekvensen av kärnpunkter. Detta innebär att grafen alltid innehåller information om de mallar som, enligt de använda särdragen, bäst matchar sekvenserna av kärnpunkter.
Antalet kärnpunkter som utväljs kan begränsas av formen för de en eller flera bågarna. Detta innebär att formen för bågarna dikterar det antal kärnpunkter som väljs. På detta sätt kan ett färre antal kärnpunkter väljas när formen för bågarna är enkel, medan ett större antal kärnpunkter väljs för en komplicerad båge.
Det antal kärnpunkter som utväljs kan begränsas av punkter som håller information om riktningsförändringar hos de en eller flera bågarna. Således används endast punkter, i vilka bågarna böjs eller kröker, som kärnpunkter. Detta möjliggör för kärnpunkterna att beskriva-formen för de en eller flera bågarna, även om ett begränsat antal kärnpunkter används.
Utväljandet av kärnpunkter kan innefatta att välja punkter som är lokala extrempunkter hos de en eller flera bågarna i en riktning vinkelrätt mot en huvudsaklig skrivriktning för det handskrivna mönstret. Dessa utvalda kärnpunkter kan ofta motsvara möjliga segmenteringspunkter. Således plockar detta urvalskriterium ut en uppsättning kärnpunkter som har en' 10 15 20 25 30 35 528 063 8 god sannolikhet att innehålla en betydande del av segmenteringspunkterna. Dessa lokala extrempunkter är vidare betydelsefulla för former av symboler och är därför också lämpliga för användning vid igenkänning.
Enligt en utföringsform av uppfinningen skapas uppsättningen av kärnpunkter genom att utväljandet av lokala extrempunkter utökas genom väljande av en till tre kärnpunkter mellan varje par av lokala extrempunkter.
Dessa ytterligare kärnpunkter väljs genom användning av andra kriterier. En sådan uppsättning kärnpunkter är lämplig för användning vid segmentering och igenkänning av ett handskrivet mönster som består av latinska tecken.
Utväljandet av kärnpunkter kan innefatta att välja punkter i vilka ett absolutbelopp av derivatan för de en eller flera bàgarna överstiger ett tröskelvärde. Detta innebär att kärnpunkterna väljs där bâgen eller bågarna gör en skarp sväng. Detta tillhandahåller användbar information för igenkänning av en symbol och plockar vidare ut möjliga segmenteringspunkter.
Utväljandet av kärnpunkter kan innefatta att välja en kärnpunkt där en avvikelse av de en eller flera bågarna från en rät linje mellan två intilliggande kärnpunkter överstiger ett tröskelvärde. Detta innebär att en kärnpunkt som beskriver en krökning hos de en eller flera bàgarna väljs. Således bevaras information om formen för bâgen eller bågarna, vilket är användbart för igenkänning. Kärnpunkterna som väljs på detta sätt har också en stor sannolikhet att vara segmenteringspunkter.
Utväljandet av kärnpunkter kan innefatta vilken kombination som helst av urvalskriterierna som beskrivs ovan eller kan använda ytterligare urvalskriterier som säkert kommer att välja möjliga segmenteringspunkter.
Bestämmandet av särdrag kan innefatta att bestämma en y-koordinat för kärnpunkten, vilken y-koordinat definierar en position i en riktning vinkelrätt mot en huvudsaklig skrivriktning. Detta är användbart för 10 15 20 25 30 35 528 063 9 särskiljande mellan tecken som huvudsakligen skiljer sig i storlek. A Bestämmandet av särdrag kan innefatta att bestäma en riktning för bâgen mot kärnpunkten och en riktning för bågen fràn kärnpunkten. Detta ger information om formen för hågen och är därför mycket användbart vid jämförelse av det handskrivna mönstret med en mall.
Bestämmandet av särdrag kan innefatta att bestämma en x~koordinatsförskjutning från en tidigare kärnpunkt, vilken x-koordinatsförskjutning definierar en position i en riktning parallellt med en huvudsaklig skrivriktning.
Detta innebär att kärnpunkterna är relaterade till varandra. Därigenom behöver inte en mall flyttas för att korrekt matchas mot en sekvens av kärnpunkter.
Det har upptäckts vara särskilt lämpligt att bestämma x-koordinatsförskjutningen från den tidigare kärnpunkten med högsta värde på x-koordinaten.
Bestämmandet av särdrag kan innefatta att bestämma om en penna har lyfts eller tryckts ned i kärnpunkten.
Detta särdrag indikerar ofta en segmenteringspunkt, men kan också indikera ett brott mellan två streck i en symbol. Därför kan särdraget användas för igenkänning av symboler som tillåter att en penna lyfts eller trycks ned i kärnpunkten.
Avstàndsvärdet mellan en kärnpunkt i det handskrivna mönstret och en punkt hos en mall kan beräknas som en viktad summa av avståndet mellan varje särdrag hos kärnpunkten och punkten hos mallen. Således kan de bestämda särdragen ges olika vikt i enlighet med deras betydelse för igenkänning. Vidare bidrar alla särdrag till avståndsvärdet.
Det handskrivna mönstret kan jämföras med mallar, varvid ett flertal mallar representerar olika utseenden av samma symbol. Flertalet mallar som representerar sama symbol tillhandahåller att olika allografer är möjliga att känna igen. Eftersom en mall representeras endast av ett begränsat antal särdrag är det vidare möjligt att 10 15 20 25 30 35 5 248 06 5 10 lagra ett relativt stort antal mallar, medan en databas av mallar i hanterlig storlek bibehålls.
Det möjliga igenkänningsresultatet för det handskrivna mönstret kan jämföras med en ordbok. Detta innebär att en kandidat som bestäms genom jämförelse av det handskrivna mönstret med mallar vidare kan utvärderas genom att jämföras med en ordbok. Härigenom kan kandidaten som ska presenteras för en användare vara t ex den kandidat som har ett minsta kumulativt avstàndsvärde eller kandidaten med minsta kumulativa avståndsvärde V bland de kandidater som finns i ordboken. ytterligare utvärdering som använder en ordbok är Denna emellertid inte nödvändig för erhållande av möjliga igenkänningsresultat. Därför kommer jämförandet av det handskrivna mönstret med mallar att ge igenkänningsresultat utan användning av en ordbok.
Det är inte ett första syfte med uppfinningen att alltid korrekt tolka vad som avses med det handskrivna mönstret. Således identifierar metoden inte i sig själv om det handskrivna mönstret saknar någon information eller innehåller felaktig information) såsom när ett tecken utelämnas i det handskrivna mönstret eller när det handskrivna mönstret är felstavat. Den tillhandahåller emellertid en fast grund att komplettera med andra sammanhangs- och strängmatchningsregler så att ord som inte är möjliga att korrekt känna igen enbart genom granskning av själva det handskrivna mönstret också kan igenkännas.
Vidare kan specifika sekvenser av matchade mallar vara otillåtna. Detta kan vara till hjälp vid kompensering för situationer där informationen i det handskrivna mönstret inte är korrekt. Det kan emellertid också användas för förbättring av igenkänningsresultat genom avvisande av omöjliga eller osannolika kandidater.
Exempelvis kan en sekvens av tvâ ligaturer vara otillåten. 10 15 20 25 30 35 528 063 11 En vikt kan ges till det kumulativa avståndsvärdet för specifika sekvenser av matchade mallar. Detta innebär att igenkänningsresultat som innefattar osannolika sekvenser av mallar inte fullständigt avvisas, men kan ges en vikt som gör det svårare för dessa igenkänningsresultat att ha det minsta kumulativa avståndsvärdet.
Det handskrivna mönstret kan skrivas i skrivstil.
Metoden är speciellt lämpad för igenkänning av handskrivna mönster i skrivstil. Metoden kan emellertid också användas för igenkänning av handskrivna mönster där symboler är skrivna separat. Speciellt kräver metoden inte att det handskrivna mönstret är skrivet med ett streck.
Kort beskrivning av ritningarna Uppfinningen kommer nu i exemplifierande syfte att beskrivas mer i detalj med hänvisning till bifogade ritningar, på vilka: fig 1 är ett flödesschema över en metod för igenkänning av ett handskrivet mönster enligt en utföringsform av uppfinningen, fig 2 är ett exempel på ett handskrivet mönster och indikerar utvalda kärnpunkter som ska användas för jämförelse av det handskrivna mönstret med mallar, fig 3 är ett flödesschema över en metod för jämförelse av det handskrivna mönstret med mallar, fig 4 är ett schema över en graf som har bildats för bestämning av avstándsvärden mellan mallar och det handskrivna mönstret, fig 5 är en schematisk vy av en anordning för igenkänning av ett handskrivet mönster enligt en utföringsform av uppfinningen.
Detaljerad beskrivningjav en föredragen utföringsform Med hänvisning till fig 1 kommer nu en metod för igenkänning av ett handskrivet mönster att beskrivas. 10 15 20 25 30 35 4,IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII 528 063 12 Först detekteras det handskrivna mönstret, steg 102. En användare kan typiskt skriva det handskrivna mönstret med ett pekdon på en tryckkänslig skärm, varigenom handskriften detekteras genom sampling av positionen för pekdonet vid jämna intervall. På detta sätt erhålls en tidssekvens av punkter. Handskriften kan detekteras på flera andra sätt, såsom genom användning av sensorer som detekterar t ex en elektrisk koppling som bildas mellan en penna och en skrivyta eller sensorer som detekterar rörelser för en penna. Det handskrivna mönstret kan också detekteras genom Skanning av ett papper på vilket det Dà kan handskriften detekteras som en sekvens av punkter på en skrivyta, handskrivna mönstret skrivits. varvid sekvensen beror av var punkterna är placerade i förhållande till varandra, d v s en rumslig sekvens av punkter.
Kärnpunkter väljs nu bland sekvensen av punkter som skapats när det handskrivna mönstret detekterades, steg 104. Kärnpunkterna väljs för reducering av det handskrivna mönstrets dimension, d v s antalet samplade punkter hos ett streck i mönstret. Kärnpunkterna ska ändå väljas så att det handskrivna mönstret kan igenkännas korrekt.
Fig 2 visar ett handskrivet mönster 10 som bildar det svenska ordet "ek". I fig 2 indikeras också de valda kärnpunkterna 12 och varannan kärnpunkt är numrerad. Det är uppenbart från fig 2 att den första delen av detta skrivstilsord kan ha utseendet av bokstaven "d".
Problemet är att om igenkänningsmetoden segmenterar ordet vid ändpunkten för detta ”d” till två bokstavssegment kommer inget av dessa att innehålla de bokstäver i ordet som avsàgs. Det står därför klart att igenkänningsmetoden måste beakta mer än en segmenteringsmöjlighet när skrivstilshandskrift segmenteras. Därför väljs flera kärnpunkter som möjliga punkter som indikerar en segmentering i det handskrivna mönstret 10 mellan tvà tecken. Således väljs kärnpunkter 12 för identifiering av 10 15 20 25 30 35 5281063 13 den korrekta segmenteringen av det handskrivna mönstret 10 i separata symboler eller tecken. Kärnpunkterna 12 används emellertid också för igenkänning av segmenten hos det handskrivna mönstret 10.
Utväljandet av kärnpunkter 12 bör inte slänga bort någon verklig segmenteringspunkt. Antalet kärnpunkter 12 som definierar potentiella segmenteringspunkter hos det handskrivna mönstret 10 bör emellertid väljas på ett sådant sätt att antalet kärnpunkter 12 hålls ner så mycket som möjligt. Utväljandet av kärnpunkter 12 använder därför några urvalskriterier.
Enligt en för tillfället föredragen utföringsform används följande urvalskriterier. Det första I urvalskriteriet extraherar extrempunkterna i en riktning vinkelrätt mot en huvudsaklig skrivriktning. Vi betecknar dessa punkter som nordliga (N) respektive sydliga (S) kärnpunkter. I det handskrivna mönstret i fig 2 markeras N- och S-kärnpunkter med cirklar. Varje par av N-S- punkter har kompletterats med ytterligare en till tre punkter som ligger däremellan. Dessa senare punkter har valts med två ytterligare kriterier, ett kröknings- och ett skarphetskriterium. Vi kallar dessa extra punkter för mellanliggande (M) kärnpunkter. I det handskrivna mönstret i fig 2 markeras M-kärnpunkterna med asterisker.
Krökningskriteriet bestämmer om det handskrivna mönstret 10 avviker betydligt från en rät linje mellan två intilliggande kärnpunkter. Då väljs en M-kärnpunkt vid en position som avviker mest från den räta linjen.
Skarphetskriteriet bestämmer om det handskrivna mönstret gör en skarp sväng. Dä väljs en M-kärnpunkt vid denna position. Beslutet om skarphetskriteriet uppfylls görs genom beräkning av derivatan av det handskrivna mönstret 10 i varje detekterad punkt. När en skarp sväng görs antar derivatan ett högt värde. Skarphets~ och krökningskriterierna kan användas för val av flera M- kärnpunkter mellan ett part av N-S-kärnpunkter. 10 15 20 25 30 35 528 063 14 Metoden innefattar vidare att bestämma särdrag hos det handskrivna mönstret vid eller i närheten av varje kärnpunkt, steg 106. Det är tänkbart att använda koordinatvärdena för de extraherade kärnpunkterna 12 direkt för igenkänningssyften. Omgivningen till en kärnpunkt 12 innehåller emellertid också viss information om formen för det handskrivna mönstret 10. För att denna extra forminformation ska inkluderas bestäms en uppsättning av fem särdrag för varje kärnpunkt i enlighet med den för tillfället föredragna utföringsformen. Varje kärnpunkt 12 ges en etikett från en etikettuppsättning i enlighet med hur den har valts. Här används de tre etiketterna N, S och M. Denna etikett för kärnpunkterna 12 bildar basen som används för matchning av kärnpunktssekvenser mot mallar. Särdragen innefattar vidare riktningsvektorerna in mot och ut fràn kärnpunkten 12, y~koordinatsvärdet för kärnpunkten 12, d v s värdet i en riktning vinkelrätt mot den huvudsakliga skrivriktningen, och avståndet dx med plus/minus-tecken längs en x-koordinat parallell med den huvudsakliga skrivriktningen från kärnpunkten 12 till den föregående kärnpunkten längst till höger.
De bestämda särdragen hos det handskrivna mönstrets 10 valda kärnpunkter 12 jämförs nu med mallar, steg 108, för finnande av en kandidat eller kandidater för igenkänning av det handskrivna mönstret 10. Mallarna tillhandahålls i en databas och representeras av särdrag hos sekventiella kärnpunkter. Således matchas de bestämda särdragen direkt med särdrag hos mallarna. Databasen kan innefatta flera mallar som representerar allografer av samma symbol för igenkänning av mönster även om användare har olika sätt att skriva. Vidare innefattar databasen mallar som representerar ligaturer, d v s streck som typiskt binder samman två tecken eller inte är del av det faktiska tecknet. Alla tecken i mitten av skrivstilsord har ligaturer, medan tecken i början av ord kan, men behöver inte, ha en ligatur. Skrivstilsord kan också 10 15 20 25 30 35 1528 063 15 sluta i en ligatur. Vissa mallar kan representera ett tecken med en ligatur inkluderad. Detta kan med fördel användas för mallar för tecknen ”e”, ”x” och n u S . nr", no", Med hänvisning till fig 3 och 4 komer nu jämförelsen av särdrag hos ett handskrivet mönsters 10 valda kärnpunkter 12 med mallar att beskrivas.
Kärnpunkterna 12 betraktas som potentiella segmenteringspunkter hos det handskrivna mönstret 10.
Vidare betraktas en sekvens av kärnpunkter 12 från en första potentiell segmenteringspunkt till en andra potentiell segmenteringspunkt som en representation av en potentiell symbol i det handskrivna mönstret. Således jämförs särdragen hos sekvenser av kärnpunkter 12 med mallarna.
De valda kärnpunkterna 12 representerar ett relativt stort antal olika sekvenser av kärnpunkter 12 som kan jämföras med mallarna. För att jämförelsen ska struktureras analyseras kärnpunkterna 12 i följd. Med början vid den första kärnpunkten 12 matchas varje möjlig sekvens av kärnpunkter 12 mot mallar. Ändkärnpunkten 12 hos en sekvens som matchar en mall lagras som en nod i en graf, steg 110. Ett avståndsvärde som ger ett mått på matchningen mellan sekvensen av kärnpunkter och mallen lagras i noden och representerar en väg mellan den första kärnpunkten och noden, steg 112. När alla möjliga sekvenser av kärnpunkter 12 från den första kärnpunkten har matchats mot mallarna påbörjas ytterligare matchning' vid kärnpunkter 12 som har lagrats som noder i grafen.
Avståndsvärdet mellan mallar och en ytterligare sekvens av kärnpunkter adderas till det första avståndsvärdet som lagrats vid startnoden för den ytterligare sekvensen av kärnpunkter. Således lagras ett kumulativt avståndsvärde vid noder i grafen. På detta sätt bildas en acyklisk graf för alla kärnpunkter 12 och den sista kärnpunkten i grafen kommer att hålla information om kumulativa avstàndsvärden för olika vägar genom grafen. Sedan kan 10 15 20 25 30 35 528» 063 16 ett möjligt igenkänningsresultat för det handskrivna mönstret 10 returneras genom väljande av en väg genom grafen som representerar en sekvens av mallar, steg 114.
Den valda vägen kan vara den väg som har det minsta kumulativa avstàndsvärdet, men kan också vara en annan väg som representerar en sekvens av mallar som finns i en ordbok.
I fig 4 visas en graf 20 som representerar en matchning av det handskrivna mönstret 10 i fig 2 mot mallar. Grafen innefattar noder 22 som representeras som numrerade cirklar och kanter 24 mellan noderna. Såsom kan ses finns det flera vägar genom grafen som representerar olika segmenteringar av det handskrivna mönstret.
Matchningen av det handskrivna mönstret 10 mot mallar definierar således samtidigt möjliga segmenteringar av det handskrivna mönstret 10 och skapar ett mätt på likheten mellan det segmenterade handskrivna mönstret 10 och en sekvens av mallar.
Avståndsvärdet mellan en kärnpunkt i det handskrivna mönstret och en punkt i mallen är en viktad suma av absolutbeloppen av skillnaderna mellan särdragen hos punkterna. Avstàndsvärdet mellan en sekvens av kärnpunkter och en mall är summan av avståndsvärdet mellan de individuella punkterna. Avstånden för kärnpunkter som bildar noder i grafen bör emellertid endast beräknas en gång. Således kan avståndet mellan kärnpunkten som bildar noden och mallarna tilldelas en väg till eller från noden och avspegla ett medelavstånd mellan kärnpunkten och båda mallar som motsvarar vägar till och från noden.
Med hänvisning till fig 5 kommer nu en anordning 30 » för igenkänning av ett handskrivet mönster att beskrivas.
Anordningen 30 innefattar en detektor 32 för registrering av ett handskrivet mönster 10 som en sekvens av punkter.
Detektorn 32 kan implementeras som en tryckkänslig skärm på vilken en användare skriver. Anordningen 30 innefattar vidare en analysator 34 för analysering av det 10 15 20 A528 063 17 detekterade handskrivna mönstret. Analysatorn 34 kan vara implementerad som ett program som körs på en centralenhet hos en dator. Analysatorn 34 innefattar organ för utväljande av kärnpunkter hos ett handskrivet mönster och organ för bestämmande av särdrag hos det handskrivna mönstret vid eller i närheten av kärnpunkterna.
Anordningen 30 innefattar vidare en databas 36 som innefattar mallar som representeras som särdrag hos kärnpunkter. Analysatorn 34 innefattar vidare organ för beräkning av avstàndsvärden mellan särdrag hos en sekvens av kärnpunkter hos det handskrivna mönstret och mallar.
Analysatorn 34 är anordnad att bilda en graf för att strukturellt jämföra det handskrivna mönstret med mallar och skapa åtminstone ett möjligt igenkänningsresultat för det handskrivna mönstret. Det möjliga igenkänningsresultatet kan presenteras på en bildskärm, som kan vara separat från den tryckkänsliga skärmen eller införlivad med den tryckkänsliga skärmen på vilken det handskrivna mönstret inmatades.
Det bör framhävas att den föredragna utföringsformen som beskrivs häri inte på något sätt är begränsande och att många alternativa utföringsformer är möjliga inom det skyddsomfàng som definieras av bifogade krav.
Claims (22)
1. l. Metod för igenkänning av ett handskrivet mönster, vilket innefattar en eller flera bågar sam representerar ett flertal symboler, vilken metod innefattar: att detektera det handskrivna mönstret som en sekvens av punkter längs det handskrivna mönstrets en eller flera bågar, att välja ut kärnpunkter bland sekvensen av punkter, varvid kärnpunkterna väljs för användning vid segmentering av det handskrivna mönstret och igenkänning av dessa segment hos det handskrivna mönstret som symboler, att bestämma särdrag hos de en eller flera bågarna vid eller i närheten av varje kärnpunkt, att jämföra det handskrivna mönstret med mallar, varvid varje mall representerar åtminstone en symbol eller del av en symbol och varvid jämförandet innefattar: att stegvis analysera kärnpunkterna i följd, varvid kärnpunkterna representerar möjliga segmenteringspunkter och sekvenser av kärnpunkter från en första möjlig segmenteringspunkt till en andra möjlig segmenteringspunkt representerar möjliga symboler, och varvid nämnda analysering utförs genom att matcha särdragen hos sekvenser av kärnpunkter, vilka antingen börjar med den första kärnpunkten eller den sista kärnpunkten hos en föregående sekvens av kärnpunkter, mot mallarna och beräkna ett avståndsvärde, och att tilldela ett kumulativt avståndsvärde till den sista kärnpunkten i den matchade sekvensen av kärnpunkter, vilket kumulativt avståndsvärde är en summa av ett avståndsvärde som tilldelats den första kärnpunkten i sekvensen och det beräknade avstândsvärdet, 10 15 20 25 30 35 528 065 19 varigenom ett minsta kumulativt avstàndsvärde för alla sekventiella kärnpunkter tilldelas den sista kärnpunkten och motsvarar en sekvens av matchade mallar vilka representerar ett flertal symboler som ett möjligt igenkänningsresultat för det handskrivna mönstret.
2. Metod enligt krav 1, varvid nämnda jämförande utförs genom att bilda en graf, som har noder och kanter som sammanbinder noderna, varvid varje nod representerar en kärnpunkt som motsvarar en möjlig segmenteringspunkt mellan två symboler i det handskrivna mönstret och varje kant representerar en väg längs en sekvens av kärnpunkter från en nod till en annan nod, vilken väg motsvarar en möjlig symbol i det handskrivna mönstret, att tilldela åtminstone ett avståndsvärde till varje väg genom matchning av särdragen hos sekvensen av kärnpunkter mot mallarna, och att bestämma åtminstone den väg genom grafen från den första noden till den sista noden med det minsta kumulativa avstándsvärdet, vilken väg motsvarar en sekvens av matchade mallar som representerar ett flertal symboler som ett möjligt igenkänningsresultat för det handskrivna mönstret.
3. Metod enligt krav 2, varvid flera möjliga igenkänningsresultat bestäms, vilka motsvarar vägar genom grafen som har kumulativa avståndsvärden under ett tröskelvärde.
4. Metod enligt krav 2 eller 3, varvid nämnda graf bildas genom att sekventiellt addera kärnpunkter som noder och varvid tilldelningen av åtminstone ett avståndsvärde till varje väg utförs under bildandet av grafen. 10 15 20 25 30 35 528 063 20
5. Metod enligt något av krav 2-4, varvid nämnda tilldelande av åtminstone ett avståndsvärde innefattar att tilldela varje väg det lägsta avståndsvärdet som motsvarar den mall som bäst matchar särdragen hos sekvensen av kärnpunkter.
6. Metod enligt något av föregående krav, varvid ett antal kärnpunkter som utvâljs begränsas av formen för de en eller flera bågarna.
7. Metod enligt krav 6, varvid antalet kärnpunkter som utväljs begränsas av punkter som håller information om riktningsförändringar hos de en eller flera bágarna.
8. Metod enligt något av föregående krav, varvid nämnda utväljande av kärnpunkter innefattar att välja punkter som är lokala extrempunkter hos de en eller flera bågarna i en riktning vinkelrätt mot en huvudsaklig skrivriktning för det handskrivna mönstret.
9. Metod enligt något av föregående krav, varvid nämnda utväljande av kärnpunkter innefattar att välja punkter i vilka ett absolutbelopp av derivatan för de en eller flera bågarna överstiger ett tröskelvärde.
10. Metod enligt något av föregående krav, varvid nämnda utväljande av kärnpunkter innefattar att välja en kärnpunkt där en avvikelse av de en eller flera bågarna från en rät linje mellan två intilliggande kärnpunkter överstiger ett tröskelvärde.
11. ll. Metod enligt något av föregående krav, varvid nämnda bestämmande av särdrag innefattar att bestämma en y-koordinat för kärnpunkten, vilken y-koordinat definierar en position i en riktning vinkelrätt mot en huvudsaklig skrivriktning. 10 15 20 25 30 35 528 063 21
12. Metod enligt något av föregående krav, varvid nämnda bestämmande av särdrag innefattar att bestämma en riktning för bàgen mot kärnpunkten och en riktning för bågen från kärnpunkten.
13. Metod enligt något av föregående krav, varvid nämnda bestämmande av särdrag innefattar att bestämma en x-koordinatsförskjutning från en tidigare kärnpunkt, vilken x-koordinatsförskjutning definierar en position i en riktning parallellt med en huvudsaklig skrivriktning.
14. Metod enligt något av föregående krav, varvid nämnda bestämmande av särdrag innefattar att bestämma om en penna har lyfts eller tryckts ned i kärnpunkten.
15. Metod enligt något av föregående krav, varvid avstândsvärdet mellan en kärnpunkt i det handskrivna mönstret och en punkt hos en mall beräknas som en viktad summa av avståndet mellan varje särdrag hos kärnpunkten och punkten hos mallen.
16. Metod enligt något av föregående krav, varvid det handskrivna mönstret jämförs med mallar, varvid ett flertal mallar representerar olika utseenden av samma symbol.
17. A17. Metod enligt något av föregående krav, varvid det möjliga igenkänningsresultatet för det handskrivna mönstret jämförs med en ordbok.
18. Metod enligt något av föregående krav, varvid specifika sekvenser av matchade mallar är otillåtna.
19. Metod enligt något av föregående krav, varvid en vikt ges till det kumulativa avståndsvärdet för specifika sekvenser av matchade mallar. 10 15 20 25 30 35 528 063 22
20. Metod enligt något av föregående krav, varvid det handskrivna mönstret är skrivet i skrivstil.
21. Anordning för igenkänning av ett handskrivet mönster, vilket innefattar en eller flera bågar som representerar ett flertal symboler, vilken anordning innefattar: organ för detektering av det handskrivna mönstret som en sekvens av punkter längs det handskrivna mönstrets en eller flera bågar, organ för utväljande av kärnpunkter bland sekvensen av punkter, varvid kärnpunkterna väljs för användning vid segmentering av det handskrivna mönstret och igenkänning av dessa segment hos det handskrivna mönstret som symboler, organ för bestämmande av särdrag hos de en eller flera bågarna vid eller i närheten av varje kärnpunkt, organ för jämförande av det handskrivna mönstret med mallar, varvid varje mall representerar åtminstone en symbol eller del av en symbol, vilket organ för jämförande är anordnat att: stegvis analysera kärnpunkterna i följd, varvid kärnpunkterna representerar möjliga segmenteringspunkter och sekvenser av kärnpunkter fràn en första möjlig segmenteringspunkt till en andra möjlig segmenteringspunkt representerar möjliga symboler, och varvid nämnda analysering utförs genom att matcha särdragen hos sekvenser av kärnpunkter, vilka antingen börjar med den första kärnpunkten eller den sista kärnpunkten hos en föregående sekvens av kärnpunkter, mot mallarna och beräkna ett avstàndsvärde, och att tilldela ett kumulativt avståndsvärde till den sista kärnpunkten i den matchade sekvensen av kärnpunkter, vilket kumulativt _avståndsvärde är en summa av ett avstàndsvärde 10 15 528 063 23 som tilldelats den första kärnpunkten i sekvensen och det beräknade avståndsvärdet, varigenom ett minsta kumulativt avståndsvärde för alla sekventiella kärnpunkter tilldelas den sista kärnpunkten och motsvarar en sekvens av matchade mallar vilka representerar ett flertal symboler som ett möjligt igenkänningsresultat för det handskrivna mönstret.
22. Datorprogramprodukt, vilken är direkt laddningsbar i ett internminne hos en databehandlingsenhet och vilken innefattar mjukvarukodpartier för utförande av metoden enligt något av krav l-20.
Priority Applications (10)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
SE0402773A SE528063C2 (sv) | 2004-11-12 | 2004-11-12 | Metod och anordning för segmenteringsbaserad igenkänning |
PCT/SE2005/001571 WO2006052180A1 (en) | 2004-11-12 | 2005-10-21 | Method and device for recognition of handwritten patterns |
JP2007541134A JP4958236B2 (ja) | 2004-11-12 | 2005-10-21 | 手書きパターンを認識するための方法及び装置 |
EP05794628A EP1815395B1 (en) | 2004-11-12 | 2005-10-21 | Method and device for recognition of handwritten patterns |
DE602005026844T DE602005026844D1 (de) | 2004-11-12 | 2005-10-21 | Verfahren und einrichtung zur erkennung handschriftlicher muster |
KR1020077013110A KR20070090188A (ko) | 2004-11-12 | 2005-10-21 | 수기 패턴을 인식하기 위한 방법 및 장치 |
CNB2005800388247A CN100541522C (zh) | 2004-11-12 | 2005-10-21 | 用于识别手写图形的方法和设备 |
AT05794628T ATE501486T1 (de) | 2004-11-12 | 2005-10-21 | Verfahren und einrichtung zur erkennung handschriftlicher muster |
TW094137814A TWI303783B (en) | 2004-11-12 | 2005-10-28 | Method and device for recognition of a handwritten pattern, and computer program product |
US11/270,858 US7580573B2 (en) | 2004-11-12 | 2005-11-09 | Segmentation-based recognition |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
SE0402773A SE528063C2 (sv) | 2004-11-12 | 2004-11-12 | Metod och anordning för segmenteringsbaserad igenkänning |
Publications (3)
Publication Number | Publication Date |
---|---|
SE0402773D0 SE0402773D0 (sv) | 2004-11-12 |
SE0402773L SE0402773L (sv) | 2006-05-13 |
SE528063C2 true SE528063C2 (sv) | 2006-08-22 |
Family
ID=33488236
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
SE0402773A SE528063C2 (sv) | 2004-11-12 | 2004-11-12 | Metod och anordning för segmenteringsbaserad igenkänning |
Country Status (10)
Country | Link |
---|---|
US (1) | US7580573B2 (sv) |
EP (1) | EP1815395B1 (sv) |
JP (1) | JP4958236B2 (sv) |
KR (1) | KR20070090188A (sv) |
CN (1) | CN100541522C (sv) |
AT (1) | ATE501486T1 (sv) |
DE (1) | DE602005026844D1 (sv) |
SE (1) | SE528063C2 (sv) |
TW (1) | TWI303783B (sv) |
WO (1) | WO2006052180A1 (sv) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006091156A1 (en) * | 2005-02-28 | 2006-08-31 | Zi Decuma Ab | Recognition graph |
US20070263932A1 (en) * | 2006-05-12 | 2007-11-15 | Waterloo Maple Inc. | System and method of gesture feature recognition |
KR101080254B1 (ko) * | 2009-06-02 | 2011-11-08 | (주)펜앤프리 | 터치스크린을 이용한 필기 입력 방법 및 이를 이용한 필기 입력 장치 |
US20110248910A1 (en) * | 2010-04-13 | 2011-10-13 | Thien Van Pham | Method for comparing two continuous computer generated lines generated by the movements of a computer mouse or a digitizer tablet |
KR101176409B1 (ko) | 2010-05-25 | 2012-08-28 | 장경호 | 사용자 영문 필기체 필적 구현 시스템 |
CN102810058B (zh) * | 2011-05-31 | 2016-02-03 | 鸿富锦精密工业(深圳)有限公司 | 量测编程坐标系刷新系统及方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH01316890A (ja) * | 1988-06-17 | 1989-12-21 | Fujitsu Ltd | オンライン手書文字認識方式 |
JP2781898B2 (ja) * | 1991-07-30 | 1998-07-30 | 株式会社セブンファースト | 画像彫刻方法 |
US5343537A (en) * | 1991-10-31 | 1994-08-30 | International Business Machines Corporation | Statistical mixture approach to automatic handwriting recognition |
US5392363A (en) * | 1992-11-13 | 1995-02-21 | International Business Machines Corporation | On-line connected handwritten word recognition by a probabilistic method |
US5812697A (en) * | 1994-06-10 | 1998-09-22 | Nippon Steel Corporation | Method and apparatus for recognizing hand-written characters using a weighting dictionary |
IL110137A (en) * | 1994-06-27 | 2000-06-29 | Advanced Recognition Tech | Handwriting recognition system |
JP2845149B2 (ja) * | 1994-12-28 | 1999-01-13 | 日本電気株式会社 | 手書文字入力装置および手書文字入力方法 |
US5757959A (en) * | 1995-04-05 | 1998-05-26 | Panasonic Technologies, Inc. | System and method for handwriting matching using edit distance computation in a systolic array processor |
JP2000353215A (ja) * | 1999-06-11 | 2000-12-19 | Nec Corp | 文字認識装置および文字認識プログラムを記録した記録媒体 |
US7336827B2 (en) * | 2000-11-08 | 2008-02-26 | New York University | System, process and software arrangement for recognizing handwritten characters |
DE502004005457D1 (de) | 2004-01-30 | 2007-12-20 | Baumer Optronic Gmbh | Bildverarbeitungssystem |
-
2004
- 2004-11-12 SE SE0402773A patent/SE528063C2/sv not_active IP Right Cessation
-
2005
- 2005-10-21 AT AT05794628T patent/ATE501486T1/de not_active IP Right Cessation
- 2005-10-21 KR KR1020077013110A patent/KR20070090188A/ko not_active Application Discontinuation
- 2005-10-21 JP JP2007541134A patent/JP4958236B2/ja active Active
- 2005-10-21 EP EP05794628A patent/EP1815395B1/en not_active Not-in-force
- 2005-10-21 WO PCT/SE2005/001571 patent/WO2006052180A1/en active Application Filing
- 2005-10-21 CN CNB2005800388247A patent/CN100541522C/zh active Active
- 2005-10-21 DE DE602005026844T patent/DE602005026844D1/de active Active
- 2005-10-28 TW TW094137814A patent/TWI303783B/zh not_active IP Right Cessation
- 2005-11-09 US US11/270,858 patent/US7580573B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
ATE501486T1 (de) | 2011-03-15 |
SE0402773L (sv) | 2006-05-13 |
DE602005026844D1 (de) | 2011-04-21 |
KR20070090188A (ko) | 2007-09-05 |
US7580573B2 (en) | 2009-08-25 |
WO2006052180A1 (en) | 2006-05-18 |
TW200630898A (en) | 2006-09-01 |
CN100541522C (zh) | 2009-09-16 |
JP2008520035A (ja) | 2008-06-12 |
EP1815395B1 (en) | 2011-03-09 |
EP1815395A1 (en) | 2007-08-08 |
CN101057250A (zh) | 2007-10-17 |
JP4958236B2 (ja) | 2012-06-20 |
US20060110041A1 (en) | 2006-05-25 |
SE0402773D0 (sv) | 2004-11-12 |
TWI303783B (en) | 2008-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7596272B2 (en) | Handling of diacritic points | |
US7756335B2 (en) | Handwriting recognition using a graph of segmentation candidates and dictionary search | |
KR100297482B1 (ko) | 수기입력의문자인식방법및장치 | |
Bharath et al. | HMM-based lexicon-driven and lexicon-free word recognition for online handwritten Indic scripts | |
EP0114250B1 (en) | Confusion grouping of strokes in pattern recognition method and system | |
Wshah et al. | Script independent word spotting in offline handwritten documents based on hidden markov models | |
Shi et al. | Font recognition and contextual processing for more accurate text recognition | |
US7580573B2 (en) | Segmentation-based recognition | |
EP2138959B1 (en) | Word recognizing method and word recognizing program | |
Khayyat et al. | Arabic handwritten word spotting using language models | |
De Stefano et al. | Reading cursive handwriting | |
Sotoodeh et al. | A music symbols recognition method using pattern matching along with integrated projection and morphological operation techniques | |
Faradji et al. | Online farsi handwritten words recognition using a combination of 3 cascaded RBF neural networks | |
JP3675511B2 (ja) | 手書き文字認識方法及び装置 | |
JP7095450B2 (ja) | 情報処理装置、文字認識方法、および文字認識プログラム | |
Das et al. | Pattern recognition approaches to japanese character recognition | |
Faradji et al. | An HMM-based online recognition system for farsi handwritten words | |
Shridhar et al. | Impact of lexicon completeness on city name recognition | |
JP3720876B2 (ja) | 手書き文字認識学習方法及び手書き文字認識装置 | |
CA2497586C (en) | Method and apparatus for recognizing cursive writing from sequential input information | |
Yamasaki | Writing box free recognition of online handwritten Japanese characters | |
da Silva et al. | A Visualization Tool to Improve the Performance of a Classifier Based on Hidden Markov Models | |
JPS63213094A (ja) | オンライン文字確認装置 | |
JPS60217482A (ja) | 文字認識装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
NUG | Patent has lapsed |