[发明专利]用于提供手写识别的组合器

说明书

背景

诸如图形输入板pc和个人数字助理等启用笔的设备通常使用一种或多种 类型的手写识别器来允许用户使用笔来输入数据。手写识别器根据一系列分类 器分析用户的手写笔迹以确定最有可能的匹配。由于人与人之间或同一人书写 同一字符的大量变化(或书写风格)，通常难以对草写体手写笔迹达到良好的 手写识别结果。例如，N个笔画的字符可用1-N个笔画书写(潜在地产生2＾N 种书写)，且人与人之间以及字符与字符之间连接笔画的方式可能变化很大。 此外，东亚预言通常有约10,000个字符(码点或类)，这进一步使问题复杂化。 困难也因不均匀的数据分布(诸如当存在比草写体样本多得多的印刷体训练样 本时)而造成，这导致在原型数据库中存在与印刷体样本的数目相比有限数目 的草写体样本。当使用神经网络来用于字符识别时，产生另一难点。神经网络 通常不能良好地缩放到数千个类或字符。在神经网络识别器中试图支持所有这 些字符可能会急剧地降级系统准确性。

概述

公开了改进手写识别操作的各种技术和技巧。手写输入在训练模式中接 收，并令其通过若干基本识别器来生成若干备选项列表。备选项列表被联合在 一起以生成新的组合备选项列表(诸如具有N个备选项)。如果在组合备选项 列表中存在正确的结果，则使用新组合备选项列表中正确/不正确备选项对中的 每一个(其中共有N-1个)来生成训练模式以训练可学习哪个备选项是正确的 识别系统(被称为比较器网)(即，可用来比较两个备选项的系统)。存储与 备选项对相关联的权重供识别操作使用。

在运行时，按照与训练时相同的方式生成组合备选项列表。经训练的比较 器网可用于比较组合备选项列表中的任何两个备选项。在一个实现中，与比较 器网一起使用排序功能(或最大值功能)来对组合备选项列表重新定序以改进 准确性。在一个实现中，与一个或多个神经网络基本识别器一起使用模板匹配 基本识别器来改进识别操作。该系统提供对已经对于印刷体和草写体数据进行 了训练的比较器网和重新定序网过程以及对仅对于草写体数据进行了训练的 比较器网和重新定序网过程的访问。然后根据手写输入是印刷体还是草写体来 使用相应比较器网和重新定序网过程。

提供本概述以便以简化形式介绍将在以下详细描述中进一步描述的一些 概念。该概述不旨在标识所要求保护的主题的关键特征或必要特征，也不旨在 用于帮助确定所要求保护的主题的范围。

附图简述

图1是示出供识别操作使用的基于比较器网的组合器的一个实现的系统 的示意图。

图2是图1系统的一个实现的的过程流程图，它示出了执行手写识别训练 操作来产生基于比较器网的组合器时所涉及的各个阶段。

图3是图1系统的一个实现的的过程流程图，它示出了使用基于比较器网 的组合器来执行手写识别操作时所涉及的各个阶段。

图4是示出供识别操作使用的基于比较器网和重新定序网的组合器的一 个实现的系统的示意图。

图5是图4系统的一个实现的的过程流程图，它示出了执行手写识别训练 操作来产生比较器网和重新定序网时所涉及的各个阶段。

图6是图4系统的一个实现的的过程流程图，它示出了使用比较器网和重 新定序网过程来执行手写识别操作时所涉及的各个阶段。

图7是图1和图4系统的一个实现的的过程流程图，它示出了使用对基本 识别器的约束来执行识别操作时所涉及的各个阶段。

图8是图1和图4系统的一个实现的的过程流程图，它示出了提供基于比 较器网和重新定序网的组合器来改进手写识别时所涉及的各个阶段。

图9是图1和图4系统的一个实现的过程流程图，它示出了除神经网络识 别器以外添加模板匹配(或最近邻居)基本识别器来改进缩放性时所涉及的各 个阶段。

图10是图1和图4系统的一个实现的的过程流程图，它示出了基于墨迹 的草写体程度(cursiveness)来提供分层组合器体系结构时所涉及的各个阶段。

图11是一个实现的计算机系统的示意图。

详细描述

为促进对本发明原理的理解，现将参考附图中所示的各实施例，并将使用 专用语言来描述它们。然而，要理解，并不旨在对范围进行限制。在所述实施 方式中的任何改变和进一步修正，以及在此所述的原理的进一步应用可以预期 将是本领域技术人员通常能想到的。