[go: up one dir, main page]

JP2667954B2 - 静的及び動的パラメータを使用する自動手書き文字認識装置及び方法 - Google Patents

静的及び動的パラメータを使用する自動手書き文字認識装置及び方法

Info

Publication number
JP2667954B2
JP2667954B2 JP5293291A JP29329193A JP2667954B2 JP 2667954 B2 JP2667954 B2 JP 2667954B2 JP 5293291 A JP5293291 A JP 5293291A JP 29329193 A JP29329193 A JP 29329193A JP 2667954 B2 JP2667954 B2 JP 2667954B2
Authority
JP
Japan
Prior art keywords
static
feature vector
character
dynamic
handwriting
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
JP5293291A
Other languages
English (en)
Other versions
JPH06243297A (ja
Inventor
ジェローム・リーン・ベレガーダ
デービッド・ナハムー
クリシュナ・サンダラム・ナサン
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
International Business Machines Corp
Original Assignee
International Business Machines Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by International Business Machines Corp filed Critical International Business Machines Corp
Publication of JPH06243297A publication Critical patent/JPH06243297A/ja
Application granted granted Critical
Publication of JP2667954B2 publication Critical patent/JP2667954B2/ja
Anticipated expiration legal-status Critical
Expired - Fee Related legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06V30/373—Matching; Classification using a special pattern or subpattern alphabet
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G06F18/256—Fusion techniques of classification results, e.g. of results related to same input data of results relating to different input data, e.g. multimodal recognition
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06V30/19—Recognition using electronic means
    • G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
    • G06V30/1918—Fusion techniques, i.e. combining data from various sources, e.g. sensor fusion
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Character Discrimination (AREA)

Description

【発明の詳細な説明】
【０００１】
【産業上の利用分野】本発明は、手書き（手書きされた
文字）を自動的に認識するための装置及び方法に関する
ものである。
【０００２】
【従来の技術】手書きにより形成された記号は、それが
電子的タブレットによってトレースされる時、ｘ−ｙ座
標対のシーケンスにより表わされる。手書きの基本単位
は、ストロークである。ストロークは、それぞれｘ−ｙ
座標により表わされた複数の点のシーケンスである。ア
ルファベットの文字及び数字のような記号は、そのよう
なストロークの集合体である。
【０００３】自動手書き認識システムの望ましい特徴
は、冗長度を最小にするように入力データを処理する能
力及び頑丈な統計的技法によってデータをモデル化する
能力を含んでいる。考察されるパラメータは、典型的に
は、ペン移動の方向に依存している。即ち、点の時間的
順序は、特徴ベクトルを抽出する時保存される。ストロ
ーク・データの時間的順序を保存することの理屈は、所
定の書き手が文字を形成する方法には或程度の一貫性が
あるということである。例えば、文字「Ｏ」は、時計方
向又は反時計方向のどちらの動きでも書くことができ
る。これら２つの可能性を許容することによって及びペ
ン移動の方向を保持することによって、雑音に関して頑
丈な認識システムを設計することが可能である。それ
は、そのシステムの時間的トレース全体がわずかな変動
により影響されないためである。更に、１ストロークで
形成される「Ｓ」及び２ストロークで形成される「５」
のような類似した形状の間を、ストロークの数及び（又
は）ペン移動の方向によって、区別することが可能であ
ることが多い。
【０００４】しかし、ストローク順序だけに依存する手
書き認識システムは、いくつかの欠陥を示すことがあ
る。そのような欠陥の１つは、「ｔ」の横線及び「ｉ」
又は「ｊ」の点のような遅延したストロークを適切に処
理する困難性である。時間的又は動的な入力データだけ
を処理する手書き認識システムのもう１つの欠陥は、大
文字のような多重ストローク文字をモデル化するときに
導入される曖昧性である。この曖昧性は、そのような多
重ストローク文字の表現の数がストロークの数に従って
幾何学的に増大するために存在する。結局、ペン移動の
方向においては種々の書き手の間には一貫性がほとんど
ないかもしれない。従って、書き手に依存しない合理的
な認識性能を達成するためには、多数の文字プロトタイ
プ又はテンプレートを組み込むことが必要である。しか
し、多数のテンプレートを使用することは、手書き認識
システムのメモリ必要量及び入力文字との最も蓋然的な
一致を見つけるためにそれらテンプレートをサーチする
に必要な処理時間の両方を増大させる。
【０００５】
【発明が解決しようとする課題】本発明の目的は、手書
きを認識するとき、動的（時間的）特徴ベクトル及び静
的（空間的）特徴ベクトルの両方を使用する手書き認識
システムを提供することにある。
【０００６】本発明のもう１つの目的は、手書き変換器
からの入力信号に応答して、動的特徴ベクトル及び静的
特徴ベクトルの両方を同時に与えるように並列態様で動
作する手書き認識方法及び装置を提供することにある。
【０００７】本発明の更にもう１つの目的は、光学的文
字認識システムのように、オン・ライン実時間手書き認
識技法及びオフ・ライン非実時間技法の両方で使用可能
な静的特徴ベクトル抽出するための方法及び装置を提供
することにある。
【０００８】
【課題を解決するための手段】上記の問題点及び本発明
の目的は、動的パラメータ及び静的パラメータの両方を
使用する手書きテキストの自動認識のための方法及び装
置によって克服され、実現される。これら２つの方法に
より生じたエラーは広い範囲にわたって直交的であり、
従って、二組のパラメータの組合せは全体の手書き認識
エラー率を大いに低下させる。
【０００９】本発明が教示するものは、動的特徴選択と
いう主要な利点を保持すると同時に、動的特徴選択と関
連した問題点のいくつかを解決する。主に静的情報、即
ち、形状情報に依存する特徴抽出及び削減手順が開示さ
れ、一方、タブレットが点を捕捉する時間的順序は無視
可能である。従って、文字の形状だけが考慮される。こ
れは、入力文字情報のうちの形状情報をエンコードする
独立したセットの特徴ベクトルを持ったデータを生成し
そして処理することによって達成される。これら特徴ベ
クトルは、入力文字データにおけるビット・マップされ
たイメージの水平方向（ｘ軸）スライス及び垂直方向
（ｙ軸）スライスを含み、そのビット・マップされたイ
メージのベースラインからの絶対的ｙ軸変位をエンコー
ドするための付加的特徴ベクトルを含む。
【００１０】空間的又は静的処理に起因する認識エラー
が時間的又は動的処理に起因する認識エラーと全く異な
ることが示される。更に、これらの相違が互いに相補的
であることが示される。その結果、特徴ベクトル情報の
これら２つのソースの組合せは全体的な認識エラー率の
実質的減少を与える。本発明の方法が書き手依存認識モ
ード及び書き手非依存認識モードの両方に対して十分に
働くことも示される。後者の場合、その結果得られる精
度は精巧な動的モデル化技法で得られるもの以上に大い
に改良される。
【００１１】本発明の方法は、論理的に２つの動作に分
けられる。第１の動作は、文字モデルのパラメータの算
定が得られるトレーニング・フェーズである。第２の動
作は、入ってくる未知の手書き生成された信号を認識す
るデコード・フェーズである。動的文字モデル及び静的
文字モデルから確率スコアを結合するための方法も開示
される。
【００１２】
【実施例】本発明の好ましい実施例は、手書き入力を処
理するための技法、特に、１９９１年１０月３１日出願
の米国特許第５、３４３、５３７号に開示された手書き
入力の動的（時間的）処理を使用する。本発明は、静的
な形状に基づいた文字特徴ベクトルの使用によって及び
静的特徴ベクトル及び動的特徴ベクトルの組合せによっ
てこの技法を拡張するものである。
【００１３】手書き認識の場合、手書きされた文字は、
一般的には、図１に示された５つのグループのどれかに
はいる。これらグループは、認識の複雑さが増大する順
序で示される。特に、これらグループは、個々の文字が
所定の領域、ボックス内に形成され、それによって文字
セグメント化のタスクを簡単にする囲み分離（ｂｏｘ−
ｄｉｓｃｒｅｔｅ）として知られた第１タイプの筆跡
（Ｗ１）を含む。第２タイプの筆跡（Ｗ２）は、他の文
字と接触する文字がないようにユーザが各文字を意図的
に形成する間隔分離（ｓｐａｃｅｄ−ｄｉｓｃｒｅｔ
ｅ）として知られている。第３タイプの筆跡（Ｗ３）
は、ユーザが互いに接触した、即ち、跨った文字を形成
する跨り分離（ｒｕｎ−ｏｎ−ｄｉｓｃｒｅｔｅ）とし
て知られている。第４タイプの筆跡（Ｗ４）は、ユーザ
が通常ワード全体を一連の繋がった文字として書き、し
かる後、ｔの交差及びｉ、ｊの点を書くという続け字
（ｃｕｒｓｉｖｅ−ｗｒｉｔｉｎｇ）である。最後に、
第５タイプの筆跡（Ｗ５）は、ユーザが跨り分離及び続
け字の混合を使用する無拘束筆跡である。最後のタイプ
は、図１に示された５つのスタイルのうち最も難しいも
のであり、最も複雑なセグメント化及び認識タスクを与
える。
【００１４】図２を参照すると、本発明に従って構成さ
れた手書き認識システムがブロック図で示される。ま
ず、図２の一般化した説明を行い、続いて、図示された
各ブロックの動作の詳細な説明を行う。ブロック２で
は、スタイラス又はペン・ストローク情報のデータ獲得
が起こる。獲得されたストロークは、手書き情報を認識
するために操作される。図４に示されるようなトレーニ
ング・モードの動作中、獲得された手書き情報が既知の
トレーニング字体を参考にして分析され、この情報を表
わすことを意図した基礎モデルをトレーニングする。使
用中、トレーニング中に得られたモデル・パラメータ
が、認識されるべき未知の手書きに対応する特徴ベクト
ルと共にデコーディング・ブロック６によって使用され
る。
【００１５】しかる後、認識された手書きは、ブロック
８による使用のために利用される。例えば、認識された
メッセージは、英数字形式に簡単に変換されそして表示
装置上に表示されてもよい。又、認識されたメッセージ
は、例えば、ワード処理システムのようなキーボードか
らメッセージを受ける任意のアプリケーションに与えら
れてもよい。
【００１６】図３は、後述の本発明の方法を実施する手
書き認識システムのブロック図である。例えば、ＩＢＭ
３０９０／ＶＦ又はＲＳ６０００でよいデータ処理シス
テム１０は、手書き変換器、代表的には、電子的タブレ
ット１４上に書くスタイラス１２を使用して、ユーザに
よって作られた文字又はストローク情報を受ける。その
文字又はストローク情報は、電子的タブレット１４又は
他の表示装置（図示されてない）上に表示されてもよ
い。コンピュータ１０は、トレーニング・モード１６又
はデコーディング・モード１８で使用可能である。
【００１７】トレーニング・モード１６又はデコーディ
ング・モード１８の何れにおいても、フロント・エンド
・パラメータ抽出ブロック２２が使用される。本発明に
よれば、そのフロント・エンド・パラメータ抽出ブロッ
クは、タブレット１４の出力から動的（時間に基づい
た）特徴ベクトル及び静的（形状に基づいた又は空間に
基づいた）特徴ベクトルの両方を抽出するために動作可
能である。
【００１８】トレーニング・モード１６では、システム
は、動的プロトタイプ構成ブロック２４ａ及び静的プロ
トタイプ構成ブロック２４ｂを含む。デコーディング・
モード１８では、システムは、動的見込み算定器２８
ａ、静的見込み算定器２８ｂ、全体（組合せ）見込み算
定器２８ｃ、及び言語モデル・ブロック２６と動作する
デコーダ３０を含む。
【００１９】ブロック２２乃至３０は機能的なプログラ
ム・モジュールとして示されるが、これら機能的ブロッ
クのうちのいくつか又はすべてがソフトウエア形式の代
わりにハードウエア形式で実施可能であることを認識す
べきである。
【００２０】フロント・エンド・パラメータ抽出ブロッ
ク２２は、動的特徴ベクトル及び静的特徴ベクトルを、
トレーニング・モード１６中、それぞれ、プロトタイプ
構成ブロック２４ａ及び２４ｂに、又はデコーディング
・モード１８中、それぞれ、見込み算定器ブロック２８
ａ及び２８ｂに与える。
【００２１】「動的特徴ベクトル抽出」動的特徴ベクト
ル抽出に関して、パラメータ抽出ブロック２２は、次の
ような９つの方法ステップに従って動作する。
【００２２】１．書く速度を正規化するためにデータの
プレフィルタリング（ｐｒｅｆｉｌｔｅｒｉｎｇ）を行
う。これは、点の間の間隔が本来弾道的であるタブレッ
ト１４により捕捉された時間依存表示を、すべての点が
等間隔である時間独立表示に変換することによって達成
される。等間隔の点にさせるために、必要に応じて線形
補間が行われる。望むならば、更に精巧な補間のため
に、３次スプライン補間を行うこともできる。
【００２３】２．トレーニング・データにおける座標
（ｘn，ｙn）の各点Ｐn に対して、Ｐn の回りのローカ
ル・ペン軌道を表わす特徴エレメントのＰ次元ベクトル
［Ｐｎ］を形成する。（以下、ベクトルは、便宜上、
［ ］で表わす）。例えば、特徴エレメントが次のよう
に与えられるとき、Ｐに対する良好な選択は６である。
即ち、 （１）水平方向及び垂直方向の増分的変化： Δｘｎ＝ｘn−ｘn-1，Δｙn＝ｙn−ｙn-1 （２）Ｐn におけるペン軌道に対する接線の角度の正弦
及び余弦：
【００２４】
【数５】
【００２５】
【数６】
【００２６】（３）上記２つのパラメータの増分的変化
は、
【００２７】
【数７】
【００２８】である。
【００２９】３．トレーニング・データにおける座標
（ｘn，ｙn）の各点Ｐn に対して、Ｐnまでのグローバ
ルなペン軌跡を表わす特徴エレメントのＰ'次元ベクト
ル［Ｐ'n］を形成する。例えば、Ｐ’に対する良好な選
択は３であり、特徴エレメントは次のものにより与えら
れる。即ち、 （１）ベースラインからの高さｙn 、 （２）ストロークの始めからの幅ｘn−ｘi（但し、ｘi
は現ストロークの第１座標）、 （３）現文字が２ストローク以上から成る場合のストロ
ーク間の距離、である。
【００３０】４．トレーニング・データにおける各スト
ロークに対して、そのストロークにおける点Ｐn のサブ
セット、例えば、Ｑi を、それらＱi がほぼ等間隔であ
るという性質によって決定する。このセットは、各スト
ロークの最初の点及び最後の点を含み、間隔は線の高さ
の適当な関数である。
【００３１】５．ステップ２で得られた各ロケーション
Ｐ n において、Ｐ n に先行するＨ個のベクトル［ｐn］、
Ｐ n に対応するベクトル［ｐn］、Ｐ n に後続するＨ個の
ベクトル［ｐn］を一緒に連結することによってＱ次元
の連結ベクトルを構成する。同様に、ステップ４で得ら
れた各ロケーションＱnにおいてＱiに先行するＨ' 個の
ベクトル［ｑ' n ］、Ｑiに対応するベクトル［ｑi］、Ｑ
iに後続するＨ' 個のベクトル［ｑ' n ］を一緒に連結す
ることによってＱ’次元の連結ベクトルを構成する。こ
れは、次の式が真であれば実現可能である。即ち、 Ｑ＝Ｐ（２Ｈ＋１）、Ｑ'＝Ｐ'（２Ｈ'＋１） 適切な選択値は、Ｈ＝Ｈ'＝２０であり、発生値は、Ｑ
＝２４６及びＱ'＝１２３である。
【００３２】６．ローカル手書き特徴に対応するＱ次元
ベクトルすべての平均ベクトル及び共分散マトリクスを
計算する。これらを、それぞれ、Ｍt (1)及びＳt (1)とし
て示す。同様に、グローバル手書き特徴に対応するＱ'
次元ベクトルすべての平均ベクトル及び共分散マトリク
スを計算する。これらを、それぞれ、Ｍt (2)及びＳt (2)
として示す。
【００３３】７．ｎ＝１、２に対して、Ｓt (n)の固有ベ
クトル・マトリクスであるＥt (n)と、対応する固有値の
対角マトリクスであるΛ t (n)とを計算する。これらの値
は次のような関係に従うことが注目される。即ち、
【００３４】
【数８】
【００３５】但し、Ｔは、マトリクス転置を示す。従っ
て、Ｅt (n)における先頭の固有ベクトルは、Λt (n)にお
ける先頭の固有値に対応する。
【００３６】８．ステップ７からのＲ1個の先頭固有ベ
クトルを使用して、ステップ５のＱ次元特徴ベクトルを
次元Ｒ1の空間に投影する。その結果生じたベクトル
［ｒi (1)］を指定する。Ｒ1に対する適切な値は６であ
る。この時点で、Ｑ次元の連結特徴ベクトルに存在する
冗長性は、最も情報的な特徴エレメントに集中すること
によって除去されている。ベクトル［ｒi (1)］が存在す
る空間は、筆跡空間ｃ(1)と呼ばれる。
【００３７】９．同様に、Ｓ t (2) について得られるステ
ップ７からのＲ2個の先頭固有ベクトルを使用して、ス
テップ５のＱ'次元の特徴ベクトルを次元Ｒ2の空間に投
影し、その結果、ベクトル［ｒi (2)］を生じる。Ｒ2に
対する適切な値は１５である。一般的には、（ローカル
特徴）Ｑ次元の連結した特徴ベクトルにおける冗長度よ
りも（グローバル特徴）Ｑ次元の連結特徴ベクトルに存
在する冗長度の方が小さいため、Ｒ2＞Ｒ1であることに
注意すべきである。ベクトル［ｒi (2)］が存在する空間
は、筆跡空間ｃ(2)と呼ばれる。
【００３８】プロトタイプ構成ブロック２４ａは、その
手書き認識方法のうちのステップ１０乃至１４を実行し
て、（１）文字の適切な部分を表わす筆跡プロトタイ
プ、（２）それら筆跡プロトタイプを結合する方法を示
す混合係数、を生じさせる。この情報は、未知の文字を
決定又は認識するためにデコーディング・モードで使用
される。言語モデル・ブロック２６は、所与のテキスト
においてどの文字が最も生じそうかを決定するために使
用可能な言語モデル確率を与える。
【００３９】動的プロトタイプ構成方法におけるステッ
プ１０乃至１５を以下で説明する。
【００４０】１０．ｎ＝１、２に対してこのステップを
繰り返す。ランダム・クラスタ割当で始まり、対応する
Ｒn次元の筆跡空間における予備的プロトタイプ分布を
得るように、ステップ８及び９において得られた投影ベ
クトル［ｒi (n)］のユークリッド・クラスタリングを行
う（図２１参照）。
【００４１】１１．ｎ＝１、２に対してこのステップを
繰り返す。ステップ１０の予備的分布で始まり、最終的
なガウスのプロトタイプ分布を両方の筆跡空間で得るよ
うに、ステップ８及び９において得られた投影ベクトル
［ｒi (n)］のガウス・クラスタリングを行う。これらプ
ロトタイプ分布をπk (n)と表わし、それぞれのＲn次元
の筆跡空間における各プロトタイプ分布の先験的確率Ｐ
ｒ（πk (n)）を算定するためにクラスタ・サイズを使用
する。
【００４２】１２．ｎ＝１、２に対してこのステップを
繰り返す。ステップ１１からのガウス分布を使用して、
ステップ８及び９において得られたすべてのベクトル
［ｒi (n)］に対して値Ｐr（［ｒi (n)］｜πk (n)）を計
算する。又、各特徴ベクトルの確率を次式のように算定
する。即ち、
【００４３】
【数９】
【００４４】そして、各ベクトル［ｒ i (n) ］がトレーニ
ング・データ内で考察された語彙におけるどの文字ａ j
に対して整列するかに注目すべきである。
【００４５】１３．ｎ＝１、２に対してこのステップを
繰り返す。ステップ１１及び１２の結果を使用して、次
式の値を計算する。即ち、
【００４６】
【数１０】
【００４７】そして、考察された語彙における文字ａj
に対して、各ベクトル［ｒi (n)］がトレーニング・デー
タと整列することに注目すべきである。
【００４８】１４．ｎ＝１、２に対してこのステップを
繰り返す。考察された語彙における各文字ａjに対し
て、それと整列した［ｒi (n)］をすべて集め、その対応
するＰｒ（πk (n)｜［ｒi (n)］）を累算する。正規化の
後、これは、即ち、各文字に与えられたそれぞれの筆跡
空間における各プロトタイプ分布の先験的確率Ｐｒ（π
k (n)｜ａj）の算定を行う。これは、トレーニング・フ
ェーズを完成させる。
【００４９】１５．トレーニング・データと同じそれぞ
れの筆跡空間にテスト特徴ベクトルを作るように、テス
ト・データに関してステップ１乃至５及び８乃至９を繰
り返す。
【００５０】以下で詳述される静的特徴ベクトル決定が
ない場合、動的特徴ベクトルが表わす最も見込みある文
字を認識するために次のステップ１６が使用される。更
に詳しくいえば、認識モード中、手書き認識方法におけ
るステップ１６を行う動的見込み算定器２８ａは、認識
されるべき未知のストローク又は文字から作られた動的
特徴ベクトルをブロック２２から受ける。これらの動的
特徴ベクトルは、ブロック２４ａからの筆跡プロトタイ
プと同じ筆跡空間にあり、従って、特定の各特徴ベクト
ルに対するそれらの各々の寄与度を評価するためにそれ
らの各々に比較される。この情報は、トレーニング中に
作られた混合係数を使用して統合され、各特定の特徴ベ
クトルがアルファベットにおける文字に属するという見
込みを計算する。これは、すべての特徴ベクトルに関し
て、デコーダ３０への認識のための候補文字を生じさせ
るために使用可能である。デコーダ３０は、最大スコア
に対応するブロック２６からの言語モデル確率を全体の
スコアに統合する。そこで、認識された手書きが、デコ
ーダ３０の出力３２において発生される。その認識され
た手書きは、タブレット１４上に表示されてもよく、例
えば、ディスプレイ装置、プリンタ、アプリケーション
・プログラム等でよい利用装置に与えることもできる。
【００５１】１６．筆跡空間ｃ(1)おける［ｒi (1)］に
よって及び筆跡空間ｃ(2)における［ｒi (2)］によって
表わされたデータの各フレームｆ i に対して、ステップ
１１において得られたガウス分布及びステップ１４にお
いて得られた先験的確率を使用して次のような値を形成
する。即ち、
【００５２】
【数１１】
【００５３】即ち、それは、筆跡ラベル・アルファベッ
ト全体をカバーする２つの単一ガウス分布の重み付けさ
れた積である。この式では、アルファは第１コードブッ
クに関する第２コードブックの影響を制御する。アルフ
ァに対する適切な値は，０．７である。それは、フレー
ムの試験的なシーケンスに対する全体のスコアを得るた
めに連続したフレームのスコアを乗算し続け、従って、
動的特徴ベクトルだけしか使用されない場合にデコード
・プロセスを完成させる。
【００５４】しかし、本発明の重要な観点は、上述の動
的特徴ベクトルを補うために静的特徴ベクトルを使用す
ることである。このように、静的特徴ベクトル及び動的
特徴ベクトルの両方を抽出して使用するためのシステム
１０の動作を、本発明の好ましい方法に関して以下で説
明する。
【００５５】「静的特徴ベクトル抽出」ステップ１乃至
１１の説明のために、図１０のフローチャートを参照す
る。その場合、ステップ１はブロック１０−１で表さ
れ、ステップ２はブロック１０−２で表され、そして他
のブロックも、それぞれ、同様に表される。
【００５６】１．３次スプラインによる補間によって、
タブレット１４により得られたｘトレース及びｙトレー
スの分解能を増大する。このステップは、前述の動的特
徴ベクトル抽出方法のステップ１に対応するものであ
り、それと同様の方法で遂行可能である。
【００５７】続くステップ２乃至１１は、静的特徴ベク
トルを抽出する時のフロント・エンド・パラメータ抽出
ブロック２２、特に、図４のブロック３６ａ、３６ｂの
動作を説明する。又、図９に示されたサンプル手書き文
字「ａ」も参照する。
【００５８】２．昇順のｘ値によってｘ、ｙの対を分類
する。これは、左から右への構成を入力テキストに強い
る。代わりに、降順のｘ値に従って分類することによっ
て、右から左への構成を入力テキストに強いることもで
きる。
【００５９】３．ｘ方向に沿って、δｘの間隔でイメー
ジをサンプルする。これは、フォーム｛ｘi｝のシーケ
ンス（但し、ｘi＝ｘi-1＋δｘ）を生じる。
【００６０】４．各サンプル点ｘiに対して、そのサン
プルの中心に置かれたスライスの幅ｌｗを定義する。こ
の幅内のすべてのｙ値をそのサンプルと関連付ける。ｌ
ｗに対する適切な値は、１.５δｘである。これは、そ
のフォームのベクトル［ｙ（ｘi）］を生じる。
【００６１】５．ｙ値の範囲をｎy個の等間隔レベルｌk
に量子化する。各ｘiに対して、それに関連したすべて
のｙをこれらレベルの１つに割り当てる。即ち、 ｙ∈ｌk⇔ｌk-1Δｌ＜ｙ＜ｌkΔｌ 但し、Δｌ＝（ｙｍａｘ−ｙｍｉｎ）／ｎyである。ｎy
に対する適切な値は８である。
【００６２】６．各ｘiに対して、少なくとも１つのｙ
がｌkに割り当てられた場合に、ｋ番目のエレメントが
１になり、そうでない場合には０になるように、長さｎ
yの特徴ベクトル［ｆｘ（ｘi）］を構成する。これは、
グリッド・サイズｎyを持ったスライスのビットマップ
を構成するものとして見ることができる。ｆｘ（ｘi）
の各エレメントに対して３つの可能な状態を定義するこ
とによって、静的枠組み内のいくつかの動的情報をエン
コードすることも可能であるということに注目すべきで
ある。即ち、点の不存在の場合には（０，０）、左から
右へのストローク方向を持った点に対しては（−ｄ，
１）、及び右から左へのストローク方向を持った点に対
しては（ｄ，１）である。これは、ｄが１／３の平方根
よりも小さい場合には意味がある。ｄの選択は、時間的
情報が利用される程度に影響を与える。このビットマッ
プの３状態パラメータ化の結果、性能が向上する。この
表示は、空間的情報及び時間的情報の両方を同時に具現
化する。この方法でストローク方向に関する付加的情報
をエンコードすること、例えば、ストロークの角度を数
量化（フリーマン・コーディング）することも可能であ
る。
【００６３】７．各ｘiに対して、長さ１のもう１つの
特徴ベクトル、ｆcg（ｘi）を構成する。即ち、
【００６４】
【数１２】
【００６５】但し、合計は、ｘiと関連したスライス内
のすべてのｙに関するものである。
【００６６】８．各点がΔｘの間隔を開けられるような
｛ｘi｝の点のサブセットを決定する。これらの点を
｛ｘi｝として定義する。例えば、Δｘは、１.５δｘで
あるとみなされる。
【００６７】９．各ロケーションｘiにおいて、現在の
点Ｘiに先行するＨx個の特徴ベクトルｆx、現在の点に
おける特徴ベクトル［ｆ（Ｘi）］、及びＸiに後続する
Ｈx個の特徴ベクトルを一緒に連結することによってＮ
次元の連結ベクトルを構成する。これは、次のような長
さＮの連結特徴ベクトル［Ｆ（ｘi）］を生じる。即
ち、 Ｎ＝ｎy（２Ｈx＋１） Ｈxに対する良好な選択は９である。
【００６８】１０．［Ｆcg（ｘi）］を得るためにｆcg
（ｘi）に関してステップ９を繰り返す。ステップ９の
完了時には、入力ビットマップはｘ軸次元で走査された
ことになる。次に、ｙ軸次元で走査するように、ステッ
プ１１が実行される。
【００６９】１１．ｙ軸に対してステップ２乃至６及び
８乃至９を繰り返す。即ち、ｙ軸に沿って等間隔でｘ方
向のスライスを形成する。δｙ及びΔｙの対応する値
は、それぞれ、δｘ及びΔｘのそれに等しい。そのスラ
イスの幅も等しい。垂直方向スライスよりも少ないレベ
ルに水平方向スライスを量子化することが好ましいこと
がわかった。Ｈyが１１に選択される場合、ｎに対する
例示的値は６である。これは、類似の特徴ベクトル［Ｆ
y（Ｙi）］を生じる。
【００７０】動的特徴ベクトル抽出方法のステップ６乃
至１４に関して上述した態様と同じ態様で、３つのクラ
スの特徴ベクトル又はコードブックの各々に対してステ
ップ１２乃至１９が行われる。
【００７１】１２．所与のコードブックのすべての連結
ベクトルの平均ベクトル及び共分散マトリクスを計算す
る。これらを、それぞれ、Ｍd及びＳdとして表わす。
【００７２】１３．Ｓdの固有ベクトル・マトリクスで
あるＥdと、対応する固有値の対角マトリクスであるΛd
とを計算する。これらの数量は次のような関係に従うこ
とに注意すべきである。即ち、 Ｓd＝ＥdΛdＥd T 但し、Tは転置を表わす。その結果、Ｅdにおける先頭の
固有ベクトルは、Λdにおける先頭の固有値に対応す
る。
【００７３】１４．ステップ１３からのＲ個の先頭固有
値を使用して、ステップ９のＮ次元の特徴ベクトルを次
元Ｒの空間に投影する。その結果生じたベクトル
［ｒi］を呼び出す。この時点で、Ｎ次元の連結特徴ベ
クトルに存在する冗長度は、最も情報量のある特徴エレ
メント上に集中することによって減少している。
【００７４】１５．ランダム・クラスタ割当で始まっ
て、ステップ１４において得られた投影ベクトル
［ｒi］のユークリッド・クラスタリングを行い、筆跡
空間と呼ばれるＲ次元の空間において予備的プロトタイ
プ分布を得る。
【００７５】１６．ステップ１５の予備的プロトタイプ
分布で始まって、ステップ１４において得られた投影ベ
クトルのガウス・クラスタリングを行い、筆跡空間にお
いて最終的なガウス・プロトタイプ分布を得るようにす
る。これらプロトタイプ分布をｇ k として表わし、各プ
ロトタイプ分布の先験的確率Ｐｒ（ｇ k ）を算定するた
めにクラスタ・サイズを使用する。
【００７６】１７．ステップ１６からのガウス分布を使
用して、ステップ１４において得られたすべてのベクト
ル［ｒi］に対して値Ｐｒ（［ｒi］｜ｇ k ）を決定す
る。又、各特徴ベクトルの確率も次のように算定する。
即ち、
【００７７】
【数１３】
【００７８】但し、クラスタの合計数はＫであると仮定
する。
【００７９】１８．ステップ１６及び１７の結果を使用
して、次のように値を計算する。即ち、
【００８０】
【数１４】
【００８１】そして、各フレーム［ｒi］におけるどの
文字ａjがトレーニング・データにおいて対向している
かを示す。
【００８２】１９．考察された語彙における各文字ａj
に対して、それと整列しているすべての［ｒi］を集
め、対応するＰｒ（ｇ k ｜［ｒi］）を累算する。正規化
の後、これはＰｒ（ｇ k ｜ａj）、即ち、各文字ａjを与
えられた各プロトタイプ分布の先験的確率の算定を行
う。
【００８３】ステップ１９の実行は、トレーニング・フ
ェーズの終了を表わす。
【００８４】「デコード・フェーズ」 １．上述の態様と同じ態様で各クラスの特徴ベクトルＦ
x 、Ｆ y 、及びＦ cg を生成するために所与の書き手につい
ての到来データを連結する。これらのクラスは、動的特
徴ベクトル抽出方法に関して上述したコードブックに類
似している。以下のステップ２乃至４が各コードブック
に対して行われる。
【００８５】２．トレーニング・フェーズのステップ１
３において計算された固有ベクトルを使用して、ステッ
プ１４におけるように低次元空間に投影する。これは、
トレーニング・データと同じ筆跡空間にテスト特徴ベク
トルを生じさせる。
【００８６】３．ステップ１９からの前の確率及びステ
ップ１６からのガウス分布を使用して、前のステップに
おいて得られたすべてのベクトルに対し、筆跡ラベル・
アルファベット全体をカバーする単一のガウス混合分布
を決定する。これは、ｘスライスと関連したコードブッ
ク、即ち、［Ｆｘ］に対して次の式で示される。即ち、
【００８７】
【数１５】
【００８８】４．分析中のイメージ・データのブロック
における連続フレームのスコアを乗算することによっ
て、そのブロックに対する全体の見込みスコアが得ら
れ、従って、所与のコードブックに対するデコード・プ
ロセスを完了する。即ち、
【００８９】
【数１６】
【００９０】但し、ｓdは、イメージ・データのブロッ
クを表わす。
【００９１】５．文字ａjを与えられたブロックｓdに対
する最終的な確率が次の式により与えられる。即ち、
【００９２】
【数１７】
【００９３】「静的スコア及び動的スコアの結合」 Ａ．不連続文字の場合（図１のＷ１及びＷ２） この方法においてセグメント化が暗黙のものである場
合、静的認識装置の出力は、文字レベルで未知の文字Ｕ
全体の事後確率を算定するために使用できる。前述のよ
うに、ｓdはその文字全体を取り囲む。これは、２つの
情報ソースが独立しているという仮定により、動的特徴
を使用して未知の文字の事後確率と結合可能である。付
加的情報は、独立のコードブックから生じたものとして
扱われる。従って、それは次のようになる。即ち、
【００９４】
【数１８】
【００９５】但し、Ｐｒ（Ｕd｜ａj）は、前述のデコー
ド・フェーズのステップ５におけるように決定され、そ
して、Ｐｒ（Ｕt｜ａj）は、動的方法のステップ１６に
おいて説明したように決定される。静的寄与及び動的寄
与を等しく重み付けする必要がないことに注意すべきで
ある。
【００９６】Ｂ．無制約文字の場合 更に一般的な場合、フロント・エンド・パラメータ抽出
ブロック２２の静的部分及び動的部分の両方に対して自
然な入力ストリームのセグメント化を得ることは一般に
は可能でない。そこで、以下のような技法が使用可能で
ある。
【００９７】１．すべての利用可能な入力フレームｗt
に関して、動的特徴ベクトル抽出の場合に対し上述した
ように動的デコードを行い、そしてＰｒ（ｗt｜ａj）∀
ｊ、∀ｔを得る。
【００９８】２．静的文字モデルを使用して、各ブロッ
クに対しＰｒ（ｓd｜ａj）∀ｊを生成するブロックによ
りイメージ・データを処理する。
【００９９】３．各ブロックｓに対して、そのイメージ
・ブロックにあるフレームｗtのすべてを識別する。
【０１００】４．次の式を定義する。即ち、
【０１０１】
【数１９】
【０１０２】但し、Ｔは、ｓにおけるｗtのフレームの
数である。
【０１０３】５．ａjを与えられたイメージ・ブロック
ｓの事後確率は、次のように書くことができる。即ち、
【０１０４】
【数２０】
【０１０５】図３に概略的に示されたフロント・エンド
・パラメータ抽出ブロック２２の詳細なブロック図を示
す図４を参照する。パラメータ抽出ブロック２２は、２
つのプロセッサ２２ａ及び２２ｂを含み、そして、プロ
セッサ２２ａが動的パラメータ抽出を行い、プロセッサ
２２ｂが静的パラメータ抽出を行うことにより、それら
プロセッサは、互いに並列的に動作する。まず、動的プ
ロセッサ２２ａの動作を説明する。
【０１０６】手書きの各サンプルされた点は、座標ｘn
及びｙnによって定義された点により表わされる。この
座標対は、前述の動的手書き認識方法及び静的手書き認
識方法の両方のステップ１を行うプレフィルタリング・
ブロック３４に与えられる。点は、図５に示されるよう
に弾道的に間隔を開けられる。即ち、それら点の間隔
は、書き手が現在の文字を形成するために使用した書き
速度の関数である。種々の理由のため、書き手は、自分
の速度、即ち、書き速度に一貫性がないことが多く、そ
れが手書き認識おける高いエラー率に通じることがあ
る。プレフィルタリング・ブロック３４は、図６に示さ
れた文字を構成する等間隔の点ｘm及びｙmを与えるよう
に図５の点を正規化する。点ｘm及びｙmは、動的パラメ
ータ抽出ブロック３６ａに与えられ、そしてブロック３
６ａは、ベクトル［ｖm］を与えるための動的手書き認
識方法のステップ２及び３を行う。このパラメータ抽出
の詳細は、図１１乃至１４に関連して後述される。
【０１０７】ベクトル［ｖm］は、連結ベクトル［Ｓi］
を与えるための動的手書き認識方法のステップ４及び５
を遂行するウインドウイング・ブロック３８ａに与えら
れる。連結ベクトル［Ｓi］を与える方法の詳細は、図
１４乃至１６に関連して後述される。連結ベクトル［Ｓ
i］は、特徴ベクトル［ｒi］を生じさせるための動的手
書き認識方法のステップ６乃至９を遂行する投影ブロッ
ク４０ａに与えられる。これは、連結パラメータ・ベク
トルにおける冗長性を除去する。ブロック４０ａの機能
の詳細は、図１７に関連して説明される。投影ブロック
４０ａは、連結ブロック［Ｓi］に応答して特徴ベクト
ル［ｒi］与える。その特徴ベクトル［ｒi］は、図３に
関連して前述したように、動的プロトタイプ構成ブロッ
ク２４ａ及び動的見込み算定器２８ａに与えられる。投
影ブロック４０ａの詳細は、図１７のフローチャートに
関連して説明される。
【０１０８】図５の弾道的間隔の文字がプレフィルタリ
ング・ブロック３４（図４）によって正規化されて図６
の等間隔の文字を生じさせる方法の詳細を、手書き認識
方法のステップ１が行われる方法を説明する図７及び８
に関連して説明する。図７は、図５の上部１／４の曲線
部分を表わす。まず、原始の生の点（ドットにより表わ
される）相互間の補間を行うことによって点の密度が増
加される。この結果、一連の点は原始の生の点（・）及
び補間された点（｜）のセットを構成する。そこで、点
相互間の等間隔は電子的タブレット１４（図３）上に示
された２つの画素相互間の距離に適切に関連した距離ｒ
であるものと先験的に決定することによって、フィルタ
リングが達成される。図７において、これは、フィルタ
リングの後、Ｘ（５６における）によって表わされた一
連の点を生じさせる。生の補間された点は、等間隔の整
数の点ｎにあると考えられ、フィルタされた点は、等間
隔の整数の点ｍにあると考えられる。
【０１０９】図８に関して、ブロック４２では、ストロ
ークの第１（生の）点４８におけるｎ＝１の位置は、第
１のフィルタされた点とも考えられ、ｍ＝１として指定
される。ｎ＝２におけるそのストロークの第２の点５０
は、フィルタリングのためにテストされるべき第１の点
である。ブロック４４において、点ｍ及びｎの間の（ユ
ークリッド）距離が、次のような関係に従って決定され
る。即ち、 距離＝｜ｘn−ｘm｜2＋｜ｙn−ｙm｜2 ブロック４６において、決定された距離がＲよりも大き
いかどうかに関して決定が行われる。図７に関して、点
ｍ＝１は点４８であり、点ｎ＝２は点５０である。距離
が図７におけるＲよりも小さいことは明らかであり、従
って、その点は拒否され、そしてその方法は、ｎが３に
インクレメントされて点５４となるブロック５２に進
む。距離が再びブロック４４において計算され、そして
ブロック４６においてＲと比較される。最終的には、距
離はＲよりも大きくなり、従って、点５６が受け付けら
れる（ブロック５８においてｍがｎに等しくされる）。
ブロック６０において、点（ｘn，ｙn）はフィルタされ
た点（ｘm，ｙm）、即ち、１２番目の点である点５６と
して記憶される。ブロック６２において、ｎは１だけイ
ンクレメントされ、上述のように生の補間された点が扱
われるブロック４４への戻りが行われる。
【０１１０】図１１乃至図１４は、動的手書き認識アル
ゴリズムのステップ２及び３を行う図４のブロック３６
ａにおいて、パラメータ・ベクトル［ｖm］を与えるた
めのパラメータ抽出を取り出す方法を示す。図１１はロ
ーカル・パラメータ抽出を示し、図１２はローカル・パ
ラメータ・ベクトルを示し、図１３はグローバル・パラ
メータ抽出を示し、そして、図１４はグローバル・パラ
メータ・ベクトルを示す。ローカル・パラメータ・ベク
トルには５つのローカル座標があり、そしてグローバル
・パラメータ・ベクトルには４つのグローバル座標があ
り、従って、合計９つの座標がある。ローカル・パラメ
ータ・ベクトルに対して、前の点６６及び６７及び次の
点６８及び６９に関する現在の点６４に関して計算が行
われる。ローカル・パラメータ・ベクトルに対する特定
の計算が図１２に示される。グローバル・パラメータ・
ベクトルに対して、ベースライン６５に関する現在の点
６４、その文字の初期点６６、第１ストロークの最後の
点６７、及び第２のストロークの最初の点６８に関する
計算が行われる。グローバル・パラメータ・ベクトルに
対する特定の計算が図１４に示される。一般性が失われ
ない場合、次の記述は、１つのコードブックだけ、即
ち、ローカル・パラメータ・ベクトル又はグローバル・
パラメータ・ベクトルのどちらか一方に対する手書き認
識方法を説明する。
【０１１１】特徴事象をデータから抽出する方法を示す
ために、図４のウインドウイング・ブロック３８ａの詳
細を図１５及び１６に関連して説明する。図８における
アルゴリズムと同じアルゴリズムを使用するがＲの値が
異なるものを使用して、少数のほぼ等距離の特徴点が決
定され、そして、パラメータ・ベクトルがそれらの点で
連結される。各点で連結されるべきパラメータ・ベクト
ルの数（２Ｈ＋１）は、先験的に決定され、これが連結
次元Ｑ＝（２Ｈ＋１）Ｐを指定する。
【０１１２】図１５を参照すると、特徴点がドットによ
り示され、ウインドウの中心がＸによって示される。そ
れらドットは点ｋで参照され、Ｘはインデックスｉによ
り点ｋiで参照される。図１６に関して、ブロック７０
では、ｉ及びカウンタｊはそれぞれ１に等しく設定され
る。ブロック７２において、ｋはｋ i-H に設定され、そ
して、ブロック７４において、（次元Ｐの）対応するパ
ラメータ・ベクトル［ｖk］が得られる。そこで、ブロ
ック７６において、（２Ｈ＋１）［ｖk］がわかったか
どうかの決定が行われる。その結果がイエスである場
合、ブロック７８において、ｊは１に再初期設定され、
ｉは１だけインクレメントされる。そして、前述のよう
に、その手順が繰替えされる。それがノーである場合、
［ｖk］は位置（ｊ−１）Ｐ＋１において開始する
［ｖi］に付加される。ｋ及びｊは、共に、ブロック８
２において１だけインクレメントされ、そして次のｖk
を得るためにブロック７４への戻りが行われる。手順
は、前述のように繰り返される。
【０１１３】図１７を参照すると、動的手書き認識方法
のステップ６乃至９を行う図４の投影ブロック４０ａの
機能が詳細に示される。その投影ブロックは、ウインド
ウイング・ブロック３８からの連結パラメータ・ベクト
ルにおける冗長性を取り除くために利用される。ブロッ
ク７１において、すべての連結されたベクトルに対する
共分散マトリクスが計算され、ブロック７５において、
関連の固有値及び固有ベクトルが主要コンポーネント分
析を通して見つけられる。ブロック７５のＲ先頭固有値
及び固有ベクトルを使用して、ブロック７７において、
筆跡空間と呼ばれる更に小さい次元のサブスペース上に
投影され、その結果、投影されたベクトル［ｒi］を生
じる。共分散マトリクスを計算する方法は、１９８９年
にボルチモアのジョン・ホプキンス大学出版における
Ｊ．Ｈ．ゴーラブ及びＣ．Ｆ．バンローンよる「マトリ
クス計算」に開示されている。この参照文献は、ブロッ
ク７３において主要コンポーネント分析を行う方法及び
ブロック７７において、すべてのＳiを投影する方法も
教示している。
【０１１４】筆跡空間は、筆跡プロトタイプを生じさせ
るために、図３のプロトタイプ構成ブロック２４を詳述
した図１８及び１９に示されるように区分される。ユー
クリッド・クラスタリングを行うために、特徴ベクトル
がブロック７９に与えられる。ブロック７９の詳細は、
図１９及び２０に関連して説明される。ユークリッド・
クラスタリングの結果はブロック８１に与えられ、プロ
トタイプ分布πkを与えるためにガウス・クラスタリン
グを行う。ブロック８１の詳細は、図２１に関連して説
明される。図１８乃至２１は、動的手書き認識方法のス
テップ１０及び１１を行う方法を詳述する。
【０１１５】プロトタイプ分布又は筆跡プロトタイプが
動的見込み算定器２８ａ（図３）に与えられ、動的特徴
ベクトルによってのみ動作する場合は候補文字をデコー
ダ３０（図３）へ生じさせ、静的特徴ベクトル及び動的
特徴ベクトルの結合によって動作する場合には全体見込
み算定器２８ｃへの入力を生じさせる。
【０１１６】Ｋ法のクラスタリングを一般的に達成する
方法は、１９７５年発行のＪ．Ａ．ハーチガン、Ｊ．ウ
イリによる「クラスタリング・アルゴリズム」に開示さ
れている。
【０１１７】図１９は、クラスタ８４、８６、及び８８
に分割される空間８３を示す。各クラスタは、点ｘとし
て示された複数のベクトルを含み、図心（円内に×印で
図示される）がそのようなベクトルのクラスタそれぞれ
に対して計算される。
【０１１８】図２０は、図１８のブロック７９の詳細で
ある。ブロック９０では、２５０として選択された多数
のランダム・シードが、図３におけるブロック２２から
得られた筆跡空間におけるすべての点からピックされ
る。各点と各シードとの間のユークリッド距離がブロッ
ク９２において計算される。各点をそれの最も近いシー
ドに割り当てることによって、ブロック９４において、
その空間がクラスタに区分される。これは、図１９のク
ラスタ８４、８６、及び８８に対応する。各クラスタの
図心がブロック９６において計算される。これは、図１
９における図心に対応する。これら図心は、ブロック９
８において、原始シードを置換するようにセットされ
る。判断ブロック１００において、最大の反復数に到達
したかどうかの決定が行われる。それがノーである場
合、ブロック９２への戻りが行われ、ステップは前述の
ように繰り返される。それがイエスである場合、ユーク
リッド・クラスタリングの計算は終了する。
【０１１９】図２１を参照すると、図１８のガウス・ク
ラスタリング・ブロック８１の詳細が示される。ブロッ
ク７９（図１８）において得られたユークリッド・クラ
スタは、ブロック１０２において与えられる。各点と各
図心との間のガウス距離がブロック１０４において計算
される。各点をそれの最も近い図心に割り当てることに
よって、ブロック１０６において、その空間はクラスタ
に区分される。各クラスタの新しい図心がブロック１０
８において計算される。判断ブロック１１０において、
最大の反復数が終了したかどうかの決定が行われる。そ
れがノーである場合、ブロック１０４への戻りが行わ
れ、そしてステップは、前述のように繰り返される。そ
れがイエスである場合、ガウス・クラスタリングの計算
は終了する。この結果、筆跡空間に最終的なプロトタイ
プ分布が生じる。
【０１２０】１つのコードブックだけに対する手書き認
識技法のステップ１６を行う図２２を参照すると、それ
は、動的手書き認識方法のステップ１２及び１３に起因
する情報が図３の動的見込み算定器２８ａによって操作
されてデコーダ３０に対して候補文字を生じさせる。ブ
ロック１１４において、現在のフレーム（又は、ウイン
ドウ・センター）を表わす変数ｉが１に初期設定され、
そして、ブロック１１６において示されるように、動的
テスト特徴ベクトルがフロント・エンド・パラメータ抽
出２２（図４）から与えられる。ブロック１１８におい
て、現在のプロトタイプ分布を表わす変数ｋが１に初期
設定される。このプロトタイプ分布を与えられたこの特
徴ベクトルの条件付き確率がブロック１２０において計
算されて、ブロック１２２に与えられる。
【０１２１】ブロック１２４における筆跡プロトタイプ
分布Πkによって表わされたトレーニング・フェーズの
プロトタイプ構成ブロック２４ａ（図３）及びブロック
１２６における混合Ｐｒ（Πk｜ａj）も、結合された確
率を計算しそして記憶するブロック１２２に供給され
る。判断ブロック１２８において、ｋがクラスタの最大
数に達したかどうかの決定が行われる。その結果がノー
の場合、ブロック１３０において示されるように、ｋは
１だけインクレメントされ、そして上記のプロセスが繰
り返される。それがイエスの場合、ブロック１３２にお
いて、その記憶されスコアが基本的なアルファベットに
おけるすべての文字ａjに対して累算される。判断ブロ
ック１３４において、考察中の現在の文字に対するすべ
てのフレームｉがわかったかどうかの決定が行われる。
その結果がノーである場合、ブロック１３６において、
ｉが１だけインクレメントされ、そしてブロック１１６
への戻りが行われて、上記のプロセスが繰り返される。
それがイエスの場合、ブロック１３８において、その累
算されたスコアが順序づけられ、そしてブロック１４０
において、デコーダ３０（図３）への供給のために、文
字ａjの候補リストが最上のＪスコアから形成される。
【０１２２】図２３を参照すると、それは、図３の動的
見込み算定器２８ａの出力だけをデコードする場合のた
めにデコーダ３０（図３）の動作を表わすフローチャー
トを示す。考察中の現在の文字を表わす変数ｔがブロッ
ク１４２において１に初期設定される。文字Ｃtに対す
る見込み算定器２８ａ（図３）からの文字の候補リスト
がブロック１４４において与えられる。現在の候補文字
を表わす変数ｊがブロック１４６において１に初期設定
され、そしてＣtがブロック１４８においてａｊに等し
く一時的に設定される。ブロック１５０において、トレ
ーニング・ブロックから、言語モデル確率２６（図３）
が与えられる。これらの文字及びブロック１５４におけ
る前に認識された文字に基づいて、文字ａｊの最終スコ
アがブロック１５２において計算される。このスコア
は、言語モデルを通して文脈情報を考慮してＣtがａjと
して認識される見込みであることを表わす。判断ブロッ
ク１５６において、ｊ＝Ｊ、即ち、ｊが見込み算定器２
８によって与えられた候補リストにおける最後の候補文
字のインデックスであるかどうかの決定が行われる。そ
の結果がノーである場合、ブロック１４８への戻りが行
われ、上記のプロセスが行われる。
【０１２３】その判断結果がイエスである場合、言語モ
デル確率を組み込んだ最終的なスコアがブロック１５８
において順序づけられる。ブロック１６０において、最
高の候補が文字Ｃ1に対する認識された答えとして選択
される。判断ブロック１６２において、ｔ＝Ｔｍａｘ、
即ち、ｔがその認識されるべきストリングにおける最後
の文字のインデックスであるかどうかの決定が行われ
る。その結果がノーである場合、認識されるべき次の文
字を得るために、ブロック１６４において、ｔは１だけ
インクレメントされる。ブロック１６６において更新が
行われて、ブロック１５４においてその認識された文字
Ｃ1を挿入する。そして、ブロック１４４への戻りが行
われ、上記のプロセスが繰り返される。その結果がイエ
スである場合、プロセスは、ブロック１６８に示される
ように完了し、文字のストリング全体が認識されたこと
になる。
【０１２４】図３の手書き認識装置の動的パラメータ抽
出及び評価機能の動作を詳細に説明したが、静的決定の
ステップ１及び１２乃至１９が図４の静的プロセッサ２
２ｂの対応するブロックと同様に動作することが注目さ
れる。
【０１２５】静的決定方法のステップ２乃至１１はオン
ラインの手書きシステムによる使用に限定されず、入力
信号が実時間で発生されないオフライン・システムにお
いても有利に使用可能であることも注目される。例え
ば、空間的基底の特徴ベクトル決定は、印刷されたテキ
ストが走査されそしてディジタル形式に変換される光学
的文字認識システムにおいても使用可能である。入力の
個々の文字は、その後の認識のために、それらも次の形
状に基づいて特徴ベクトルを抽出するよう処理可能であ
る。
【０１２６】静的プロセス及び動的プロセスの両方を使
用する手書き認識方法を評価するために、２つの別個の
タスクが選択された。第１のタスクでは、書き手依存の
実験の一部分として８人の書き手が考察された。認識装
置は特定の書き手からのデータに関して訓練され、しか
る後、同じ書き手から得られた独立のデータ・セットに
関してテストされた。第２の実験は、書き手独立モード
においてシステムの性能を確認するよう設計された。８
人の書き手すべてからのデータは一緒に集められ、その
認識装置を訓練するために使用された。しかる後、シス
テムは、その認識装置を経験してない新たな４人の書き
手の組に関してテストされた。そのテスト文字は、全８
１文字セット（文字、数字、特殊記号）から取り出され
た。各テスト・セットは、約８００個の別々の文字より
成る。３つの異なる認識技法、即ち、上記の動的パラメ
ータ化技法、上記の静的パラメータ化技法、及びこれら
２つの技法の組合せに対して認識精度が測定された。こ
れらの結果は、下記の表のように要約される。即ち、
【表１】 動的 静的 両方 書き手 エラー％ エラー数 エラー％ エラー数 エラー％ エラー数 ＭＡＲ ５.６ ４５ ７.０ ５６ ４.４ ３５ ＨＩＬ １２.８ １０３ １２.１ ９７ ７.６ ６１ ＶＩＶ １１.１ ８９ １１.０ ８８ ３.７ ３０ ＪＯＡ ８.７ ７０ ９.２ ７４ ５.９ ４７ ＡＣＹ １５.１ １２１ １８.０ １４５ １０.６ ８５ ＮＡＮ ８.８ ７１ １２.２ ９８ ７.２ ５８ ＬＯＹ ５.４ ４３ ７.２ ５８ ３.６ ２９ ＳＡＢ ６.０ ４８ ５.７ ４６ ３.２ ２６ 合計 ９.２ ５９０ １０.３ ６６２ ５.８ ３７１
【表２】 動的 静的 両方 書き手 エラー％ エラー数 エラー％ エラー数 エラー％ エラー数 ＭＡＬ ２３ １８４ ２４ １９６ １５ １２２ ＢＬＡ １９ １５３ １９ １５４ １１ ９２ ＳＡＭ ２６ ２０７ ２４ １９２ １５ １２３ ＷＡＲ １０ ７７ １０ ８０ ４ ３１ 合計 １９ ６２１ １９ ６２２ １１ ３６８ 表１は書き手に依存する事例に対するものであり、表２
は書き手独立の事例に対するものである。
【０１２７】これらの表は、動的及び静的フロント・エ
ンド・パラメータ抽出ブロック２２が結果として個々に
エラー率を生じるけれども、動的及び静的情報の結合使
用は、結果としてエラー率の大きな減少を生じさせる。
又、すべての書き手にわたって、エラー率の一貫性ある
減少が観察される。明らかに、静的及び動的情報は、相
互に補い合う。これは、混同マトリクスの分析によって
生じる。静的システムは、アッパー・ケース文字に対し
ては動的システムより優れていることがわかった。一
方、動的システムは、ロア・ケース文字に対してエラー
を少なくする傾向がある。両方の場合とも、両システム
が認識装置に組み込まれるとき、静的フロント・エンド
又は動的フロント・エンドのどちらか一方だけの場合よ
りも少ないエラーしか生じない。
【０１２８】
【発明の効果】手書きを認識するとき、動的特徴ベクト
ル及び静的特徴ベクトルの両方を使用することによって
認識エラー率を低くすることができる。
【図面の簡単な説明】
【図１】５つのタイプの手書きの例を示す図である。
【図２】トレーニング及びデコーディング・パラダイム
を強調する一般化した手書き認識システムのブロック図
である。
【図３】本発明による手書き認識システムのブロック図
である。
【図４】図３において概略的に示されたフロント・エン
ド・パラメータ抽出ブロックの詳細なブロック図であ
る。
【図５】図４のプレフィルタリング・ブロックに入力さ
れる弾道的間隔の文字を示す図である。
【図６】図４のプレフィルタリング・ブロックから出力
される等間隔文字を示す図である。
【図７】図５の弾道的間隔の文字の上部１／４を図６の
等間隔文字に変換する方法を示す図である。
【図８】図４のプレフィルタリング・ブロックが図５の
弾道的間隔の文字を図６の等間隔文字に変換するように
機能する方法を詳細に示すフローチャートである。
【図９】空間的特徴ベクトルが得られるサンプルされた
文字を示す図である。
【図１０】空間的特徴ベクトル抽出方法を示すフローチ
ャートである。
【図１１】点（Ｐ）に対する第１パラメータ・ベクトル
を生成するよう処理されつつある手書き文字の一部分を
示す図である。
【図１２】複数のローカル空間アトリビュートを収集す
ることによって図１１の点（Ｐ）に対して生成された６
次元ローカル・パラメータ・ベクトルを示す図である。
【図１３】点（Ｐ）に対して第２パラメータ・ベクトル
を生成するように処理されつつある手書き文字を示す図
である。
【図１４】複数のグローバル空間アトリビュート収集す
ることによって図１３の点（Ｐ）に対して生成された３
次元グローバル・パラメータ・ベクトルを示す図であ
る。
【図１５】図１２及び１４において抽出された個々のパ
ラメータ・ベクトルの連結によって１つの文字に関する
ウインドウイングが達成される方法を示す図である。
【図１６】図４のウインドウイング・ブロックが図１５
に示されたパラメータ・ベクトルの連結を行い、それに
よって連結ベクトルを生じさせる方法を詳しく示すフロ
ーチャートである。
【図１７】図４の投影ブロックが図１６において得られ
た連結ベクトルから特徴ベクトルを生じさせるように機
能する方法を詳しく示すフローチャートである。
【図１８】図３の動的プロトタイプ構成ブロックの詳細
なブロック図である。
【図１９】Ｋ法のクラスタリングを示す図である。
【図２０】図１８のユークリッドのＫ法のクラスタリン
グ・ブロックが機能する方法を詳しく示すフローチャー
トである。
【図２１】図１８のガウスのＫ法のクラスタリング・ブ
ロックが機能する方法を詳しく示すフローチャートであ
る。
【図２２】図３の動的見込み算定器ブロックが機能する
方法を詳しく示すフローチャートである。
【図２３】図３のデコーダ・ブロックが動的特徴ベクト
ルのケースに対して機能する方法を詳しく示すフローチ
ャートである。
【符号の説明】
１０・・・データ処理システム １２・・・スタイラス １４・・・電子的タブレット １６・・・トレーニング・モード １８・・・デコーディング・モード
───────────────────────────────────────────────────── フロントページの続き (72)発明者 デービッド・ナハムー アメリカ合衆国ニューヨーク州、ホワイ ト・プレーンズ、エルムウッド・ロード 12番地 (72)発明者 クリシュナ・サンダラム・ナサン アメリカ合衆国ニューヨーク州、ニュー ヨーク、マディソン・アベニュー 220 番地 アパートメント110 (56)参考文献 特開 昭59−53989（ＪＰ，Ａ) 特開 昭60−68484（ＪＰ，Ａ)

Claims (11)

    (57)【特許請求の範囲】
  1. 【請求項１】書き手により生成されたストロークのｘ−
    ｙ座標情報を与える出力を持った手書き変換手段と、 前記手書き変換手段の出力に接続された入力を有し、前
    記ｘ−ｙ座標情報からストロークが生成される時間的順
    序に基づく動的特徴ベクトルを抽出し且つ出力するため
    の第１抽出手段と、 前記動的特徴ベクトルに従って構成された文字プロトタ
    イプを記憶するための第１文字プロトタイプ手段と、 前記第１抽出手段の出力に接続された第１入力及び前記
    第１文字プロトタイプ手段の出力に接続された第２入力
    を有し、前記動的特徴ベクトルが前記第１文字プロトタ
    イプ手段に記憶された文字プロトタイプを表わす第１の
    確率を決定するための第１確率算定手段と、 前記手書き変換手段の出力に接続された入力を有し、前
    記ｘ−ｙ座標情報からストロークが生成される時間的順
    序に関係のない形状に基づく静的特徴ベクトルを抽出し
    且つ出力するための第２抽出手段と、 前記静的特徴ベクトルに従って構成された文字プロトタ
    イプを記憶するための第２文字プロトタイプ手段と、 前記第２抽出手段の出力に接続された第１入力及び前記
    第２文字プロトタイプ手段の出力に接続された第２入力
    を有し、前記静的特徴ベクトルが前記第２文字プロトタ
    イプ手段に記憶された文字プロトタイプを表わす第２の
    確率を決定するための第２確率算定手段と、 前記第１確率算定手段及び前記第２確率算定手段に応答
    して、前記第１の確率及び第２の確率の重みづけられた
    組み合わせによって表される確率が最も大である文字を
    決定するための第３確率算定手段と、 前記第３確率算定手段及び言語モデル手段に応答して、
    書き手により書かれた最も蓋然性ある文字を識別するた
    めのデコード手段と、 より成る手書き認識装置。
  2. 【請求項２】書き手により生成されたｘ−ｙ座標情報を
    与える出力を持った手書き変換手段と、 前記手書き変換手段の出力に接続された入力を有し、前
    記ｘ−ｙ座標情報からストロークが生成される時間的順
    序に基づく動的特徴ベクトルを抽出し且つ出力するため
    の第１抽出手段と、 前記動的特徴ベクトルのユークリッド・クラスタリング
    及びガウス・クラスタリングに基づいて前記動的特徴ベ
    クトルをクラスタに分類し、分類されたクラスタを前記
    動的特徴ベクトルに対応する第１の文字プロトタイプと
    して与えてこれを記憶するための第１トレーニング手段
    と、 前記手書き変換手段の出力に接続された入力を有し、前
    記ｘ−ｙ座標情報からストロークが生成される時間的順
    序に関係のない形状に基づく静的特徴ベクトルを抽出し
    且つ出力するための第２抽出手段と、 前記静的特徴ベクトルのユークリッド・クラスタリング
    及びガウス・クラスタリングに基づいて、前記静的特徴
    ベクトルをクラスタに分類し、分類されたクラスタを前
    記静的特徴ベクトルに対応する第２の文字プロトタイプ
    として与えてこれを記憶するための第２トレーニング手
    段と、 より成る手書き認識装置。
  3. 【請求項３】書き手により生成されたストロークのｘ−
    ｙ座標情報を与える出力を持った手書き変換手段と、 前記手書き変換手段の出力に接続された入力を有し、前
    記ｘ−ｙ座標情報からストロークが生成される時間的順
    序に基づく動的パラメータ・ベクトル表示を抽出し且つ
    出力するための第１抽出手段と、 前記手書き変換手段の出力に接続された入力を有し、前
    記ｘ−ｙ座標情報からストロークが生成される時間的順
    序に関係のない形状に基づく静的パラメータ・ベクトル
    表示を抽出し且つ出力するための第２抽出手段と、 前記動的パラメータ・ベクトル表示及び前記静的パラメ
    ータ・ベクトル表示をそれぞれ連結して前記手書き入力
    の静的連結ベクトル表示及び動的連結ベクトル表示を与
    えるための手段と、 前記静的及び動的連結ベクトル表示の各々の共分散マト
    リクスを決定するための手段と、 決定された共分散マトリクスの各々と関連した固有値及
    び固有ベクトルを決定するための手段と、 前記決定された固有ベクトルを変換して静的特徴ベクト
    ル表示及び前記動的特徴ベクトル表示を与えるための手
    段と、 を具備したことを特徴とする手書き認識システム。
  4. 【請求項４】静的特徴ベクトル空間及び動的特徴ベクト
    ル空間における静的及び動的プロトタイプ分布を与える
    ために該静的特徴ベクトル空間及び動的特徴ベクトル空
    間において前記静的及び動的特徴ベクトルのユークリッ
    ド・クラスタリングを行うための手段と、 前記静的及び動的特徴ベクトル空間の各々において前記
    ユークリッド・クラスタリングにより分類されたクラス
    タに対してガウス・クラスタリングを行うための手段
    と、 前記ガウス・クラスタリングにより分類されたクラスタ
    を静的及び動的プロトタイプ分布として記憶する手段
    と、 手書き入力の現在のサンプルに対する静的及び動的プロ
    トタイプ分布の相対的寄与を評価するための静的特徴ベ
    クトルが静的プロトタイプ分布を表す確率の第１の重み
    づけ係数及び動的特徴ベクトルが動的プロトタイプ分布
    を表す確率の第２の重みづけ係数を決定するための手段
    と、 を具備したことを特徴とする請求項３に記載のシステ
    ム。
  5. 【請求項５】少なくとも静的プロトタイプ分布及び第１
    の重みづけ係数に基づく確率的一致に従って第１候補手
    書きを認識するための手段と、 少なくとも動的プロトタイプ分布及び第２の重みづけ係
    数に基づく確率的一致に従って第２候補手書きを認識す
    るための手段と、 前記第１及び第２候補手書きの結合に従って最も蓋然性
    ある手書きを認識するための手段と、 を具備したことを特徴とする請求項４に記載のシステ
    ム。
  6. 【請求項６】書き手により生成されたストロークのｘ−
    ｙ座標情報を与える出力を持った手書き変換手段と、 前記手書き変換手段の出力に接続された入力を有し、前
    記ｘ−ｙ座標情報からストロークが生成される時間的順
    序に関係のない形状に基づく静的パラメータ・ベクトル
    表示を抽出し且つ出力するための抽出手段と、 前記静的パラメータ・ベクトル表示を連結して前記手書
    き入力の静的連結ベクトル表示を与えるための手段と、 前記静的連結ベクトル表示の共分散マトリクスを決定す
    るための手段と、 決定された共分散マトリクスの各々と関連した固有値及
    び固有ベクトルを決定するための手段と、 前記決定された固有ベクトルを変換して静的特徴ベクト
    ル表示を与えるための手段と、 を具備したことを特徴とする手書き認識システム。
  7. 【請求項７】静的特徴ベクトル空間における静的プロト
    タイプ分布を与えるために該静的特徴ベクトル空間にお
    いて前記静的特徴ベクトルのユークリッド・クラスタリ
    ングを行うための手段と、 前記静的特徴ベクトル空間において前記ユークリッド・
    クラスタリングにより分類されたクラスタに対してガウ
    ス・クラスタリングを行うための手段と、 前記ガウス・クラスタリングにより分類されたクラスタ
    を静的プロトタイプ分布として記憶する手段と、 手書き入力の現在のサンプルに対する静的プロトタイプ
    分布の寄与を評価するための静的特徴ベクトルが静的プ
    ロトタイプ分布を表す確率の第１の重みづけ係数を決定
    するための手段と、 を具備したことを特徴とする請求項６に記載のシステ
    ム。
  8. 【請求項８】１つの文字を表わす入力信号であって、各
    々が文字ストロークのｘ座標値及びｙ座標値を有する複
    数の点として順序づけられた入力信号を処理するための
    方法において、 （ａ）ｘ座標値によって複数の点を分類するステップ
    と、 （ｂ）一連のフォーム｛ｘi｝を与えるためにδｘの間
    隔でｘ軸に沿って入力信号のＹ軸値をサンプルするステ
    ップと（但し、ｘi＝ｘi-1＋δｘ）、 （ｃ）各サンプル点ｘiに対して、該サンプルを中心と
    する幅ｌｗのスライスを定義し、該スライスの幅内のす
    べてのｙ軸値を該サンプルと関連付け、それによって、
    該フォームのベクトル［ｙ（ｘi）］を生じさせるステ
    ップと、 （ｄ）ｙ軸値の範囲をｎy個の等間隔レベルｌkに量子化
    し、各ｘiに対して、すべての関連付けられたｙ軸値を
    式： ｙ∈ｌk⇔ｌk-1Δｌ＜ｙ＜ｌkΔｌ （但し、Δｌ＝（ｙｍａｘ−ｙｍｉｎ）／ｎy） に従って１つのレベルに割り当てるステップと、 （ｅ）グリッド・サイズｎyを有するスライスのビット
    マップを構成するステップであって、各ｘiに対して、
    少なくとも１つのｙ軸値がｌkに割り当てられた場合に
    はｋ番目のエレメントが１になり且つその他の場合には
    ０になるように長さｎyの第１特徴ベクトル［ｆｘ
    （ｘi）］を決定するステップを含むものと、 （ｆ）各ｘiに対して、長さｌの第２特徴ベクトルｆcg
    （ｘi）： 【数１】 （但し、合計はｘiと関連付けられたスライス内のすべ
    てのｙ軸値にわたる）を構成するステップと、 （ｇ）点のサブセット｛ｘi｝を、該点がΔｘだけ離れ
    て間隔を開けられるように決定するステップと、 （ｈ）各点ｘiにおいて、現在の点に先行するＨx個の特
    徴ベクトルｆxと、現在の点における特徴ベクトル［ｆ
    （ｘi）］と、現在の点に後続するＨx個の特徴ベクトル
    とを連結して長さＮ： Ｎ＝ｎy（２Ｈx＋１） の連結特徴ベクトル［Ｆ（ｘi）］を生じさせることに
    よって、Ｎ次元の連結ベクトルを構成するステップと、 （ｉ）［Ｆcg（ｘi）］を得るためにｆcg（ｘi）に対し
    てステップ（ｈ）を反復するステップと、 （ｊ）特徴ベクトル［Ｆy（Ｙi）］を得るためにｙ軸値
    に対してステップ（ａ）乃至（ｅ）及び（ｇ）乃至
    （ｈ）を反復するステップと、 より成る方法。
  9. 【請求項９】前記入力信号は書き手に応答して手書き変
    換器によって生成されること、前記ステップ（ｅ）はｆ
    x（ｘi）の各エレメントに対して３つの可能な状態を定
    義することによって動的情報をエンコードするステップ
    を含むこと、該３つの可能な状態のうちの第１の状態は
    点の不存在の場合の（０，０）であり、第２の状態は第
    １所定ストローク方向を持った点に対する（−ｄ，１）
    であり、第３の状態は第２所定ストローク方向を持った
    点に対する（ｄ，１）であること、 を特徴とする請求項８に記載の方法。
  10. 【請求項１０】書き手により生成された文字ストローク
    のｘ−ｙ座標情報を手書き変換手段から受け取るステッ
    プと、 前記ｘ−ｙ座標情報からストロークが生成される時間的
    順序に基づく動的特徴ベクトルを抽出するステップと、 前記ｘ−ｙ座標情報からストロークが生成される時間的
    順序に関係のない形状に基づく静的特徴ベクトルを抽出
    するステップと、 可能な文字（ａ）のセットから最も蓋然的な文字（Ｕ）
    を、書き手により書かれた文字として識別するステップ
    であって、式： 【数２】 （但し、Ｐｒ（Ｕd｜ａj）は静的特徴ベクトルから決定
    され、Ｐｒ（Ｕt｜ａj）は動的特徴ベクトルから決定さ
    れる）に従って動的特徴ベクトル及び静的特徴ベクトル
    を考慮する確率的方法を使用するものと、 より成る手書き認識システムを動作させるための方法。
  11. 【請求項１１】書き手によって書かれた文字がアルファ
    ベット文字であるかどうかを決定するために手書き認識
    システムを動作させるための方法であって、 書き手により生成された文字ストロークのｘ−ｙ座標情
    報を手書き変換手段から受け取るステップと、 該ｘ−ｙ座標情報を複数のフレームｗtに区分するステ
    ップと、 第１確率Ｐｒ（ｗt｜ａj）∀ｊ，∀ｔを得るために、ス
    トロークが生成される時間的順序に基づく動的特徴ベク
    トル及び動的特徴ベクトルに基づいた文字モデルを使用
    して、フレームｗtをすべてデコードするステップと、 第２確率Ｐｒ（ｓd｜ａj）∀ｊを得るために、ストロー
    クが生成される時間的順序に関係のない形状に基づく静
    的特徴ベクトル及び静的特徴ベクトルに基づいた文字モ
    デルを使用して、空間的イメージ・ブロックと関連した
    ｘ−ｙ座標情報をデコードするステップと、 各イメージ・ブロックｓに対して、該イメージ・ブロッ
    ク内にあるフレームｗtをすべて識別するステップと、 第３確率Ｐｒ（ｓt｜ａj）を、 【数３】 （但し、Ｔはｓ内のフレームｗtの数である） を定義するステップと、 イメージ・ブロックｓ、所与の文字ａjが書き手により
    書かれた最も蓋然性ある文字であるという第４確率Ｐｒ
    （ｓ｜ａj）を、 【数４】 に従って決定するステップと、 より成る方法。
JP5293291A 1993-01-27 1993-11-24 静的及び動的パラメータを使用する自動手書き文字認識装置及び方法 Expired - Fee Related JP2667954B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US9515 1979-02-05
US08/009,515 US5491758A (en) 1993-01-27 1993-01-27 Automatic handwriting recognition using both static and dynamic parameters
US009515 1993-01-27

Publications (2)

Publication Number Publication Date
JPH06243297A JPH06243297A (ja) 1994-09-02
JP2667954B2 true JP2667954B2 (ja) 1997-10-27

Family

ID=21738125

Family Applications (1)

Application Number Title Priority Date Filing Date
JP5293291A Expired - Fee Related JP2667954B2 (ja) 1993-01-27 1993-11-24 静的及び動的パラメータを使用する自動手書き文字認識装置及び方法

Country Status (4)

Country Link
US (5) US5491758A (ja)
EP (1) EP0608708B1 (ja)
JP (1) JP2667954B2 (ja)
DE (1) DE69424196T2 (ja)

Families Citing this family (214)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7382929B2 (en) 1989-05-22 2008-06-03 Pixel Instruments Corporation Spatial scan replication circuit
US6529637B1 (en) 1989-05-22 2003-03-04 Pixel Instruments Corporation Spatial scan replication circuit
JPH0773190A (ja) * 1993-04-29 1995-03-17 Matsushita Electric Ind Co Ltd ペンベースコンピューターシステム用絵文字ネーミング
US6011865A (en) * 1993-05-12 2000-01-04 International Business Machines Corporation Hybrid on-line handwriting recognition and optical character recognition system
US5710916A (en) * 1994-05-24 1998-01-20 Panasonic Technologies, Inc. Method and apparatus for similarity matching of handwritten data objects
US5633957A (en) * 1994-09-16 1997-05-27 Compaq Computer Corporation Method and apparatus for determining positional guidelines of handwritten data
US5812818A (en) * 1994-11-17 1998-09-22 Transfax Inc. Apparatus and method for translating facsimile text transmission
US5838302A (en) * 1995-02-24 1998-11-17 Casio Computer Co., Ltd. Data inputting devices for inputting typed and handwritten data in a mixed manner
US5764797A (en) * 1995-04-25 1998-06-09 Microsoft Corporation Method and system for modeling handwriting using polynomials as a function of time
US5689620A (en) * 1995-04-28 1997-11-18 Xerox Corporation Automatic training of character templates using a transcription and a two-dimensional image source model
US5737593A (en) * 1995-06-02 1998-04-07 International Business Machines Corporation System and method for defining shapes with which to mine time sequences in computerized databases
US5828997A (en) * 1995-06-07 1998-10-27 Sensimetrics Corporation Content analyzer mixing inverse-direction-probability-weighted noise to input signal
US5970170A (en) * 1995-06-07 1999-10-19 Kodak Limited Character recognition system indentification of scanned and real time handwritten characters
US5991441A (en) * 1995-06-07 1999-11-23 Wang Laboratories, Inc. Real time handwriting recognition system
US6137909A (en) * 1995-06-30 2000-10-24 The United States Of America As Represented By The Secretary Of The Navy System and method for feature set reduction
US5774576A (en) * 1995-07-17 1998-06-30 Nec Research Institute, Inc. Pattern recognition by unsupervised metric learning
US5835633A (en) * 1995-11-20 1998-11-10 International Business Machines Corporation Concurrent two-stage multi-network optical character recognition system
US5828772A (en) * 1995-12-27 1998-10-27 Lucent Technologies Inc. Method and apparatus for parametric signature verification using global features and stroke-direction codes
DE19614285C2 (de) * 1996-04-11 1998-11-12 Siemens Ag Verfahren zur Erkennung von Ziffernfolgen
US5828999A (en) * 1996-05-06 1998-10-27 Apple Computer, Inc. Method and system for deriving a large-span semantic language model for large-vocabulary recognition systems
JP3335538B2 (ja) * 1996-11-08 2002-10-21 日本サイバーサイン株式会社 手書き文字列の照合方法および装置
US6038340A (en) * 1996-11-08 2000-03-14 Seiko Epson Corporation System and method for detecting the black and white points of a color image
US5889889A (en) * 1996-12-13 1999-03-30 Lucent Technologies Inc. Method and apparatus for machine recognition of handwritten symbols from stroke-parameter data
JP3969775B2 (ja) 1996-12-17 2007-09-05 キヤノン株式会社 手書き情報入力装置および手書き情報入力方法
US5930466A (en) * 1997-03-11 1999-07-27 Lexmark International Inc Method and apparatus for data compression of bitmaps using rows and columns of bit-mapped printer data divided into vertical slices
US6687404B1 (en) 1997-06-20 2004-02-03 Xerox Corporation Automatic training of layout parameters in a 2D image model
US5930393A (en) * 1997-08-11 1999-07-27 Lucent Technologies Inc. Method and apparatus for enhancing degraded document images
US5920647A (en) * 1997-08-12 1999-07-06 Motorola, Inc. Method and apparatus for recognition of hand-printed characters represented as an electronic ink stream using a box filtering technique
US6272243B1 (en) * 1997-09-15 2001-08-07 Motorola, Inc. Method and apparatus for entering characters into a writing recognizer
JPH11203402A (ja) * 1998-01-16 1999-07-30 Canon Inc 画像処理装置及び画像処理方法
RU2145115C1 (ru) * 1998-08-10 2000-01-27 Закрытое акционерное общество "Аби Программное обеспечение" Групповой способ аби (abbyy) верификации компьютерных кодов с соответствующими им оригиналами
US6483736B2 (en) 1998-11-16 2002-11-19 Matrix Semiconductor, Inc. Vertically stacked field programmable nonvolatile memory and method of fabrication
US6952803B1 (en) * 1998-12-29 2005-10-04 Xerox Corporation Method and system for transcribing and editing using a structured freeform editor
US6587577B1 (en) 1999-04-21 2003-07-01 International Business Machines Corporation On-line signature verification
WO2001050411A1 (en) * 2000-01-06 2001-07-12 Zen Optical Technology Llc Pen-based handwritten character recognition and storage system
DE60005293T2 (de) * 2000-02-23 2004-07-01 Ser Solutions Inc. Methode und Vorrichtung zur Verarbeitung elektronischer Dokumente
US8645137B2 (en) 2000-03-16 2014-02-04 Apple Inc. Fast, language-independent method for user authentication by voice
US8575719B2 (en) 2000-04-28 2013-11-05 Sandisk 3D Llc Silicon nitride antifuse for use in diode-antifuse memory arrays
US9177828B2 (en) 2011-02-10 2015-11-03 Micron Technology, Inc. External gettering method and device
ES2375403T3 (es) 2001-08-27 2012-02-29 BDGB Enterprise Software Sàrl Un método para la indexación automática de documentos.
AUPR824501A0 (en) * 2001-10-15 2001-11-08 Silverbrook Research Pty. Ltd. Methods and systems (npw003)
US7111248B2 (en) * 2002-01-15 2006-09-19 Openwave Systems Inc. Alphanumeric information input method
US7010167B1 (en) 2002-04-30 2006-03-07 The United States Of America As Represented By The National Security Agency Method of geometric linear discriminant analysis pattern recognition
US6970877B2 (en) * 2002-06-28 2005-11-29 Microsoft Corporation Reducing and controlling sizes of prototype-based recognizers
US6988107B2 (en) * 2002-06-28 2006-01-17 Microsoft Corporation Reducing and controlling sizes of model-based recognizers
US7366352B2 (en) * 2003-03-20 2008-04-29 International Business Machines Corporation Method and apparatus for performing fast closest match in pattern recognition
JP4297442B2 (ja) * 2004-11-30 2009-07-15 富士通株式会社 手書き情報入力装置
US7587087B2 (en) * 2004-12-10 2009-09-08 Nokia Corporation On-line handwriting recognition
JP4708913B2 (ja) * 2005-08-12 2011-06-22 キヤノン株式会社 情報処理方法及び情報処理装置
JP4834351B2 (ja) * 2005-08-22 2011-12-14 株式会社東芝 文字認識装置及び文字認識方法
US8677377B2 (en) 2005-09-08 2014-03-18 Apple Inc. Method and apparatus for building an intelligent automated assistant
US7646913B2 (en) * 2005-12-19 2010-01-12 Microsoft Corporation Allograph based writer adaptation for handwritten character recognition
US7421452B2 (en) * 2006-06-14 2008-09-02 International Business Machines Corporation Method and apparatus for predicting future behavior of data streams
US9318108B2 (en) 2010-01-18 2016-04-19 Apple Inc. Intelligent automated assistant
US8010307B2 (en) * 2006-12-07 2011-08-30 Hermes-Microvision, Inc. In-line overlay measurement using charged particle beam system
US8074172B2 (en) 2007-01-05 2011-12-06 Apple Inc. Method, system, and graphical user interface for providing word recommendations
TWI336055B (en) * 2007-01-05 2011-01-11 Compal Electronics Inc Symbol recognition method
US20080175468A1 (en) * 2007-01-24 2008-07-24 Hermes Microvision, Inc. Method and system for creating knowledge and selecting features in a semiconductor device
US8977255B2 (en) 2007-04-03 2015-03-10 Apple Inc. Method and system for operating a multi-function portable electronic device using voice-activation
US9330720B2 (en) 2008-01-03 2016-05-03 Apple Inc. Methods and apparatus for altering audio output signals
US8996376B2 (en) 2008-04-05 2015-03-31 Apple Inc. Intelligent text-to-speech conversion
US10496753B2 (en) 2010-01-18 2019-12-03 Apple Inc. Automatically adapting user interfaces for hands-free interaction
US20100030549A1 (en) 2008-07-31 2010-02-04 Lee Michael M Mobile device having human language translation capability with positional feedback
US8331682B2 (en) * 2008-08-27 2012-12-11 Northrop Grumman Systems Corporation System and method for single stroke character recognition
US9251407B2 (en) * 2008-09-04 2016-02-02 Northrop Grumman Systems Corporation Security system utilizing gesture recognition
US9959870B2 (en) 2008-12-11 2018-05-01 Apple Inc. Speech recognition involving a mobile device
US10241644B2 (en) 2011-06-03 2019-03-26 Apple Inc. Actionable reminder entries
US9858925B2 (en) 2009-06-05 2018-01-02 Apple Inc. Using context information to facilitate processing of commands in a virtual assistant
US10241752B2 (en) 2011-09-30 2019-03-26 Apple Inc. Interface for a virtual digital assistant
US10255566B2 (en) 2011-06-03 2019-04-09 Apple Inc. Generating and processing task items that represent tasks to perform
US9431006B2 (en) 2009-07-02 2016-08-30 Apple Inc. Methods and apparatuses for automatic speech recognition
JP5495657B2 (ja) * 2009-08-04 2014-05-21 三菱電機株式会社 文字認識装置、文字認識プログラム
US9213756B2 (en) * 2009-11-02 2015-12-15 Harry Urbschat System and method of using dynamic variance networks
US9158833B2 (en) 2009-11-02 2015-10-13 Harry Urbschat System and method for obtaining document information
US9152883B2 (en) * 2009-11-02 2015-10-06 Harry Urbschat System and method for increasing the accuracy of optical character recognition (OCR)
US8321357B2 (en) * 2009-09-30 2012-11-27 Lapir Gennady Method and system for extraction
US10679605B2 (en) 2010-01-18 2020-06-09 Apple Inc. Hands-free list-reading by intelligent automated assistant
US10553209B2 (en) 2010-01-18 2020-02-04 Apple Inc. Systems and methods for hands-free notification summaries
US10276170B2 (en) 2010-01-18 2019-04-30 Apple Inc. Intelligent automated assistant
US10705794B2 (en) 2010-01-18 2020-07-07 Apple Inc. Automatically adapting user interfaces for hands-free interaction
DE202011111062U1 (de) 2010-01-25 2019-02-19 Newvaluexchange Ltd. Vorrichtung und System für eine Digitalkonversationsmanagementplattform
US8682667B2 (en) 2010-02-25 2014-03-25 Apple Inc. User profiling for selecting user specific voice input processing information
US8768062B2 (en) 2010-11-09 2014-07-01 Tata Consulting Services Limited Online script independent recognition of handwritten sub-word units and words
US10762293B2 (en) 2010-12-22 2020-09-01 Apple Inc. Using parts-of-speech tagging and named entity recognition for spelling correction
US9262612B2 (en) 2011-03-21 2016-02-16 Apple Inc. Device access using voice authentication
US8977059B2 (en) * 2011-06-03 2015-03-10 Apple Inc. Integrating feature extraction via local sequential embedding for automatic handwriting recognition
US10057736B2 (en) 2011-06-03 2018-08-21 Apple Inc. Active transport based notifications
US8994660B2 (en) 2011-08-29 2015-03-31 Apple Inc. Text correction processing
US10134385B2 (en) 2012-03-02 2018-11-20 Apple Inc. Systems and methods for name pronunciation
US9483461B2 (en) 2012-03-06 2016-11-01 Apple Inc. Handling speech synthesis of content for multiple languages
US9280610B2 (en) 2012-05-14 2016-03-08 Apple Inc. Crowd sourcing information to fulfill user requests
US9354725B2 (en) * 2012-06-01 2016-05-31 New York University Tracking movement of a writing instrument on a general surface
US9721563B2 (en) 2012-06-08 2017-08-01 Apple Inc. Name recognition system
US9495129B2 (en) 2012-06-29 2016-11-15 Apple Inc. Device, method, and user interface for voice-activated navigation and browsing of a document
US9576574B2 (en) 2012-09-10 2017-02-21 Apple Inc. Context-sensitive handling of interruptions by intelligent digital assistant
US9547647B2 (en) 2012-09-19 2017-01-17 Apple Inc. Voice-based media searching
US9591339B1 (en) 2012-11-27 2017-03-07 Apple Inc. Agnostic media delivery system
US9774917B1 (en) 2012-12-10 2017-09-26 Apple Inc. Channel bar user interface
US9171204B2 (en) 2012-12-12 2015-10-27 Qualcomm Incorporated Method of perspective correction for devanagari text
US10200761B1 (en) 2012-12-13 2019-02-05 Apple Inc. TV side bar user interface
US9532111B1 (en) 2012-12-18 2016-12-27 Apple Inc. Devices and method for providing remote control hints on a display
US10521188B1 (en) 2012-12-31 2019-12-31 Apple Inc. Multi-user TV user interface
BR112015018905B1 (pt) 2013-02-07 2022-02-22 Apple Inc Método de operação de recurso de ativação por voz, mídia de armazenamento legível por computador e dispositivo eletrônico
US10652394B2 (en) 2013-03-14 2020-05-12 Apple Inc. System and method for processing voicemail
US9368114B2 (en) 2013-03-14 2016-06-14 Apple Inc. Context-sensitive handling of interruptions
US12149779B2 (en) 2013-03-15 2024-11-19 Apple Inc. Advertisement user interface
US9922642B2 (en) 2013-03-15 2018-03-20 Apple Inc. Training an at least partial voice command system
US9274607B2 (en) 2013-03-15 2016-03-01 Bruno Delean Authenticating a user using hand gesture
WO2014144579A1 (en) 2013-03-15 2014-09-18 Apple Inc. System and method for updating an adaptive speech recognition model
WO2014197336A1 (en) 2013-06-07 2014-12-11 Apple Inc. System and method for detecting errors in interactions with a voice-based digital assistant
WO2014197334A2 (en) 2013-06-07 2014-12-11 Apple Inc. System and method for user-specified pronunciation of words for speech synthesis and recognition
US9582608B2 (en) 2013-06-07 2017-02-28 Apple Inc. Unified ranking with entropy-weighted information for phrase-based semantic auto-completion
WO2014197335A1 (en) 2013-06-08 2014-12-11 Apple Inc. Interpreting and acting upon commands that involve sharing information with remote devices
US10176167B2 (en) 2013-06-09 2019-01-08 Apple Inc. System and method for inferring user intent from speech inputs
US9898187B2 (en) 2013-06-09 2018-02-20 Apple Inc. Managing real-time handwriting recognition
US20140361983A1 (en) * 2013-06-09 2014-12-11 Apple Inc. Real-time stroke-order and stroke-direction independent handwriting recognition
HK1223708A1 (zh) 2013-06-09 2017-08-04 Apple Inc. 用於实现跨数字助理的两个或更多个实例的会话持续性的设备、方法、和图形用户界面
US20140363082A1 (en) * 2013-06-09 2014-12-11 Apple Inc. Integrating stroke-distribution information into spatial feature extraction for automatic handwriting recognition
US9495620B2 (en) 2013-06-09 2016-11-15 Apple Inc. Multi-script handwriting recognition using a universal recognizer
KR101809808B1 (ko) 2013-06-13 2017-12-15 애플 인크. 음성 명령에 의해 개시되는 긴급 전화를 걸기 위한 시스템 및 방법
KR101749009B1 (ko) 2013-08-06 2017-06-19 애플 인크. 원격 디바이스로부터의 활동에 기초한 스마트 응답의 자동 활성화
KR20150104808A (ko) * 2014-03-06 2015-09-16 삼성전자주식회사 피드백을 출력하는 전자 장치 및 방법
US9620105B2 (en) 2014-05-15 2017-04-11 Apple Inc. Analyzing audio input for efficient speech and music recognition
US10592095B2 (en) 2014-05-23 2020-03-17 Apple Inc. Instantaneous speaking of content on touch devices
US9502031B2 (en) 2014-05-27 2016-11-22 Apple Inc. Method for supporting dynamic grammars in WFST-based ASR
US9966065B2 (en) 2014-05-30 2018-05-08 Apple Inc. Multi-command single utterance input method
US9842101B2 (en) 2014-05-30 2017-12-12 Apple Inc. Predictive conversion of language input
US9760559B2 (en) 2014-05-30 2017-09-12 Apple Inc. Predictive text input
US10289433B2 (en) 2014-05-30 2019-05-14 Apple Inc. Domain specific language for encoding assistant dialog
US10170123B2 (en) 2014-05-30 2019-01-01 Apple Inc. Intelligent assistant for home automation
US9734193B2 (en) 2014-05-30 2017-08-15 Apple Inc. Determining domain salience ranking from ambiguous words in natural speech
US9633004B2 (en) 2014-05-30 2017-04-25 Apple Inc. Better resolution when referencing to concepts
US9715875B2 (en) 2014-05-30 2017-07-25 Apple Inc. Reducing the need for manual start/end-pointing and trigger phrases
US10078631B2 (en) 2014-05-30 2018-09-18 Apple Inc. Entropy-guided text prediction using combined word and character n-gram language models
US9785630B2 (en) 2014-05-30 2017-10-10 Apple Inc. Text prediction using combined word N-gram and unigram language models
US9430463B2 (en) 2014-05-30 2016-08-30 Apple Inc. Exemplar-based natural language processing
AU2015280257B2 (en) 2014-06-24 2017-08-24 Apple Inc. Character recognition on a computing device
CN106415475A (zh) 2014-06-24 2017-02-15 苹果公司 用于在用户界面中导航的列界面
EP3126952B1 (en) 2014-06-24 2023-07-12 Apple Inc. Input device and user interface interactions
US10659851B2 (en) 2014-06-30 2020-05-19 Apple Inc. Real-time digital assistant knowledge updates
US9338493B2 (en) 2014-06-30 2016-05-10 Apple Inc. Intelligent automated assistant for TV user interactions
US10446141B2 (en) 2014-08-28 2019-10-15 Apple Inc. Automatic speech recognition based on user feedback
US9818400B2 (en) 2014-09-11 2017-11-14 Apple Inc. Method and apparatus for discovering trending terms in speech requests
US10789041B2 (en) 2014-09-12 2020-09-29 Apple Inc. Dynamic thresholds for always listening speech trigger
US9646609B2 (en) 2014-09-30 2017-05-09 Apple Inc. Caching apparatus for serving phonetic pronunciations
US10127911B2 (en) 2014-09-30 2018-11-13 Apple Inc. Speaker identification and unsupervised speaker adaptation techniques
US9668121B2 (en) 2014-09-30 2017-05-30 Apple Inc. Social reminders
US10074360B2 (en) 2014-09-30 2018-09-11 Apple Inc. Providing an indication of the suitability of speech recognition
US9886432B2 (en) 2014-09-30 2018-02-06 Apple Inc. Parsimonious handling of word inflection via categorical stem + suffix N-gram language models
US10552013B2 (en) 2014-12-02 2020-02-04 Apple Inc. Data detection
US9711141B2 (en) 2014-12-09 2017-07-18 Apple Inc. Disambiguating heteronyms in speech synthesis
US9865280B2 (en) 2015-03-06 2018-01-09 Apple Inc. Structured dictation using intelligent automated assistants
US10567477B2 (en) 2015-03-08 2020-02-18 Apple Inc. Virtual assistant continuity
US9886953B2 (en) 2015-03-08 2018-02-06 Apple Inc. Virtual assistant activation
US9721566B2 (en) 2015-03-08 2017-08-01 Apple Inc. Competing devices responding to voice triggers
US9899019B2 (en) 2015-03-18 2018-02-20 Apple Inc. Systems and methods for structured stem and suffix language models
US9842105B2 (en) 2015-04-16 2017-12-12 Apple Inc. Parsimonious continuous-space phrase representations for natural language processing
US10083688B2 (en) 2015-05-27 2018-09-25 Apple Inc. Device voice control for selecting a displayed affordance
US10127220B2 (en) 2015-06-04 2018-11-13 Apple Inc. Language identification from short strings
US10101822B2 (en) 2015-06-05 2018-10-16 Apple Inc. Language input correction
US10255907B2 (en) 2015-06-07 2019-04-09 Apple Inc. Automatic accent detection using acoustic models
US10186254B2 (en) 2015-06-07 2019-01-22 Apple Inc. Context-based endpoint detection
US11025565B2 (en) 2015-06-07 2021-06-01 Apple Inc. Personalized prediction of responses for instant messaging
US10747498B2 (en) 2015-09-08 2020-08-18 Apple Inc. Zero latency digital assistant
US10671428B2 (en) 2015-09-08 2020-06-02 Apple Inc. Distributed personal assistant
US9697820B2 (en) 2015-09-24 2017-07-04 Apple Inc. Unit-selection text-to-speech synthesis using concatenation-sensitive neural networks
US11010550B2 (en) 2015-09-29 2021-05-18 Apple Inc. Unified language modeling framework for word prediction, auto-completion and auto-correction
US10366158B2 (en) 2015-09-29 2019-07-30 Apple Inc. Efficient word encoding for recurrent neural network language models
US11587559B2 (en) 2015-09-30 2023-02-21 Apple Inc. Intelligent device identification
US10691473B2 (en) 2015-11-06 2020-06-23 Apple Inc. Intelligent automated assistant in a messaging environment
US10049668B2 (en) 2015-12-02 2018-08-14 Apple Inc. Applying neural network language models to weighted finite state transducers for automatic speech recognition
US10223066B2 (en) 2015-12-23 2019-03-05 Apple Inc. Proactive assistance based on dialog communication between devices
KR101729434B1 (ko) * 2016-02-16 2017-04-24 주식회사 시큐브 공간분할 세그먼트에 대한 동적이동 추적 기반 수기서명 인증 시스템 및 방법
US10446143B2 (en) 2016-03-14 2019-10-15 Apple Inc. Identification of voice inputs providing credentials
US9934775B2 (en) 2016-05-26 2018-04-03 Apple Inc. Unit-selection text-to-speech synthesis based on predicted concatenation parameters
US9972304B2 (en) 2016-06-03 2018-05-15 Apple Inc. Privacy preserving distributed evaluation framework for embedded personalized systems
US10249300B2 (en) 2016-06-06 2019-04-02 Apple Inc. Intelligent list reading
US10049663B2 (en) 2016-06-08 2018-08-14 Apple, Inc. Intelligent automated assistant for media exploration
DK179309B1 (en) 2016-06-09 2018-04-23 Apple Inc Intelligent automated assistant in a home environment
US10586535B2 (en) 2016-06-10 2020-03-10 Apple Inc. Intelligent digital assistant in a multi-tasking environment
US10067938B2 (en) 2016-06-10 2018-09-04 Apple Inc. Multilingual word prediction
US10192552B2 (en) 2016-06-10 2019-01-29 Apple Inc. Digital assistant providing whispered speech
US10490187B2 (en) 2016-06-10 2019-11-26 Apple Inc. Digital assistant providing automated status report
US10509862B2 (en) 2016-06-10 2019-12-17 Apple Inc. Dynamic phrase expansion of language input
DK179415B1 (en) 2016-06-11 2018-06-14 Apple Inc Intelligent device arbitration and control
DK179343B1 (en) 2016-06-11 2018-05-14 Apple Inc Intelligent task discovery
DK179049B1 (en) 2016-06-11 2017-09-18 Apple Inc Data driven natural language event detection and classification
DK201670540A1 (en) 2016-06-11 2018-01-08 Apple Inc Application integration with a digital assistant
DK201670581A1 (en) 2016-06-12 2018-01-08 Apple Inc Device-level authorization for viewing content
DK201670582A1 (en) 2016-06-12 2018-01-02 Apple Inc Identifying applications on which content is available
DK179374B1 (en) 2016-06-12 2018-05-28 Apple Inc Handwriting keyboard for monitors
US11966560B2 (en) 2016-10-26 2024-04-23 Apple Inc. User interfaces for browsing content from multiple content applications on an electronic device
US10593346B2 (en) 2016-12-22 2020-03-17 Apple Inc. Rank-reduced token representation for automatic speech recognition
DK179745B1 (en) 2017-05-12 2019-05-01 Apple Inc. SYNCHRONIZATION AND TASK DELEGATION OF A DIGITAL ASSISTANT
DK201770431A1 (en) 2017-05-15 2018-12-20 Apple Inc. Optimizing dialogue policy decisions for digital assistants using implicit feedback
US10192127B1 (en) 2017-07-24 2019-01-29 Bank Of America Corporation System for dynamic optical character recognition tuning
US10346702B2 (en) 2017-07-24 2019-07-09 Bank Of America Corporation Image data capture and conversion
CN110532571B (zh) * 2017-09-12 2022-11-18 腾讯科技（深圳）有限公司 文本处理方法及相关装置
CN107820096B (zh) * 2017-11-09 2019-12-03 京东方科技集团股份有限公司 图像处理装置及方法、图像处理系统及训练方法
US12307082B2 (en) 2018-02-21 2025-05-20 Apple Inc. Scrollable set of content items with locking feature
AU2019100574B4 (en) 2018-06-03 2020-02-20 Apple Inc. Setup procedures for an electronic device
US11683565B2 (en) 2019-03-24 2023-06-20 Apple Inc. User interfaces for interacting with channels that provide content that plays in a media browsing application
EP4443850A3 (en) 2019-03-24 2024-12-04 Apple Inc. User interfaces for a media browsing application
EP3928194A1 (en) 2019-03-24 2021-12-29 Apple Inc. User interfaces including selectable representations of content items
US12008232B2 (en) 2019-03-24 2024-06-11 Apple Inc. User interfaces for viewing and accessing content on an electronic device
US11863837B2 (en) 2019-05-31 2024-01-02 Apple Inc. Notification of augmented reality content on an electronic device
CN120595989A (zh) 2019-05-31 2025-09-05 苹果公司 用于播客浏览和回放应用程序的用户界面
US11194467B2 (en) 2019-06-01 2021-12-07 Apple Inc. Keyboard management user interfaces
CN110826324B (zh) * 2019-10-30 2024-02-09 支付宝(杭州)信息技术有限公司 语言模型的训练及分词预测方法和装置、语言模型
US11843838B2 (en) 2020-03-24 2023-12-12 Apple Inc. User interfaces for accessing episodes of a content series
US11899895B2 (en) 2020-06-21 2024-02-13 Apple Inc. User interfaces for setting up an electronic device
US11720229B2 (en) 2020-12-07 2023-08-08 Apple Inc. User interfaces for browsing and presenting content
US12118811B2 (en) 2021-01-28 2024-10-15 Samsung Electronics Co., Ltd. Electronic device and method for shape recognition based on stroke analysis in electronic device
US11934640B2 (en) 2021-01-29 2024-03-19 Apple Inc. User interfaces for record labels

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5953989A (ja) * 1982-09-21 1984-03-28 Casio Comput Co Ltd 入力デ−タ認識方式
JPS6068484A (ja) * 1983-09-22 1985-04-19 Hitachi Ltd オンライン手書き文字認識処理方式
DE3716787A1 (de) * 1986-05-19 1987-11-26 Ricoh Kk Zeichenerkennungsverfahren
US5058182A (en) * 1988-05-02 1991-10-15 The Research Foundation Of State Univ. Of New York Method and apparatus for handwritten character recognition
DE3822671A1 (de) * 1988-07-05 1990-01-11 Kromer Theodor Gmbh & Co Kg Verfahren und vorrichtung zum elektronischen vergleichen von linienzuegen
US5265174A (en) * 1989-03-03 1993-11-23 Canon Kabushiki Kaisha Pattern recognition apparatus
JPH03122604A (ja) * 1989-10-06 1991-05-24 Sumitomo Metal Mining Co Ltd 光導波路素子及びその製造方法
US5005205A (en) * 1990-01-12 1991-04-02 International Business Machines Corporation Handwriting recognition employing pairwise discriminant measures
AU8641891A (en) * 1990-09-26 1992-04-15 Richard G. Roth Audio-augmented handwriting recognition
US5105468A (en) * 1991-04-03 1992-04-14 At&T Bell Laboratories Time delay neural network for printed and cursive handwritten character recognition
US5111512A (en) * 1991-05-14 1992-05-05 At&T Bell Laboratories Method for signature verification
US5343537A (en) * 1991-10-31 1994-08-30 International Business Machines Corporation Statistical mixture approach to automatic handwriting recognition

Also Published As

Publication number Publication date
US5544261A (en) 1996-08-06
EP0608708A3 (en) 1995-03-29
US5491758A (en) 1996-02-13
EP0608708A2 (en) 1994-08-03
US5544264A (en) 1996-08-06
DE69424196T2 (de) 2000-12-21
US5539839A (en) 1996-07-23
DE69424196D1 (de) 2000-06-08
US5550931A (en) 1996-08-27
JPH06243297A (ja) 1994-09-02
EP0608708B1 (en) 2000-05-03

Similar Documents

Publication Publication Date Title
JP2667954B2 (ja) 静的及び動的パラメータを使用する自動手書き文字認識装置及び方法
JP2750057B2 (ja) 自動手書き文字認識に対する統計的混合手法
AU737039B2 (en) Methods and apparatuses for handwriting recognition
JP2669583B2 (ja) 手書き認識のためのコンピュータベース方法及びシステム
US6011865A (en) Hybrid on-line handwriting recognition and optical character recognition system
JP4504702B2 (ja) 文書処理装置、文書処理方法、および文書処理プログラム
US20040148577A1 (en) Learning-based system and process for synthesizing cursive handwriting
US11837001B2 (en) Stroke attribute matrices
WO1997044758A9 (en) Methods and apparatuses for handwriting recognition
CN108664975A (zh) 一种维吾尔文手写字母识别方法、系统及电子设备
Arafat et al. Two stream deep neural network for sequence-based Urdu ligature recognition
Sundaram et al. Bigram language models and reevaluation strategy for improved recognition of online handwritten Tamil words
Jayaraman et al. Modular approach to recognition of strokes in Telugu script
Mohiuddin et al. Unconstrained Bangla online handwriting recognition based on MLP and SVM
Saon Cursive word recognition using a random field based hidden Markov model
Ye-eun A Review of the Current Status of AI Research in Handwritten Chinese Character Recognition
Garain et al. On machine understanding of online handwritten mathematical expressions
AU764561B2 (en) Method and apparatuses for handwriting recognition
Inuganti et al. Online handwritten Indian character recognition and its extension to Telugu character recognition
Abdalla et al. Generating realistic Arabic handwriting dataset
Huzaimi et al. An Enhanced Handwriting Recognition Tool for the Visually Impaired
Beigi et al. On-Line Unconstrained Handwriting Recognition Based on Probabilistic Techniques
Srihari et al. Written Language Input
Pal Online handwritten bangla character recognition
Lele et al. Live Handwriting Recognition Using Language Semantics

Legal Events

Date Code Title Description
LAPS Cancellation because of no payment of annual fees