專利名稱：一種基于歸一化的手寫識別方法和識別裝置的制作方法
技術領域：
本發(fā)明涉及手寫識別技術領域，特別是涉及一種基于歸一化的手寫識別方法和識 別裝置。
背景技術：
手寫識別(Handwriting Recognize)，是指將在手寫設備上書寫時產(chǎn)生的手寫軌 跡信息轉(zhuǎn)化為漢字內(nèi)碼的過程，實際上是手寫軌跡的坐標序列到漢字的內(nèi)碼的一個映射過 程，是人機交互最自然、最方便的手段之一。隨著智能手機、掌上電腦等移動信息工具的普 及，手寫識別技術也進入了規(guī)模應用時代。手寫識別能夠使用戶按照最自然、最方便的輸入 方式進行文字輸入，易學易用，可取代鍵盤或者鼠標。實際應用中，用于手寫輸入的設備有 許多種，比如電磁感應手寫板、壓感式手寫板、觸摸屏、觸控板、超聲波筆等。目前，一種手寫識別實現(xiàn)方法為根據(jù)用戶輸入的筆畫軌跡和特定字符模板之間的 距離來判斷筆畫軌跡屬于哪個字符，對于不同的特定字符模板，輸入的筆畫軌跡與他們間 計算出的距離是有可比性，即字內(nèi)距離具有可比性。但是，對于不同的輸入筆畫軌跡來說， 這種距離不具有可比性，即字間距離不具可比性，當輸入結構比較復雜的字符時，按照所述 的方法進行識別，有可能會出現(xiàn)識別錯誤，具體的來說，如輸入一個“月，，和一個“生”，上述 方法可能會將其識別為一個“勝”，又或者當輸入為一個“勝”，受所述字間距離不可比的限 定，而將其誤識別為一個“月”和一個“生”。因此，目前需要本領域技術人員迫切解決的一個技術問題就是如何能夠創(chuàng)新地 提出一種新的識別方法，以解決現(xiàn)有技術中存在的問題，有效提高識別的準確性和可靠性。

發(fā)明內(nèi)容
本發(fā)明所要解決的技術問題是提供一種基于歸一化的手寫識別方法和識別裝置， 用以提高手寫識別的準確性和可靠性。為了解決上述問題，本發(fā)明公開了一種基于歸一化的手寫識別方法，所述方法包 括創(chuàng)建訓練數(shù)據(jù)集；所述數(shù)據(jù)集中包括各字符的手寫樣本集；統(tǒng)計樣本集中各字符的字內(nèi)距離；所述字內(nèi)距離也即識別引擎給出的識別距離， 包括字符筆畫特征的相對坐標位置的特性；獲取各樣本集字內(nèi)距離的協(xié)方差；接收輸入的筆畫軌跡；計算所接收的筆畫軌跡到每個字符的字內(nèi)距離；用各樣本集的協(xié)方差對計算所得的字內(nèi)距離進行歸一化處理，獲取馬氏距離；按所獲取的馬氏距離進行排序，并對排序靠前字符的字內(nèi)距離進行加權處理；輸出加權處理后排序靠前的預設數(shù)量的字符。優(yōu)選的，所述方法在統(tǒng)計樣本集中各字符的字內(nèi)距離前還包括
4
用識別引擎對所創(chuàng)建的訓練數(shù)據(jù)集中各字符的手寫樣本集進行篩選，濾除樣本集 中不能正確識別的字符。優(yōu)選的，所述獲取各樣本集字內(nèi)距離的協(xié)方差包括以下子步驟構建各樣本集字內(nèi)距離的協(xié)方差矩陣；計算各協(xié)方差矩陣的協(xié)方差，獲取各樣本集字內(nèi)距離的協(xié)方差。優(yōu)選的，所述協(xié)方差矩陣用0作為中心進行構建。優(yōu)選的，所述創(chuàng)建訓練數(shù)據(jù)集包括以下子步驟采集各字符的手寫樣本集；用所采集的各字符的手寫樣本集創(chuàng)建訓練數(shù)據(jù)集。本發(fā)明還公布了一種基于歸一化的手寫識別裝置，所述裝置包括創(chuàng)建模塊，用于創(chuàng)建訓練數(shù)據(jù)集；所述數(shù)據(jù)集中包括各字符的手寫樣本集；統(tǒng)計模塊，用于統(tǒng)計樣本集中各字符的字內(nèi)距離；所述字內(nèi)距離也即識別引擎給 出的識別距離，包括字符筆畫特征的相對坐標位置的特性；獲取模塊，用于獲取各樣本集字內(nèi)距離的協(xié)方差；接收模塊，用于接收輸入的筆畫軌跡；計算模塊，用于計算所接收的筆畫軌跡到每個字符的字內(nèi)距離；歸一化處理模塊，用于用各樣本集的協(xié)方差對計算所得的字內(nèi)距離進行歸一化處 理，獲取馬氏距離；加權處理模塊，用于按所獲取的馬氏距離進行排序，并對排序靠前字符的字內(nèi)距 離進行加權處理；輸出模塊，用于輸出加權處理后排序靠前的預設數(shù)量的字符。優(yōu)選的，所述裝置還包括過濾模塊，用于用識別引擎對所創(chuàng)建的訓練數(shù)據(jù)集中各字符的手寫樣本集進行篩 選，濾除樣本集中不能正確識別的字符。優(yōu)選的，所述獲取模塊包括以下子模塊構建子模塊，用于構建各樣本集字內(nèi)距離的協(xié)方差矩陣；計算子模塊，用于計算各協(xié)方差矩陣的協(xié)方差，獲取各樣本集字內(nèi)距離的協(xié)方差。優(yōu)選的，所述構建子模塊構建協(xié)方差矩陣時用0作為中心進行構建。優(yōu)選的，所述創(chuàng)建模塊包括以下子模塊采集子模塊，用于采集各字符的手寫樣本集；創(chuàng)建子模塊，用于用所采集的各字符的手寫樣本集創(chuàng)建訓練數(shù)據(jù)集。與現(xiàn)有技術相比，本發(fā)明具有以下優(yōu)點本發(fā)明通過創(chuàng)建訓練數(shù)據(jù)集，所述數(shù)據(jù)集中包括各字符的手寫樣本集，統(tǒng)計樣本 集中各字符的字內(nèi)距離，所述字內(nèi)距離也即識別引擎給出的識別距離，包括字符筆畫特征 的相對坐標位置的特性，獲取各樣本集字內(nèi)距離的協(xié)方差，接收輸入的筆畫軌跡，計算所接 收的筆畫軌跡到每個字符的字內(nèi)距離，用各樣本集的協(xié)方差對計算所得的字內(nèi)距離進行歸 一化處理，獲取馬氏距離，按所獲取的馬氏距離進行排序，并對排序靠前字符的字內(nèi)距離進 行加權處理，輸出加權處理后排序靠前的預設數(shù)量的字符，從而準確可靠的完成了字符的 識別。


圖1是本發(fā)明實施例一所述的一種基于歸一化的手寫識別方法的流程圖；圖2是本發(fā)明實施例二所述的一種基于歸一化的手寫識別裝置的結構圖。
具體實施例方式為使本發(fā)明的上述目的、特征和優(yōu)點能夠更加明顯易懂，下面結合附圖和具體實 施方式對本發(fā)明作進一步詳細的說明。隨著數(shù)字時代的到來，各種數(shù)字產(chǎn)品紛紛問世，便攜式掌上電腦、個人數(shù)字助理 (PDA, Personal Digital Assistant)、智能手機、導航設備、學習機、電子書等移動信息工 具逐日普及，手寫輸入成為越來越多用戶的需要。如果能夠提出一種有效識別手寫文字的 方法，那么將會給數(shù)字產(chǎn)品的發(fā)展提供強有力的幫助。因此，本專利發(fā)明人創(chuàng)造性地提出了本發(fā)明實施例的核心構思之一，即提供一種 基于歸一化的手寫識別方法和識別裝置，通過創(chuàng)建訓練數(shù)據(jù)集，所述數(shù)據(jù)集中包括各字符 的手寫樣本集，統(tǒng)計樣本集中各字符的字內(nèi)距離，所述字內(nèi)距離也即識別引擎給出的識別 距離，包括字符筆畫特征的相對坐標位置的特性，獲取各樣本集字內(nèi)距離的協(xié)方差，接收輸 入的筆畫軌跡，計算所接收的筆畫軌跡到每個字符的字內(nèi)距離，用各樣本集的協(xié)方差對計 算所得的字內(nèi)距離進行歸一化處理，獲取馬氏距離，按所獲取的馬氏距離進行排序，并對排 序靠前字符的字內(nèi)距離進行加權處理，輸出加權處理后排序靠前的預設數(shù)量的字符。實施例一參照圖1，示出了本發(fā)明的一種基于歸一化的手寫識別方法的流程圖，所述方法具 體包括S101，創(chuàng)建訓練數(shù)據(jù)集；所述數(shù)據(jù)集中包括各字符的手寫樣本集；所述創(chuàng)建訓練數(shù)據(jù)集，是包括全部字符的所有手寫樣本集，例如一個漢字集 GB2312中，包括“旗”，“開”，“得”，“勝”等等字符共6763個字，每個字符都有多個訓練樣本， 如可以有1000、2000或者其他任意多個個訓練樣本。優(yōu)選的，所述創(chuàng)建訓練數(shù)據(jù)集包括以下子步驟采集各字符的手寫樣本集；用所采集的各字符的手寫樣本集創(chuàng)建訓練數(shù)據(jù)集。具體來說，在創(chuàng)建訓練數(shù)據(jù)集時，先進行采集各字符的手寫樣本集，如采集100個 或1000個不同背景人書寫的手寫樣本，待各個字符的手寫樣本都采集完成后，用所采集的 各字符的手寫樣本集來創(chuàng)建訓練數(shù)據(jù)集。當然，也可以通俗的理解為完成各字符手寫樣本 集的采集工作也就完成了訓練數(shù)據(jù)集的創(chuàng)建。S102，統(tǒng)計樣本集中各字符的字內(nèi)距離；所述字內(nèi)距離也即識別引擎給出的識別 距離，包括字符筆畫特征的相對坐標位置的特性；通過統(tǒng)計訓練數(shù)據(jù)集中各字符樣本集的字內(nèi)距離，獲得到各字符的特征，從而能 夠在未知筆跡信號輸入后進行識別。所述的字內(nèi)距離也即識別引擎的識別距離，包括字符 筆畫特征的相對距離，同時，也可能會包含更多能夠更為精細識別字符的特性。以字符手寫 樣本集中的“勝”字，“月”字，“生”字為例進行簡要說明，通過統(tǒng)計和轉(zhuǎn)換直觀的來看“勝”字，“月”字，“生”字的字內(nèi)距離均值分別為903，747，646。所述的均值是指按照所采集的 樣本的個數(shù)而求得的平均值。優(yōu)選的，所述方法在統(tǒng)計樣本集中各字符的字內(nèi)距離前還包括用識別引擎對所創(chuàng)建的訓練數(shù)據(jù)集中各字符的手寫樣本集進行篩選，濾除樣本集 中不能正確識別的字符。在實際應用中，往往可能出現(xiàn)這樣的情形，所采集的樣本可能當前的識別引擎是 不能夠識別的，為了提高整體識別的準確性，在進行字內(nèi)距離的統(tǒng)計前，通過識別引擎對所 創(chuàng)建的數(shù)據(jù)集中各字符的手寫樣本集進行篩選，濾除掉字符集中當前識別引擎所不能準確 識別的字符。比如“勝”字采集了 1000個手寫樣本，識別引擎能夠正確識別的有950個，然 后將不能準確識別的50個過濾掉，在統(tǒng)計字內(nèi)距離時，僅統(tǒng)計過濾后字符樣本集中所包含 字符的字內(nèi)距離。S103，獲取各樣本集字內(nèi)距離的協(xié)方差；優(yōu)選的，所述S103包括以下子步驟構建各樣本集字內(nèi)距離的方差矩陣；計算各協(xié)方差矩陣的協(xié)方差，獲取各樣本集字內(nèi)距離的協(xié)方差。在統(tǒng)計完各字符樣本集中字符的字內(nèi)距離后，用各樣本集中字符的字內(nèi)距離構建 協(xié)方差矩陣，并且計算各樣本集字內(nèi)距離的協(xié)方差。對應前面所介紹的，如通過計算得到“勝”字，“月”字，“生”字的協(xié)方差為267432， 207825，183436。優(yōu)選的，所述協(xié)方差矩陣用0作為中心進行構建。基于各字符其字內(nèi)距離的不相同，這里采用0作為協(xié)方差矩陣的中心，更進一步 的保證了所獲取協(xié)方差值的客觀性。實際應用中，為簡化計算量，也可能會通過構建簡單的 協(xié)方差矩陣，求取簡單的協(xié)方差值，但其核心思想都是一樣的。S104，接收輸入的筆畫軌跡；其中，所述的筆畫軌跡也即筆跡，是人在書寫的過程中留下的痕跡，是書寫者的主 觀因素和客觀條件之間相互作用、相互矛盾的產(chǎn)物。本實施例中所述的筆跡信息簡單的來 說，是指用戶在使用電子設備時，手寫輸入所產(chǎn)生的痕跡。其中，手寫所輸入的痕跡，也即這 里所要接收的輸入筆跡信息。在輸入筆畫軌跡時，筆畫的相對位置的坐標序列將會被記錄。 例如用戶輸入一個“勝”字，這個“勝”字筆畫的相對位置坐標序列串將被記錄。S105，計算所接收的筆畫軌跡到每個字符的字內(nèi)距離；在接收到輸入筆畫軌跡后，計算所接收的筆畫軌跡到每個字符的字內(nèi)距離，計算 工作由識別引擎完成，實際識別中，由于接收到的輸入筆畫軌跡與創(chuàng)建訓練數(shù)據(jù)集不同的 是，創(chuàng)建的過程中明確知道輸入的是哪個字符，而當前輸入的筆畫軌跡，并不知道其輸入哪 個字符也不知道筆畫軌跡包含幾個字符，因此需要對其分析分割后，將其假設為訓練數(shù)據(jù) 集中各個字符分別計算所接收筆畫軌跡到每個字符的字內(nèi)距離。S106，用各樣本集的協(xié)方差對計算所得的字內(nèi)距離進行歸一化處理，獲取馬氏距 罔；在計算完成后，用各樣本集的協(xié)方差對計算所得的字內(nèi)距離進行歸一化處理，從 而獲得其馬氏距離。歸一化是一種簡化計算的方式，即將有量綱的表達式，經(jīng)過變換，化為
7無量綱的表達式，成為純量。馬氏距離是由印度統(tǒng)計學家馬哈拉諾比斯(P.C.Mahalanobis)提出的，表示數(shù)據(jù) 的協(xié)方差距離。它是一種有效的計算兩個未知樣本的相似度的方法。它不僅考慮到各種特 性之間的關系，而且是量綱無關的。為了便于理解，這里以一個字符為例進行介紹歸一化處理，假設當前輸入的筆畫 軌跡針對該字符的字內(nèi)距離為A，該字符所在字符樣本集的協(xié)方差為B，具體的歸一化為用 A除以B的平方根，用歸一化的結果再乘以A即為所需的馬氏距離。以前面所介紹的輸入“勝”為例進行介紹，計算得到輸入“勝”的筆畫軌跡到“勝” 字，“月”字，“生”字的字內(nèi)距離分別為824，786，815，分別對應的馬氏距離分別為1313， 1357，1551。S107，按所獲取的馬氏距離進行排序，并對排序靠前字符的字內(nèi)距離進行加權處 理；按照前面的介紹，將所獲取的馬氏距離進行排序，對排序靠前字符的字內(nèi)距離進 行加權處理，對照上面的例子進行介紹，當前輸入筆畫軌跡馬氏距離排序靠前的字符為 “勝”字，“月”字，“生”字，其馬氏距離分別為1313，1357，1551，具體的加權處理為將“月”字 和“生”字的馬氏距離求和后除以字的個數(shù)，這里為1357+1551后除以2。S108，輸出加權處理后排序靠前的預設數(shù)量的字符。通過前面的處理得到排序靠前的字符，這里為方便介紹所選的輸出字符的數(shù)量為 2，當然，實際中可以進行自由設定，得到當前輸入筆畫軌跡排序靠前的字符為“勝”字以及 “月”字和“生”，兩者對應的處理后的馬氏距離分別為1313和1454。很顯然，當前輸入的筆 畫軌跡對應的字符為“勝”字。采用簡化的協(xié)方差矩陣對輸入的筆畫軌跡和特定字符的字內(nèi)距離進行歸一化處 理，得到了簡化的馬氏距離。對馬氏距離進行進一步加權處理后，利用處理后的馬氏距離來 判斷用戶輸入的筆畫軌跡屬于哪個特定字符。因為馬氏距離具有消除距離量綱差異的作用，本實施例所述的方法有效的給出了 計算兩個字符相似度的方法，它不僅考慮到用戶輸入的筆畫軌跡和特定字符的相似度，而 且是與特定字符本身的復雜程度無關。而且因為通過對協(xié)方差矩陣的簡化，達到了高效的 目的，準確的識別出輸入筆畫軌跡所對應的字符。實施例二 參照圖2，示出了本發(fā)明的一種基于歸一化的手寫識別裝置的結構圖，所述裝置包 括創(chuàng)建模塊201，用于創(chuàng)建訓練數(shù)據(jù)集；所述數(shù)據(jù)集中包括各字符的手寫樣本集；統(tǒng)計模塊202，用于統(tǒng)計樣本集中各字符的字內(nèi)距離；所述字內(nèi)距離也即識別引 擎給出的識別距離，包括字符筆畫特征的相對坐標位置的特性；獲取模塊203，用于獲取各樣本集字內(nèi)距離的協(xié)方差；接收模塊204，用于接收輸入的筆畫軌跡；計算模塊205，用于計算所接收的筆畫軌跡到每個字符的字內(nèi)距離；歸一化處理模塊206，用于用各樣本集的協(xié)方差對計算所得的字內(nèi)距離進行歸一 化處理，獲取馬氏距離；
8
加權處理模塊207，用于按所獲取的馬氏距離進行排序，并對排序靠前字符的字內(nèi) 距離進行加權處理；輸出模塊208，用于輸出加權處理后排序靠前的預設數(shù)量的字符。優(yōu)選的，所述裝置還包括過濾模塊209，用于用識別引擎對所創(chuàng)建的訓練數(shù)據(jù)集中各字符的手寫樣本集進 行篩選，濾除樣本集中不能正確識別的字符。優(yōu)選的，所述獲取模塊203包括以下子模塊構建子模塊2031，用于構建各樣本集字內(nèi)距離的協(xié)方差矩陣；計算子模塊2032，用于計算各方差矩陣的協(xié)方差，獲取各樣本集字內(nèi)距離的協(xié)方 差。優(yōu)選的，所述構建子模塊構建協(xié)方差矩陣時用0作為中心進行構建。優(yōu)選的，所述創(chuàng)建模塊201包括以下子模塊采集子模塊2011，用于采集各字符的手寫樣本集；創(chuàng)建子模塊2012，用于用所采集的各字符的手寫樣本集創(chuàng)建訓練數(shù)據(jù)集。本發(fā)明可以應用于各種具有手寫輸入功能的移動信息工具，如便攜式掌上電腦、 PDA、智能手機、導航設備、學習機、電子書等，用以準確可靠的完成文字的識別。本說明書中的各個實施例均采用遞進的方式描述，每個實施例重點說明的都是與 其他實施例的不同之處，各個實施例之間相同相似的部分互相參見即可。對于裝置實施例 而言，由于其與方法實施例基本相似，所以描述的比較簡單，相關之處參見方法實施例的部 分說明即可。以上對本發(fā)明所提供的一種基于歸一化的手寫識別方法和識別裝置進行了詳細 介紹，本文中應用了具體個例對本發(fā)明的原理及實施方式進行了闡述，以上實施例的說明 只是用于幫助理解本發(fā)明的方法及其核心思想；同時，對于本領域的一般技術人員，依據(jù)本 發(fā)明的思想，在具體實施方式
及應用范圍上均會有改變之處，綜上所述，本說明書內(nèi)容不應 理解為對本發(fā)明的限制。
權利要求
一種基于歸一化的手寫識別方法，其特征在于，所述方法包括創(chuàng)建訓練數(shù)據(jù)集；所述數(shù)據(jù)集中包括各字符的手寫樣本集；統(tǒng)計樣本集中各字符的字內(nèi)距離；所述字內(nèi)距離也即識別引擎給出的識別距離，包括字符筆畫特征的相對坐標位置的特性；獲取各樣本集字內(nèi)距離的協(xié)方差；接收輸入的筆畫軌跡；計算所接收的筆畫軌跡到每個字符的字內(nèi)距離；用各樣本集的協(xié)方差對計算所得的字內(nèi)距離進行歸一化處理，獲取馬氏距離；按所獲取的馬氏距離進行排序，并對排序靠前字符的字內(nèi)距離進行加權處理；輸出加權處理后排序靠前的預設數(shù)量的字符。
2.如權利要求1所述的方法，其特征在于，所述方法在統(tǒng)計樣本集中各字符的字內(nèi)距 離前還包括用識別引擎對所創(chuàng)建的訓練數(shù)據(jù)集中各字符的手寫樣本集進行篩選，濾除樣本集中不 能正確識別的字符。
3.如權利要求1所述的方法，其特征在于，所述獲取各樣本集字內(nèi)距離的協(xié)方差包括 以下子步驟構建各樣本集字內(nèi)距離的協(xié)方差矩陣； 計算各協(xié)方差矩陣的協(xié)方差，獲取各樣本集字內(nèi)距離的協(xié)方差。
4.如權利要求3所述的方法，其特征在于 所述協(xié)方差矩陣用0作為中心進行構建。
5.如權利要求1所述的方法，其特征在于，所述創(chuàng)建訓練數(shù)據(jù)集包括以下子步驟 采集各字符的手寫樣本集；用所采集的各字符的手寫樣本集創(chuàng)建訓練數(shù)據(jù)集。
6.一種基于歸一化的手寫識別裝置，其中特征在于，所述裝置包括 創(chuàng)建模塊，用于創(chuàng)建訓練數(shù)據(jù)集；所述數(shù)據(jù)集中包括各字符的手寫樣本集；統(tǒng)計模塊，用于統(tǒng)計樣本集中各字符的字內(nèi)距離；所述字內(nèi)距離也即識別引擎給出的 識別距離，包括字符筆畫特征的相對坐標位置的特性； 獲取模塊，用于獲取各樣本集字內(nèi)距離的協(xié)方差； 接收模塊，用于接收輸入的筆畫軌跡；計算模塊，用于計算所接收的筆畫軌跡到每個字符的字內(nèi)距離； 歸一化處理模塊，用于用各樣本集的協(xié)方差對計算所得的字內(nèi)距離進行歸一化處理， 獲取馬氏距離；加權處理模塊，用于按所獲取的馬氏距離進行排序，并對排序靠前字符的字內(nèi)距離進 行加權處理；輸出模塊，用于輸出加權處理后排序靠前的預設數(shù)量的字符。
7.如權利要求6所述的識別裝置，其特征在于，所述裝置還包括過濾模塊，用于用識別引擎對所創(chuàng)建的訓練數(shù)據(jù)集中各字符的手寫樣本集進行篩選， 濾除樣本集中不能正確識別的字符。
8.如權利要求6所述的識別裝置，其特征在于，所述獲取模塊包括以下子模塊構建子模塊，用于構建各樣本集字內(nèi)距離的協(xié)方差矩陣；計算子模塊，用于計算各協(xié)方差矩陣的協(xié)方差，獲取各樣本集字內(nèi)距離的協(xié)方差。
9.如權利要求8所述的識別裝置，其特征在于所述構建子模塊構建協(xié)方差矩陣時用0作為中心進行構建。
10.如權利要求6所述的識別裝置，其特征在于，所述創(chuàng)建模塊包括以下子模塊 采集子模塊，用于采集各字符的手寫樣本集；創(chuàng)建子模塊，用于用所采集的各字符的手寫樣本集創(chuàng)建訓練數(shù)據(jù)集。全文摘要
本發(fā)明提供了一種基于歸一化的手寫識別方法和識別裝置，通過創(chuàng)建訓練數(shù)據(jù)集，所述數(shù)據(jù)集中包括各字符的手寫樣本集，統(tǒng)計樣本集中各字符的字內(nèi)距離，所述字內(nèi)距離也即識別引擎給出的識別距離，包括字符筆畫特征的相對坐標位置的特性，獲取各樣本集字內(nèi)距離的協(xié)方差，接收輸入的筆畫軌跡，計算所接收的筆畫軌跡到每個字符的字內(nèi)距離，用各樣本集的協(xié)方差對計算所得的字內(nèi)距離進行歸一化處理，獲取馬氏距離，按所獲取的馬氏距離進行排序，并對排序靠前字符的字內(nèi)距離進行加權處理，輸出加權處理后排序靠前的預設數(shù)量的字符，從而準確可靠的完成了字符的識別。
文檔編號G06K9/62GK101901348SQ20101022188
公開日2010年12月1日 申請日期2010年6月29日 優(yōu)先權日2010年6月29日
發(fā)明者張連毅, 李健, 武衛(wèi)東 申請人:北京捷通華聲語音技術有限公司