專利名稱：一種基于最大熵的文字識(shí)別方法和識(shí)別裝置的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及手寫識(shí)別技術(shù)領(lǐng)域，特別是涉及一種基于最大熵的文字識(shí)別方法和識(shí) 別裝置。
背景技術(shù)：
手寫識(shí)別(Handwriting Recognize)，是指將在手寫設(shè)備上書寫時(shí)產(chǎn)生的軌跡信 息轉(zhuǎn)化為漢字內(nèi)碼的過程，實(shí)際上是手寫軌跡的坐標(biāo)序列到漢字的內(nèi)碼的一個(gè)映射過程， 是人機(jī)交互最自然、最方便的手段之一。隨著智能手機(jī)、掌上電腦等移動(dòng)信息工具的普及， 手寫識(shí)別技術(shù)也進(jìn)入了規(guī)模應(yīng)用時(shí)代。手寫識(shí)別能夠使用戶按照最自然、最方便的輸入方 式進(jìn)行文字輸入，易學(xué)易用，可取代鍵盤或者鼠標(biāo)。在手寫識(shí)別中，需要處理不同人不同的書寫筆順和連筆書寫的問題。每個(gè)識(shí)別引 擎在識(shí)別時(shí)的側(cè)重點(diǎn)不同，有的識(shí)別引擎對(duì)連筆書寫(筆順正確)的字符能有很高識(shí)別率， 但對(duì)筆順錯(cuò)誤的字符就不能正確識(shí)別；有的識(shí)別引擎對(duì)字符筆順不敏感，筆順是否錯(cuò)誤并 不影響識(shí)別正確率，但對(duì)是否正楷書寫比較敏感，連筆書寫字符的識(shí)別效果會(huì)差一些，在筆 順錯(cuò)誤時(shí)反而能夠給出較好的結(jié)果?，F(xiàn)有技術(shù)對(duì)手寫字符的識(shí)別中，一般采用多個(gè)識(shí)別引擎共同決策，根據(jù)各個(gè)識(shí)別 結(jié)果進(jìn)行綜合考慮、綜合判斷，最終給出識(shí)別結(jié)果。由于用戶在漢字輸入時(shí)多數(shù)情況下是筆 順正確的，此方法存在兩個(gè)缺點(diǎn)多數(shù)情況下，一個(gè)識(shí)別引擎能給出正確結(jié)果，而當(dāng)多個(gè)識(shí) 別引擎共同決策時(shí)，識(shí)別結(jié)果反而不正確；并且，多個(gè)識(shí)別引擎進(jìn)行識(shí)別，加大了工作量，降 低了計(jì)算效率。在具體應(yīng)用時(shí)，例如，輸入一個(gè)筆順正確、非常潦草的“建”字，連筆引擎識(shí) 別結(jié)果正確，但無筆順引擎識(shí)別錯(cuò)誤，兩者綜合考慮，最終識(shí)別結(jié)果可能會(huì)錯(cuò)誤。再例如，輸 入一個(gè)正楷書寫但筆順錯(cuò)誤的“訊”字，無筆順引擎識(shí)別正確，但連筆引擎識(shí)別結(jié)果錯(cuò)誤，兩 者綜合考慮，最終識(shí)別結(jié)果也可能會(huì)錯(cuò)誤?？傊枰绢I(lǐng)域技術(shù)人員迫切解決的一個(gè)技術(shù)問題就是如何能夠提供一種基 于最大熵的文字識(shí)別技術(shù)方案，在保證更高識(shí)別結(jié)果正確的前提下，提高識(shí)別效率。

發(fā)明內(nèi)容
本發(fā)明所要解決的技術(shù)問題是提供一種基于最大熵的文字識(shí)別方法和識(shí)別裝置， 在保證識(shí)別結(jié)果正確的同時(shí)，能夠提高識(shí)別效率。為了解決上述問題，本發(fā)明公開了一種基于最大熵的文字識(shí)別方法，包括Al，將訓(xùn)練樣本輸入到各個(gè)識(shí)別引擎中進(jìn)行特征提取，獲得特性信息；A2，依據(jù)所述特征信息構(gòu)建最大熵訓(xùn)練模型；A3，針對(duì)用戶輸入的手寫軌跡，逐個(gè)選取單一識(shí)別引擎進(jìn)行識(shí)別，將識(shí)別得到的特 征信息輸入到最大熵訓(xùn)練模型中，由最大熵訓(xùn)練模型輸出判定結(jié)果；其中，當(dāng)單一識(shí)別引擎對(duì)應(yīng)的判定結(jié)果滿足預(yù)置判定值時(shí)，停止下一識(shí)別引擎的 識(shí)別，將當(dāng)前識(shí)別引擎對(duì)應(yīng)的識(shí)別結(jié)果輸出；當(dāng)單個(gè)識(shí)別引擎對(duì)應(yīng)的判定結(jié)果均不滿足預(yù)置判定值時(shí)，對(duì)多個(gè)識(shí)別引擎的識(shí)別結(jié)果共同決策進(jìn)行輸出。進(jìn)一步，所述特征信息為第一候選字的編碼、識(shí)別距離、第一候選字是否正確的 判定。進(jìn)一步，所述判定結(jié)果代表了在該識(shí)別引擎中，與特征信息相對(duì)應(yīng)的第一候選字 正確的概率大小。優(yōu)選的，所述識(shí)別引擎包括無筆順識(shí)別引擎和連筆識(shí)別引擎。優(yōu)選的，所述步驟A3包括針對(duì)用戶輸入的手寫軌跡，選取無筆順識(shí)別引擎進(jìn)行識(shí)別，并將識(shí)別得到的特征 信息輸入到最大熵訓(xùn)練模型中，由最大熵訓(xùn)練模型輸出判定結(jié)果；判斷無筆順識(shí)別引擎對(duì)應(yīng)的判定結(jié)果是否滿足預(yù)置判定值；若是，則停止識(shí)別，將 無筆順識(shí)別引擎對(duì)應(yīng)的識(shí)別結(jié)果輸出；若否，則選取連筆識(shí)別引擎進(jìn)行識(shí)別，并將識(shí)別得到 的特征信息輸入到最大熵訓(xùn)練模型中，由最大熵訓(xùn)練模型輸出判定結(jié)果；判斷連筆識(shí)別引擎對(duì)應(yīng)的判定結(jié)果是否滿足預(yù)置判定值；若是，則停止識(shí)別，將連 筆識(shí)別引擎對(duì)應(yīng)的識(shí)別結(jié)果輸出；若否，則由無筆順識(shí)別引擎和連筆識(shí)別引擎的識(shí)別結(jié)果 共同決策進(jìn)行輸出。此外，本發(fā)明還公開了一種基于最大熵的文字識(shí)別裝置，包括特征提取單元，用于將訓(xùn)練樣本輸入到各個(gè)識(shí)別引擎中進(jìn)行特征提取，獲得特性 fn息；模型訓(xùn)練單元，用于依據(jù)所述特征信息構(gòu)建最大熵訓(xùn)練模型；多個(gè)識(shí)別引擎，用于針對(duì)用戶輸入的手寫軌跡進(jìn)行識(shí)別；引擎控制單元，用于逐個(gè)選擇觸發(fā)單一識(shí)別引擎進(jìn)行識(shí)別操作，以及將識(shí)別引擎 識(shí)別到的特征信息輸入到模型訓(xùn)練單元中，由最大熵訓(xùn)練模型輸出判定結(jié)果；其中，當(dāng)單一 識(shí)別引擎對(duì)應(yīng)的判定結(jié)果滿足預(yù)置判定值時(shí)，停止觸發(fā)下一識(shí)別引擎，并觸發(fā)識(shí)別輸出單 元將當(dāng)前識(shí)別引擎對(duì)應(yīng)的識(shí)別結(jié)果輸出；當(dāng)單個(gè)識(shí)別引擎對(duì)應(yīng)的判定結(jié)果均不滿足預(yù)置判 定值時(shí)，觸發(fā)識(shí)別輸出單元對(duì)多個(gè)識(shí)別引擎的識(shí)別結(jié)果共同決策進(jìn)行輸出；識(shí)別輸出單元，用于輸出識(shí)別結(jié)果。進(jìn)一步，所述特征信息為第一候選字的編碼、識(shí)別距離、第一候選字是否正確的 判定。進(jìn)一步，所述判定結(jié)果代表了在當(dāng)前識(shí)別引擎中，與特征信息相對(duì)應(yīng)的第一候選 字正確的概率大小。優(yōu)選的，所述識(shí)別引擎包括無筆順識(shí)別弓I擎和連筆識(shí)別引擎。優(yōu)選的，所述引擎控制單元包括選擇子單元，用于針對(duì)用戶輸入的手寫軌跡，逐個(gè)選擇觸發(fā)無筆順識(shí)別引擎和連 筆識(shí)別引擎進(jìn)行識(shí)別操作；訓(xùn)練子單元，用于將識(shí)別得到的特征信息輸入到最大熵訓(xùn)練模型中，由最大熵訓(xùn) 練模型輸出判定結(jié)果；判斷子單元，用于判斷無筆順識(shí)別引擎對(duì)應(yīng)的判定結(jié)果是否滿足預(yù)置判定值，若 是，則停止選擇子單元，觸發(fā)識(shí)別輸出單元將無筆順識(shí)別引擎對(duì)應(yīng)的識(shí)別結(jié)果輸出；若否， 則判斷連筆識(shí)別引擎對(duì)應(yīng)的判定結(jié)果是否滿足預(yù)置判定值，若是，則觸發(fā)識(shí)別輸出單元將
5連筆識(shí)別引擎對(duì)應(yīng)的識(shí)別結(jié)果輸出，若否，則觸發(fā)識(shí)別輸出單元對(duì)無筆順識(shí)別引擎和連筆 識(shí)別引擎的識(shí)別結(jié)果共同決策進(jìn)行輸出。與現(xiàn)有技術(shù)相比，本發(fā)明具有以下優(yōu)點(diǎn)本發(fā)明通過從訓(xùn)練樣本中提取出特征信息構(gòu)建最大熵訓(xùn)練模型，則在手寫識(shí)別應(yīng) 用時(shí)，逐個(gè)選取單一識(shí)別引擎對(duì)用戶輸入的手寫軌跡進(jìn)行識(shí)別，并將手寫軌跡的特征信息 作為最大熵訓(xùn)練模型的輸入特征，由最大熵訓(xùn)練模型輸出判定結(jié)果，在單一識(shí)別引擎對(duì)應(yīng) 的判定結(jié)果滿足預(yù)置判定值時(shí)，停止識(shí)別，將當(dāng)前識(shí)別結(jié)果輸出。本發(fā)明利用最大熵訓(xùn)練模 型，設(shè)定了單個(gè)引擎的識(shí)別條件，以及多個(gè)引擎同時(shí)識(shí)別的條件，通過采用單一引擎識(shí)別， 在保證識(shí)別結(jié)果正確的同時(shí)，減少了多個(gè)引擎的識(shí)別計(jì)算量，提高識(shí)別效率。并且，能夠避 免多個(gè)引擎同時(shí)識(shí)別決策時(shí)，產(chǎn)生的識(shí)別錯(cuò)誤。


圖1是本發(fā)明一種基于最大熵的文字識(shí)別方法實(shí)施例一的流程圖；圖2是本發(fā)明一種基于最大熵的文字識(shí)別方法實(shí)施例二的流程圖；圖3是本發(fā)明一種基于最大熵的文字識(shí)別裝置實(shí)施例的結(jié)構(gòu)圖。
具體實(shí)施例方式為使本發(fā)明的上述目的、特征和優(yōu)點(diǎn)能夠更加明顯易懂，下面結(jié)合附圖和具體實(shí) 施方式對(duì)本發(fā)明作進(jìn)一步詳細(xì)的說明。本發(fā)明的核心構(gòu)思之一在于首先從訓(xùn)練樣本中提取出特征信息，并針對(duì)特征信 息構(gòu)建最大熵訓(xùn)練模型，當(dāng)用戶輸入字符時(shí)，將手寫軌跡的特征信息作為最大熵訓(xùn)練模型 的輸入特征，根據(jù)最大熵訓(xùn)練模型輸出判定結(jié)果，判斷該軌跡的識(shí)別是由單個(gè)識(shí)別引擎做 出最終判斷，還是由多個(gè)識(shí)別引擎共同決策，從而保證識(shí)別結(jié)果正確的同時(shí)，減少了工作 量，提高識(shí)別效率。參照?qǐng)D1，示出了本發(fā)明一種基于最大熵的文字識(shí)別方法實(shí)施例一的流程圖，該方 法包括步驟101，將訓(xùn)練樣本輸入到各個(gè)識(shí)別引擎中進(jìn)行特征提取，獲得特性信息；所述訓(xùn)練樣本為預(yù)先采集的各種手寫輸入軌跡，例如，可以選用GBK等各種字符 集作為訓(xùn)練樣本采集的范圍。本步驟從訓(xùn)練樣本中提取特征，對(duì)于每一個(gè)訓(xùn)練樣本，輸入每 一個(gè)識(shí)別引擎后，即可提取到相應(yīng)的特征信息。進(jìn)一步，所述特征信息為第一候選字的編碼、識(shí)別距離、以及第一候選字是否正 確的判定。漢字識(shí)別系統(tǒng)處理漢字信息的前提條件是對(duì)每個(gè)漢字進(jìn)行編碼，這些編碼統(tǒng)稱 為漢字編碼。漢字信息在系統(tǒng)內(nèi)傳送的過程就是漢字編碼轉(zhuǎn)換的過程，通常漢字編碼又稱 為內(nèi)碼。所述識(shí)別距離是與該漢字編碼相應(yīng)的識(shí)別類似度或識(shí)別概率。例如，將一個(gè)訓(xùn)練 樣本輸入某一識(shí)別引擎后，提取到的特征信息為第一候選字的編碼及其識(shí)別距離、第二候
選字的編碼及其識(shí)別距離、第三候選字的編碼及其識(shí)別距離......第N候選字的編碼及其
識(shí)別距離，并且，還可以獲知第一候選字是否正確，需要說明的是，本發(fā)明只關(guān)注第一候選 字的編碼及其識(shí)別距離。步驟102，依據(jù)所述特征信息構(gòu)建最大熵訓(xùn)練模型；
最大熵原理(the maximum entropy principle)的主要思想是，在只掌握關(guān)于未 知分布的部分信息時(shí)，應(yīng)該選取符合這些信息但熵值最大的概率分布。因?yàn)樵谶@種情況下， 符合已知信息的概率分布可能不止一個(gè)。熵定義的實(shí)際上是一個(gè)隨機(jī)變量的不確定性，熵 最大的時(shí)候，說明隨機(jī)變量最不確定，換句話說，也就是隨機(jī)變量最隨機(jī)，對(duì)其行為做準(zhǔn)確 預(yù)測(cè)最困難。從這個(gè)意義上講，那么最大熵原理的實(shí)質(zhì)就是，在已知部分信息的前提下，關(guān) 于未知分布最合理的推斷就是符合已知信息最不確定或最隨機(jī)的推斷，這是可以作出的唯 一不偏不倚的選擇，任何其它的選擇都意味著增加了其它的約束和假設(shè)，這些約束和假設(shè) 根據(jù)已掌握的信息無法作出。最大熵模型是將熵理論應(yīng)用于分類(對(duì)應(yīng)于第一候選字、第二候選字等等)問題 中，在滿足限定條件下，使熵值最大的原則。本步驟可以利用開源的最大熵訓(xùn)練工具，得到 最大熵訓(xùn)練模型。步驟103，針對(duì)用戶輸入的手寫軌跡，逐個(gè)選取單一識(shí)別引擎進(jìn)行識(shí)別，將識(shí)別得 到的特征信息輸入到最大熵訓(xùn)練模型中，由最大熵訓(xùn)練模型輸出判定結(jié)果；根據(jù)步驟102得到的最大熵訓(xùn)練模型，實(shí)現(xiàn)手寫軌跡的識(shí)別操作。在具體的應(yīng)用 中，用戶輸入一個(gè)漢字的手寫軌跡，先由單個(gè)識(shí)別引擎進(jìn)行識(shí)別，得到的特征信息為第一 候選字的編碼、識(shí)別距離、以及第一候選字是否正確的判定。將特征信息作為最大熵訓(xùn)練模 型的輸入特征，則從最大熵模型輸出與該特征信息相對(duì)應(yīng)的判定結(jié)果。進(jìn)一步，所述判定結(jié) 果代表了在當(dāng)前識(shí)別引擎中，與特征信息相對(duì)應(yīng)的第一候選字正確的概率大小，也就是說， 判定結(jié)果代表了每個(gè)特征出現(xiàn)時(shí)，第一候選正確的可能性的大小，針對(duì)第一候選字正確的 概率的不同大小賦予不同的判定結(jié)果。例如，根據(jù)第一候選字正確的概率大小，將判定結(jié)果分為兩種1和0，當(dāng)判定結(jié)果 為1時(shí)，為置信的判定結(jié)果，代表了第一候選字正確的概率高；當(dāng)判定結(jié)果為0時(shí)，為不置信 的判定結(jié)果，代表了第一候選字正確的概率低。又如，還可以將判定結(jié)果分為三種0(對(duì)應(yīng) 置信的判定結(jié)果，代表了第一候選字正確的概率高)、0. 5 (對(duì)應(yīng)較置信的判定結(jié)果，代表了 第一候選字正確的概率較高)、1 (對(duì)應(yīng)不置信的判定結(jié)果，代表了第一候選字正確的概率 低)?？梢岳斫獾氖牵卸ńY(jié)果不限于上述種類，還可以根據(jù)不同的識(shí)別需求，按照第一候選 字正確的概率的不同大小進(jìn)行多種劃分。步驟104，當(dāng)單一識(shí)別引擎對(duì)應(yīng)的判定結(jié)果滿足預(yù)置判定值時(shí)，停止下一識(shí)別引擎 的識(shí)別，將當(dāng)前識(shí)別引擎對(duì)應(yīng)的識(shí)別結(jié)果輸出；根據(jù)判定結(jié)果的種類，所述預(yù)置判定值可以為單一值或者多個(gè)離散值。例如，當(dāng)判 定結(jié)果有0和1兩種情況時(shí)，預(yù)置判定值設(shè)為ι ；當(dāng)判定結(jié)果包括0、0. 5、1這三種情況時(shí)， 預(yù)置判定值設(shè)為1或0. 5 (滿足其中任意一值即可)；當(dāng)判定結(jié)果包括0、0. 25,0. 5,0. 75、1 這五種情況時(shí)，預(yù)置判定值設(shè)為1或0. 75。則當(dāng)單一識(shí)別引擎對(duì)應(yīng)的判定結(jié)果滿足預(yù)置判 定值時(shí)，則認(rèn)為第一候選結(jié)果正確，將對(duì)應(yīng)的第一候選字輸出，不再進(jìn)行其他引擎的識(shí)別。具體的，先由第一識(shí)別引擎進(jìn)行識(shí)別，當(dāng)?shù)谝蛔R(shí)別引擎對(duì)應(yīng)的判定結(jié)果滿足預(yù)置 判定值時(shí)，則認(rèn)為第一識(shí)別引擎對(duì)應(yīng)的第一候選結(jié)果正確；當(dāng)?shù)谝蛔R(shí)別引擎對(duì)應(yīng)的判定結(jié) 果不滿足預(yù)置判定值時(shí)，則認(rèn)為第一識(shí)別引擎對(duì)應(yīng)的第一候選結(jié)果不正確，由第二識(shí)別引 擎進(jìn)行識(shí)別。當(dāng)?shù)诙R(shí)別引擎對(duì)應(yīng)的判定結(jié)果滿足預(yù)置判定值時(shí)，則認(rèn)為第二識(shí)別引擎對(duì)應(yīng)的
7第一候選結(jié)果正確；當(dāng)?shù)诙R(shí)別引擎對(duì)應(yīng)的判定結(jié)果不滿足預(yù)置判定值時(shí)，則認(rèn)為第二識(shí) 別引擎對(duì)應(yīng)的第一候選結(jié)果不正確，由第三識(shí)別引擎進(jìn)行識(shí)別。以此類推，直到某一識(shí)別引 擎對(duì)應(yīng)的第一候選字正確的概率大于預(yù)置閾值?？梢岳斫獾氖?，針對(duì)各個(gè)識(shí)別引擎可以設(shè)置相同的預(yù)置判定值，如均設(shè)置為1 ；此 外，還可以針對(duì)每個(gè)識(shí)別引擎設(shè)置不同的預(yù)置閾值，例如，針對(duì)第一識(shí)別引擎，預(yù)置判定值 為1或0. 75，針對(duì)第二識(shí)別引擎，預(yù)置判定值為1，本發(fā)明在此不作限制。步驟105，當(dāng)單個(gè)識(shí)別引擎對(duì)應(yīng)的判定結(jié)果均不滿足預(yù)置判定值時(shí)，由多個(gè)識(shí)別引 擎的識(shí)別結(jié)果共同決策進(jìn)行輸出。如果單個(gè)識(shí)別引擎都無法決定結(jié)果是否正確，也就是說，每一個(gè)引擎對(duì)應(yīng)的第一 候選字正確的概率均對(duì)應(yīng)不自信的判定結(jié)果，則按照多個(gè)引擎識(shí)別的方式，由每個(gè)識(shí)別引 擎的識(shí)別結(jié)果共同決策，得出所識(shí)別的字符進(jìn)行輸出。通過本發(fā)明的方法實(shí)施例一，根據(jù)單個(gè)引擎的識(shí)別結(jié)果，結(jié)合最大熵訓(xùn)練模型，判 斷是否進(jìn)行對(duì)引擎的識(shí)別，可以利用單一識(shí)別引擎的識(shí)別結(jié)果作為識(shí)別輸出，在保證識(shí)別 結(jié)果正確的前提下，減少了其他引擎識(shí)別的計(jì)算量，提高了識(shí)別效率。參照?qǐng)D2，示出了本發(fā)明一種基于最大熵的文字識(shí)別方法實(shí)施例二的流程圖，在本 發(fā)明方法實(shí)施例二中，所述識(shí)別引擎包括連筆識(shí)別引擎和無筆順識(shí)別引擎；需要說明的 是，在具體實(shí)施例，還可以采用更多的識(shí)別引擎進(jìn)行識(shí)別，例如，還包括相似字識(shí)別引擎等， 本發(fā)明在此不做限定，此處僅為一種實(shí)例。本發(fā)明實(shí)施例二所述方法包括如下步驟步驟201，將訓(xùn)練樣本輸入到各個(gè)識(shí)別引擎中進(jìn)行特征提取，獲得特性信息；步驟202，依據(jù)所述特征信息構(gòu)建最大熵訓(xùn)練模型；步驟203，針對(duì)用戶輸入的手寫軌跡，選取無筆順識(shí)別引擎進(jìn)行識(shí)別，并將識(shí)別得 到的特征信息輸入到最大熵訓(xùn)練模型中，由最大熵訓(xùn)練模型輸出判定結(jié)果；通常，無筆順識(shí)別引擎較之連筆識(shí)別引擎的識(shí)別效率高，因此，本發(fā)明實(shí)施例首先 選用無筆順識(shí)別引擎。步驟204，判斷無筆順識(shí)別引擎對(duì)應(yīng)的判定結(jié)果是否滿足預(yù)置判定值；若是，則執(zhí) 行步驟205 ；若否，則執(zhí)行步驟206 ；步驟205，停止識(shí)別，將無筆順識(shí)別引擎識(shí)別的第一候選字輸出；步驟206，選取連筆識(shí)別引擎進(jìn)行識(shí)別，并將識(shí)別得到的特征信息輸入到最大熵訓(xùn) 練模型中，由最大熵訓(xùn)練模型輸出判定結(jié)果，并執(zhí)行步驟207 ；步驟207，判斷連筆識(shí)別引擎對(duì)應(yīng)的判定結(jié)果是否滿足預(yù)置判定值；若是，則執(zhí)行 步驟208 ；若否，則執(zhí)行步驟209 ；步驟208，停止識(shí)別，將連筆識(shí)別引擎識(shí)別的第一候選字輸出；步驟209，由無筆順識(shí)別引擎和連筆識(shí)別引擎的識(shí)別結(jié)果共同決策進(jìn)行輸出。例如，本發(fā)明根據(jù)第一候選字正確的概率大小設(shè)定兩種判定結(jié)果1和0。具體的， 結(jié)合最大熵訓(xùn)練模型，先由無筆順識(shí)別引擎進(jìn)行識(shí)別，將對(duì)應(yīng)特征信息輸入到最大熵訓(xùn)練 模型中，當(dāng)輸出判定結(jié)果1時(shí)，則判斷第一候選字識(shí)別結(jié)果正確，將該第一候選項(xiàng)作為識(shí)別 輸出；當(dāng)輸出判定結(jié)果0時(shí)，則判斷第一候選字結(jié)果不正確，采用連筆識(shí)別引擎進(jìn)行識(shí)別， 當(dāng)連筆識(shí)別引擎對(duì)應(yīng)的輸出的判定結(jié)果也為0時(shí)，由無筆順識(shí)別引擎和連筆識(shí)別引擎共同決策得到最終識(shí)別結(jié)果。下面，舉一個(gè)具體的例子進(jìn)行詳細(xì)說明，如“建”字，有的人習(xí)慣先寫左邊，有的人 習(xí)慣先寫右邊。當(dāng)用戶先寫左邊時(shí)，筆順不正確，按照現(xiàn)有技術(shù)的方法，由多個(gè)識(shí)別引擎共 同識(shí)別，無筆順識(shí)別引擎能識(shí)別正確，而其他有筆順識(shí)別引擎(連筆識(shí)別引擎)識(shí)別錯(cuò)誤， 最終綜合考慮，最終的識(shí)別結(jié)果可能為錯(cuò)誤。按照本發(fā)明實(shí)施例二所述，針對(duì)用戶先輸入左邊、后輸入右邊的字符“建”的軌跡， 首先采用無筆順識(shí)別引擎進(jìn)行識(shí)別，識(shí)別得到的特征信息輸入到最大熵訓(xùn)練模型中，輸出 判定結(jié)果為1，則識(shí)別結(jié)果是正確的，能夠判定出無筆順識(shí)別引擎對(duì)該字的識(shí)別結(jié)果是值得 信賴的，不用再通過其他識(shí)別引擎識(shí)別，從而把無筆順識(shí)別引擎的識(shí)別結(jié)果作為正確結(jié)果 直接給出。又如，對(duì)于一個(gè)筆順正確，書寫潦草的字符“建”的軌跡，先采用無筆順識(shí)別引擎進(jìn) 行識(shí)別，識(shí)別得到的特征信息輸入到最大熵訓(xùn)練模型中，由于書寫潦草，輸出判定結(jié)果為0， 則識(shí)別結(jié)果錯(cuò)誤，再采用連筆識(shí)別引擎進(jìn)行識(shí)別，輸出判定結(jié)果為1，則識(shí)別結(jié)果是正確的， 能夠判定出連筆識(shí)別引擎對(duì)該字的識(shí)別結(jié)果是值得信賴的，從而把連筆識(shí)別引擎的識(shí)別結(jié) 果做為正確結(jié)果直接給出。較之現(xiàn)有技術(shù)中，有多個(gè)引擎共同識(shí)別，提高了識(shí)別的正確率和 計(jì)算效率。需要說明的是，對(duì)于方法實(shí)施例，為了簡(jiǎn)單描述，故將其都表述為一系列的動(dòng)作組 合，但是本領(lǐng)域技術(shù)人員應(yīng)該知悉，本發(fā)明并不受所描述的動(dòng)作順序的限制，因?yàn)橐罁?jù)本發(fā) 明，某些步驟可以采用其他順序或者同時(shí)進(jìn)行。例如，針對(duì)本發(fā)明方法實(shí)施例二，對(duì)于用戶 再次輸入的手寫軌跡，由于已經(jīng)構(gòu)建了最大熵訓(xùn)練模型，則不再執(zhí)行步驟201至202。參照?qǐng)D3，示出了本發(fā)明一種基于最大熵的文字識(shí)別裝置實(shí)施例的結(jié)構(gòu)圖，包括特征提取單元301，用于將訓(xùn)練樣本輸入到各個(gè)識(shí)別引擎中進(jìn)行特征提取，獲得特 性信息；模型訓(xùn)練單元302，用于依據(jù)所述特征信息構(gòu)建最大熵訓(xùn)練模型；多個(gè)識(shí)別引擎303，用于針對(duì)用戶輸入的手寫軌跡進(jìn)行識(shí)別；引擎控制單元304，用于逐個(gè)選擇觸發(fā)單一識(shí)別引擎進(jìn)行識(shí)別操作，以及將識(shí)別引 擎識(shí)別到的特征信息輸入到模型訓(xùn)練單元中，由最大熵訓(xùn)練模型輸出判定結(jié)果；其中，當(dāng)單 一識(shí)別引擎對(duì)應(yīng)的判定結(jié)果滿足預(yù)置判定值時(shí)，停止觸發(fā)下一識(shí)別引擎，并觸發(fā)識(shí)別輸出 單元將當(dāng)前識(shí)別引擎對(duì)應(yīng)的識(shí)別結(jié)果輸出；當(dāng)單個(gè)識(shí)別引擎對(duì)應(yīng)的判定結(jié)果均不滿足預(yù)置 判定值時(shí)，觸發(fā)識(shí)別輸出單元對(duì)多個(gè)識(shí)別引擎的識(shí)別結(jié)果共同決策進(jìn)行輸出；識(shí)別輸出單元，用于輸出識(shí)別結(jié)果。優(yōu)選的，所述特征信息為第一候選字的編碼、識(shí)別距離、第一候選字是否正確的判定。進(jìn)一步，所述判定結(jié)果代表了在當(dāng)前識(shí)別引擎中，與特征信息相對(duì)應(yīng)的第一候選 字正確的概率大小。在本發(fā)明的一個(gè)優(yōu)選實(shí)施例中，所述識(shí)別引擎包括無筆順識(shí)別引擎和連筆識(shí)別 引擎；進(jìn)一步，所述引擎控制單元包括選擇子單元，用于針對(duì)用戶輸入的手寫軌跡，逐個(gè)選擇觸發(fā)無筆順識(shí)別引擎和連
9筆識(shí)別引擎進(jìn)行識(shí)別操作；訓(xùn)練子單元，用于將識(shí)別得到的特征信息輸入到最大熵訓(xùn)練模型中，由最大熵訓(xùn) 練模型輸出判定結(jié)果；判斷子單元，用于判斷無筆順識(shí)別引擎對(duì)應(yīng)的判定結(jié)果是否滿足預(yù)置判定值，若 是，則停止選擇子單元，觸發(fā)識(shí)別輸出單元將無筆順識(shí)別引擎對(duì)應(yīng)的識(shí)別結(jié)果輸出；若否， 則判斷連筆識(shí)別引擎對(duì)應(yīng)的判定結(jié)果是否滿足預(yù)置判定值，若是，則觸發(fā)識(shí)別輸出單元將 連筆識(shí)別引擎對(duì)應(yīng)的識(shí)別結(jié)果輸出，若否，則觸發(fā)識(shí)別輸出單元對(duì)無筆順識(shí)別引擎和連筆 識(shí)別引擎的識(shí)別結(jié)果共同決策進(jìn)行輸出。本說明書中的各個(gè)實(shí)施例均采用遞進(jìn)的方式描述，每個(gè)實(shí)施例重點(diǎn)說明的都是與 其他實(shí)施例的不同之處，各個(gè)實(shí)施例之間相同相似的部分互相參見即可。對(duì)于裝置實(shí)施例 而言，由于其與方法實(shí)施例基本相似，所以描述的比較簡(jiǎn)單，相關(guān)之處參見方法實(shí)施例的部 分說明即可。以上對(duì)本發(fā)明所提供的一種基于最大熵的文字識(shí)別方法和識(shí)別裝置，進(jìn)行了詳細(xì) 介紹，本文中應(yīng)用了具體個(gè)例對(duì)本發(fā)明的原理及實(shí)施方式進(jìn)行了闡述，以上實(shí)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(shí)，對(duì)于本領(lǐng)域的一般技術(shù)人員，依據(jù)本 發(fā)明的思想，在具體實(shí)施方式
及應(yīng)用范圍上均會(huì)有改變之處，綜上所述，本說明書內(nèi)容不應(yīng) 理解為對(duì)本發(fā)明的限制。
權(quán)利要求
一種基于最大熵的文字識(shí)別方法，其特征在于，包括A1，將訓(xùn)練樣本輸入到各個(gè)識(shí)別引擎中進(jìn)行特征提取，獲得特性信息；A2，依據(jù)所述特征信息構(gòu)建最大熵訓(xùn)練模型；A3，針對(duì)用戶輸入的手寫軌跡，逐個(gè)選取單一識(shí)別引擎進(jìn)行識(shí)別，將識(shí)別得到的特征信息輸入到最大熵訓(xùn)練模型中，由最大熵訓(xùn)練模型輸出判定結(jié)果；其中，當(dāng)單一識(shí)別引擎對(duì)應(yīng)的判定結(jié)果滿足預(yù)置判定值時(shí)，停止下一識(shí)別引擎的識(shí)別，將當(dāng)前識(shí)別引擎對(duì)應(yīng)的識(shí)別結(jié)果輸出；當(dāng)單個(gè)識(shí)別引擎對(duì)應(yīng)的判定結(jié)果均不滿足預(yù)置判定值時(shí)，對(duì)多個(gè)識(shí)別引擎的識(shí)別結(jié)果共同決策進(jìn)行輸出。
2.如權(quán)利要求1所述的方法，其特征在于，所述特征信息為第一候選字的編碼、識(shí)別距離、第一候選字是否正確的判定。
3.如權(quán)利要求1所述的方法，其特征在于，所述判定結(jié)果代表了在該識(shí)別引擎中，與特征信息相對(duì)應(yīng)的第一候選字正確的概率大
4.如權(quán)利要求1所述的方法，其特征在于，所述識(shí)別引擎包括無筆順識(shí)別弓I擎和連筆識(shí)別引擎。
5.如權(quán)利要求4所述的方法，其特征在于，所述步驟A3包括針對(duì)用戶輸入的手寫軌跡，選取無筆順識(shí)別引擎進(jìn)行識(shí)別，并將識(shí)別得到的特征信息 輸入到最大熵訓(xùn)練模型中，由最大熵訓(xùn)練模型輸出判定結(jié)果；判斷無筆順識(shí)別引擎對(duì)應(yīng)的判定結(jié)果是否滿足預(yù)置判定值；若是，則停止識(shí)別，將無筆 順識(shí)別引擎對(duì)應(yīng)的識(shí)別結(jié)果輸出；若否，則選取連筆識(shí)別引擎進(jìn)行識(shí)別，并將識(shí)別得到的特 征信息輸入到最大熵訓(xùn)練模型中，由最大熵訓(xùn)練模型輸出判定結(jié)果；判斷連筆識(shí)別引擎對(duì)應(yīng)的判定結(jié)果是否滿足預(yù)置判定值；若是，則停止識(shí)別，將連筆識(shí) 別引擎對(duì)應(yīng)的識(shí)別結(jié)果輸出；若否，則由無筆順識(shí)別引擎和連筆識(shí)別引擎的識(shí)別結(jié)果共同 決策進(jìn)行輸出。
6.一種基于最大熵的文字識(shí)別裝置，其特征在于，包括特征提取單元，用于將訓(xùn)練樣本輸入到各個(gè)識(shí)別引擎中進(jìn)行特征提取，獲得特性信息；模型訓(xùn)練單元，用于依據(jù)所述特征信息構(gòu)建最大熵訓(xùn)練模型； 多個(gè)識(shí)別引擎，用于針對(duì)用戶輸入的手寫軌跡進(jìn)行識(shí)別；引擎控制單元，用于逐個(gè)選擇觸發(fā)單一識(shí)別引擎進(jìn)行識(shí)別操作，以及將識(shí)別引擎識(shí)別 到的特征信息輸入到模型訓(xùn)練單元中，由最大熵訓(xùn)練模型輸出判定結(jié)果；其中，當(dāng)單一識(shí)別 引擎對(duì)應(yīng)的判定結(jié)果滿足預(yù)置判定值時(shí)，停止觸發(fā)下一識(shí)別引擎，并觸發(fā)識(shí)別輸出單元將 當(dāng)前識(shí)別引擎對(duì)應(yīng)的識(shí)別結(jié)果輸出；當(dāng)單個(gè)識(shí)別引擎對(duì)應(yīng)的判定結(jié)果均不滿足預(yù)置判定值 時(shí)，觸發(fā)識(shí)別輸出單元對(duì)多個(gè)識(shí)別引擎的識(shí)別結(jié)果共同決策進(jìn)行輸出； 識(shí)別輸出單元，用于輸出識(shí)別結(jié)果。
7.如權(quán)利要求6所述的裝置，其特征在于，所述特征信息為第一候選字的編碼、識(shí)別距離、第一候選字是否正確的判定。
8.如權(quán)利要求6所述的裝置，其特征在于，所述判定結(jié)果代表了在當(dāng)前識(shí)別引擎中，與特征信息相對(duì)應(yīng)的第一候選字正確的概率大小。
9.如權(quán)利要求6所述的裝置，其特征在于，所述識(shí)別引擎包括無筆順識(shí)別弓I擎和連筆識(shí)別引擎。
10.如權(quán)利要求9所述的裝置，其特征在于，所述引擎控制單元包括選擇子單元，用于針對(duì)用戶輸入的手寫軌跡，逐個(gè)選擇觸發(fā)無筆順識(shí)別引擎和連筆識(shí) 別引擎進(jìn)行識(shí)別操作；訓(xùn)練子單元，用于將識(shí)別得到的特征信息輸入到最大熵訓(xùn)練模型中，由最大熵訓(xùn)練模 型輸出判定結(jié)果；判斷子單元，用于判斷無筆順識(shí)別引擎對(duì)應(yīng)的判定結(jié)果是否滿足預(yù)置判定值，若是，則 停止選擇子單元，觸發(fā)識(shí)別輸出單元將無筆順識(shí)別引擎對(duì)應(yīng)的識(shí)別結(jié)果輸出；若否，則判斷 連筆識(shí)別引擎對(duì)應(yīng)的判定結(jié)果是否滿足預(yù)置判定值，若是，則觸發(fā)識(shí)別輸出單元將連筆識(shí) 別引擎對(duì)應(yīng)的識(shí)別結(jié)果輸出，若否，則觸發(fā)識(shí)別輸出單元對(duì)無筆順識(shí)別引擎和連筆識(shí)別引 擎的識(shí)別結(jié)果共同決策進(jìn)行輸出。
全文摘要
本發(fā)明提供了一種基于最大熵的文字識(shí)別方法和識(shí)別裝置，所述方法包括將訓(xùn)練樣本輸入到各個(gè)識(shí)別引擎中進(jìn)行特征提取，獲得特性信息；針對(duì)用戶輸入的手寫軌跡，逐個(gè)選取單一識(shí)別引擎進(jìn)行識(shí)別，將識(shí)別得到的特征信息輸入到最大熵訓(xùn)練模型中，由最大熵訓(xùn)練模型輸出判定結(jié)果；其中，當(dāng)單一識(shí)別引擎對(duì)應(yīng)的判定結(jié)果滿足預(yù)置判定值時(shí)，停止下一識(shí)別引擎的識(shí)別，將當(dāng)前識(shí)別引擎對(duì)應(yīng)的識(shí)別結(jié)果輸出；當(dāng)單個(gè)識(shí)別引擎對(duì)應(yīng)的判定結(jié)果均不滿足預(yù)置判定值時(shí)，對(duì)多個(gè)識(shí)別引擎的識(shí)別結(jié)果共同決策進(jìn)行輸出。通過本發(fā)明，在保證識(shí)別結(jié)果正確的前提下，提高了識(shí)別效率。
文檔編號(hào)G06K9/68GK101901355SQ20101022190
公開日2010年12月1日 申請(qǐng)日期2010年6月29日 優(yōu)先權(quán)日2010年6月29日
發(fā)明者張連毅, 李健, 武衛(wèi)東 申請(qǐng)人:北京捷通華聲語音技術(shù)有限公司