[發明專利]一種基于智慧黑板的動態筆跡識別方法

在審

• 申請號: 202011291885.7
• 申請日: 2020-11-18
• 公開（公告）號: CN112329695A
• 公開（公告）日: 2021-02-05
• 發明（設計）人: 朱玉榮;湯鵬飛
• 申請（專利權）人: 安徽文香信息技術有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/40;G06K9/62
• 代理公司: 合肥洪雷知識產權代理事務所(普通合伙) 34164
• 代理人: 徐贛林

1.一種基于智慧黑板的動態筆跡識別方法，其特征在于，包括如下步驟：

步驟S1：服務器對采集的大量樣本筆跡進行處理，建立模板特征數據庫；

步驟S2：智慧黑板遠程訪問服務器，實時更新本地模板特征數據庫；

步驟S3：智慧黑板內置的傳感器獲取手寫筆跡數據，建立動態筆跡數據庫；

步驟S4：對采集的筆跡數據進行預處理；

步驟S5：對筆跡進行預處理后，對筆跡進行特征提取；

步驟S6：針對提取的特征與模板特征數據庫進行手寫筆跡特征匹配，并通過文本算法計算累積失真度；

步驟S7：將計算出的總失真度與闕值計較來判斷筆跡的真實性；

步驟S8：將匹配正確的結果反饋至動態筆跡數據庫找到對應的手寫筆跡數據并進行儲存。

2.根據權利要求1所述的一種基于智慧黑板的動態筆跡識別方法，其特征在于，所述步驟S1中，服務器對采集的大量樣本筆跡的處理步驟如下：

步驟S11：采用脈沖耦合神經網絡進行噪聲點和邊緣點的區分檢測；

步驟S12：利用復合去噪算法對噪聲點進行處理；

步驟S13：采用細胞神經網絡提取筆跡圖像中的邊緣點；

步驟S14：根據提取到的邊緣點得到連通線段，利用曲率對每個連通線段進行特征提取；

步驟S15：將提取的特征錄入模板特征數據庫，并與對應的字進行匹配；

步驟S16：根據筆跡圖像訓練樣本的筆跡特征訓練細胞神經網絡。

3.根據權利要求2所述的一種基于智慧黑板的動態筆跡識別方法，其特征在于，所述步驟S13中，經過步驟S12去噪后的筆跡灰度圖像進行直方圖均衡化處理，建立筆跡灰度圖像的細胞神經網絡模型進行處理：將均衡化后的筆跡灰度圖像中各個像素點的灰度值作為細胞神經網絡模型中的對應的輸入；遍歷細胞神經網絡中每個像素點對應細胞元的輸出值；當每個像素點的輸出只在[0,1]范圍內，若其對應鄰域內其它像素點的像素值和大于預設閥值，則本像素不是邊緣像素，否則是邊緣像素點；當輸出值在[-1,0)范圍內，則不是邊緣像素點。

4.根據權利要求2所述的一種基于智慧黑板的動態筆跡識別方法，其特征在于，所述步驟S14中，提取的特征包括：連通線段之間的比例、拐點的位置、線段彎折的曲率、線段之間的間距、線段之間的比例大小以及第一筆和最后一筆的長度。

5.根據權利要求1所述的一種基于智慧黑板的動態筆跡識別方法，其特征在于，所述步驟S3中，智慧黑板內置傳感器獲取手寫筆跡數據，動態筆跡數據庫包括中文數據庫和英文數據庫，且該動態筆跡數據庫根據老師建立其對應的動態筆跡數據庫。

6.根據權利要求1所述的一種基于智慧黑板的動態筆跡識別方法，其特征在于，所述步驟S4中，筆跡數據預處理的包括對筆跡的旋轉、平滑處理、去噪以及大小和位置歸一化處理。

7.根據權利要求1所述的一種基于智慧黑板的動態筆跡識別方法，其特征在于，所述步驟S6中，文本算法計算累積失真度時，將匹配路徑上的一個點的坐標為(m,n)，則下一個點的坐標為(m+1,n)、(m,n+1)或(m+1,n+1)中的任意一點，取點(m,n)到這3個點的距離最小的一點為下一個出發點，距離遞推公式如下：

其中，D(R_m,T_n)表示從起始端點逐點匹配，參考模板R中的m分量和待測模板T中的n分量匹配后的累積失真度。

8.根據權利要求7所述的一種基于智慧黑板的動態筆跡識別方法，其特征在于，所述D(R_m,T_n)表示一條完整的匹配路徑的累積失真度，從而可以得出最大累積失真度D(R_M,T_N)，計算公式如下：

9.根據權利要求1所述的一種基于智慧黑板的動態筆跡識別方法，其特征在于，所述步驟S7中，輸入數據庫模板與待檢測模板相互匹配，失真度與閥值進行比對，若失真度小于閥值，則判定筆跡問真實筆跡；否則，判定筆跡為虛假筆跡。