CN114283417B 在线手写签名字符分割方法、系统、存储介质及电子设备 （重庆亲笔签数字科技有限公司）

本发明请求保护一种在线手写签名字符分成数据集，将数据集输入基本预测模型进行训2所述预处理包括：对采集到的签字笔画数据进行数据归一化得到横坐标Xnorm和纵坐标式：rangemax＝2·max((Xmean-Xmin)，(Ymean-Ymin))计算缩放系数rangemax，根据公式：对笔画数据横坐标X与纵坐标Y进行归一化，其从模型输入层输入签字笔画书写特征序列作为编码信息，Dense层将编码器输出维度转为解码输出为一个序列长度维度的向量，每个值代表了对应位置的标签索3所述预处理包括：对采集到的签字笔画数据进行数据归一化得到横坐标Xnorm和纵坐标行以实现权利要求1～6任一权利要求所述的在线手写签名字4方法”公开了一种基于端对端网络模型的手写公式识别方法，采集手写公式识别图片数据模型包括特征提取层、encoder编码器和decoder解码器；利用预处理后的手写公式识别图片数据集对encoder-decoder模型进行训练，获得训练完成后的encoder-decoder模型；利用训练完成后的encoder-decoder模型对待识别手写公式图片进行识别，获得待识别手写公式图片的识别结果。本发明利用不同感受对手写公式图片进行大小特征提取，对不同的特征完成词向量编码以及与标签间的对接和解码操作，优化了网络超参数，避免了多次卷用于用户书写和错误纠正的交互技术。本发明设计出适用于草图识别的交互手段，避免了以图像处理为主的公式识别方法遇到的各种问题，为用户修改存在笔误或歧义的笔画，公式的结构错误等提供基本保障，提高了公式识别率的效果，满足了用户的需求。专利申请教育的智能笔手写图像的存取效率。基于智能笔手写图像的处理方法包括：通过预置的笔顺识别神经网络模型，对基于在线教育的智能笔手写图像序列依次进行字符分割、多层的并将文件大小与预设阈值进行对比分析得到对比分析结果；根据对比分析结果，将预处理于分布式文件存储的数据库。5形成一个端到端的方案。输入相关书写设备(如签字版)获取的采样点数据(如坐标，压力rangemax＝2·max((Xmean-Xmin)，(Ymean-Ymin))计算缩放系数rangemax，根据公式：对笔画数据横坐标(X)与纵坐标(Y)进行归一化，min与Ymin分别表示一条在线手写笔迹数据横坐标序列和纵坐标序列的最小值，Xmeanmean-Ymin))将笔画数据的时间转换为6器执行以实现权利要求1～6任一权利要求所述的在线手写权利要求1～6任一权利要求所述的在线手写签名字符分7化。如下举例对坐标向量(x,y)归一化的一种方法进行说明，即坐标归一化，根据公式：rangemax＝2·max((Xmean-Xmin)，(Ymean-Ymin))计算缩放系数rangemax，根据公式：对横坐标(X)与纵坐标(Y)进行归一化，其中，Xmin与示对应序列的平均值(均值可用所有横坐标值加和然后除以序列长度)，Xnorm和Ynorm分别表[0033]考虑到模型应用速度提升和进一步提高准确率的考虑，8保留该直线段的信息，具体来说，将笔画内部所有满足下式的点抛弃即可。i+1-xi，规定一个大于目标序列预定长度(如可设定为50等适于训练模型的值)的填充序列目标长位置都有对应的标签，而这些填充位置对应的标签则是O(也可以是其他任意合理的表示，9标签则为BIIIIII……BIIIIII……OO…[0050]数据拆分，将数据集(成对数据)按一定比例拆分为训练集和验证集(仅在样本层[0052]如图2所示为本发明基本预测模型结构，包括一层双向长短期记忆网络(Bi-[0054](输入序列长度)X(特征数)形式的一个矩阵(X表示乘)。Bi-lstm为双向(Bi)长短向量维度为256.)，综合起来此层输出为序列长度X256(以单元数为128举例)的矩阵。Dense:此层负责将每个位置的256维向量降维至与输出标签类别数相同(如3维即对应BIO序列长度维度的向量，每个值代表了对应位置的标签[0055]本实施例基本预训练模型的编码器可采用Bi-lstm构成，但原则上能进行序列编码的模型都可以作为编码器，例如卷积神经网络或者Transformer以及他们的组合形态都[0056]基本预测模型的输出为输入特征序列相同长度个概率分布向量(维度决定于标签于第n个位置，此处的标签可能为BIO的一种，举例来说：n位置输出的概率向量为[0.3,的crf损失函数相加即可，计算方式如下式,式中wmax为当前预测结果中最宽