论文部分内容阅读
新一代计算模式促使人机交互方式必须从以“计算机为中心”向“以人为中心”转变，这种转变的核心是建立支持人类思维过程并与人类思维趋同的人机交互方式。以手写体和手绘草图输入为核心的笔式交互，以其既符合人们“笔录纸现”的思维表达习惯，又能充分利用计算机极强的信息维护功能的特性，而在新型人机交互中表现出强大的生命力。然而，手绘草图所固有的模糊性及用户手绘输入的随意性，要求手绘草图识别方法必须具有足够的适应性，而成为笔式交互走向实用化的主要瓶颈。因此，自适应手绘草图识别方法的研究成为笔式交互发展的一个重点和难点问题。
本文以支持用户电路电器构思设计常用图形输入为应用背景，以人工智能和机器学习为手段，对面向用户适应性的自适应手绘草图识别方法进行了系统的研究和实验。论文提出了一个基于机器学习方法的自适应手绘草图识别研究方案，对手绘草图识别的特征表示方法进行了全面的分析和研究，对项目组前期所设计的SVM和HMM分类器进行了详细的分析，进而提出了基于贝叶斯网络（Bayesian Network）的自适应手绘草图识别方法，并对三种方法（SVM、HMM和Bayesian Network）的自适应识别效果进行了全面的实验对比和分析。
论文的主要成果体现在以下几个方面：
（1）提出了自适应手绘草图识别研究框架。分析了面向用户适应性的自适应手绘草图识别问题，定义了面向手绘草图识别过程的用户适应性层次结构，提出了针对笔划和图符识别的自适应手绘草图识别方法研究框架，该框架重点在于考察手绘草图特征表示与分类器间的关联性。
（2）分析了手绘草图特征表示方法。描述了手绘草图识别系统中的各种特征表示方法，指出了各种特征表示方法的特点和不足，初步分析了各种特征对用户输入特性的敏感性。
（3）研究了基于机器学习的自适应手绘草图识别方法。详细分析了前期采用的SVM分类器和HMM分类器在解决手绘草图识别的用户适应性问题中的优缺点，进而提出并设计实现了贝叶斯网络（Bayesian Network）动态学习方法，来实现自适应手绘草图识别以捕捉用户的手绘习惯，达到针对不同用户能够快速自适应识别手绘图符的目标。
（4）实现了基于机器学习的自适应手绘草图识别的对比实验。分别利用手绘草图的7种特征表示（Rubine特征，转角函数，速率特征，曲率特征，正则化曲率特征，重径特征和组合特征）对SVM、HMM和Bayesian网络方法进行了多用户实验对比，对特征的描述能力和机器学习方法在自适应草图识别中的有效性进行了分析，对不同用户对不同特征和分类器的不同敏感度给予了验证。