人機介面Pen-Based Interface
筆跡介面開課單位授課教師
動機人們習慣以手寫方式輸入或紀錄資訊。許多資料利用手寫之方式能以更快之速度
輸入,如數學方程式、路徑。藉由電腦軟體的搭配,在做某些事情時能
提供更大的自由度,如修改筆跡、更改顏色。
歷史演進 (60s and 70s)
SketchPad(Sutherland 1963) Math Reco(Anderson 1967)
HUNCH(Herot 1976) Logic Diagrams(Sutherland 1966)
歷史演進 (80s and 90s)
GRIDPad(1989)
CrossPad(1999)Pal Pilot’s Graffiti(1994)
Apple Newton(1994)
現今
Ipad(2010)
Microsoft Surface(2007)
Android Tablet(2010)
Wacom Inkling(2011)
筆跡應用層面解析
2D/3DGestural Shape
RecognitionAnd
Modeling
Domain SpecificGestural
Commands
MathematicalSketching Sketching
3D Geometry
Real-TimeMathematicalExpressionrecognition
Complete SketchUnderstanding
Systems
N
每次運算筆畫數
1
低 模糊程度 高
應用實例平面繪圖使用者介面原型設計電路圖模擬動畫路線繪製製作筆記或文件註解手寫文字數學公式識別
應用實例 :平面繪圖例如 : wacom 繪圖板
應用實例 :使用者介面原型設計
DENIMhttp://www.youtube.com/watch?v=tCVYKgewDXc
應用實例 :電路圖模擬VibroSketch
– 官方影片
應用實例 :製作筆記Note Taker HD
http://itunes.apple.com/app/note-taker-hd/id366572045?mt=8
應用實例 :文件註解iAnnotate PDF
http://itunes.apple.com/us/app/iannotate-pdf/id363998953?mt=8
應用實例 :手寫文字iPhone Android
應用實例 :數學公式識別及運算
MathPad2
筆跡介面的優勢平日習慣 : 人類習慣以手寫方式輸入 寫公式、畫圖等透過筆跡輸入更方便無須使用較大體積的輸入設備 ( 鍵盤 )
應用實例的關鍵問題辨識
– 需了解筆跡元件多重性
– 單一筆跡可能會有多重意義功能展示
– 辨識介面及相關功能可能會被隱藏
筆跡介面的限制筆跡辨識仍不完美
– 需要理解筆跡的內容是什麼,但此變數太大容易造成電腦的誤判。
– 需要在特定區塊才能辨識。指令多元,若沒標示清楚不易上手。需針對特定需求開發
筆跡介面的資訊處理架構
Raw Stroke Data
Preprocessing Segmentation
Feature Extraction and Analysis
Make Inferences
Sketch Understanding
InkParsing
Classification
筆跡介面的資訊處理技術筆跡資料的表達 (Raw Stroke Data)
– 點及筆畫s=p1p2...pn
當 pi =(xi, yi, zi), 1≦i≦n
S=s1s2...sm
– 圖像使用每一個點的陣列點的表達方式較不普及 (off-line recognition)
筆跡介面的資訊處理技術資訊前處理 (Preprocessing)
– 筆跡資料的純淨使得往後之運算能更順利– 一般使用高斯 (Gaussian) 或指數
(exponential) 濾波 (filter) 將資料做初步過濾– 需將資料轉換到固定比率
• 使得大小、位置、旋轉等條件能在相同判斷標準– 由於某些使用者的習慣,筆畫結尾處可能會有
小勾,需進行消除以利判斷。
筆跡介面的資訊處理技術資料切割 (Segmentation)
– 判斷哪些筆畫是一起的– 判斷那些筆畫是分開的– 通常以筆畫的順序作為判斷依據
筆跡介面的資訊處理技術特徵存取及分析 (Feature extraction
and Analysis)– 希望能使不同筆跡被分開– 好的特徵值影響效果顯著– 重要的計算資訊
• 幾何結構、筆跡統計值、前後關聯–範例
• 筆畫長度、直方圖、比例、區域等等…
筆跡介面的資訊處理技術資料分類 (Classification)
– 使用特徵值的結果作為驗證依據–最簡單的驗證可以是有限狀態機,如手勢辨識– 一般使用機器學習演算法
• 線性分類器 (linear classifiers) ,類神經網路(neural networks) ,隱藏式馬可夫模型(HMM) ,支援向量機 (SVM) 等等…
• 根據不同的問題選擇不同演算法
筆跡介面的資訊處理技術筆跡分析 (Sketch Parsing)
–只辨識筆畫是不足夠的• 手勢辨識例外
– 需了解筆畫或元素彼此的關係• 如數學運算式
– 高階的筆跡分析• 屬於文字或是僅是繪圖
筆跡介面的技術挑戰如何提升辨識率 ?如何克服不同手寫風格 ?如何將同意思的筆畫分為同一類 ?
筆跡範例 (1)
筆跡範例 (2)
線上實例 _$1 Unistroke
http://depts.washington.edu/aimgroup/proj/dollar/
線上實例 _$N Multistroke
http://depts.washington.edu/aimgroup/proj/dollar/ndollar.html
筆跡辨識的開發工具手寫辨識 : LipiTk
http://lipitk.sourceforge.net/機器學習 : TORCH http://www.torch.ch/–包含許多演算法
• 支援向量機 (SVM)• 隱藏式馬可夫模型 (HMM)• 貝氏分類器 (Bayes Classifiers)
參考資料 Zeleznik, R., K. Herndon, and J. Hughes.
SKETCH: An Interface for Sketching 3D Scenes. Proceedings of SIGGRAPH'96, ACM Press, 163-170, 1996SIGGRAPH course– http
://www.eecs.ucf.edu/courses/cap5937/fall2007/course3.pdf
Top Related