Кіріспе
Компьютердің қолмен жазылған мәтіндегі нақты әріптер мен сөздерді тани отырып, түсінікті қолжазбаны қабылдау және түсіндіру қабілеті. Қолжазбаны тану (HWR), сондай-ақ қолжазба мәтінін тану (HTR) деп аталады, бұл компьютердің қағаз құжаттары, фотосуреттер, сенсорлық экрандар және басқа да құрылғылар сияқты көздерден түсінікті қолжазбаны қабылдау және түсіндіру мүмкіндігі. Жазылған мәтіннің бейнесі қағаздан "желіден тыс" оптикалық сканерлеу (оптикалық таңбаларды тану) немесе интеллектуалды сөздерді тану арқылы алынуы мүмкін. Балама ретінде, қалам ұшының қозғалысы "желіде", мысалы, қаламға негіделген компьютер экраны арқылы сезілуі мүмкін, бұл көбінесе оңайырақ, себебі көбірек мәліметтер бар. Қолжазбаны тану жүйесі форматтауды басқарады, әріптерге дұрыс бөлуді жүзеге асырады және мүмкіндігінше көп сөздерді анықтайды.
recognizing the specific letters and words in hand written text
Handwriting recognition (HWR), also known as handwritten text recognition (HTR), is the ability of a computer to receive and interpret intelligible handwritten input from sources such as paper documents, photographs, touch screens and other devices. The image of the written text may be sensed "off line" from a piece of paper by optical scanning (optical character recognition) or intelligent word recognition. Alternatively, the movements of the pen tip may be sensed "on line", for example by a pen based computer screen surface, a generally easier task as there are more clues available. A handwriting recognition system handles formatting, performs correct segmentation into characters, and finds the most possible words.
Желіден тыс тану
Қолжазбаны офлайн тану – суреттегі мәтінді компьютерде және мәтін өңдеу бағдарламаларында пайдалануға болатын әріптік кодтарға автоматты түрде түрлендіруді қамтиды. Осы тәсілмен алынған деректер қолжазбаның статикалық бейнесі деп есептеледі. Офлайн қолжазбаны тану салыстырмалы түрде қиын, себебі әр адамның қолжазба стилі әртүрлі болады. Бүгінгі күнге дейін, OCR жүйелері көбінесе машинамен басылған мәтінге және қолмен "жазылған" (ірі әріптермен жазылған) мәтінге арналған ICR-ге бағытталған.
Таңбаларды алу
Офлайн таңбаларды тану көбінесе нысанды немесе құжатты сканерлеуді қамтиды. Бұл сканерленген суреттегі жеке таңбаларды бөліп алу қажеттігін білдіреді. Бұл қадамды орындауға қабілетті құралдар бар. Дегенмен, осы қадамда бірнеше жиі кездесетін кемшіліктер бар. Ең көп таралғаны – бір-бірімен қосылған таңбалар екі таңбадан тұратын бір сурет ретінде беріледі. Бұл тану кезеңінде үлкен қиындық тудырады. Бірақ, байланысқан таңбалардың пайда болу қаупін азайтатын көптеген алгоритмдер қолжетімді.
Таңбаларды тану
Жеке символдар бөліп алынғаннан кейін, оған сәйкес келетін компьютерлік символды анықтау үшін тану машинасы қолданылады. Қазіргі таңда бірнеше түрлі тану техникасы қол жетімді.
Белгілерді алу
Белгілерді алу жүйке желілерімен тану сияқты жұмыс істейді. Бірақ бағдарламашылар өздері маңызды деп санайтын ерекшеліктерді қолмен анықтауы тиіс. Бұл тәсіл тану жүйесіне идентификацияда қолданылатын ерекшеліктерді толығырақ бақылауға мүмкіндік береді. Дегенмен, осы әдісті қолданатын кез келген жүйенің құрастыруы жүйке желісімен салыстырғанда әлдеқайда көп уақытты қажет етеді, себебі ерекшеліктер автоматты түрде үйренбейді.
Қазіргі заманғы техника
Дәстүрлі әдістер жеке таңбаларды тану үшін бөліп қарастырса, қазіргі заманғы әдістер мәтіннің бөлінген жолындағы барлық таңбаларды тануға бағытталған. Атап айтқанда, олар бұрын қолданылған шектеулі ерекшеліктерді жасаудан аулақ болып, визуалды ерекшеліктерді үйрене алатын машиналық оқыту әдістеріне назар аударады. Қазіргі заманғы жаңа әдістер мәтін жолының бірнеше үстіртен жабатын терезелерінен визуалды ерекшеліктерді алу үшін жинақтамалық желілерді пайдаланады, ал қайталанатын нейрондық желі оларды таңбалардың ықтималдығын шығару үшін қолданады.
Жабдық
1980 жылдардың басында қолжазбаны тануды клавиатуралық енгізуді алмастыруға арналған коммерциялық өнімдер пайда болды. Мысалы, Pencept Penpad және Inforite сату терминалы сияқты қолжазба терминалдары. Жеке компьютерлер нарығының кеңеюімен, жеке компьютердегі клавиатура мен тышқанды бір ғана көрсеткіш/қолжазба жүйесімен алмастыруға арналған бірнеше коммерциялық өнімдер енгізілді, мысалы Pencept, CIC және тағы да басқалар. Коммерциялық сатылымға шыққан алғашқы планшет типті портативті компьютер 1989 жылдың қыркүйегінде GRiD Systems компаниясының GRiDPad болды. Оның операциялық жүйесі MS DOS негізінде құрылған. 1990 жылдардың басында NCR, IBM және EO сияқты аппараттық өндірушілер GO Corp. әзірлеген PenPoint операциялық жүйесінде жұмыс істейтін планшет компьютерлерін шығарды. PenPoint қолжазбаны тану және жесттерді кеңінен пайдаланды және үшінші тарапты бағдарламалық жасақтама үшін мүмкіндіктер ұсынды. IBM-нің планшет компьютері алғаш рет ThinkPad атауын қолданды және IBM-нің қолжазбаны тану жүйесін пайдаланды. Бұл тану жүйесі кейіннен Microsoft Windows for Pen Computing және IBM Pen for OS/2 жүйелеріне көшірілді. Олардың ешқайсысы коммерциялық сәттілікке жете алмады. Электрониканың жетістіктері қолжазбаны тану үшін қажетті есептеу қуатын планшет компьютерлерінен кішірек құрылымдық факторға сыйғызуға мүмкіндік берді, ал қолжазбаны тану жиі қолмен ұсталатын PDA-лар үшін енгізу әдісі ретінде қолданылады. Жазбаша енгізуді қамтамасыз еткен алғашқы PDA Apple Newton болды, ол көпшілыққа ыңғайлы пайдаланушы интерфейсінің артықшылықтарын көрсетті. Алайда, құрылғы коммерциялық сәттілікке жете алмады, себебі бағдарламалық жасақтама пайдаланушының жазу үлгісін үйренуге тырысты, бірақ сенімділігі жеткіліксіз болды. Newton OS 2.0 шығарылған кезде, қолжазбаны тану айтарлықтай жақсартылды, соның ішінде қазіргі тану жүйелерінде кездеспейтін ерекше мүмкіндіктер, мысалы, модельсіз қателерді түзету, бірінші әсер көбінесе жағымсыз болды. Apple Newton тоқтатылғаннан кейін бұл мүмкіндік Mac OS X 10.2 және одан кейінгі нұсқаларында Inkwell ретінде енгізілді. Palm кейіннен Graffiti тану жүйесіне негізделген PDA-лардың табысты сериясын шығарды. Graffiti әр таңба үшін "бір штрих" немесе бір штрихты формаларды анықтап, пайдаланушылықты жақсартты. Бұл қате енгізу мүмкіндігін азайтты, бірақ штрих үлгілерін жаттау пайдаланушы үшін оқу қисығын арттырды. Graffiti қолжазбасын тану жүйесі Xerox компаниясының патентына қарсы бұзушылық жасады, Palm Graffiti орнына CIC қолжазбасын танудың лицензиялық нұсқасын енгізді, ол бір штрихты формаларды қолдайтын болғанымен, Xerox патентына дейін жатқан. Соттың бұзушылық туралы шешімі апелляцияда күшін жойды, содан кейін келесі апелляцияда қайта күшін жойды. Бұрынғы тараптар осы және басқа да патенттер бойынша келісімге келді. Tablet PC – бұл дигитайзерлік планшеті мен қаламы бар ноутбук компьютері, ол пайдаланушыға құрылғы экранында мәтінді қолмен жазуға мүмкіндік береді. Операциялық жүйе қолжазбаны таниды және оны мәтінге айналдырады. Windows Vista және Windows 7 жүйелерінде пайдаланушының ағылшын, жапон, дәстүрлі қытай, оңайлатылған қытай және корей тілдеріндегі жазу үлгілерін немесе сөздіктерін үйренетін жекелендіру мүмкіндіктері бар. Бұл мүмкіндіктерге "жекелендіру шебері" кіреді, ол пайдаланушының қолжазба үлгілерін сұрайды және оларды жүйені жоғары дәлдікпен тану үшін қайта оқытады. Бұл жүйе Windows Mobile OS-те қолданылатын қолжазбаны тану жүйесінен ерекшеленеді. Қолжазбаны тану – бұл көпшілікке таныс енгізу формасы болғанымен, ол үстелдік компьютерлерде де, ноутбуктерде де кеңінен қолданылмады. Клавиатуралық енгізу жылдам және сенімді деп әлі де қабылданады. 2006 жылдан бастап көптеген PDA қолжазба енгізуді ұсынады, кейде тіпті табиғи қалампыр жазуды да қабылдайды, бірақ дәлдік әлі де проблема болып табылады, ал кейбір адамдар қарапайым экрандық клавиатураны тиімдірек деп санайды.
and the Inforite point of sale terminal. With the advent of the large consumer market for personal computers, several commercial products were introduced to replace the keyboard and mouse on a personal computer with a single pointing/handwriting system, such as those from Pencept, CIC and others. The first commercially available tablet type portable computer was the GRiDPad from GRiD Systems, released in September 1989. Its operating system was based on MS DOS. In the early 1990s, hardware makers including NCR, IBM and EO released tablet computers running the PenPoint operating system developed by GO Corp. PenPoint used handwriting recognition and gestures throughout and provided the facilities to third party software. IBM's tablet computer was the first to use the ThinkPad name and used IBM's handwriting recognition. This recognition system was later ported to Microsoft Windows for Pen Computing, and IBM's Pen for OS/2. None of these were commercially successful. Advancements in electronics allowed the computing power necessary for handwriting recognition to fit into a smaller form factor than tablet computers, and handwriting recognition is often used as an input method for hand held PDAs. The first PDA to provide written input was the Apple Newton, which exposed the public to the advantage of a streamlined user interface. However, the device was not a commercial success, owing to the unreliability of the software, which tried to learn a user's writing patterns. By the time of the release of the Newton OS 2.0, wherein the handwriting recognition was greatly improved, including unique features still not found in current recognition systems such as modeless error correction, the largely negative first impression had been made. After discontinuation of Apple Newton, the feature was incorporated in Mac OS X 10.2 and later as Inkwell. Palm later launched a successful series of PDAs based on the Graffiti recognition system. Graffiti improved usability by defining a set of "unistrokes", or one stroke forms, for each character. This narrowed the possibility for erroneous input, although memorization of the stroke patterns did increase the learning curve for the user. The Graffiti handwriting recognition was found to infringe on a patent held by Xerox, and Palm replaced Graffiti with a licensed version of the CIC handwriting recognition which, while also supporting unistroke forms, pre dated the Xerox patent. The court finding of infringement was reversed on appeal, and then reversed again on a later appeal. The parties involved subsequently negotiated a settlement concerning this and other patents. A Tablet PC is a notebook computer with a digitizer tablet and a stylus, which allows a user to handwrite text on the unit's screen. The operating system recognizes the handwriting and converts it into text. Windows Vista and Windows 7 include personalization features that learn a user's writing patterns or vocabulary for English, Japanese, Chinese Traditional, Chinese Simplified and Korean. The features include a "personalization wizard" that prompts for samples of a user's handwriting and uses them to retrain the system for higher accuracy recognition. This system is distinct from the less advanced handwriting recognition system employed in its Windows Mobile OS for PDAs. Although handwriting recognition is an input form that the public has become accustomed to, it has not achieved widespread use in either desktop computers or laptops. It is still generally accepted that keyboard input is both faster and more reliable. as of 2006, many PDAs offer handwriting input, sometimes even accepting natural cursive handwriting, but accuracy is still a problem, and some people still find even a simple on screen keyboard more efficient.
Бағдарламалық жасақтама
Алғашқы бағдарламалық қамтамасыз ету бөлінген әріптері бар баспа қолжазбасын түсіне алды; алайда, жалғасқан әріптері бар курсивті қолжазба Саир парадоксын тудырды, бұл әріптерді бөліп тануға қатысты қиындық. 1962 жылы Шелия Губерман, сол кезде Мәскеуде болған, үлгіні танудың алғашқы қолданбалы бағдарламасын жазды. Коммерциялық үлгілер Communications Intelligence Corporation және IBM сияқты компаниялардан келді. 1990 жылдардың басында екі компания – ParaGraph International және Lexicus – жалғасқан қолжазбаны тануға қабілетті жүйелер жасады. ParaGraph Ресейде орналасқан және компьютер ғалымы Степан Пачиков құрған, ал Lexicus Стэнфорд университетінің студенттері Ронжон Наг пен Крис Кортге құрған. ParaGraph CalliGrapher жүйесі Apple Newton жүйелерінде қолданылды, ал Lexicus Longhand жүйесі PenPoint және Windows операциялық жүйелері үшін коммерциялық түрде қолжетімді болды. Lexicus 1993 жылы Motorola компаниясымен сатып алынды және Motorola үшін қытай қолжазбасын тану және мәтінді болжау жүйелерін әзірлеуді жалғастырды. ParaGraph 1997 жылы SGI компаниясымен сатып алынды, ал оның қолжазбаны тану тобы P&I бөлімін құрды, кейіннен SGI-ден Vadem сатып алды. Microsoft 1999 жылы P&I компаниясы Vadem-нен әзірлеген CalliGrapher қолжазбасын тану және басқа да сандық сия технологияларын сатып алды. Wolfram Mathematica (8.0 немесе одан кейінгі нұсқалары) қолжазба немесе мәтінді тану функциясы TextRecognize-ды да ұсынады.
Зерттеу
[[File:Address Recognition.png|thumbnail|Саргур Шрихари және Джонатан Халл әзірлеген алғашқы қолжазбалы мекенжайды түсіндіру жүйесінде контекстік ақпаратты пайдалануға арналған әдіс. Атап айтқанда, Алекс Грейвс және авторлар тобының екі бағытты және көп өлшемді ұзақ мерзімді жад (LSTM) 2009 жылғы Халықаралық құжаттарды талдау және тану конференциясында (ICDAR) қолжазбаларды тану бойынша үш жарыста жеңіске жетті, ал бұл үш тіл (француз, араб, парсы) туралы алдын ала білімсіз болды. IDSIA-дағы Дэн Сиресан және әріптестерінің GPU-ға негізделген терең оқыту әдістері feedforward желілері үшін ICDAR 2011 офлайн қытай қолжазбасын тану байқауында жеңімпаз атанды; олардың нейрондық желілері сондай-ақ Нью-Йорк университетіндегі Янн ЛеКун және әріптестерінің танымал MNIST қолжазба цифрлары мәселесінде адам деңгейінде бәсекелесе білген алғашқы жасанды үлгі тану жүйелері болды. Уорвик университетінің Бенджамин Грэм 2013 жылғы қытай қолжазбасын тану байқауында тек 2,61% қателікпен жеңіп алды, осы үшін ол 2017 жылға қарай "сиректі түйіспелі нейрондық желілерге" (sparse convolutional neural networks) айналған түйіспелі нейрондық желілерге (convolutional neural networks) қатысты әдіс қолданды.