在线草图识别中的用户适应性研究

提出一种在线草图识别用户适应性解决方法，该方法分别采用支撑向量机主动式增量学习和动态用户建模技术进行笔划和复杂图形的识别．支撑向量机主动式增量学习方法通过主动“分析”用户增量数据，并根据用户反馈从中选择重要数据作为训练样本，可有效地鉴别用户手绘笔划特征，快速地识别用户输入笔划．动态用户建模技术则采用增量决策树记录草图的笔划构成及其手绘过程，有效捕捉用户的复杂图形手绘习惯，进而利用模糊匹配在草图绘制过程中预测和识别复杂图形．实验表明：该方法具有很好的效果，为解决在线草图识别及其用户适应性问题提供参考．     

在线手绘草图识别中的用户建模方法

提出了一种在线手绘草图识别的用户建模方法。该方法首先利用用户输入笔划的速率和曲率特性进行笔划特征点抽取和笔划分段,从而将用户的输入草图分解成基本图元表示;进而,利用决策树收集和记录用户输入草图的时序信息,实现对复杂手绘草图的用户建模和在线识别,并通过对用户输入模式使用频率的统计实现对用户模型的动态管理和更新。实验表明:该方法不仅能显著提高复杂图形的识别效率,而且具有在线训练能力。     

在线草图识别中用户手绘习惯建模方法

手绘草图是概念设计和思路外化的一种高效的表达方式。用户绘制草图时存在的多种形式，及其随意性和模糊性使得用户适应性问题逐渐成为草图识别的核心课题。本文提出了一种在线草图识别的用户建模方法来捕捉绘制草图时的用户习惯，主要包括两个方面的内容：一是基于SVM的主动式增量学习方法，二是基于动态用户建模的手绘复杂图形的识别方法。前者与传统的增量式学习方法相比，在识别精度相同的情况下所需的训练时间和训练数据集要少得多。后者则是基于笔划信息以及笔划间的顺序和空间关系信息，采用增量式决策树捕捉用户的输入习惯和过程信息。实验证明了本文方法在在线草图识别中的有效性和高效性。     

手绘图识别的用户适应性研究

草图理解的关键问题是允许用户按其习惯方式输人图形,即草图理解的用户适应性.为此提出了一种在线草图识别用户适应性解决方法:首先对用户输入的图形进行预处理;然后利用转角函数的方法进行笔划特征点的抽取;最后用动态用户建模技术进行笔划和复杂图形的识别.具有很强的用户适应性,消除了因用户随意输入带来的识别困难,为草图理解的实现提供支持.实验表明所提出的方法不仅能得到较好的检索结果,而且具有较好的用户适用性,为解决在线草图识别及其用户适应性问题提供了有益的尝试.     

手绘草图的在线分段识别

提出了一种在线手绘草图快速分段识别方法。先对草绘笔划进行平滑预处理,以减少噪声干扰和冗余点的数目;然后利用草绘笔划的动静态特性,以及用户的草绘习惯等特性找出笔划的关键分段点,将笔划分为多个笔划子段;最后利用基于二次曲线的方法对笔划子段进行分段识别和特征参数计算,并通过构造面向对象的图形数据结构对识别出的几何图元进行重构。实例表明,该方法具有较好的识别能力和系统稳定性,能够应用于二维概念草图的快速表达,以及后续三维草绘建模的特征笔划智能识别过程中。     

基于自适应HMM的在线草图识别方法

用户适应性是在线手绘草图识别的一个关键问题。本文以实现草图识别的自适应性为目标,对草图识别中的用户适应性问题进行了深入的研究和实验,提出了一种自适应草图识别解决方法,并针对在线草图识别的特点,提出了一种基于笔划曲率,速率以及整体几何特性的组合特征。本文重点研究并实现了基于自适应HMM的草图识别,在已有HMM的基础上,针对在线草图识别的特点,提出了状态数可变自适应HMM的学习方法。实验表明本文所提出的方法具有很好的效果。     

手绘草图识别中的相关反馈方法

手绘草图是人类思维外化和表达设计意图的有效工具之一,手绘草图的模糊性和用户适应性问题是草图识别中的关键问题。本文提出了将相关反馈机制引入到手绘草图识别中以捕捉用户意图的方法,该方法以抽取手绘草图的向量化特征为基础,首先利用基于图形特征的相似度计算,给出手绘草图候选识别结果集,然后借助用户对识别结果的相关性评价,通过逐渐调整图形构成特征的权重来捕捉用户输入意图,并提高识别效果。实验表明本文所提出的方法具有很好的效果。     

基于轮廓的手绘草图检索研究

利用傅利叶形状描述方法来统一描述手绘草图图像库和用户输入的手绘草图形状信息,该方法解决了基于笔划描述的计算效率和输入顺序敏感性问题。实验表明所提出的方法不仅能得到较好的检索结果,且具有较好的用户适应性。     

程序流程草图的存储表示及自动翻译算法

将手绘草图识别技术融于在线手绘程序流程草图的识别中,设计了一个存储图元的节点结构,提出基于上下文的在线手绘程序流程草图自动翻译算法,实现在线手绘程序流程草图的存储、识别和到C 语言代码的自动翻译和运行,实验证明该方法具有较高的识别效率。     

一种基于图匹配的复杂草图识别方法

复杂草图识别是手绘草图输入中的一个困难任务。现存的草图识别方法强调的是图形对象简单．但这不适合具有不同复杂性的复杂草图的识别。本文对具有不同复杂性的复杂图形对象提出一个基于图形的统一表示法，文中根据不同信息枉度将复杂图形分别转化为空间关系图(SRG)。文中提出了一个约束的部分枚举．以减小识别复杂草图时匹配SRG的状态空间。实验结果显示．我们的方法可适用于具有不同复杂度的各种复杂图形对象的识别。     

一种快速在线图形识别与规整化方法

1.引言因特网的迅速发展以及个人电脑的广泛使用促成了数量惊人的电子文档的出现。相比纸质资料,数字媒体内容更为丰富,形式更为多样化。随着计算机的介入,传统的设计方式发生了革命性的变革。设计工作不再是单纯的人为任务,而是一个人机不断交互的过程。因此,需要有一种新的技术和工具,能将传统设计方法与计算机辅助设计的优点有机地结合起     

基于草绘的机构识别及机构分析方法研究*

在概念设计阶段构造新型的支持创新过程的设计系统,对新产品的设计活动具有重要意义。在机械产品概念设计中将机构看成由图元构成的图形,提出一种面向概念设计的机构草图识别及分析方法,主要内容包括手绘草图输入及机构草图识别、机构方案运动分析。本文把手绘草图识别技术和机构运动相结合,通过对机构草图的识别以及机构的运动分析,实现在概念设计阶段对机构设计方案的评价分析。     

基于草图的人机交互技术研究进展

从草图识别和语义理解这两个方面对基于草图的人机交互技术的研究状况进行了分析和总结．对草图识别方法按其模式单元定义（笔划、图元、特征和组合图形）进行了分类和剖析;对草图语义理解所涉及的语义获取、语义解释和语义应用这三个关键问题及其解决方法进行了分析和阐述;并分别从基于草图的人机交互技术的几何模糊性、用户适应性和应用独旁性及其关系角度提出了这一领域的主要研究课题及其解决思路．     

SketchSoup: Exploratory Ideation Using Design Sketches

A hallmark of early stage design is a number of quick‐and‐dirty sketches capturing design inspirations, model variations and alternate viewpoints of a visual concept. We present SketchSoup, a workflow that allows designers to explore the design space induced by such sketches. We take an unstructured collection of drawings as input, along with a small number of user‐provided correspondences as input. We register them using a multi‐image matching algorithm, and present them as a 2D interpolation space. By morphing sketches in this space, our approach produces plausible visualizations of shape and viewpoint variations despite the presence of sketch distortions that would prevent standard camera calibration and 3D reconstruction. In addition, our interpolated sketches can serve as inspiration for further drawings, which feed back into the design space as additional image inputs. SketchSoup thus fills a significant gap in the early ideation stage of conceptual design by allowing designers to make better informed choices before proceeding to more expensive 3D modelling and prototyping. From a technical standpoint, we describe an end‐to‐end system that judiciously combines and adapts various image processing techniques to the drawing domain—where the images are dominated not by colour, shading and texture, but by sketchy stroke contours.