对应于步骤S402的解码步骤，其中用基于DTW训练的旋转角度检测模 型对包括到当前轨迹点为止的部分轨迹进行解码以获得最佳匹配路径。
[0077] 最佳匹配路径例如如下确定：首先提取所述部分轨迹上的轨迹点，然后计算在这 些轨迹点与模型中的DTW模板上的对应轨迹点之间的距离，最后选择总距离最小的路径作 为最佳匹配路径。虽然列举了计算距离作为确定标准的例子，但确定标准不限于距离，还可 以是其它几何标准。
[0078] 优选地，可以使用动态时间规整算法对该部分轨迹进行解码以获得最佳匹配路 径。
[0079] 步骤S503'对应于步骤S403的判断步骤，其中判断最佳匹配路径是否达到结束节 点。如图5C所示，每个模型有一个结束节点，其对应于前几笔的最后输入并且因此可以基 于该最佳匹配路径来判断旋转角度。如果判断结果是肯定的，则进入步骤S504' ；否则从步 骤S501'重复执行。
[0080] 步骤S504'对应于步骤S404的确定步骤，其中如果步骤S503'的判断结果为肯定 的，则确定与最佳匹配路径相对应的旋转角度作为所述手写轨迹的旋转角度。
[0081] 类似地，在根据该实施例的旋转角度确定过程中，不需要对整个手写轨迹进行处 理并因此避免了离线的多重识别，而且在模型尺寸较小的情况下提高了检测速度和准确 性。
[0082] 下面再次回到图3的描述。对于识别步骤S304,图6A示出其一个实施例的流程 图。
[0083] 步骤S601是纠正步骤，其中基于所确定的旋转角度来纠正手写轨迹的至少一部 分。
[0084] 这里"纠正"是指使手写轨迹相对于设备202的屏幕的坚直轴线的旋转角度为零 的操作。
[0085] 步骤S602是纠正后识别步骤，其中识别纠正后的手写轨迹的该至少一部分。
[0086] 可以使用通用的手写识别器对该至少一部分进行识别。根据一个实施例，在手写 识别器是在线识别器的情况下，因为前几笔已经被在线识别出来，所以要被纠正并识别的 该至少一部分是通过第二获取步骤S303获取的剩余笔划。
[0087] 在这种情况下，旋转角度检测模型能够被集成到用于在线识别整字的整字模型中 或用于在线识别整个单词的整单词模型中。图6B示出在手写识别器是在线识别器的情况 下所用的识别模型的拓扑图。也就是说，旋转角度确定过程的状态转移路径（如虚线左侧 所示）可以直接被用于检测对应的剩余笔划的状态转移序列跟随甚至共享，从旋转角度确 定步骤中获取的前几笔的置信度也能够直接被识别剩余笔划的过程使用，从而避免了对整 个手写轨迹的多次识别。在图6B所示的实施例中，还使用HMM作为用于纠正后的手写轨迹 的识别模型。但是应当理解，这对于基于DTW原理的识别器也是适用的。
[0088] 图6C示出在手写识别器是在线识别器的情况下识别步骤的示意图。标记601表 示与图2中的标记202表示的类似手写输入设备，标记602表示前几笔输入，并且标记603 表示手写轨迹的剩余笔划。如图6C所示，在手写识别器是在线识别器的情况下，仅纠正了 剩余笔划部分用于被识别器继续识别而无需再次识别前几笔。
[0089] 图6D示出在手写识别器是离线识别器的情况下识别步骤的示意图。根据图6D的 实施例，在手写识别器是离线识别器例如OCR的情况下，因为离线识别不是基于时间顺序 的，所以要被纠正并识别的部分是整个手写轨迹。在这种情况下，需要纠正整个手写轨迹的 全部笔划部分用于被识别器继续识别。
[0090] 图7示出识别步骤S304的另一个实施例的流程图。
[0091] 步骤S701是模型选择步骤，其中选择与所确定的手写轨迹的旋转角度相对应的 旋转识别模型。
[0092] 这里"旋转识别模型"是指用于识别具有特定旋转角度的手写轨迹的模型，其建立 方式类似于参照图5A或图5C描述的方式。
[0093] 步骤S702是选择后识别步骤，其中用所选的旋转识别模型来识别手写轨迹的至 少一部分。
[0094] 类似地，在手写识别器是在线识别器的情况下，因为前几笔已经被在线识别出来， 所以要识别的部分是通过第二获取步骤S303获取的剩余笔划，当然也可以是全部笔划。 [0095] 在手写识别器是离线识别器的情况下，要被识别的部分是整个手写轨迹。
[0096] 虽然以上是使用东亚字符为例说明了根据本申请的手写轨迹识别方法，但是应当 理解这也完全适用于欧洲单词，例如如果把单词的至少一个起始字母看作"前几笔"，则剩 余笔划是组成该单词的剩余字母。
[0097] 通过以上的详细描述可以更好地理解，根据本申请的手写轨迹识别方法不需要多 次对整个手写轨迹进行离线识别，就可以低成本地在线地检测旋转角度以便对手写轨迹进 行更准确和稳健的识别，从而改进了当前识别器的准确度和稳健性，降低了成本，提高了效 率。
[0098] 接下来参照图8描述根据本申请的一个实施例的手写轨迹识别设备800的示例性 配置的框图。该手写轨迹识别设备800包括：第一获取装置801，被配置为获取要被输入的 手写轨迹的前几笔的轨迹点；旋转角度确定装置802,被配置为基于所述轨迹点使用能够 检测所述前几笔的旋转角度的旋转角度检测模型来确定手写轨迹的旋转角度；第二获取装 置803,被配置为获取手写轨迹的剩余笔划；以及识别装置804,被配置为基于所确定的旋 转角度来识别手写轨迹。
[0099] 装置801 - 804可以被配置为分别执行步骤S301 - S304。
[0100] 根据示例性实施例，旋转角度确定装置802可以包括：轨迹点获取装置805,被配 置为获取当前轨迹点；解码装置806,被配置为使用旋转角度检测模型对包括到当前轨迹 点为止的部分轨迹进行解码；判断装置807,被配置为判断当前轨迹点是否达到所述前几 笔的结束轨迹点；以及确定装置808,被配置为在判断结果为肯定的情况下确定与解码结 果相对应的旋转角度作为手写轨迹的旋转角度。
[0101] 优选地，解码装置806包括配置为用基于隐式马尔可夫模型来训练的旋转角度检 测模型对包括到当前轨迹点为止的部分轨迹进行解码以获得最佳状态转移路径的装置；判 断装置807包括配置为判断最佳状态转移路径是否达到结束状态的装置；以及确定装置 808包括配置为在判断结果为肯定的情况下确定与最佳状态转移路径相对应的旋转角度作 为所述手写轨迹的旋转角度的装置。
[0102] 优选地，解码装置806包括配置为用基于DTW模型来训练的旋转角度检测模型对 包括到当前轨迹点为止的部分轨迹进行解码以获最佳匹配路径的装置；判断装置807包括 配置为判断最佳匹配路径是否达到结束节点的装置；以及确定装置808包括配置为在判断 结果为肯定的情况下确定与最佳匹配路径相对应的旋转角度作为手写轨迹的旋转角度的 装置。
[0103] 根据示例性实施例，识别装置804可以包括：纠正装置809,被配置为基于所确定 的旋转角度来纠正手写轨迹的至少一部分；以及纠正后识别装置810,被配置为识别纠正 后的手写轨迹的该至少一部分。
[0104] 根据替代的实施例，识别装置804可以包括：模型选择装置811，选择与所确定的 手写轨迹的旋转角度相对应的旋转识别模型；以及选择后识别装置812,用所选的旋转识 别模型来识别手写轨迹的至少一部分。
[0105] 优选地，旋转角度检测模型能够被集成到用于在线识别整字的整字模型中或用于 在线识别整个单词的整单词模型中。
[0106] 优选地，用旋转角度确定装置获取的前几笔的置信度能够被集成到识别剩余笔划 的过程中。
[0107] 以上描述的装置是用于实施本公开中描述的手写轨迹识别方法的示例性和/或 优选的装置。这些装置可以是硬件单元（诸如场可编程门阵列、数字信号处理器、专用集成 电路或计算机等）和/或软件装置（诸如计算机可读程序）。以上并未详尽地描述用于实 施各个步骤的装置。然而，只要有执行某个处理的步骤，就可以有用于实施同一处理的对应 的装置（由硬件和/或软件实施）。通过所描述的步骤以及与这些步骤对应的装置的所有 组合限定的技术方案都被包括在本申请的公开内容中，只要它们构成的这些技术方案是完 整并且可应用的。
[0108] 此外，由各种装置构成的上述设备可以作为功能模块被并入到诸如计算机之类的 硬件装置中。除了这些功能模块之外，计算机当然可以具有其他硬件或者软件部件。
[0109] 发明人对来自50个日本人的3991个汉字样本进行了试验。这些样本由255个汉 字字符组成，每个字符包含5个起始偏旁"糸，言，石，禾，卩"之一。在没有旋转的情况 下，标记为"T0"。然后通过把每个样本从TO旋转5°、10°、15°、20°、25°和30°来生成 另外6个旋转测试样本，并且将其标记为T 5、I\。、T15、T2。、T25和T3。。
[0110] 下表中的基本引擎是通过标准样本训练的基于HMM的细分类器。此外，发明人使 用相对成本较低的分类器作为文献1的粗分类器。该粗分类器的性能如下：速度30ms/字 符（在400MHz ARM的电路板上），词典大小200KB，以及准确率88. 6 %。
[0111] 表1 :旋转校正前后的准确率变化
[0112]
[0113] 表2旋转校正前后的速度变化
[0114