一种笔迹轨迹预测方法与流程

1.本发明涉及笔迹处理技术领域，特别涉及一种笔迹轨迹预测方法。


背景技术：

2.目前带触模功能的手机、平板等设备，用户可以基于触摸功能，使用手写输入法、手写笔记、手绘。因为软件和硬件本身体处理时间及信号传输等原因，导致了一些不可避免的延迟，在手写书写一笔的过程中，每一次书写事件处理的延迟就会累积，造成了书写笔迹不能跟着手或手写笔进行移动，造成跟手性差，给客户带不好的体验。
3.因此，现有技术存在问题，需要进一步改进。


技术实现要素：

4.针对现有技术存在的问题，本发明提供笔迹轨迹预测方法。本发明旨在来预测手写书写的轨迹，在每一次处理的时候多画一部分预测轨迹，以弥补硬件及软件处理的不可避免的延迟，提高书写跟手性能。
5.为实现上述目的，本发明的技术方案具体如下：
6.一种笔迹轨迹预测方法，包括如下步骤：
7.s1、触控单元实时采集笔迹数据；
8.s2、定义输入点与输出点的多个相关参数，其包含时间t与坐标x、y；
9.s3、根据历史输入点数据的时间矩阵t，和坐标矩阵x、y，获取时间t与坐标x、y的函数关系系数矩阵a1、a2；
10.s4、根据历史输入点数据的规律，预测最后一步时间t
n
的下一步时间t
n 1
；
11.s5、根据步骤s3、s4，给出预测坐标(x’，y’)，其中：
12.当不包含压感、倾斜角特征时x’＝t
n 1
a1，y’＝t
n 1
a2；
13.当包含压感、倾斜角特征时，x’＝t
n 1
(a1 a)，y’＝t
n 1
(a2 a)，其中a通过以下两种方式之一获取：
14.作为正则项形式获取：
15.a＝(x
t
x λe)
‑1x
t
y，
16.其中，λ由压感和倾斜角特征组成；
17.作为加权形式获取：
18.a＝(x
t
wx)
‑1x
t
wy，
19.其中，w由压感和倾斜角特征组成。
20.优选地，步骤s2具体包括：
21.进行参数设置，包括多项式阶数k，输入点个数n，预测点个数m，历史输入数据[(x1，y1，t1)，(x2，y2，t2)，
…
，(x
n
，y
n
，t
n
)]；输出为待预测点坐标(x’，y’)。
[0022]
优选地，步骤s3具体实施方式包括：
[0023]
s31、根据获取的历史输入点数据创建t、x、y矩阵，其中：
[0024][0025]
s32、获取时间t与坐标x、y的函数关系系数矩阵分别为：
[0026]
a1＝(t
t
t)
‑1t
t
x，a2＝(t
t
t)
‑1t
t
y；
[0027]
优选地，步骤s4具体实施方式为：
[0028]
当触控单元采样时间间隔为固定值δt，则可根据最后一步时间t
n
直接求出t
n 1
＝t
n
δt；
[0029]
优选地，步骤s4具体实施方式为：
[0030]
当历史输入点数据时间间隔不一致，根据n个历史输入点数据的时间戳平均值t
ave
＝(t1 t2 ... t
n
)/n来赋值给t
n 1
＝t
ave
；
[0031]
优选地，步骤s4具体实施方式为：
[0032]
当历史输入点数据时间间隔不一致，根据多项式最小二乘来进行预测t
n 1
，设其多项式阶数为l，步骤如下：
[0033]
s41、创建矩阵p、q，其中：
[0034][0035]
s42、求出时间戳的系数矩阵为：
[0036]
w＝(p
t
p)
‑1p
t
q；
[0037]
s43、获得t
n 1
＝p
′
w；其中，p
′
＝[1 1
…
(n 1)
l
]。
[0038]
优选地，步骤s5中，λ和w由以下方式获取：
[0039]
压感特征对应的压感系数p＝(press
‑
0.1)/(1
‑
0.1)，
[0040]
其中，压感press在0
‑
1之间，如果p>1，则令p＝1，如果p<0.1，则令p＝0.1；
[0041]
倾斜角特征对应的倾斜角系数θ＝(α
‑
0.1)/(90
‑
0.1)，角度α在0
‑
90度，则如果θ>1，则令θ＝1，如果θ<0.1，则令θ＝0.1；
[0042]
以上λ＝w＝0.5p 0.5θ。
[0043]
采用本发明的技术方案，与目前技术相比，本发明提供的书写轨迹预测方法具有以下优点：
[0044]
(1)、能够较为快速、精确的预测出用户书写笔迹轨迹坐标；
[0045]
(2)、对于不同的设备，若只有时间戳特征参数，由其对应的预测坐标方法；若除了时间戳特征，还有压感、倾斜角等其他特征，也设计了其对应的预测坐标的方法。
附图说明
[0046]
图1为本发明的流程图；
[0047]
图2为本发明具体实施例原理图；
[0048]
图3为本发明中输入点(实际点)与预测点效果图。
具体实施方式
[0049]
以下结合附图和具体实施例，对本发明进一步说明。
[0050]
参照图1与图2，本发明具体技术方案为：
[0051]
s1、触控单元实时采集笔迹数据；
[0052]
例如，可以是具备触控屏幕的智能设备，实时获取笔迹与时间的相关数据；
[0053]
s2、定义输入点与输出点的多个相关参数，其包含时间t与坐标x、y；
[0054]
例如，进行参数设置，包括多项式阶数k，输入点个数n，预测点个数m，历史输入数据[(x1，y1，t1)，(x2，y2，t2)，
…
，(x
n
，y
n
，t
n
)]；输出为待预测点坐标(x’，y’)。
[0055]
s3、根据历史输入点数据的时间矩阵t，和坐标矩阵x、y，获取时间t与坐标x、y的函数关系系数矩阵a1、a2；
[0056]
首先根据输入的历史报点数据创建t、x和y矩阵，其中：
[0057][0058]
(1)若输入中无其他特征数据，则时间t与坐标x、y的函数关系系数矩阵分别为：
[0059]
a1＝(t
t
t)
‑1t
t
x，a2＝(t
t
t)
‑1t
t
y
[0060]
(2)若输入中包含压感、倾斜角等其他特征，则可以将其作为正则项或是加权形式，来求解时间t与坐标x、y的函数关系系数矩阵。其中，
[0061]
正则最小二乘算法：
[0062]
a＝(x
t
x λe)
‑1x
t
y；
[0063]
其中，λ由压感或倾斜角特征组成；
[0064]
加权最小二乘算法：
[0065]
a＝(x
t
wx)
‑1x
t
wy；
[0066]
其中，w由压感或倾斜角特征组成。
[0067]
s4、根据历史输入点数据的规律，预测最后一步时间t
n
的下一步时间t
n 1
；
[0068]
例如，当触控单元采样时间间隔为固定值δt，则可根据最后一步时间t
n
直接求出t
n 1
＝t
n
δt；
[0069]
当历史输入点数据时间间隔不一致，可以根据n个历史输入点数据的时间戳平均值t
ave
＝(t1 t2 ... t
n
)/n来赋值给t
n 1
＝t
ave
；
[0070]
当历史输入点数据时间间隔不一致，也可以根据多项式最小二乘来进行预测t
n 1
，设其多项式阶数为l，步骤如下：
[0071]
(1)、创建矩阵p、q，其中：
[0072][0073]
(2)、求出时间戳的系数矩阵为：
[0074]
w＝(p
t
p)
‑1p
t
q；
[0075]
(3)、获得t
n 1
＝p
′
w；其中，p
′
＝[1 n 1
…
(n 1)
l
]。
[0076]
s5、根据步骤s3、s4，给出预测坐标(x’，y’)，其中：
[0077]
当不包含压感、倾斜角特征时x’＝t
n 1
a1，y’＝t
n 1
a2；
[0078]
当包含压感、倾斜角特征时，x’＝t
n 1
(a1 a)，y’＝t
n 1
(a2 a)，其中a通过以下两种方式之一获取：
[0079]
作为正则项形式获取：
[0080]
a＝(x
t
x λe)
‑1x
t
y，
[0081]
其中，λ由压感和倾斜角特征组成；
[0082]
作为加权形式获取：
[0083]
a＝(x
t
wx)
‑1x
t
wy，
[0084]
其中，w由压感和倾斜角特征组成。
[0085]
进一步地，λ和w由以下方式获取：
[0086]
压感特征对应的压感系数p＝(press
‑
0.1)/(1
‑
0.1)，
[0087]
其中，压感press在0
‑
1之间，如果p>1，则令p＝1，如果p<0.1，则令p＝0.1；也就是，p∈[0.1～1]。
[0088]
倾斜角特征对应的倾斜角系数θ＝(α
‑
0.1)/(90
‑
0.1)，角度α在0
‑
90度，则如果θ>1，则令θ＝1，如果θ<0.1，则令θ＝0.1，也就是，θ∈[0.1～1]。
[0089]
以上λ＝w＝0.5p 0.5θ。
[0090]
采用上述方法，最终的效果图参见图3，可以看出输入点(也可以称为实际点)和预测点具有很好的连贯性，能够通过输入点实现预测点的输出，实现笔迹轨迹预测。
[0091]
继续参考图3，t
n 1
的预测指预测一个点，t
n m
指预测一系列m个点。预测一个点是预测的最远的那个点，m个点指真实点和最远的预测点之间拟合插值m个点，因此，预测m个点(即n 1、n 2、...，n m)，可以参考预测n 1的第一个点来进行，最终的效果图参见图3。
[0092]
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是在本发明的发明构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的保护范围内。