一种基于采样点序列的手绘图形修正方法、系统及介质与流程

1.本发明涉及图形识别修正技术领域，特别是涉及一种基于采样点序列的手绘图形修正方法、系统及介质。


背景技术：

2.现有技术中，智慧屏图形识别方法主要通过图片训练集来识别图形类型，由于根据图片训练集的识别原理是基于像素比对的识别，这种识别方式在实际运用中识别精度和识别效率相对较低，且易受不规则图形的形状影响，局限性较大。


技术实现要素：

3.本发明主要解决的是目前智慧屏图形识别方法的识别精度和识别效率相对较低，且其易受不规则图形的形状影响，局限性较大的问题。
4.为解决上述技术问题，本发明采用的一个技术方案是：提供一种基于采样点序列的手绘图形修正方法，包括以下步骤：
5.初始配置步骤：
6.配置触控屏、ai识别算法和拐点识别算法；在所述触控屏上配置采样程序；设置第一步骤执行次数和训练周期；
7.周期训练步骤：
8.基于所述触控屏、所述ai识别算法、所述采样程序、所述第一步骤执行次数和所述训练周期执行算法训练操作，得到待调用识别算法；
9.识别修正步骤：
10.获取所述触控屏的图形识别需求，基于所述拐点识别算法、所述待调用识别算法和所述图形识别需求执行图形识别修正操作。
11.作为一种改进的方案，所述算法训练操作包括：
12.基于所述触控屏和所述采样程序，并按照所述第一步骤执行次数执行第一轮廓样本绘制步骤，得到若干第一采样点序列；整合若干所述第一采样点序列，得到所述轮廓训练集；
13.基于所述训练周期和所述轮廓训练集对所述ai识别算法执行训练步骤，得到所述待调用识别算法。
14.作为一种改进的方案，所述第一轮廓样本绘制步骤包括：
15.设置绘制断点数、图形绘制类型和图形绘制尺寸；按照所述绘制断点数、所述图形绘制类型和所述图形绘制尺寸在所述触控屏上进行若干屏幕采样点的绘入；
16.调用所述采样程序记录所述触控屏上的若干所述屏幕采样点；调用所述采样程序获取若干所述屏幕采样点所分别对应的若干落点时间以及若干所述落点时间所分别对应的若干落点位置；调用所述采样程序按照若干所述落点时间和若干所述落点位置将若干所述屏幕采样点进行排列，得到所述第一采样点序列。
17.作为一种改进的方案，所述训练步骤包括：
18.在所述训练周期内，采用所述轮廓训练集中若干所述第一采样点序列对所述ai识别算法的循环神经网络进行训练，得到所述待调用识别算法。
19.作为一种改进的方案，所述图形识别修正操作包括：
20.识别所述图形识别需求，若所述图形识别需求为第一需求，则识别所述第一需求所对应的第一图形；基于所述待调用识别算法中的所述循环神经网络对所述第一图形进行图形识别，得到第一图形信息；
21.基于所述第一图形信息以及所述待调用识别算法中的所述循环神经网络执行序列匹配步骤，得到第二采样点序列；
22.基于所述拐点识别算法、所述第一图形信息和所述第二采样点序列执行图形修正步骤，得到修正图形。
23.作为一种改进的方案，所述第一图形信息中存储有第一图形类型和若干待识别采样点信息；
24.所述序列匹配步骤包括：
25.基于所述待调用识别算法中的所述循环神经网络识别所述第一图形类型所对应的第一图形绘制类型；基于所述待调用识别算法中的所述循环神经网络在若干所述第一采样点序列中识别与所述第一图形绘制类型相匹配的所述第二采样点序列。
26.作为一种改进的方案，所述图形修正步骤包括：
27.调用所述拐点识别算法在若干所述待识别采样点信息中识别若干第一拐点；调用所述拐点识别算法在所述第二采样点序列中识别与若干所述第一拐点分别匹配的若干第一屏幕采样点；
28.识别若干所述第一屏幕采样点在所述第二采样点序列中分别对应的若干第一坐标信息；在所述若干待识别采样点信息中识别若干所述第一拐点所分别对应的若干第二坐标信息；
29.识别若干所述第一坐标信息之间的第一位置关系，基于所述第一位置关系以及若干所述第一屏幕采样点分别与若干所述第一拐点之间的若干匹配关系，对若干所述第二坐标信息进行修正，得到若干第三坐标信息；
30.按照若干所述第三坐标信息生成若干第二拐点；基于若干所述第二拐点更新若干所述待识别采样点信息，得到若干待修正采样点信息；基于若干所述待修正采样点信息更新所述第一图形，得到所述修正图形。
31.作为一种改进的方案，所述图形识别需求包括：所述第一需求和第二需求；所述第一需求为存在所述第一图形需要识别；所述第二需求为不存在所述第一图形需要识别；
32.所述第一步骤执行次数至少为十次；
33.所述拐点识别算法基于opencv配置。
34.本发明还提供一种基于采样点序列的手绘图形修正系统，包括：
35.初始配置模块、周期训练模块和识别修正模块；
36.所述初始配置模块用于配置触控屏、ai识别算法和拐点识别算法；所述初始配置模块还用于在所述触控屏上配置采样程序；所述初始配置模块还用于设置第一步骤执行次数和训练周期；
37.所述周期训练模块用于根据所述触控屏、所述ai识别算法、所述采样程序、所述第一步骤执行次数和所述训练周期执行算法训练操作，得到待调用识别算法；
38.所述识别修正模块用于获取所述触控屏的图形识别需求，所述识别修正模块基于所述拐点识别算法、所述待调用识别算法和所述图形识别需求执行图形识别修正操作。
39.本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现所述基于采样点序列的手绘图形修正方法的步骤。
40.本发明的有益效果是：
41.1、本发明所述的基于采样点序列的手绘图形修正方法，可以实现基于比像素点维度更低的采样点生成训练集，进而根据该训练集和智能算法生成识别精度更高的识别算法，且基于生成的识别算法以及需要修正图形的采样点坐标之间的位置关系进行对应的图形修正，最终修正的图形与原图形尺寸相同，摆放位置相同，识别精度高，识别效率快，且不会受到不规则图形的影响，对于相互交错的线条和闭合图形都能进行识别，弥补了现有技术的不足，具有极高的应用价值。
42.2、本发明所述的基于采样点序列的手绘图形修正系统，可以通过初始配置模块、周期训练模块和识别修正模块的相互配合，进而实现基于比像素点维度更低的采样点生成训练集，进而根据该训练集和智能算法生成识别精度更高的识别算法，且基于生成的识别算法以及需要修正图形的采样点坐标之间的位置关系进行对应的图形修正，最终修正的图形与原图形尺寸相同，摆放位置相同，识别精度高，识别效率快，且不会受到不规则图形的影响，对于相互交错的线条和闭合图形都能进行识别，弥补了现有技术的不足，具有极高的应用价值。
43.3、本发明所述的计算机可读存储介质，可以实现引导初始配置模块、周期训练模块和识别修正模块进行配合，进而实现基于比像素点维度更低的采样点生成训练集，进而根据该训练集和智能算法生成识别精度更高的识别算法，且基于生成的识别算法以及需要修正图形的采样点坐标之间的位置关系进行对应的图形修正，最终修正的图形与原图形尺寸相同，摆放位置相同，识别精度高，识别效率快，且不会受到不规则图形的影响，对于相互交错的线条和闭合图形都能进行识别，弥补了现有技术的不足，并有效提高所述基于采样点序列的手绘图形修正方法的可操作性。
附图说明
44.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
45.图1是本发明实施例1所述基于采样点序列的手绘图形修正方法的流程图；
46.图2是本发明实施例1所述基于采样点序列的手绘图形修正方法的具体流程示意图；
47.图3是本发明实施例2所述基于采样点序列的手绘图形修正系统的架构图。
具体实施方式
48.下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
49.在本发明的描述中，需要说明的是，本发明所描述的实施例是本发明一部分实施例，而不是全部的实施例；基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
50.在本发明的描述中，需要说明的是，术语“第一”、“第二”、“第三”、仅用于描述目的，而不能理解为指示或暗示相对重要性。
51.在本发明的描述中，需要说明的是：ai是人工智能；opencv是一种软件库。
52.实施例1
53.本实施例提供一种基于采样点序列的手绘图形修正方法，如图1和图2所示，包括以下步骤：
54.s100、初始配置步骤，具体包括：
55.s110、配置触控屏、ai识别算法和拐点识别算法；在所述触控屏上配置采样程序；设置第一步骤执行次数和训练周期；
56.具体的，在本实施例中，触控屏为会议中需要使用的会议智慧屏，且支持手写功能和触控功能，其可以进行配置相关的屏幕所用处理程序，其主要为可触控显示屏与显示屏处理器的结合模块；对应的，ai识别算法在本实施例中包括但不限于人工智能算法和深度学习算法；采样程序为在触控屏上对于屏幕所键入的图形轨迹进行识别进而生成基于采样点序列的图形轮廓；因现有技术中，均采用图片识别训练集配合智能算法进行手写图像的识别，这种识别精度较低，为了达到更高的识别精度，故采用本实施例中的采样程序对图形轮廓基于采样点进行序列搭建，后续基于若干采样点序列对算法进行深度训练，精度更高，适用性更强；在本实施例中，第一步骤执行次数设置为100次，其与采样点序列的生成数量有关，第一步骤执行次数越多，则本方法的精准度越高；对应的，训练周期在本实施例中设置为训练24小时或训练48次。
57.s200、周期训练步骤，具体包括：
58.s210、基于所述触控屏、所述ai识别算法、所述采样程序、所述第一步骤执行次数和所述训练周期执行算法训练操作，得到待调用识别算法；
59.对应的，算法训练操作即为根据步骤s100中设定的基础数据，按照本方法的自研逻辑进行相关的智能算法的神经网络训练，进而生成比现有技术的识别精度更高的识别算法，为步骤s300提供数据支撑；
60.具体的，所述算法训练操作包括：
61.基于所述触控屏和所述采样程序，并按照所述第一步骤执行次数执行第一轮廓样本绘制步骤，得到若干第一采样点序列；整合若干所述第一采样点序列，得到所述轮廓训练集；对应的，在本实施例中，即执行100次第一轮廓样本绘制步骤，即得到100个第一采样点序列；同时创建采样点序列存放容器，将100个第一采样点序列分别标记为100个第一图像轮廓，并置入采样点序列存放容器中，即得到上述轮廓训练集；后续根据轮廓训练集对智能算法进行训练，进而生成能够高精准识别手写图形的识别算法；故基于所述训练周期和所述轮廓训练集对所述ai识别算法执行训练步骤，得到所述待调用识别算法；
62.具体的，所述第一轮廓样本绘制步骤包括：
63.设置绘制断点数、图形绘制类型和图形绘制尺寸；按照所述绘制断点数、所述图形绘制尺寸和所述图形绘制类型在所述触控屏上进行若干屏幕采样点的绘入；在本实施例中，绘制断点数设置为0，即若干屏幕采样点之间不能存在断点；图形绘制类型包括但不限于：直线、曲线、圆形、矩形、多边形、复杂交错图形、五角星、六芒星等，可根据每次的第一轮廓样本绘制步骤进行改变，进而提高最终轮廓训练集的多样性，提高后续算法训练的质量；图形绘制尺寸为图形所占触控屏的大小，例如：百分之一、百分之十或百分之五十等；在本实施例中，若干屏幕采样点的绘入即按照该图形绘制尺寸和图形绘制类型在触控屏上进行连续采样点的绘制，即图形轮廓；调用所述采样程序记录所述触控屏上的若干所述屏幕采样点；调用所述采样程序获取若干所述屏幕采样点所分别对应的若干落点时间以及落点位置；调用所述采样程序按照若干所述落点时间和若干所述落点位置将若干所述屏幕采样点进行排列，得到所述第一采样点序列；所述第一采样点序列即为与所述图形绘制类型相匹配的所述第一图像轮廓；在本实施例中，按照若干落点时间的先后顺序对若干所述屏幕采样点进行排列；按照若干落点时间的先后顺序对若干所述屏幕采样点进行排列的同时，是将若干所述屏幕采样点分别按照其分别对应的若干落点位置进行排列；保证最终生成的第一采样点序列为连续不中断的且满足若干落点位置之间相互对应关系的序列；该序列在触控屏上的呈现方式即为与该第一轮廓样本绘制步骤中设定的图形绘制类型相匹配的一个图形轮廓；
64.具体的，所述训练步骤包括：在所述训练周期内，采用所述轮廓训练集中若干所述第一采样点序列对所述ai识别算法的循环神经网络进行训练，得到所述待调用识别算法；对应的，现有技术中采用图片对智能算法进行训练是基于像素点的识别，而本方法中基于采样点序列对智能算法进行训练是基于采样点的识别，因采样点远小于像素点，故能提高极大的识别精度。
65.s300、识别修正步骤，具体包括：
66.s310、获取所述触控屏的图形识别需求，基于所述拐点识别算法、所述待调用识别算法和所述图形识别需求执行图形识别修正操作。
67.对应的，执行完毕步骤s200，即可以开始图形的识别和修正，故本方法根据触控屏在实际运用中的实际需求进行相关的图形识别和修正操作；
68.具体的，所述图形识别修正操作包括：
69.识别所述图形识别需求，若所述图形识别需求为第一需求，即触控屏中存在第一图形需要识别，则识别所述第一需求对应的第一图形，第一图形即为触控屏中新绘制的需要识别的第一图形；故基于所述待调用识别算法中的所述循环神经网络对所述第一图形进行图形识别，得到第一图形信息；第一图形信息即为关于该第一图形的相关采样点信息以及各个采样点的落点时间以及该第一图形所匹配的图形绘制类型等；因待调用识别算法是基于轮廓训练集进行训练的，故基于所述待调用识别算法中的所述循环神经网络进行图形识别时，是基于多次轮廓训练集进行训练生成的训练模型进行识别的，故可以直接识别出第一图形的所述第一图形信息；得到图形信息后，进行后续的图形修正；故基于所述待调用识别算法中的所述循环神经网络以及所述第一图形信息执行序列匹配步骤，得到第二采样点序列；第二采样点序列即为该第一图形在轮廓训练集中对应的采样点序列，用于作为图
形修正的基准；故基于所述拐点识别算法、所述第一图形信息和所述第二采样点序列执行图形修正步骤，得到修正图形；
70.具体的，所述第一图形信息中存储有第一图形类型和若干待识别采样点信息；若干待识别采样点信息中包括但不限于有若干待识别采样点、若干待识别采样点所分别对应的若干落点时间和若干落点位置；本实施例中的落点位置即为采样点位于触控屏的屏幕坐标系中的坐标信息；
71.具体的，所述序列匹配步骤包括：基于所述待调用识别算法中的所述循环神经网络识别所述第一图形类型所对应的第一图形绘制类型；基于所述待调用识别算法中的所述循环神经网络在若干所述第一采样点序列中识别与所述第一图形绘制类型相匹配的所述第二采样点序列；
72.具体的，所述图形修正步骤包括：调用所述拐点识别算法在若干所述待识别采样点信息中识别若干第一拐点；调用所述拐点识别算法在所述第二采样点序列中基于采样点信息匹配的逻辑识别出与若干所述第一拐点分别匹配的若干第一屏幕采样点；在本实施例中，第一拐点的数量不做限定，其根据图形类型不同而变化，例如，直线的拐点为直线两端的端点；三角形的拐点为三角形的三个角的顶点；在本实施例中，首先识别采样点中的拐点，进而根据正确的第二采样点序列对拐点之间的位置关系进行修正就可以修正出正确的图形轮廓，不需要对其他的采样点再进行判断，并基于拐点进行图形绘制即可，效率和精度均极高；识别若干所述第一屏幕采样点在所述第二采样点序列中分别对应的若干第一坐标信息；在所述若干待识别采样点信息中识别若干所述第一拐点所分别对应的若干第二坐标信息；坐标信息即为(x，y)坐标点值；识别若干所述第一坐标信息之间的第一位置关系，基于所述第一位置关系以及若干所述第一屏幕采样点分别与若干所述第一拐点之间的若干匹配关系，对若干所述第二坐标信息进行修正，得到若干第三坐标信息；对应的，第一位置关系即为若干第一坐标信息之间的位置关系，例如直线的两个拐点的坐标信息之间的位置关系是相互平行的，即x坐标值相同或y坐标值相同；故对应的，按照该第一位置关系，对每个第一屏幕采样点所分别对应的每个第一拐点的坐标信息进行修正，使若干第一拐点的若干第二坐标信息之间也满足该第一位置关系，进而把拐点位置修正；故最后按照若干所述第三坐标信息生成若干第二拐点；基于若干所述第二拐点对若干所述待识别采样点信息中的若干待识别采样点进行重新排列，使若干待识别采样点之间连续且排列成符合第一图形绘制类型的新采样点序列，最后采用图形处理程序根据该新采样点序列对第一图形进行调整即可；即基于若干所述第二拐点更新若干所述待识别采样点信息，得到若干待修正采样点信息；基于若干所述待修正采样点信息更新所述第一图形，得到修正图形；修正图形即为最终的识别并修正出的正确图形轮廓，且与第一图形对应并满足用户需求。
73.具体的，在本实施例中，所述图形识别需求包括：所述第一需求和第二需求；所述第一需求为存在所述第一图形需要识别；所述第二需求为不存在所述第一图形需要识别；所述第一步骤执行次数至少为10次；所述拐点识别算法基于opencv配置；所述拐点识别算法包括但不限于图形特征识别算法和多边形拟合算法。
74.实施例2
75.本实施例基于与实施例1中所述的一种基于采样点序列的手绘图形修正方法相同的发明构思，提供一种基于采样点序列的手绘图形修正系统，如图3所示，包括：初始配置模
块、周期训练模块和识别修正模块；
76.所述基于采样点序列的手绘图形修正系统中，初始配置模块用于配置触控屏、ai识别算法和拐点识别算法；所述初始配置模块还用于在所述触控屏上配置采样程序；所述初始配置模块还用于设置第一步骤执行次数和训练周期。
77.所述基于采样点序列的手绘图形修正系统中，周期训练模块用于根据所述触控屏、所述ai识别算法、所述采样程序、所述第一步骤执行次数和所述训练周期执行算法训练操作，得到待调用识别算法；
78.具体的，所述算法训练操作包括：周期训练模块基于所述触控屏和所述采样程序，并按照所述第一步骤执行次数执行第一轮廓样本绘制步骤，得到若干第一采样点序列；周期训练模块整合若干所述第一采样点序列，得到所述轮廓训练集；周期训练模块基于所述训练周期和所述轮廓训练集对所述ai识别算法执行训练步骤，得到所述待调用识别算法；
79.具体的，所述第一轮廓样本绘制步骤包括：周期训练模块设置绘制断点数、图形绘制类型和图形绘制尺寸；周期训练模块按照所述绘制断点数、所述图形绘制类型和所述图形绘制尺寸在所述触控屏上进行若干屏幕采样点的绘入；周期训练模块调用所述采样程序记录所述触控屏上的若干所述屏幕采样点；周期训练模块调用所述采样程序获取若干所述屏幕采样点所分别对应的若干落点时间以及若干所述落点时间所分别对应的若干落点位置；周期训练模块调用所述采样程序按照若干所述落点时间和若干所述落点位置将若干所述屏幕采样点进行排列，得到所述第一采样点序列；
80.具体的，所述训练步骤包括：在所述训练周期内，周期训练模块采用所述轮廓训练集中若干所述第一采样点序列对所述ai识别算法的循环神经网络进行训练，得到所述待调用识别算法。
81.所述基于采样点序列的手绘图形修正系统中，识别修正模块用于获取所述触控屏的图形识别需求，所述识别修正模块基于所述拐点识别算法、所述待调用识别算法和所述图形识别需求执行图形识别修正操作；
82.具体的，所述图形识别修正操作包括：识别修正模块识别所述图形识别需求，若所述图形识别需求为第一需求，则识别修正模块识别所述第一需求所对应的第一图形；识别修正模块基于所述待调用识别算法中的所述循环神经网络对所述第一图形进行图形识别，得到第一图形信息；识别修正模块基于所述第一图形信息以及所述待调用识别算法中的所述循环神经网络执行序列匹配步骤，得到第二采样点序列；识别修正模块基于所述拐点识别算法、所述第一图形信息和所述第二采样点序列执行图形修正步骤，得到修正图形；
83.具体的，所述第一图形信息中存储有第一图形类型和若干待识别采样点信息；具体的，所述序列匹配步骤包括：识别修正模块基于所述待调用识别算法中的所述循环神经网络识别所述第一图形类型所对应的第一图形绘制类型；识别修正模块基于所述待调用识别算法中的所述循环神经网络在若干所述第一采样点序列中识别与所述第一图形绘制类型相匹配的所述第二采样点序列；
84.具体的，所述图形修正步骤包括：识别修正模块调用所述拐点识别算法在若干所述待识别采样点信息中识别若干第一拐点；识别修正模块调用所述拐点识别算法在所述第二采样点序列中识别与若干所述第一拐点分别匹配的若干第一屏幕采样点；识别修正模块识别若干所述第一屏幕采样点在所述第二采样点序列中分别对应的若干第一坐标信息；识
别修正模块在所述若干待识别采样点信息中识别若干所述第一拐点所分别对应的若干第二坐标信息；识别修正模块识别若干所述第一坐标信息之间的第一位置关系，识别修正模块基于所述第一位置关系以及若干所述第一屏幕采样点分别与若干所述第一拐点之间的若干匹配关系，对若干所述第二坐标信息进行修正，得到若干第三坐标信息；识别修正模块按照若干所述第三坐标信息生成若干第二拐点；识别修正模块基于若干所述第二拐点更新若干所述待识别采样点信息，得到若干待修正采样点信息；识别修正模块基于若干所述待修正采样点信息更新所述第一图形，得到所述修正图形。
85.实施例3
86.本实施例提供一种计算机可读存储介质，包括：
87.所述存储介质用于储存将上述实施例1所述的基于采样点序列的手绘图形修正方法实现所用的计算机软件指令，其包含用于执行上述为所述基于采样点序列的手绘图形修正方法所设置的程序；具体的，该可执行程序可以内置在实施例2所述的基于采样点序列的手绘图形修正系统中，这样，基于采样点序列的手绘图形修正系统就可以通过执行内置的可执行程序实现所述实施例1所述的基于采样点序列的手绘图形修正方法。
88.此外，本实施例具有的计算机可读存储介质可以采用一个或多个可读存储介质的任意组合，其中，可读存储介质包括电、光、电磁、红外线或半导体的系统、装置或器件，或者以上任意组合。
89.区别于现有技术，采用本技术一种基于采样点序列的手绘图形修正方法、系统及介质可以通过本方法实现基于比像素点维度更低的采样点生成训练集，进而根据该训练集和智能算法生成识别精度更高的识别算法，且基于生成的识别算法以及需要修正图形的采样点坐标之间的位置关系进行对应的图形修正，最终修正的图形与原图形尺寸相同，摆放位置相同，识别精度高，识别效率快，且不会受到不规则图形的影响，对于相互交错的线条和闭合图形都能进行识别，通过本系统为本方法提供了有效的技术支撑，最终弥补了现有技术的不足，具有极高的应用价值。
90.上述本发明实施例公开实施例序号仅仅为了描述，不代表实施例的优劣。
91.本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
92.以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。