本書為一本運用計算機圖形分析、人工智能等方法，對外國留學生的手寫漢字進行書寫分析的研究文集。中國的漢字對于外國留學生來說，有一定的書寫難度，筆畫的順序，書寫的錯誤等常見問題，本書作者運用現(xiàn)代化的技術(shù)，對我國留學生的手寫漢字進行了分割、識別，筆畫匹配和書寫錯誤提取等操作，在分析研究的基礎(chǔ)上歸納總結(jié)了研究成果，為日后留學生手寫漢字的書寫質(zhì)量評價、改進指導(dǎo)等工作給出了科學的結(jié)論和解決方法。該書的研究具有一定的創(chuàng)新性。
外國留學生的手寫漢字因其母語及漢語水平的影響，會出現(xiàn)多種類型的書寫錯誤，這是漢語國際教育中漢字教學的難點之一。采用數(shù)碼紙筆采集的外國留學生手寫漢字含有筆畫及其采樣點的時間和空間等信息，從而可以有效地分析其書寫過程，有利于提取各種書寫錯誤。筆畫錯誤是提取部件和整字錯誤的數(shù)據(jù)基礎(chǔ)，它需要漢字識別和筆畫匹配等處理過程，這些內(nèi)容已有較多研究，但外國留學生手寫漢字具有多樣和更復(fù)雜的筆畫錯誤。本研究識別具有筆畫錯誤的漢字，匹配書寫筆畫與模板筆畫，并提取多種筆畫錯誤，將語言學與應(yīng)用語言學、漢字構(gòu)形學與信息科學中的模式識別、計算機圖形學、人工智能等多個領(lǐng)域相結(jié)合。在此基礎(chǔ)上可以進行有針對性的書寫質(zhì)量評價、改進指導(dǎo)等方面的研究，具有良好的發(fā)展前景。
本書圍繞外國留學生手寫漢字筆畫錯誤提取的智能處理方法的重點和難點問題開展了研究工作，主要包括：
（1）作為識別、錯誤分析等后續(xù)工作的前提和基礎(chǔ)，在手寫漢字的分割技術(shù)中，重點討論了單字提取方法。結(jié)合外國留學生的手寫漢字特點，書中提出了一種基于多層次信息的單字提取方法，其中包括了遞歸分割方法和面向錯誤分類的分割方法，并給出了相應(yīng)的自適應(yīng)可視化表示及交互校正方法。
（2）手寫漢字筆畫匹配以參考的模板漢字為基準，通過漢字識別結(jié)果進行檢索。留學生手寫漢字存在多種錯誤，在樣本有限的情況下，需要充分發(fā)掘漢字本身的書寫信息和結(jié)構(gòu)特征。因此，書中提出了一種基于書寫層次信息的漢字識別方法。從書寫筆畫出發(fā)，根據(jù)其識別結(jié)果和部件結(jié)構(gòu)分類，實現(xiàn)漢字識別。方法首先用中心線將漢字部件結(jié)構(gòu)分為左右、上下和其他三類。然后根據(jù)部件結(jié)構(gòu)分類，從字庫中初步篩選出候選字；再使用隱馬爾可夫模型及隱條件隨機場識別漢字中每個筆畫，根據(jù)書寫時序信息組成筆畫名稱序列；最后根據(jù)筆畫名稱序列，對候選字進行最終的篩選，給出識別結(jié)果。
（3）筆畫匹配是書寫錯誤提取和書寫質(zhì)量評價的基礎(chǔ)。留學生手寫漢字筆畫錯誤不僅體現(xiàn)在整個筆畫上，例如拆筆、連筆、多筆、少筆、筆順和筆向錯誤，還體現(xiàn)在筆畫局部上，例如殘筆和余筆。書中提出了基于遺傳算法的筆畫匹配方法。方法以模板筆畫個數(shù)為基因進行整數(shù)編碼，根據(jù)書寫筆畫個數(shù)確定染色體長度；根據(jù)書寫筆畫的結(jié)構(gòu)特征構(gòu)造適應(yīng)度函數(shù)，采用精英算法的選擇策略執(zhí)行進化過程；在適應(yīng)度函數(shù)均值平穩(wěn)時，停止進化得到最優(yōu)解。
（4）人機交互校正可以獲取正確的實驗對比數(shù)據(jù)，是驗證所提方法有效性的必要步驟。而筆畫匹配結(jié)果的可視化是人機交互的前
提條件，有效的可視化方法可以減輕校正者的認知負擔，提高工作效率。針對筆畫匹配結(jié)果，提出了一種多感知層次的可視化方法。根據(jù)筆畫匹配結(jié)果的特點及其包含的信息量，采用顏色、圖形符號、數(shù)字序號等多感知層次相結(jié)合的方法進行可視化。同時，提出了一種針對筆畫匹配結(jié)果的人機交互校正方法，使用標記列表的方法將數(shù)據(jù)進行處理，簡化了校正過程。
（5）筆畫錯誤的提取是漢字書寫研究的重要步驟。留學生書寫習慣和特點差異性大，使用規(guī)則的預(yù)設(shè)方法難以適用。因此，本書基于精確的筆畫匹配結(jié)果提出了一種筆畫錯誤的自適應(yīng)提取方法。根據(jù)手寫漢字筆畫匹配后給出的標記列表，分層次地自適應(yīng)提取書寫筆畫錯誤，包括全局錯誤以及局部錯誤。
為驗證所提方法的有效性，本書采集了來自14個國家的外國留學生的手寫漢字共計19000余份，涵蓋500余種字形。對所提方法開發(fā)了原型系統(tǒng)，對漢字識別、筆畫匹配、可視化與人機交互校正、筆畫錯誤提取進行了實驗，結(jié)果表明所提方法是有效的。根據(jù)學生的漢字學習過程，原型系統(tǒng)在真實教學場景中進行了跟蹤實驗，結(jié)果表明所提方法性能穩(wěn)定。
白浩，男，1984年生，現(xiàn)就職于北京語言大學漢語國際教育學部。文學博士（語言學與應(yīng)用語言學專業(yè)），工學碩士（計算機應(yīng)用技術(shù)專業(yè)），研究方向為智能書寫技術(shù)、中文手寫計算、模式識別、計算機圖形學等。講授多媒體應(yīng)用技術(shù)基礎(chǔ)、程序設(shè)計入門等課程。近年來發(fā)表論文10余篇，其中9篇被EI或Scopus檢索（其中7篇為第一作者），1篇為中文核心期刊論文，1篇被CPCI-S檢索�，F(xiàn)為中國計算機學會專業(yè)會員。2018年6月入選“北京語言大學青年英才培養(yǎng)計劃”。
第一章 緒論 / 1
1.1 選題背景 / 1
1.2 研究問題 / 4
1.3 本書工作 / 6
第二章 國內(nèi)外研究現(xiàn)狀及分析 / 10
2.1 單字提取 / 11
2.1.1 相鄰筆畫時間和空間距離的方法 / 11
2.1.2 語境方法 / 12
2.1.3 機器學習方法 / 13
2.2 漢字識別 / 14
2.2.1 結(jié)構(gòu)方法 / 15
2.2.2 特征提取方法 / 16
2.2.3 深度學習方法 / 17
2.3 筆畫匹配 / 19
2.3.1 筆畫模板方法 / 19
2.3.2 圖匹配方法 / 20
2.3.3 筆段匹配方法 / 21
2.4 書寫錯誤提取 / 22
2.4.1 評價對象 / 22
2.4.2 錯誤提取方法 / 25
2.4.3 評價反饋方式 / 29
2.5 本章小結(jié) / 31
第三章 基于多層次信息的單字提取方法 32
3.1 遞歸分割方法 / 33
3.1.1 基于初始分割結(jié)果的數(shù)據(jù)分析 / 34
3.1.2 遞歸分割算法 / 36
3.2 面向錯誤分類的分割方法 / 38
3.2.1 錯誤分類歸納 / 39
3.2.2 面向欠分割的分割方法 / 41
3.2.3 面向過分割的分割方法 / 47
3.2.4 性能測試 / 51
3.3 基于單字提取結(jié)果的自適應(yīng)可視化方法 / 52
3.3.1 可視化方法進展 / 52
3.3.2 基于重疊的自適應(yīng)可視化方法 / 55
3.3.3 基于可信度的可視化方法 / 61
3.4 針對單字提取結(jié)果的交互式校正方法 / 65
3.4.1 基于可視化結(jié)果的交互式校正 / 66
3.4.2 基于用戶意圖的交互式校正 / 69
3.4.3 性能測試 / 71
3.5 本章小結(jié) / 73
第四章 基于書寫層次模型的手寫漢字識別方法 / 74
4.1 基于筆畫名稱和整字結(jié)構(gòu)的識別方法 / 75
4.2 部件結(jié)構(gòu)的分類 / 77
4.3 基于 HMM 的筆畫識別 / 78
4.3.1 HMM 分類器的訓練 / 79
4.3.2 漢字中筆畫的識別 / 81
4.3.3 基于筆畫名稱序列的篩選 / 84
4.4 實驗結(jié)果 / 85
4.4.1 根據(jù)漢字筆畫數(shù)分類 / 86
4.4.2 根據(jù)不同部件結(jié)構(gòu)分類 / 88
4.4.3 根據(jù)筆畫錯誤類型分類 / 89
4.5 基于 HCRF 的筆畫識別的改進方法 / 91
4.5.1 HCRF 分類器的訓練 / 92
4.5.2 HCRF 分類器的實驗結(jié)果 / 92
4.6 本章小結(jié) / 94
第五章 基于遺傳算法的筆畫匹配方法 / 95
5.1 遺傳算法的基本設(shè)置 / 96
5.2 自適應(yīng)編碼方法 / 98
5.2.1 序列編碼 / 98
5.2.2 最大值編碼 / 99
5.2.3 子筆畫編碼 / 101
5.3 基于結(jié)構(gòu)和書寫特征的適應(yīng)度函數(shù) / 105
5.3.1 全局特征 / 105
5.3.2 局部特征 / 106
5.3.3 適應(yīng)度函數(shù)的評價 / 108
5.4 實驗結(jié)果 / 109
5.4.1 根據(jù)筆畫數(shù)分類 / 109
5.4.2 根據(jù)部件結(jié)構(gòu)分類 / 111
5.4.3 根據(jù)筆畫錯誤類型分類 / 112
5.5 本章小結(jié) / 113
第六章 針對筆畫匹配結(jié)果的可視化及人機交互校正方法 / 115
6.1 多感知層次的可視化方法 / 116
6.1.1 基于顏色感知層次的表示 / 117
6.1.2 采用圖形符號的筆向表示 / 120
6.1.3 采用數(shù)字序號的筆順表示 / 121
6.2 標記表示方法 / 122
6.2.1 標記列表的定義 / 122
6.2.2 標記類型的表示 / 124
6.3 基于標記列表的校正方法 / 125
6.4 實驗結(jié)果 / 132
6.4.1 可視化 / 132
6.4.2 交互校正 / 134
6.5 本章小結(jié) / 135
第七章 基于標記列表的筆畫錯誤提取方法 / 137
7.1 標記列表與筆畫錯誤的對應(yīng)關(guān)系 / 137
7.2 自適應(yīng)錯誤提取 / 146
7.3 實驗結(jié)果 / 154
7.4 本章小結(jié) / 155
第八章 數(shù)據(jù)測試與結(jié)果分析 / 157
8.1 數(shù)據(jù)采集 / 157
8.2 數(shù)據(jù)測試 / 161
第九章 結(jié) 論 / 173
附錄 1：摹寫、聽寫紙張樣圖 / 177
附錄 2：22名學生實驗數(shù)據(jù)樣圖 / 179
參考文獻 201
第一章緒論
1.1選題背景
漢字是漢語書寫用的文字，狹義指以正楷作為標準寫法的漢字。因形狀方正，漢字有“方塊字”之稱。從結(jié)構(gòu)上來看，漢字字體規(guī)整，每個字占據(jù)幾乎同樣的空間。由表意象形字根如金、木、水、火、土等，像積木一樣組合而成。漢字包括獨體字和合體字，獨體字不能分割，合體字由部件組合構(gòu)成，占漢字數(shù)量的90%以上。漢字的部件包括獨體字、偏旁部首和其他不成字部件。漢字的合體結(jié)構(gòu)有12種，分為：左右、上下、左中右、上中下、左上包、右上包、左三包、左下包、上三包、下三包、全包圍和鑲嵌結(jié)構(gòu)。
筆畫是漢字的最小構(gòu)成單位，指一次連續(xù)寫成的線條。筆畫分為橫、豎、撇、捺、點、提等31個基本種類。書寫漢字時，筆畫出現(xiàn)的先后順序，即“筆順”，是比較固定的，其基本規(guī)則是，先橫后豎，先撇后捺，從上到下，從左到右，先外后內(nèi)，先外后內(nèi)再封口，先中間后兩邊。筆畫的數(shù)目、形狀、空間組合關(guān)系等因素構(gòu)成了漢字形體區(qū)別特征，這是文字形體的一個基本屬性。
在漢語國際教育逐步推廣的背景下，漢語教學往往把培養(yǎng)留學生的交際能力放在首位，同時使其具備運用漢語進行聽說讀寫的能力，其中的讀和寫會涉及漢字。從書寫元素看，在組成常用漢字的筆畫中，橫、豎、撇、點、捺、提的使用頻率為77.82%，而書寫元素的重復(fù)率、結(jié)構(gòu)單位的相似度越高,結(jié)構(gòu)方式的一致性越大,漢字形體所提供的區(qū)分度就越小，書寫的錯誤率也就會越高。所以，筆畫的書寫錯誤將直接導(dǎo)致部件乃至整字的錯誤。
對于留學生書寫漢字最早采用紙筆的傳統(tǒng)模式進行采集和記錄，授課教師通過課上實時觀察進行指導(dǎo)或課后收取紙質(zhì)作業(yè)進行評判教學。然而，在傳統(tǒng)的課堂教學中，教師即便積極觀察，也很難全面了解到學生在課堂上的學習情況，尤其是漢字書寫的具體情況，更難以對每個學生的漢字書寫過程進行及時指導(dǎo)。不僅如此，在課后作業(yè)的評改中，傳統(tǒng)紙筆的記錄方式難以讓教師直觀了解學生漢字書寫的動態(tài)過程，因而無法全面知曉學生在課后的漢字掌握情況。同時，通過教師在批改中批注給學生的反饋糾正，如漢字書寫的示范，學生也無法去準確地了解筆畫的書寫順序和特點，只能看到一個完成版的“畫像”。
在將學生書寫的漢字記錄輸入計算機的時候，早期研究者將紙版記錄通過照相、掃描等方式轉(zhuǎn)為數(shù)字圖像文件，并保存在計算機中。后來，有學者使用攝像機對學生的書寫過程進行實時拍攝，將形成的視頻文件保存于計算機中。該方法可以較完整地記錄學生的書寫過程，但不足之處在于視頻文件往往容量較大，不利于保存和傳輸。
數(shù)字墨水的出現(xiàn)，有效地解決了這些不足，它利用手寫板、數(shù)碼筆等筆式輸入設(shè)備書寫文字，書寫軌跡通過定時采樣輸入計算機中。
近些年不少學者在漢字智能教學方面一直在不停探索[7-9]，開發(fā)出了一些可以應(yīng)用于實際的漢字教學軟件系統(tǒng)[10-14]。常見的練字系統(tǒng)通常采用的是漢字處理機制，即用戶輸入一個漢字，軟件系統(tǒng)對用戶輸入的每一筆或?qū)φ诌M行處理反饋。
隨著數(shù)據(jù)采集設(shè)備的升級和大數(shù)據(jù)量處理的需要，數(shù)字墨水數(shù)據(jù)批量采集和處理分析的處理流程和練字系統(tǒng)有較大不同。因此，本書提出的漢字書寫的分析系統(tǒng)總體來說，首先使用數(shù)據(jù)采集設(shè)備批量采集數(shù)字墨水數(shù)據(jù)后輸入計算機系統(tǒng)，再對筆畫數(shù)據(jù)進行單字分割和漢字識別提取出書寫字，在模板庫中檢索出對應(yīng)的模板字，再將書寫字與模板字進行筆畫匹配，進行人機交互校正后，根據(jù)匹配結(jié)果進行分析、檢測書寫錯誤，如圖1所示。
對以西文為母語的留學生來說，尤其是初學者，對于漢字的結(jié)構(gòu)特征和書寫習慣不熟悉不了解，把漢字當作符號進行勾畫，畫出來的字千差萬別，這屬于系統(tǒng)前階段的錯誤。而漢字教學經(jīng)常是重理據(jù)而輕字形，導(dǎo)致一些中高級階段的留學生仍有很多書寫錯誤，從而影響整體的漢語水平。因此，對于書寫錯誤的研究，尤其是筆畫錯誤的研究很有必要。
1.2研究問題
在對留學生數(shù)字墨水漢字書寫錯誤的研究中，雖然前人已經(jīng)做了大量的工作和嘗試，但仍存在一些需要優(yōu)化和急需解決的問題，在單字分割、漢字識別、筆畫匹配、人機交互校正和錯誤提取等方面都有一些需要優(yōu)化的地方。本書研究的問題涵蓋以下內(nèi)容。
（1）針對數(shù)字墨水漢字的自動分割技術(shù)。在數(shù)字墨水的計算技術(shù)中，墨水的分割技術(shù)非常重要，是數(shù)字墨水的結(jié)構(gòu)化編輯和識別的基礎(chǔ)。它包括自動分割、分割結(jié)果的可視化和校正。自動分割指從原始筆跡中快速準確地提取單字、文本行和文本段。在中文數(shù)字墨水文本的分割技術(shù)中，由于文本行和文本段之間一般有天然的間隔，分割處理中對于行提取和段提取相對容易。本書將研究重點放在單字提取上，重點研究單字提取方法、單字提取結(jié)果的可視化方法及針對單字提取結(jié)果的交互式校正方法。
（2）存在書寫錯誤的留學生手寫漢字的識別。漢字的識別是書寫漢字智能分析的基礎(chǔ)，雖然中文漢字識別技術(shù)已經(jīng)實現(xiàn)了較高的識別率，但現(xiàn)有的方法從特征提取到分類器的訓練，從訓練樣本到測試數(shù)據(jù)，大都以中文母語者為研究對象。而留學生所寫的漢字和母語者在筆畫結(jié)構(gòu)特征和書寫習慣上有很多不同[16]，特別是當出現(xiàn)書寫的錯誤的情況時，漢字結(jié)構(gòu)特征的改變會增加識別的難度。因此，需要提出針對留學生書寫特點和存在書寫錯誤的手寫漢字的識別方法。
（3）面向書寫錯誤提取的筆畫匹配方法。筆畫匹配是書寫錯誤分析的主流方法和前提條件，基于模板字的筆畫匹配本身可看作一種組合優(yōu)化問題。留學生書寫質(zhì)量的千差萬別使得問題的規(guī)模和復(fù)雜程度增大，尤其是存在書寫錯誤的筆畫，無論是整個筆畫錯誤還是筆畫局部錯誤，都使得筆畫匹配問題不僅僅是一種組合優(yōu)化問題，還需要考慮問題所處理數(shù)據(jù)的級別。因此，需要提出自適應(yīng)的筆畫匹配方法，使得匹配結(jié)果對于不同類型的書寫錯誤都有較好的針對性。
（4）針對筆畫匹配結(jié)果的可視化及人機交互校正方法。由于系統(tǒng)自動方法難以得到完全正確的數(shù)據(jù)結(jié)果，所以作為評價所提方法性能的必要條件，需要進行人機交互校正得到正確的數(shù)據(jù)進行對比實驗。有效的人機交互方法，可以減少時間成本，提高效率。人機交互之前，需要針對筆畫匹配結(jié)果進行可視化表示，才能使校正者進行視覺感知，完成校正。有效的可視化方法可以減輕認知負擔，同時準確表示需要顯示的信息。因此，需要設(shè)計針對筆畫匹配結(jié)果的可視化方法并在此基礎(chǔ)上進行人機交互校正。
（5）留學生書寫筆畫錯誤提取的方法。在漢語教學研究中，針對漢字書寫錯誤研究，前人做出了大量的工作。然而，研究對象多以中文母語者為主，與之相比留學生的書寫習慣和特點差異較大；此外，研究對于書寫錯誤的分類大都以專家系統(tǒng)為主的經(jīng)驗規(guī)則展開，方法的主觀性及書寫數(shù)據(jù)的隨意性的矛盾使提取結(jié)果難以穩(wěn)定。因此，需要從書寫數(shù)據(jù)本身出發(fā)，通過動態(tài)生成的筆畫匹配結(jié)果提取筆畫錯誤。
1.3本書工作
本書針對上述問題，做了以下的工作。
（1）面向中文數(shù)字墨水文本的單字提取技術(shù)。從分割算法、可視化方法和交互校正三個方面對數(shù)字墨水的單字提取問題進行討論，針對中文數(shù)字墨水文本中單字特點，提出了遞歸分割方法；針對單字提取結(jié)果中的錯誤類型，提出了面向錯誤分類的分割方法；針對單字提取結(jié)果的重疊問題，提出了自適應(yīng)可視化方法；為提高校正提取結(jié)果的效率，提出了單字提取結(jié)果的可信度評價指標和基于可信度的可視化方法；通過分析用戶的校正意圖并結(jié)合可視化的圖形，提出了以可視化圖形為參考對象和輔助工具，符合用戶意圖的交互式校正方法。
（2）采用書寫層次模型的漢字識別方法及其改進方法。本書針對留學生書寫習慣及特點，從筆畫、部件結(jié)構(gòu)及整字筆畫名稱序列等書寫元素出發(fā)，根據(jù)不同層次結(jié)構(gòu)特點進行優(yōu)化，進而識別漢字。首先以整字中心線為依據(jù)將書寫字的部件結(jié)構(gòu)按上下、左右及其他進行分類；根據(jù)部件分類結(jié)果對在候選字庫中進行篩選；再通過7900余份手寫數(shù)據(jù)訓練了一個基于隱馬爾可夫模型的筆畫分類器；接著使用這個分類器將書寫漢字中每個筆畫進行識別，根據(jù)書寫時序信息組成筆畫名稱序列；最后在篩選庫中根據(jù)筆畫名稱序列進行二次篩選，給出識別備選字。此外，書中還進一步改進了筆畫分類器，采用隱條件隨機場模型進一步提升了識別率。
書單推薦
