论文部分内容阅读
计算机技术正在向有可能从定性和定量综合集成的多维化信息环境中得到感性和理性认识的“用户为中心”模式转变，这种转变的核心是建立支持人类思维过程并与人类思维趋同的人机交互环境。模拟“纸笔模式”的笔式交互(Pen-basedInterface/PenComputing)以其易用、自然、高效和利于创造性思维等特性成为感知用户界面中不可缺少的部分，是目前人机交互技术中的一个重要研究课题，而满足不同用户输入习惯要求的用户适应性是笔式交互技术得以发展并成为实用工具的关键技术。
本文以支持常见草图设计的图形输入为背景，以实现草图识别的自适应性为目标，以人工智能和机器学习为手段，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，设计了一个自适应草图识别解决方案，重点研究并实现了基于自适应HMM和组合特征的复杂草图图形识别。本文的成果主要体现在以下几个方面：
(1)草图识别自适应模型：本文提出并分析了由多通道感知接口、识别和适应性等模块构成的智能人机交互系统框架，并针对草图输入环境提出了自适应草图识别系统模型，该模型为解决草图识别的用户适应性问题，实现草图识别的自适应性提供了初步系统框架。
(2)用户适应性的形式化描述：针对手绘草图中的用户适应性问题给出了形式化描述，分析了解决适应性的两类关键技术：用户建模和识别策略，特别地，对用户建模中所需要的三种主要技术：交互策略，特征表示以及建模方法做了描述。本文针对特征表示和识别策略问题做了初步的探索，提出基于组合特征和自适应HMM的解决方案，为草图识别领域用户适应性中引入机器学习方法提供了依据。
(3)基于自适应HMM的学习方法：在已有HMM的基础上，针对在线草图识别的特点，提出了状态可变自适应HMM的学习方法，实验结果表明：对于多笔划图形，自适应HMM可以很好地解决多笔划草图识别中的用户适应性问题，而且可以减轻用户收集样本数据的工作量，具有很好的应用前景。
(4)特征选择：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。并利用SVM和HMM方法对组合特征和目前在线识别系统中常见特征表示方法的描述能力进行了实验对比，结果表明组合特征较好地描述了多笔划草图输入中用户的习惯，为草图识别中的特征选择及用户行为刻画提供了科学依据。
本文通过对用户适应性问题的分析及机器学习方法引用的对比实验，提出并实现了基于自适应HMM学习方法和组合特征的复杂图形用户输入习惯捕捉方法。实验表明：自适应HMM可以在少量样本的基础上较好地适应用户，从而为草图识别的效率和性能提供保证，消除了因用户随意输入带来的识别困难，为草图识别的实现提供强有力的支持。