思在樹人

當你用手機時，你有用過手寫的輸入嗎？相信很多人用過，不過我想知道原理的人應該不多，讓我為大家介紹一下這個技術的大概。

文字辨識是圖形辨識的一個應用，中文和英文的辨識方法可以相同，也可以有區別，為何存在這個區別，不是本文的主題，就不說了。

要瞭解文字辨識的技術，我們要先瞭解辨識的東西是什麼，能夠手寫的手機螢幕其實是一個數位板，根據螢幕上手寫區域的大小，我們可以將之想成m * n 的數位影像，影像的大小就以128 ＊ 128為例來說明好了，每一個點稱為像素，由於手寫對每一個像素只有經過與未經過，所以每一像素的值也就只有0和1,當我們的手指劃過時，所有經過的位置上面的像素值都會變成1；還有一個想法是當手指劃過時，上面的座標值會被儲存在成一個序列，我們就把他們叫做軌跡好了，軌跡上面有我們寫的順序資訊，也可以稱為動態資訊，這個資訊對辨識英文和數字有用，但用來辨識中文字，死路一條，理由之一是大家手寫的筆畫順序不同。好了，簡單一句話，你的輸入就是一個二元的數位影像啦。（再囉唆一下，二元就是0和1.）

辨識的概念也很直覺，將輸入的影像特徵和預先建立好的字典裡的M個影像特徵比較（或稱為模型庫──我不想用這個字，一般人讀起來比較「硬」），誰比較像，這個輸入的文字就是誰。這裡的「比較像」在手寫中文字辨識時，可以找出前十名（可以調整）最像的，然後由使用者點選他要的，如果前十名沒有輸入的字，只好再輸入一次，我最近使用iPad的經驗，第一、二名的辨識結果已經蠻高的，這辨識率當然和螢幕大小和手寫字工不工整有關係了（iPhone螢幕相對的比較小，比較不好寫）。一般說來常用的中文字有五千多個，我們就取整數6000好了，也就是說字典裡已經建立好6000個（上面的M）特徵值。

再來談談我們要比較的特徵是什麼，一般來說，不會直接用影像相比，系統開發者必須找出他們認為最為有效的特徵，這裡跟大家介紹兩種特徵。當我們手寫時，也就是在輸入一張128 * 128的影像，我們可以將之分成64(8＊8)個格子，每一個格子有256（16＊16）個像素點，我們取特徵都是針對每一個格子進行。我要介紹的第一種特徵稱為「交叉點」，我們針對每個格子等距離的劃三條橫線、三條縱線，然後計算每一條直線和輸入筆畫相交的數目，再將這六個值加起來，這就是這個格子的第一個特徵。第二個特徵一樣劃六條直線（三橫、三縱），然後記錄在何處碰到輸入筆畫，一樣的將這六個值加總，這就成為這個格子的第二個特徵。一個字不是有64個格子嗎，那每個格子有2個特徵，所以一個字就有128個特徵值了。再強調一下，不同的開發者會使用不同的特徵。

再來談一下怎樣計算相不相似（相似度），用一個最簡單的方法來說明好了（雖然很簡單，但對中文的辨識很有效），不論輸入的字或字典裡存放的字，我們都轉換成128個特徵值（數學上稱為向量或矩陣），將輸入影像和第i個字典裡儲存文字的128個特徵值對應相減，其差值（取絕對值）相加後就是輸入文字或第i個字典文字的差異度，將6000個字典中儲存文字的差異度全部算出來後，前10名差異度最小的就是我們要的結果，簡單吧，這就是文字辨識，用到的計算只有加加減減；你也許會發現這裡有好多的計算，但現在的電腦處理器速度很快，不成問題。

辨識手寫的文字必須考量不同人的書寫方式不同，一個人不同時間寫的字也不一樣，為了處理這個問題，我們在將文字影像切割成64個格子時，會採用非均勻式的切割方法，此為後話，本文暫且不談。最後，我想提一下，應用我這裡介紹的方法時（這個方法稱為「統計式文字辨識」），文字越複雜，特徵值會越有特色，越容易找到我們要的答案，所以，辨識中文不會比辨識英文或數字難！

（初稿完成於20110222）