16.12.2012 Aufrufe

Zusammenfassung - Otto-von-Guericke-Universität Magdeburg

Zusammenfassung - Otto-von-Guericke-Universität Magdeburg

Zusammenfassung - Otto-von-Guericke-Universität Magdeburg

MEHR ANZEIGEN
WENIGER ANZEIGEN

Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.

YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.

2 Verwandte Arbeiten<br />

I have seen the future and it is spelled P-E-N.<br />

(Edward N. Yourdon, 1991)<br />

In diesem Kapitel sollen im ersten Abschnitt verschiedene verwandte Arbeiten im Bereich der<br />

Suche in Handschriftdaten vorgestellt und vom eigenen, in dieser Arbeit entwickelten, System<br />

abgegrenzt werden. Im zweiten Abschnitt liegt der Fokus auf der Präsentation <strong>von</strong> existierenden<br />

Pen-Computing-Systemen, die bislang über keine explizite Suchfunktion verfügen und<br />

die <strong>von</strong> dem hier entwickelten System profitieren könnten.<br />

2.1 Fremde Suchansätze<br />

In den folgenden Unterabschnitten finden sich einige wesentliche Verfahren aus der Literatur,<br />

die in bestimmter Weise mit dem in dieser Arbeit entwickelten System der Handschriftsuche<br />

verwandt oder vergleichbar sind. Dabei handelt es sich zum einen um Rubines Algorithmus,<br />

ein Verfahren für die Erkennung <strong>von</strong> Stiftgesten (bestehend aus lediglich einem Stroke) und<br />

zum anderen um Verfahren, die explizit für die Suche in handschriftlichen Daten konzipiert<br />

sind. Trotz einer gewissenhaften Litraturrecherche durch den Autor kann an dieser Stelle nicht<br />

ausgeschlossen werden, dass weitere relevante Verfahren und Ansätze existieren.<br />

2.1.1 Rubines Algorithmus<br />

Große Beachtung erlangte die Arbeit <strong>von</strong> Dean Rubine über die Wiedererkennung <strong>von</strong> Stiftoder<br />

Mausgesten [Rub91a]: Specifying Gestures by Example. Das Verfahren <strong>von</strong> Rubine ist in<br />

der Lage, aus mehreren Realisierungen derselben Geste1 ein Modell zu generieren, mit dem<br />

eine Wiedererkennung dieser Geste möglich ist. Hierzu werden für jede Geste die statistischen<br />

Merkmale f1 bis f13 aus Abbildung 2.1 bestimmt.<br />

Die eigentliche Wiedererkennung einer Geste g anhand ihrer Merkmale f1 bis f13 wird<br />

dadurch erreicht, dass diese Merkmale mit denen aller C (C ∈ N) dem System bekannten<br />

Klassen ĉ <strong>von</strong> Gesten verglichen werden. Dabei wird jenes ĉ bestimmt, welches vĉ maximiert2 mit<br />

vĉ = wĉ0 +<br />

13<br />

∑<br />

i=1<br />

wĉi fi mit 0 ≤ ĉ < C (2.1)<br />

1 Der Begriff »Stiftgeste« (oder allgemeiner »Geste«) soll hier für einen einzelnen Linienzug stehen, welcher<br />

beispielsweise mit einem Stift geformt wird. Dabei kann es sich um beliebige Symbole oder Buchstaben<br />

handeln, die geschrieben werden können, ohne dabei den Stift abzusetzen.<br />

2 »Practitioners of pattern recognition will recognize this classifier [eq. 2.1] as the classical linear discrimina-<br />

tor.« [Rub91b, S. 53]<br />

9

Hurra! Ihre Datei wurde hochgeladen und ist bereit für die Veröffentlichung.

Erfolgreich gespeichert!

Leider ist etwas schief gelaufen!