Zusammenfassung - Otto-von-Guericke-Universität Magdeburg

Die Gewichte wĉ0 bis wĉ13 werden wie folgt berechnet 4 :
13
wĉ j = ∑
i=1
2.1 Fremde Suchansätze
(Σ −1 )i j ¯fĉi mit 1 ≤ j ≤ 13 (2.5)
wĉ0 = − 1
2
13
∑ wĉi
i=1
¯fĉi
(2.6)
Hierbei ist Σ −1 das Inverse der gemeinsamen Kovarianzmatrix aller Klassen.
Rubine gibt in [Rub91a] die Erkennungsgüte seines Systems mit 98 % an bei bis zu 15 verschiedene
Klassen von Gesten und mindestens 15 Beispielgesten pro Klasse. Bei 30 Klassen
mit jeweils 40 Beispielen erhält er 97 % und mit nur 15 Beispielen 96 % korrekte Erkennungen.
Dieser bereits 1991 veröffentlichte Algorithmus ist auch heutzutage noch relevant. Dies
zeigt sich zum einen an der großen Zahl aktueller Veröffentlichungen, die auf Rubines Algorithmus
verweisen und zum anderen in seiner weitverbreiteten Verwendung zur Lösung
von Problemen der stiftbasierten Mustererkennung [LM01, TBBB02, BC02, Bou02, CMP05,
HL06].
2.1.2 ScriptSearch
Der ScriptSearch-Algorithmus wurde von Daniel Lopresti und Andrew Tomkins 1994 in ihrem
Aufsatz »On the Searchability of Electronic Ink« veröffentlicht [LT94]. Ihr Ziel war unter anderem
die Suche nach handgezeichneten und handgeschriebenen Stifteingaben. Die Idee der
Suche nach handgezeichneten Eingaben war es, Dateien auf PDA-Geräten mit Piktogrammen
anstelle von Dateinamen zu versehen und die Dateien mittels erneuter Eingabe des jeweiligen
Piktogramms automatisch wiederzufinden [LT93]. Die Suche nach handgeschriebenen Stifteingaben
verfolgte das selbe Ziel wie die vorliegende Arbeit: nämlich die benutzerabhängige
Suche nach Textstellen mit einem bestimmten Wortvorkommen.
Im Falle des SkriptSearch-Algorithmus erfolgte eine Zerlegung der Texte in so genannte
Strokes, die in [LT94] dadurch definiert waren, dass sie durch zwei aufeinanderfolgende vertikale
Minima der Stiftbewegung begrenzt sind. Für jeden dieser Strokes wurde mittels des
Algorithmus von Rubine [Rub91a] ein Merkmalsvektor mit 13 Elementen bestimmt (siehe
Abschnitt 2.1.1). Der dadurch definierte 13-dimensionale Vektorraum wurde mittels Vektorquantisierung
in 64 Cluster aufgeteilt und somit jedem Stroke einer dieser Cluster zugewiesen.
Auf Basis der Abfolge von Clusterbezeichnungen aller Strokes eines Piktogramms oder
Wortes wurde die Suche dadurch realisiert, dass die Editierabstände (siehe Abschnitt 6.1)
zwischen dem gesuchten Piktogramm und denen im System bestimmt wurden. Für die Suche
in Dokumenten, bestehend aus größeren Mengen an Worten, wurde eine Zerlegung der
Texte in Zeilen und Worte durchgeführt und die Suche mittels Editierabstand auf Basis der
segmentierten Worte durchgeführt.
4 »[. . . ] it is assumed that all gesture classes are equally likely to occur. The constant term wĉ0 may be adjusted
if the a priori probabilities of each gesture class are known in advance.« [Rub91b, S. 59]
11