提出了一种与字符笔画方向和顺序变化无关的一组特征，用于在线手写字符识别。通过一种方法，将特征如点的坐标、点处笔画的方向以及点处笔画方向的动态在坐标值方面进行空间映射，并在空间图中的不同区域计算这些特征的直方图。通过训练分类器进行字符识别的其他研究中使用的各种特征，如时空特征、离散傅里叶变换、离散余弦变换、离散小波变换、空间特征和梯度方向直方图都被考虑。选择支持向量机（SVM）作为分类性能比较时的分类器。用于训练和测试分类器的字符数据集由 96 种不同的印地文字符的在线手写样本组成，训练数据集和测试数据集分别包含 12832 和 2821 个样本。与其他特征进行训练后，在相同测试数据集上测试的 SVM 分类器以提出的特征的 92.9% 最高分类准确率最高。因此，相比较而言，提出的特征具有更好的字符辨别能力。

Sep, 2023

基于在线笔画的方向特性，通过提取子单位，进行了印地语在线手写字符的局部表示和字符识别，取得了 93.5% 的准确率。

Oct, 2023

该研究引入了一个名为 DeepWriterID 的系统，该系统利用深度卷积神经网络进行笔迹、手写体识别，并引入了一种名为 DropSegment 的新方法来实现数据增强和改善 CNN 的泛化适用性。通过在笔放置状态下只使用笔位信息，该系统在 NLPR 手写数据库中实现了 95.72％的中文文本识别率和 98.51％的英文文本识别率，创造了新的最高记录。

Aug, 2015

设计了一个用于生成手写古吉拉特字体的框架，通过学习阶段和生成阶段实现，用户提供一小部分字符，系统根据学习的规则和提取的笔画自动生成手写古吉拉特字体，评估结果显示主观评估准确率为 84.84%，客观评估准确率为 84.28%。

Apr, 2024

本文介绍了一种支持 102 种语言的在线手写系统，采用深度神经网络架构和贝塞尔曲线的新输入编码，与之前的系统相比降低了 20%-40% 的错误率，并在 IAM-OnDB 数据集上取得了新的最优结果。通过实验确定了模型的最优配置，并在多个公共数据集上进行了评估。

Feb, 2019

开发了一个分类器，用于模拟印地语在线手写字符的全局字符特征、子单位数量和本地子单位特征的联合分布。该分类器使用潜变量来模拟子单位的结构，使用点、方向和方向动态的直方图（HPOD）特征表示字符的全局字符级和本地子单位级，并且不依赖于字符的笔画顺序和方向变化。通过最大似然估计方法来估计分类器的参数。本研究考虑了其他研究中使用的不同分类器和特征，对开发的分类器进行了分类性能比较。考虑的分类器包括二阶统计（SOS）、子空间（SS）、费舍尔判别（FD）、前馈神经网络（FFN）和支持向量机（SVM），考虑的特征包括时空（ST）、离散傅立叶变换（DFT）、离散余弦变换（SCT）、离散小波变换（DWT）、空间（SP）和梯度方向直方图（HOG）。用于训练和测试开发的分类器的印地语字符数据集由 96 个不同字符类别的手写字符样本组成。训练集中有 12832 个样本，每个字符类别平均 133 个样本；测试集中有 2821 个样本，每个字符类别平均 29 个样本。与在本研究中考虑的相同训练集和测试集上从同一训练集中提取的不同特征训练并在相同测试集上评估的分类器相比，开发的分类器在测试集上具有最高的准确性，为 93.5%。

Oct, 2023

提出了一种基于注意力的编码器解码器模型 (AED)，用于识别越南手写文本，该模型通过使用 DenseNet 提取不变特征和将带有注意力模型的 LSTM 解码器连接在一起的方法生成输出文本，实验结果表明，在 VNOnDB-Word 和 VNOnDB-Line 数据集上达到了竞争性结果。

May, 2019

本文介绍了手写字识别和定位中的一种新的训练模式，即使用 Adversarial Feature Deformation Module (AFDM) 通过扭曲特征以加强学习能力，测试表明，该模型可以显著地提高在数据匮乏情况下的普适性和准确度。

Nov, 2018

提出了一种新的跨语言平台，用于手写单词识别和标记低资源脚本，其中使用可用脚本（考虑为源脚本）的充分大的数据集进行训练，并在其他脚本（考虑为目标脚本）上进行测试，该跨语言框架通过使用浅显易懂的分区内字符映射进行有效的学习，成功实现了在少量训练数据的情况下识别和标记三种印度脚本中的文本。

Dec, 2017

介绍了 Decoupled Style Descriptor (DSD) 模型，该模型通过因式分解字和笔画风格来提高手写生成的质量和灵活性。在实验中，该模型生成的结果相较于基线方法更受欢迎，并能够很好地完成单样本的作者识别任务。

Aug, 2020