필기 인식(筆記認識, handwriting recognition, HWR)은 사람이 손으로 쓴 글씨를 컴퓨터가 읽고 해석하여 디지털 텍스트로 변환하는 기술이다. 종이 문서, 사진, 터치스크린, 디지타이저 등 다양한 소스로부터 필기 입력을 수신하고 해석하는 컴퓨터의 기능을 의미한다.
필기 인식은 크게 두 가지 방식으로 구분된다. 첫째, 온라인 필기 인식은 스마트폰이나 태블릿 PC와 같은 디지털 기기에서 터치스크린이나 스타일러스 펜을 사용하여 글씨를 쓰는 순간의 필압, 필속, 획순 등의 동적 정보를 실시간으로 수집하여 분석하는 방식이다. 둘째, 오프라인 필기 인식은 종이에 이미 써진 글씨를 스캐너나 카메라로 촬영한 정적 이미지를 처리하는 방식으로, 광학 문자 인식(OCR) 기술과 유사한 측면이 있다.
기록된 텍스트의 이미지는 광학 스캐닝(광학 문자 인식)이나 인텔리전트 단어 인식을 통해 종이로부터 감응할 수 있으며, 펜 기반의 컴퓨터 화면 표면을 통해 펜의 끝부분을 움직여 감응할 수도 있다. 필기 인식은 원칙적으로 광학 문자 인식을 따르나, 완전한 필기 인식 시스템은 서식화를 관리하며 정확한 문자 세분화를 수행하고 가장 타당한 단어를 찾아낸다.
기술의 역사는 1950년대부터 시작되었다. 초기 연구는 주로 미국과 일본에서 진행되었으며, 오프라인 필기 인식 방식으로 제한된 문자 집합을 대상으로 한 실험이 주를 이루었다. 1960년대에는 IBM과 벨 연구소 같은 기관에서 숫자와 알파벳 인식에 초점을 맞춘 시스템을 개발했다. 1970~80년대에는 온라인 필기 인식 기술이 등장하였고, 1990년대 이후 개인용 컴퓨터와 PDA의 보급과 함께 상용화 단계에 접어들었다. 애플 뉴턴 메시지패드와 마이크로소프트의 윈도우 포 태블릿 PC 에디션은 필기 입력을 주요 인터페이스로 채택한 대표적인 사례이다.
2000년대 후반부터 현재까지는 딥러닝, 특히 합성곱 신경망(CNN)과 순환 신경망(RNN)의 발전이 필기 인식 분야를 크게 발전시켰다. CNN은 이미지 특징 추출에 탁월하고, RNN은 필기 데이터의 시간적 흐름과 획순 정보를 처리하는 데 유리하다. 대규모 데이터셋과 GPU 연산 능력을 바탕으로 한 딥러닝 모델은 복잡한 필체 변형과 다국어 인식 정확도를 비약적으로 높였다.
주요 응용 분야로는 스마트폰 및 태블릿의 필기 입력, 문서 디지털화, 온라인 서명 인증, 금융 및 의료 분야의 수기 데이터 처리, 교육 분야의 자동 채점 등이 있다. 상용 소프트웨어로는 마이크로소프트의 Windows Ink, 애플의 애플 펜슬 및 필기 기능, 구글의 Gboard 필기 입력, 삼성전자의 삼성 노트, MyScript 기술 등이 널리 사용된다.
한국어 필기 인식의 경우, 한글의 음소 문자 체계로 인해 자음과 모음의 다양한 결합 형태를 정확히 분리하고 인식해야 하는 고유한 도전 과제가 있다. 초성, 중성, 종성이 자연스럽게 연결되어 쓰이는 경우가 많아 개별 자모의 경계를 명확히 구분하는 것이 어렵다. 최근에는 CNN과 RNN을 결합한 심층 신경망 아키텍처가 한국어 필기 인식의 핵심 기술로 자리 잡았으며, 네이버 클로바 HCR(Handwriting Character Recognition)과 같은 한글 필기 인식 전용 API도 제공되고 있다.
