این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پردازش علائم و داده ها، جلد ۹، شماره ۱، صفحات ۵۹-۶۸
عنوان فارسی بازشناسی برخط حروف مجزای دست‌نویس فارسی بر اساس تشخیص گروه بدنه اصلی با استفاده از ماشین بردار پشتیبان
چکیده فارسی مقاله در این مقاله روشی جدید برای بازشناسی برخط حروف مجزای فارسی ارائه شده است که با استخراج چند ویژگی ساده از دنباله نمونه‌برداری شده از حروف و استفاده از دسته‌بندی کننده‌ی ماشین بردار پشتیبان( SVM) نتایج قابل قبولی را ارئه می‌دهد. الگوریتم پیش‌پردازش استفاده شده در این کار امکان یکسان سازی ابعاد ویژگی‌ها به ازای حروف متعدد را فراهم می‌کند تا در مرحله بعدی به منظور بازشناسی به دسته‌بندی کننده ارسال شود. فرآیند بازشناسی در دو مرحله صورت می‌گیرد: در مرحله‌ی اول بدنه‌ی اصلی حرف ورودی (اولین حرکت قلم) پس از استخراج ویژگی با استفاده از دسته‌بندی کننده در قالب یکی از هجده گروه بدنه‌ی اصلی حروف، طبقه‌بندی می‌شود و سپس در مرحله‌ی دوم، موقعیت، تعداد و شکل سایر حرکت‌ها مانند نقطه و سرکش (ریزحرکت‌ها)، نوع حرف نهایی را تعیین می‌کند. به عنوان نمونه برای تشخیص حرف «ت» ابتدا گروه بدنه‌ی «ب، پ، ت، ث» تشخیص داده می‌شود و سپس وجود ریزحرکت «دونقطه» در بالای آن منجر به انتخاب «ت» از این گروه می‌شود. نهایتا در فرآیند پس‌پردازش با استفاده از تطبیق اطلاعات مربوط به بدنه‌ی اصلی و ریزحرکات سیستم به تصحیح خطاهای احتمالی موجود در مراحل قبلی پرداخته و دقت بازشناسی را افزایش می‌دهد به عنوان مثال اگر در مرحله دسته‌بندی بدنه حرف «ل» تشخیص داده شود ولی یک نقطه در بالای آن قرار داشته باشد آنگاه سیستم تشخیص خود را به حرف «ن» تغییر خواهد داد. نتایج تجربی این کار پژوهشی که بر اساس مجموعه‌ داده‌ی Online-TMU صورت گرفته است، متوسط نرخ بازشناسی بدنه‌ی اصلی را 94% نشان می‌دهد و با در نظر گرفتن پس‌پردازش‌ها بر اساس ریزحرکت‌ها این نرخ به حدود 98% می‌رسد.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی The Recognition of Online Handwritten Persian Characters Based on their Main Bodies Using SVM
چکیده انگلیسی مقاله In this paper a new method for the online recognition of handwritten Persian characters has been proposed which uses a set of simple features and Support Vector Machine (SVM) as a classifier. The task of preprocessing allows us to equalize feature vectors from different characters. This algorithm is implemented in two steps. In the first step, input character is classified into one of eighteen groups of main strokes of characters and in the second step, position, number, and the shape of sub-strokes determine character type. For example to recognize the character 'ت', in the first step the character will be classified to group of letters 'ب، پ، ت، ث' based on main stroke shape and then classification is done using information of the sub-strokes. In the final step, post processing, we rectify previous step results employing unmatched conditions between main stroke and sub-strokes. Consider a main stroke «ل» with a point at the top of that in this situation post processing step will change result to letter «ن». The experimental results -which is based on Online-TMU database- show that the recognition rate of the main strokes of the characters is 94% which reaches to 98% using the information of sub-strokes.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله محمدامین مهرعلیان | mohammad amin mehralian


کاظم فولادی | kazem kazem fouladi


نشانی اینترنتی http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-1363-1&slc_lang=fa&sid=1
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1315/article-1315-600126.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده مقالات پردازش گفتار
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات