شماره ركورد
12695
شماره راهنما(اين فيلد مربوط به كارشناس ميباشد لطفا آن را خالي بگذاريد)
12695
پديد آورنده
محمودرضا سيدي حسيني
عنوان
شناساييofflineكاراكترهاي لاتين با رويكرد تركيبكلاسه كنندههايSVM
مقطع تحصيلي
كارشناسي ارشد
رشته تحصيلي
برق گرايش الكترونيك
سال تحصيل
اسفند 1392
تاريخ دفاع
اسفند 1392
استاد راهنما
دكتر احمد آيت اللهي
چكيده
چكيده
شناسايي نوري كاراكتر يكي از بزرگترين موفقيتها در شناسايي الگو بود ه است . مصالح اقتصادي باعث
وجود OCR پيشرفتهاي تئوريك و عملي زيادي در اين زمينه شده است. دو كشمكش و مشكل عمده در
دارد: تركيب كلاسهكننده ها و استفاده از ويژگيهاي مناسب. در اين پايان نامه يكي از اهداف ما استخراج
ويژگيهاي مناسب و بكارگيري متدهاي مختلف كاهش بعد و انتخاب ويژگي و قضاوت در مورد ميزان
كاراكتر دست نويس بوده است . هدف ديگر آموزش كلاسه بند offline كارايي آنها در مسئلۀ شناسايي
ماشين بردار پشتيبان و مدل مخفي ماركوف و ارائۀ روش جديدي براي تركيب آنها از راه استخراج ويژگي -
است. SVM آموزش ديده براي استفاده در كنار ساير ويژگيها براي آموزش HMM هاي جديد از مدل
متدهاي كاهش بعد بررسي شده تجزيۀ مقادير منفرد و آناليز مؤلفههاي اصلي و آناليز جداساز خظي هستند .
به تصاوير باريكسازي شده اعمال شد و اثر آنها در SVD در مقابل LDA و PCA به اين ترتيب كه تركيب
و انتخاب t بررسي گرديد. براي انتخاب ويژگي، از دوروش آزمون آماري SVM نرخ شناسايي كلاسهكنندة
را با HMM ويژگي ترتيبي استفاده و نتايج آنها با يكديگر مقايسه ميشود. در قسمت آخر كلاسه بند هاي
استفاده از دنبالههايي كه بسادگي از توالي پيكسلهاي تصوير باريكسازي شدة كاراكترها بدست مي آيند
آموزش داده و نتايج حاصل از ماتريسهاي احتمال مشاهدات بدست آمده را دركنار ويژگي هايي همچ ون
بعد SVD تعداد نقاط پاياني و نقاط اتصال كاراكتر، تصوير گراديان، ثابتهاي گشتاور، ويژگيهاي حاصل از
بكارگرفتيم. SVM براي آموزش ،t از عبور از فيلتر آزمون
نتايج بهتري را در عملكرد نهايي كلاسه بند سبب PCA و LDA در مقايسه با SVD نتايج نشان ميدهد كه
به نسبت روشهاي ترتيبي انتخاب ويژگي، حجم محاسباتي بسيار كمتر و كارايي t ميشود. همچنين آزمون
مناسب - rbf و mlp كرنلهاي ،SVM بيشتري داشت. از ميان توابع كرنل مختلف قابل استفاده براي آموزش
در ازاي زمان پردازشي بيشتر، عملكرد بهتري به نسبت بقيه دارد . rbf تر هستند. نتايج نشان داد كه كرنل
عملكرد اين كلاسه بند از لحاظ ،SVM بر روي HMM در قسمت آخر با اعمال ويژگيهاي حاصل از آموزش
نرخ شناسايي بهبود داده شده است.
واژه هاي كليدي: شناسايي نوري كاراكتر، استخراج ويژگي، كلاسه بند، مدل مخفي ماركوف، تابع كرنل،
ماشين بردار پشتيبان