Isolated Persian/Arabic handwriting characters: Derivative projection profile features, implemented on GPUs

تا كنون پژوهشگران تلاش هاي زيادي را براي بالا بردن دقت روش هاي تشخيص حروف دست نويس انجام داده و پيشرفت هاي قابل توجهي در اين زمينه داشته اند. اما نكته ي مهمي كه كمتر در اين تلاش ها مورد توجه قرار گرفته است مسيله ي سرعت اين روش ها مي باشد. با توجه به كاربردهاي سيستم هاي تشخيص حروف دست نويس اجراي سريع آنها بسيار مهم مي باشد اما محدوديت هاي سخت افزاري هزينه ي افزايش سرعت را بسيار بالا مي برد. يك راه حل مناسب استفاده از قدرت الگوريتم هاي موازي براي اين نوع سيستم ها مي باشد. در اين مقاله يك روش استخراج ويژگي با نام DPP معرفي شده كه به منظور تشخيص حروف دست نويس جدا از هم فارسي مورد استفاده قرار گرفته است. با وجود كارايي بالاي DPP، محاسبات كمي براي استخراج آن لازم است. همچنين براي طبقه بندي ويژگي هاي به دست آمده شبكه ي همينگ به كار گرفته شده است. به علاوه براي افزايش سرعت، بعضي از قسمت هاي الگوريتم تشخيص روي واحدهاي پردازنده گرافيكي(GPU) با استفاده از سكوي CUDA پياده سازي شده است. براي ارزيابي روش هاي ارايه شده از پايگاهداده ي هدف(بزرگترين پايگاه داده ي حروف دست نويس جدا از هم) استفاده شده است. در پايان، نتايج دقت 94.5% در تشخيص حروف و افزايش سرعت 5.5 برابري در تشخيص حروف را نشان مي دهند.

For many years, researchers have studied high accuracy methods for recognizing the handwriting and achieved many significant improvements. However, an issue that has rarely been studied is the speed of these methods. Considering the computer hardware limitations, it is necessary for these methods to run in high speed. One of the methods to increase the processing speed is to use the computer parallel processing power. This paper introduces one of the best feature extraction methods for the handwritten recognition, called DPP (Derivative Projection Profile), which is employed for isolated Persian handwritten recognition. In addition to achieving good results, this (computationally) light feature can easily be processed. Moreover, Hamming Neural Network is used to classify this system. To increase the speed, some part of the recognition method is executed on GPU (graphic processing unit) cores implemented by CUDA platform. HADAF database (Biggest isolated Persian character database) is utilized to evaluate the system. The results show 94.5% accuracy. We also achieved about 5.5 times speed-up using GPU.