بهبود تشخيص حروف فارسي به كمك استراتژي تحليلي ضمني

improve recognition of Persian handwritten using implicit analytical strategy

خلاصه در سالهاي اخير، به دليل ارتباط روزافزون بين انسان و رايانه و استفاده ي گسترده از اينترنت و موبايل جهت انجام كارهاي شخصي و اداري و تحصيلي، نياز به تشخيص دست خط افزايش يافته است، بنابراين محققين در كشورهاي مختلف جهت شناسايي دست خط تلاشهاي فراواني كردند اما به دليل ساختار ويژه اي كه دست خط فارسي دارد نمي‌توان زياد به اين تحقيقات استناد كرد، لذا بازشناسي برون خط دست خط فارسي با مشكلات فراواني مواجه است. در اين مقاله، سيستمي براي بازشناسي نوشتار دستنويس فارسي ارائه شده است كه در اكثر مجموعه هايي كه با جمع‌آوري عمومي اطلاعات سروكار دارند، كاربرد دارد. هدف از اين پژوهش، بازشناسي كلمات دست‌نويسي است كه با حروف گسسته نوشته شده‌اند. ويژگي‌هاي مورد استفاده در اين پژوهش، ويژگي‌هاي آماري حروف جداسازي شده است. در اين مقاله سعي بر بازشناسي برون خط حروف فارسي به كمك مدل آماري مخفي ماركوف شده است. براي قدرت مند تر شدن نرم افزار از يك شبكه عصبي نيز كمك خواهيم گرفت تا با تركيب شبكه عصبي و مدل ماركوف درصد تشخيص نرم افزار بالاتر رود. براي اضافه شدن سرعت تشخيص نيز تشخيص يك كلمه از ابتدا و انتهاي كلمه به صورت همزمان انجام ميگيرد.

Abastract Persian handwritten recognition using implicit analytical strategy In recent years, due to increasing communication between humans and computers and the widespread use of the Internet and mobile for private,office and educational aplicatios, needs to be enhanced handwriting recognition, So researchers in different countries tries to recognize the handwritten. They do many efforts but because of the special structure of the Persian handwriting, is not very trustable for the researchers cited, therefore recognize of Persian handwritten has so many difficulties. In this thesis try to recognize Persian letters in offline mode via hidde n Markov model. For a more powerful application, a neural network will also help to improve the results of recognition, so we combine neural network and Markov models. The model presented in this thesis is a subset of implicit analytical methods. Generalities this thesis is as follows: First, we read a digital image of the various letters that were written by different people. Each of these images is converted into a binary vector. This images used for training the neural network. After training the neural network, the trained database used in the Markov model. When a letter was diagnosed by a neural network Markov model tried to predict the next letter. Finally, an image that is made to test the system, recognized by using neural network and Markov model.