بازشناسي برخط ارقام دستنويس فارسي با استفاده از طبقه بند ماشين بردار پشتيبان

Online Recognition of Farsi Handwritten digits Using SVM Classifier

در اين مقاله روشي براي بازشناسي برخط ارقام دستنويس فارسي ارايه مي شود. چهار مجموعه ويژگي نقطه اي و يك مجموعه ويژگي سراسري، از نمونه هاي پيش پردازش شده استخراج شده است. در اين پژوهش ساختاري مناسب براي بردار ويژگي، تنها حاوي يك مجموعه ويژگي نقطه اي و بهره گيري از ويژگي هاي سراسري در كنار ويژگي هاي نقطه اي براي بهبود عملكرد طبقه بند ارايه مي شود. به همين منظور آزمايش هاي متعددي با هركدام از مجموعه ويژگي هاي نقطه اي و همچنين بهره گيري از ويژگي هاي سراسري در كنار هريك از مجموعه ويژگي هاي نقطه اي با استفاده از طبقه بند ماشين بردار پشتيبان (SVM) با رويكردهاي يك در مقابل همه (OVA) و يك در مقابل يك (0V0) انجام شده است. در اين تحقيق به منظور ارايه روشي سريع، دقيق و با قابليت اطمينان بالا، طبقه بند ماشين بردار پشتيبان (SVM) با رويكرد يك در مقابل يك (OVO) براي بازشناسي برخط ارقام دستنويس فارسي، پيشنهاد شده است. روش پيشنهادي ارايه شده در اين مقاله روي ارقام موجود در پايگاه داده Online - TMU انجام شده است، بهترين نرخ بازشناسي، با بهره گيري از تغييرات در راستاي افقي (Ax) و تغييرات در راستاي عمودي (Ay) به عنوان ويژگي نقطه اي در كنار مجموعه ويژگي هاي سراسري حاصل مي شود، كه ميانگيني برابر با 98/08 درصد دارد.

In this paper a method for online recognition of Farsi handwritten digit is presented. Four sets of Point Features and a set of global features are extracted from preprocessed patterns. In this study a suitable structure for feature vector, which contains only a set of point features and global features, to improve the performance of classifier, is presented. Therefore, numerous experiments with each of the point feature set and the global features using support vector machine (SVM) classifier, with one versus all (OVA) and one versus one (OVO) approaches is done. In this paper, for presenting a fast, accurate and reliable method, SVM classifier with OVO approach is proposed for online recognition of Farsi handwritten digits. This method is applied on online-TMU database. The best recognition rate with point feature set (Δx , Δy)s and global features is achieved. The average recognition rate is 98.08%.