بازشناسي برخط زير-كلمات فارسي بر اساس ويژگي‌هاي كدهاي زنجيره‌اي فريمن با استفاده از ‌ مدل مخفي ماركوف

Recognition of Online Farsi Subwords based on Freeman Chain Code Feature using Hidden Markov Model

در اين مقاله سعي بر شناسايي برخط زيركلمات فارسي با استفاده از كدهاي زنجيره‌اي فريمن و مدل مخفي ماركوف شده است. كدهاي زنجيره‌اي با استفاده از جهت شكستگي‌ها، ضمن حفظ جهت حركت قلم، حجم داده‌ها را كاهش مي‌دهد. از اين‌رو مي‌تواند به عنوان يك روش مؤثر در شناسايي برخط زيركلمات بكار گرفته شود. پس از شكستن زيركلمه به بخش‌هاي تشكيل‌دهنده (بدنه اصلي و ريزحركات)، با استفاده از كدهاي زنجيره‌اي فريمن، هر بخش به صورت مجزا كدگذاري مي‌شود. از آنجائيكه اين كدها به تنهايي جهت شناسايي زيركلمه كافي نمي‌باشند، آنها را با ويژگي‌هاي ديگري كه از بردارهاي افقي و عمودي زيركلمات بدست مي‌آيند تلفيق كرده و مجموعه ويژگي‌هاي استخراج شده را جهت شناسايي نهايي به طبقه‌بندي‌كننده مدل مخفي ماركوف ارسال مي‌كنيم. ساخت مدل با استفاده از الگوريتم BaumWelch و آموزش برنامه با الگوريتم پيشرو انجام گرفته است. بكارگيري مراحل ياد شده بر روي پايگاه داده‌اي مشتمل بر 2000 نمونه زيركلمه، نرخ شناسايي تا 5/93 درصد را نشان مي‌دهد.

This paper attempts to recognize online Farsi subwords using the Freeman chain codes and hidden Markov model. Chain codes reduce the number of data with using the direction of breaks and keeping the direction of pen movement. Hence it can be used as an effective way to recognize of online subwords. After breaking the subword into component parts (main body and strokes), each part separately coded using Freeman chain code. Since these codes are not sufficient to recognize of subwords, we merged them with some other features extracted from horizontal and vertical trajectories. Finally, the set of features are sent hidden Markov model classifier to final recognition. Modeling has been built with BaumWelch algorithm and training of program performed with forward algorithms. Using the mentioned steps on a database including the 2000 subwords has the recognition rate of 93.5%.