WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

Pages:     | 1 | 2 ||

Класс 3.1 3.2 3.3 3.Кол-во конфигураций в 1 3 3 классе % 2 61 37 6.3.Результаты восстановления узлов и разрывов В таблице 2 представлены результаты распознавания узлов, основанного на формуле (2). Гипотезы о конфигурации упорядочены по убыванию апостериорной вероятности возникновения. В первой строке указан размер усеченного списка гипотез, во второй – доля попавших в этот список правильных конфигураций. Эксперимент проводился на всех узлах тестовой выборки базы символов. Отдельно приведены результаты для узлов кратностей 3 и 4. Доля правильно распознанных разрывов для задачи восстановления разрывов равна 87.4%.

Таблица 2. Результат распознавания конфигураций узлов Электронный журнал «ИССЛЕДОВАНО В РОССИИ» 1449 htttp://zhurnal.ape.relarn.ru/articles/2003/120.pdf Длина списка кандидатов 1 2 3 4 Доля правильно распознанных 87.3 95.9 98.3 99.1 99.конфигураций, % Доля правильно распознанных 89.5 97.3 99.1 99.5 99.конфигураций кратности 3, % Доля правильно распознанных 77 86.6 88.8 92.7 96.конфигураций кратности 4, % 6.4. Результаты восстановления траекторий Получены данные восстановления траекторий по всем изображения тестовой выборки базы символов.

Таблица 3. Результат распознавания траекторий Длина списка кандидатов 1 2 4 8 Доля правильно 74.1 85.1 92.2 98.1 99.восстановленных траекторий, % 7. Заключение Мы представили технологию выделения траектории движения пера по изображению символа. По-видимому, наш главный результат – это целостный подход к задаче на основе мягкого вероятностного принятия решений.

Системой с мягким принятием решений называется система, в которой все решения представляются в виде списка кандидатов (список возможных решений) с приписанными им весами (в нашем случае вероятностями). Здесь принятие мягких решений происходит как на уровне узлов и разрывов, так и на уровне гипотез траекторий.

Отметим также следующие результаты работы:

1. Восстановление узлов с высокой точностью;

2. Поиск и восстановление случайных разрывов;

3. Построение траектории написания по восстановленным узлам и разрывам;

Описанная технология в совокупности с методами «онлайн» распознавания позволит в дальнейшем сделать существенный шаг вперед в такой важной области искусственного интеллекта, как распознавания рукописного текста.

СПИСОК ЛИТЕРАТУРЫ 1. Govindan V.K., Shivaprasad A.P. Character recognition – a review // Pattern Recognition — 1990. — V. 23. — N 7. — P. 671–683.

2. Tappert C.C., Suen C.Y., Wakahara T. The state of art in on-line handwriting recognition // IEEE Trans. Pattern Anal. Mach. Intell. — 1990. — V. 12. — N 8. — P. 787–808.

3. Trier O. D., Jain A. K., Taxt T. Feature extraction methods for character recognition – a survey // Pattern Recognition — 1996. — V. 29. — N. 4. — P. 641–662.

4. Pan J.C., Lee S. Offline tracing and representation of signatures // IEEE Trans. Systems, Man and Cybernetics — 1992. — V. 22. — N 4. — P. 755–771.

5. Govindaraju V., Srihari S.N., Separating handwritten text from interfering strokes. — in Simon J.-C., Impedovo S.(Ed.) From pixels to features III : Frontiers in handwriting recognition — Elsevier — Amsterdam — 1992 — P. 17–28.

Электронный журнал «ИССЛЕДОВАНО В РОССИИ» 1450 htttp://zhurnal.ape.relarn.ru/articles/2003/120.pdf 6. Govindaraju V., Krishnamurthy R.K. Holistic handwritten word recognition using temporal features derived from off-line line images // Pattern Recognition Letters — 1996. — V. 17. —P.

537–540.

7. Boccignone G., Chainese A., Cordella L.P., Marcelli A. Recovering Dynamic Information from Static Handwriting // Pattern Recognition — 1993. — V. 26. — N 3. — P. 409–418.

8. Nishida H. An approach to integration of off-line and on-line recognition of handwriting // Pattern Recognition Letters — 1995. — V. 16. — P. 1213–1219.

9. Abuhaiba I.S.I., Holt M.J.J., Datta S. Processing of binary images of handwritten text documents // Pattern Recognition — 1996. — V. 29. — N 7. — P. 1161–1177.

10. Doermann D. S., Rosenfeld A. The interpretation and reconstruction of inferring stokes // International Workshop on Frontiers in Handwriting Recognition — 1993. — P. 29–40.

11. Doermann D.S., Rosenfeld A. Recovery of temporal information from static images of handwriting // International Journal of Computer Vision — 1995. — V. 15. — P. 150–12. L’Homer E. Extraction of strokes in handwritten characters // Pattern Recognition — 2000. — V. 33. — N 10. — P. 1147–1160.

13. Kato Y., Yasuhara M. Recovery of drawing order from single-stroke handwriting images // IEEE Trans. Pattern Anal. Mach. Intell. — 2000. — V. 22. — N 9. — P. 938–949.

14. Nishida H., Suzuki T., Mori S. Thin line representation from contour representation of handprinted characters. — in Simon J.-C., Impedovo S.(Ed.) From pixels to features III :

Frontiers in handwriting recognition — Elsevier — Amsterdam — 1992 — P. 29–44.

15. Поцепаев Р.В., Петров И.Б. "Эффективный алгоритм предобработки изображений для структурных методов распознавания рукописных символов". Электронный журнал "Исследовано в России", 19, стр. 181–190, 2003 г.

http://zhurnal.ape.relarn.ru/articles/2003/019.pdf 16. Ту Дж., Гонсалес Р. Принципы распознавания образов. Пер. c англ. – М.: Мир, 1978.

Pages:     | 1 | 2 ||



© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.