طبقه بندی ظریف اعداد عربی/فارسی نامحدود دست نویس شده بوسیله حذف ابهام در میان دسته های مشابه

قیمت: 38,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

طبقه بندی ظریف اعداد عربی/فارسی نامحدود دست نویس شده بوسیله حذف ابهام در میان دسته های مشابه

عنوان لاتین

Fine Classification of Unconstrained Handwritten Persian/Arabic Numerals by Removing Confusion amongst Similar Classes

در این مقاله ، دو گونه از مجموعه خصیصه ها بر پایه فرکانس های جهت دار زنجیره کد های اصلاح شده در پیکسل های کانتوره ای تصویر ورودی و خصیصه های انتقالی اصلاح گشته (عمودی و افقی) پیشنهاد شده است. پشتیبانی چند سطحی ماشین بردار SVM بعنوان توضیح دهنده ای برای تشخیص رقم های فارسی مشتق شده پیشنهاد شده است. در سطح اول ، ما اقدام به ترکیب نمودن اعدادهایی با فرم و شکل مشابه به گروهی واحد نموده و در نتیجه ، بجای ۱۰ گروه درنهایت ۷ گروه فراهم می سازیم. ما فرکانس های جهت دار زنجیره کدهای ۱۹۶ بعدی (وجهی) را بعنوان خصیصه هایی برای تمیز دادن این ۷ دسته محاسبه می کنیم. در سطح و مرحله دوم ، کلاس ها ، بدلیل شباهت بالا در نوع شکل هایشان ، دربردارنده بیش از یک عدد بوده و در نظر گرفته شده اند. ما از خصیصه های انتقالی اصلاح شده (عمودی و افقی) برای مشابه سازی میان دو دسته سرریز (۰ و ۱) استفاده می کنیم. برای جداسازی گروه سرریز دیگر که دربردارنده ۳ عدد ۲ ، ۳ و ۴ ، در ابتدا بخش های مشترک این ارقام را حذف نموده (دم) و سپس خصیصه های زنجیره کدی را محاسبه می کنیم. ما از توضیح دهنده SVM برای دسته بندی و ارزیابی طرح و شمای خود بروی ۸۰.۰۰۰ هزار نمونه دست نویس شده اعداد فارسی استفاده می کنیم. با استفاده از ۶۰.۰۰۰ نمونه برای تمرین ، ما طرح و شمای خود را بروی ۲۰.۰۰۰ نمونه دیگر آزمایش نموده و ۹۹.۰۲٪ دقت و درستی ایجاد نموده ایم.

In this paper, we propose two types of feature sets based on modified chain-code direction frequencies in the contour pixels of input image and modified transition features (horizontally and vertically). A multi-level support vector machine (SVM) is proposed as classifier to recognize Persian isolated digits. In first level, we combine similar shaped numerals into a single group and as result; we obtain 7 classes instead of 10 classes. We compute 196-dimension chain-code direction frequencies as features to discriminate 7 classes. In the second level, classes containing more than one numeral because of high resemblance in their shapes are considered. We use modified transition features (horizontally and vertically) for discriminating between two overlapping classes (0 and 1). To separate another overlapping group containing three numerals 2, 3 and 4 we first eliminate common parts of these digits (tail) and then compute chain code features. We employ SVM classifier for the classification and evaluate our scheme on 80,000 handwritten samples of Persian numerals [10]. Using 60,000 samples for training, we tested our scheme on other 20,000 samples and obtained 99.02% accuracy.