Holistic Farsi handwritten word recognition using gradient features

ما در اين مقاله به مسيله تشخيص كلمات دستنويس فارسي پرداخته ايم. دو نوع ويژگي مبتني بر گردايان از نوار كشويي عمودي كه در سراسر تصوير كلمه حركت مي كند استخراج مي شود، اين ويژگي ها گراديان شدتي و گراديان جهتي هستند. بردار ويژگي كه از هر نوار عمودي استخراج مي شود، سپس با استفاده از يك شبكه عصبي خود سازمان ده كوا نتيزه مي شود. در اين روش هر كلمه با استفاده از مدل مخفي ماركوف گسسته، مدل مي شود. براي ارزيابي كارايي روش پيشنهادي پايگاه داده فارسا مورد استفاده قرار مي گيرد. نتايج تجربي نشان مي دهد كه روش پيشنهادي، با اعمال ويژگي هاي گردايان جهتي، به نرخ بازشناسي 69.07 درصد دست مي يابد و داراي عملكرد بهتري نسبت به تمام روش هاي موجود است.

In this paper we address the issue of recognizing Farsi handwritten words. Two types of gradient features are extracted from a sliding vertical stripe which sweeps across a word image. These are directional and intensity gradient features. The feature vector extracted from each stripe is then coded using the Self Organizing Map (SOM). In this method each word is modeled using the discrete Hidden Markov Model (HMM). To evaluate the performance of the proposed method, FARSA dataset has been used. The experimental results show that the proposed system, applying directional gradient features, has achieved the recognition rate of 69.07% and outperformed all other existing methods.