تشخيص حروف دست نوشته فارسي با شبكه عصبي

Persian handwritten letters recognition by using neural network

از جمله سيستم هاي پردازش تصوير، مي توان به يك سيستم تشخيص الگو اشاره كرد. تشخيص الگو امريست كه به وفور در زندگي انسانها ديده مي شود، مانند تشخيص دستخط انسان هاي مختلف، تشخيص گفتار، تشخيص چهره، و غيره. تشخيص الگو مسيرهاي مختلفي را در گذشته طي كرده و هدف آن، دسته بندي اشياء به تعدادي كلاس مي باشد. تشخيص حروف دست نوشته فارسي يكي از زيرشاخه هاي تشخيص الگو و هوش مصنوعي به حساب مي آيد كه از سه بخش پيش پردازش، استخراج ويژگي و دسته بندي تشكيل شده است. در اين مقاله، روشي بمنظور تشخيص حروف دست نوشته فارسي ارائه شده است. هدف از بخش پيش پردازش، نرماليزه كردن و باينري كردن داده هاي ورودي است. در بخش استخراج ويژگي، مجموعه اي از ويژگي ها استخراج مي شوند كه آن نمونه را از ديگر نمونه ها جدا مي سازد. در بخش دسته بندي، بايد نمونه هاي هر الگو با مرز مشخصي از بقيه نمونه ها تفكيك شوند. در چارچوب پيشنهادي، تعدادي ويژگي مكمل يكديگر بر اساس معيار زاويه، و ويژگي هاي آماري از حروف دست نوشته فارسي استخراج گرديد و از دسته بند شبكه عصبي بمنظور آموزش سيستم استفاده شد. ارزيابي نتايج بر روي پايگاه داده حروف هدي انجام گرديد و بهترين نرخ تشخيص، حدود 93/95 درصد بدست آمد.

Including image processing systems, we can point to a pattern recognition system. Pattern recognition is an issue that is abundantly seen in human life, such as recognizing human handwriting, speech recognition, facial recognition, and so on. Pattern recognition has traveled different paths in the past, and its purpose is to classify objects into a number of classes. Detection of handwritten letters is one of the subsets of pattern recognition and artificial intelligence, which consists of three parts: preprocessing, extraction, and categorization. In this paper, a method for identifying Persian handwritten letters is presented. The purpose of the preprocessing section is to normalize and binary input data. In the feature extraction section, a set of features is extracted that separates that sample from other instances. In the categorization section, samples of each pattern must be distinguished from a certain boundary of the rest of the samples. In the proposed framework, a number of complementary features were extracted based on angle criteria, and statistical characteristics of the Persian handwritten letters were extracted and a neural network classifier was used to teach the system. The results were evaluated on the HODA database and the best recognition ratr was about 95/93%.