[논문 리뷰] Devnagari Handwritten Numeral Recognition using Geometric Features and Statistical Combination Classifier

Vikas J. Dongre, Vijay H. Mankar|arXiv (Cornell University)|2013. 10. 21.

Handwritten Text Recognition Techniques참고 문헌 17인용 수 12

한 줄 요약

이 논문은 17개의 기하 특징—면적, 둘레, 타원도, 방향성 등—을 사용하여 덴가니 문자 수자 인식 시스템을 제안한다. 이 특징들은 통계적 판별 함수(선형, 이차, 마할라노비스)와 다수결 투표 기반 조합 분류기와 결합된다. 개별 분류기보다 높은 정확도를 달성하며, 3,000개의 수손 수자(학습용 1,500개, 테스트용 1,500개)로 구성된 데이터셋에서 단일 모델보다 조합 방법이 더 뛰어난 성능을 보였다.

ABSTRACT

This paper presents a Devnagari Numerical recognition method based on statistical discriminant functions. 17 geometric features based on pixel connectivity, lines, line directions, holes, image area, perimeter, eccentricity, solidity, orientation etc. are used for representing the numerals. Five discriminant functions viz. Linear, Quadratic, Diaglinear, Diagquadratic and Mahalanobis distance are used for classification. 1500 handwritten numerals are used for training. Another 1500 handwritten numerals are used for testing. Experimental results show that Linear, Quadratic and Mahalanobis discriminant functions provide better results. Results of these three Discriminants are fed to a majority voting type Combination classifier. It is found that Combination classifier offers better results over individual classifiers.

연구 동기 및 목표

• 인도어에서 흔히 사용되지만 글쓰기 스타일의 높은 변동성으로 인해 인식에 어려움을 겪는 덴가니 수손 수자에 대한 정확한 인식 문제를 해결한다.
• 단일 분류기 접근의 한계를 극복하기 위해 다수의 판별 함수를 융합하여 인식의 강건성을 향상시킨다.
• 수자의 기하학적 및 구조적 특성을 기반으로 한 특징 세트를 개발하여 형태의 변동성을 효과적으로 포착한다.
• 다양한 통계적 판별 함수의 성능을 평가하고, 통합 기반 분류의 우수성을 입증한다.
• 실제 응용 분야인 서류 처리 및 인도 행정 체계의 자동 데이터 입력에 실용적이고 데이터 기반의 솔루션을 제공한다.

제안 방법

• 각 덴가니 수자 이미지에서 픽셀 연결성, 선의 수, 선의 방향, 구멍 수, 면적, 둔절, 타원도, 밀도, 방향성 등을 포함한 17개의 기하 특징을 추출한다.
• 특징 벡터의 분류를 위해 다섯 가지 통계적 판별 함수—선형, 이차, 대각선 선형, 대각선 이차, 마할라노비스 거리—를 적용한다.
• 1,500개의 수손 수자를 포함한 데이터셋으로 분류기를 학습하고, 별도의 1,500개 수자로 테스트한다.
• 상위 성능를 보인 판별 함수(선형, 이차, 마할라노비스)의 예측을 융합하는 다수결 투표 기반 조합 분류기를 구현한다.
• 다양한 개별 모델의 강점을 활용하여 전체 인식 정확도를 향상시키기 위해 조합 분류기를 활용한다.
• 표준 평가 지표를 사용하여 성능을 평가하며, 결과는 테스트 세트 전체에서의 인식 정확도로 보고된다.

실험 결과

연구 질문

• RQ1 기하 특징은 덴가니 수손 수자의 구조적 변동성을 얼마나 효과적으로 표현하는가?
• RQ2 선형, 이차, 대각선 선형, 대각선 이차, 마할라노비스 중 어느 통계적 판별 함수가 덴가니 수자에 대해 가장 높은 인식 정확도를 달성하는가?
• RQ3 여러 판별 함수의 예측을 융합하는 조합 분류기가 개별 분류기보다 우수한 성능을 내는가?
• RQ4 특징 선택과 분류기 융합은 실생활 수손 수자 인식 작업에서 전체 인식 성능에 어떤 영향을 미치는가?
• RQ5 균형 잡힌 덴가니 수자 데이터셋에서 기존 접근 방식과 비교해 본다면, 제안된 방법은 정확도와 강건성 측면에서 어떤가?

주요 결과

• 선형, 이차, 마할라노비스 판별 함수가 테스트된 다섯 개의 분류기 중에서 가장 높은 개별 인식 정확도를 기록했다.
• 상위 세 개의 성능를 보인 판별 함수(선형, 이차, 마할라노비스)를 대상으로 다수결 투표를 수행하는 조합 분류기가, 어떤 개별 분류기보다도 뛰어난 인식 성능을 보였다.
• 면적, 둘레, 타원도, 방향성 등의 기하 특징 사용이 모델의 판별 능력 향상에 크게 기여했다.
• 다양한 판별 함수의 상호보완적 강점을 활용함으로써 조합 방법이 잘못 분류 오류를 효과적으로 줄였다.
• 최종 시스템은 다양성이 높은 1,500개의 테스트 샘플에서 강력한 성능을 보이며, 뛰어난 일반화 능력을 입증했다.
• 결과적으로 다수결 투표를 통한 분류기 융합 전략이 높은 시각적 변동성을 보이는 수손 수자 시스템에서 인식 정확도 향상에 효과적인 전략임을 확인했다.