[論文レビュー] Classifier Fusion Method to Recognize Handwritten Kannada Numerals

H. R. Mamatha, Shyamgopal Karthik+1 more|arXiv (Cornell University)|Jan 2, 2013

Handwritten Text Recognition Techniques参考文献 8被引用数 4

ひとこと要約

本論文では、走査長さカウント（RLC）および方向性チェーンコード（DCC）を用いた特徴抽出と、K-最近傍法（KNN）と線形分類器（LC）を組み合わせた分類器統合手法を提案し、手書きカナダ数字の認識を向上させることを目的としている。この手法は平均96%の認識率を達成しており、最小限で効果的な特徴を用いた分類器統合が、低リソースのインド系スクリプトにおいても精度を向上させることを示している。

ABSTRACT

Optical Character Recognition (OCR) is one of the important fields in image processing and pattern recognition domain. Handwritten character recognition has always been a challenging task. Only a little work can be traced towards the recognition of handwritten characters for the south Indian languages. Kannada is one such south Indian language which is also one of the official language of India. Accurate recognition of Kannada characters is a challenging task because of the high degree of similarity between the characters. Hence, good quality features are to be extracted and better classifiers are needed to improve the accuracy of the OCR for Kannada characters. This paper explores the effectiveness of feature extraction method like run length count (RLC) and directional chain code (DCC) for the recognition of handwritten Kannada numerals. In this paper, a classifier fusion method is implemented to improve the recognition rate. For the classifier fusion, we have considered K-nearest neighbour (KNN) and Linear classifier (LC). The novelty of this method is to achieve better accuracy with few features using classifier fusion approach. Proposed method achieves an average recognition rate of 96%.

研究の動機と目的

• 文字の類似性が著しいため、手書きカナダ数字を認識することの課題に対処すること。
• 低リソースのインド系スクリプト向けに、効果的な特徴抽出技術を用いて認識精度を向上させること。
• KNNと線形分類器を統合する戦略を通じて、その有効性を検証すること。
• 最小限の識別的特徴を用いても高い認識性能を達成すること。

提案手法

• 手書き数字の構造的および輪郭的特徴を捉えるために、走査長さカウント（RLC）および方向性チェーンコード（DCC）を用いた特徴抽出。
• 抽出された特徴に基づいて、個別にK-最近傍法（KNN）および線形分類器（LC）モデルを学習。
• 多数決投票または重み付き意思決定ルールを用いて、KNNおよびLC分類器の予測結果を統合。
• 特徴の複雑さを最小限に抑えつつ、全体の認識精度を向上させる統合プロセスの最適化。
• ベンチマークデータセットを用いて、手書きカナダ数字認識システムの性能を評価。

実験結果

リサーチクエスチョン

• RQ1 RLCおよびDCC特徴は、認識のための手書きカナダ数字を効果的に表現できるか？
• RQ2 KNNとLCの分類器統合は、個別の分類器と比較して認識精度をどのように向上させるか？
• RQ3 カナダ数字認識において、わずかな識別的特徴のみを用いても、どの程度高い認識精度を達成できるか？
• RQ4 類似した外見のカナダ数字を認識する際、統合アプローチは単体の分類器を上回るか？

主な発見

• 提案された分類器統合手法は、手書きカナダ数字データセットで平均96%の認識率を達成した。
• RLCおよびDCC特徴の組み合わせは、最小限の特徴セットで強力な識別力を示した。
• KNNと線形分類器の統合は、個別の分類器を上回り、意思決定における相乗効果を示した。
• 文字の類似性という、カナダ数字認識における主要な課題を効果的に処理できた。
• 知的な統合戦略を用いることで、限られた特徴でも高い正確性が達成可能であることが確認された。