[논문 리뷰] Design of a novel convex hull based feature set for recognition of isolated handwritten Roman numerals

Nibaran Das, Sandip Pramanik외 4명|arXiv (Cornell University)|2015. 01. 22.

Handwritten Text Recognition Techniques참고 문헌 10인용 수 4

한 줄 요약

이 논문은 다층 퍼셉트론(MLP) 분류기를 사용하여 고립된 손글씨 로마 숫자를 인식하기 위해 새로운 볼록각 기반 특징 집합을 제안한다. 볼록각의 벌집 속성에서 25개, 볼록각의 중심으로 나누어진 네 개의 부분 이미지 각각에서 25개씩 특징을 추출하여 125개의 특징을 추출함으로써, MNIST 데이터셋에서 97.44%의 인식 정확도를 달성하여 애핀 불변 기하 특징이 손글씨 숫자 인식에서 효과적임을 입증한다.

ABSTRACT

In this paper, convex hull based features are used for recognition of isolated Roman numerals using a Multi Layer Perceptron (MLP) based classifier. Experiments of convex hull based features for handwritten character recognition are few in numbers. Convex hull of a pattern and the centroid of the convex hull both are affine invariant attributes. In this work, 25 features are extracted based on different bays attributes of the convex hull of the digit patterns. Then these patterns are divided into four sub-images with respect to the centroid of the convex hull boundary. From each such sub-image 25 bays features are also calculated. In all 125 convex hull based features are extracted for each numeric digit patterns under the current experiment. The performance of the designed feature set is tested on the standard MNIST data set, consisting of 60000 training and 10000 test images of handwritten Roman using an MLP based classifier a maximum success rate of 97.44% is achieved on the test data.

연구 동기 및 목표

• 애핀 변환에 대해 불변인 특징 집합을 개발하여 고립된 손글씨 로마 숫자 인식에 대해 강건한 성능을 확보한다.
• 손글씨 문자 인식에서 특징 표현을 향상시키기 위해 볼록각 기하학과 벌집 속성의 활용을 탐색한다.
• 볼록각을 하위 영역으로 공간 분할하여 局소 특징 추출을 통해 인식 정확도를 향상시킨다.
• 표준 기준 데이터셋을 사용하여 잘 알려진 분류기 아키텍처를 활용해 제안된 특징 집합을 검증한다.

제안 방법

• 각 손글씨 숫자 패턴의 볼록각을 계산하여 전반적인 기하 특징을 추출한다.
• 볼록각 경계의 중심을 사용하여 패턴을 네 개의 하위 이미지로 나누어 局소 특징 분석을 수행한다.
• 볼록각 경계에서 총 25개의 벌집 속성을 추출하여 기하학적 비정상성을 표현한다.
• 각 네 개의 하위 이미지에 대해 추가로 25개의 벌집 특징을 계산하여, 패턴당 총 125개의 특징을 생성한다.
• 특징 집합을 다층 퍼셉트론(MLP) 분류기에 입력하여 패턴 인식을 수행한다.
• 모델은 손글씨 로마 숫자 60,000장의 훈련 이미지와 10,000장의 테스트 이미지를 포함한 표준 MNIST 데이터셋에서 훈련 및 테스트된다.

실험 결과

연구 질문

• RQ1 볼록각 기반 기하 특징은 고립된 손글씨 로마 숫자의 인식 정확도를 향상시킬 수 있는가?
• RQ2 볼록각의 애핀 불변 성질은 변환에 대해 특징의 강건성을 어떻게 향상시키는가?
• RQ3 볼록각을 하위 영역으로 공간 분할하면 전반적 볼록각 특징만 사용하는 것보다 더 나은 분류 특징을 얻을 수 있는가?
• RQ4 이러한 새로운 특징 집합을 사용하여 표준 기준 데이터셋에서 달성 가능한 최대 인식 성능는 얼마인가?

주요 결과

• 제안된 특징 집합은 MLP 분류기를 사용하여 MNIST 테스트 세트에서 최대 97.44%의 인식 정확도를 달성했다.
• 하위 이미지 기반의 벌집 특징 통합이 전체 특징 벡터의 분류 능력을 크게 향상시켰다.
• 볼록각과 그 중심은 애핀 불변 속성을 제공하여 크기 조정, 회전, 이동에 대한 강건성을 향상시켰다.
• 손글씨 문자 인식에서 볼록각 기반 특징에 대한 이전 연구가 제한적이었음에도 불구하고, 이 방법은 뛰어난 성능을 보였다.
• 특징 집합의 설계는 전반적 및 국소 기하 구조를 모두 활용하여 높은 분류 정확도를 기여했다.