[论文解读] English Character Recognition using Artificial Neural Network

Tirtharaj Dash, Tanistha Nayak|arXiv (Cornell University)|Jun 19, 2013

Hand Gesture Recognition Systems参考文献 4被引用 6

一句话总结

本文提出了一种使用单输出人工神经网络（ANN）在C语言中实现的离线手写英语字符识别系统。该模型在10组大写和小写字母上进行训练，在包含5个大写和5个小写字母的测试集上实现了92.59%的准确率和0%的误拒率，证明了使用极简网络架构对孤立字符进行有效模式识别的能力。

ABSTRACT

This work focuses on development of a Offline Hand Written English Character Recognition algorithm based on Artificial Neural Network (ANN). The ANN implemented in this work has single output neuron which shows whether the tested character belongs to a particular cluster or not. The implementation is carried out completely in 'C' language. Ten sets of English alphabets (small-26, capital-26) were used to train the ANN and 5 sets of English alphabets were used to test the network. The characters were collected from different persons over duration of about 25 days. The algorithm was tested with 5 capital letters and 5 small letter sets. However, the result showed that the algorithm recognized English alphabet patterns with maximum accuracy of 92.59% and False Rejection Rate (FRR) of 0%.

研究动机与目标

• 开发一种基于人工神经网络的鲁棒且轻量级的离线手写英语字符识别系统。
• 在C语言中实现单输出神经元ANN，以支持实时或嵌入式部署。
• 在25天内从多名个体收集的多样化手写样本上评估识别性能。
• 在保持高准确率的同时最小化误拒率。
• 验证简单ANN架构在识别孤立英语字母方面的可行性。

提出的方法

• 设计了单输出人工神经网络，其中每个神经元用于判断输入字符是否属于特定字符类别。
• 网络在25天内从不同个体收集的10组26个大写和26个小写英语字母上进行训练。
• 对手写字符图像执行特征提取，可能包括二值化和归一化等预处理操作。
• 训练过程使用反向传播或类似学习规则，基于误差最小化调整权重。
• 在未用于训练的5组大写和5组小写字母上进行测试。
• 实现完全使用C编程语言编写，以确保效率和可移植性。

实验结果

研究问题

• RQ1 单输出人工神经网络能否在识别孤立手写英语字符方面实现高准确率？
• RQ2 以C语言实现的轻量化ANN在离线手写字符识别中的性能如何？
• RQ3 该系统如何处理不同个体之间手写风格的差异性？
• RQ4 在未见的手写样本上测试时，该模型的误拒率是多少？
• RQ5 该网络在未包含于训练集的新字符样本上泛化能力如何？

主要发现

• 所提出的ANN在5个大写和5个小写字母的测试集上实现了最高92.59%的识别准确率。
• 系统记录了0%的误拒率，表明没有正确书写的字符被错误拒绝。
• 由于在25天内收集了多样化数据，模型对书写差异表现出鲁棒性。
• 每个字符类别使用单输出神经元的设计简化了网络架构，同时保持了可接受的性能。
• C语言实现证实了此类系统在资源受限环境中的可部署性。
• 研究结果已在AIRES-2012会议上得到验证，表明该方法获得了同行评审的认可。