[论文解读] Application of Statistical Features in Handwritten Devnagari Character Recognition

Sandhya Arora, Debotosh Bhattacharjee+3 more|arXiv (Cornell University)|Jun 30, 2010

Handwritten Text Recognition Techniques参考文献 4被引用 11

一句话总结

该论文提出了一种混合离线手写天城文字符号识别系统，采用从预处理字符中提取的链码直方图和矩不变特征，输入多个多层感知机（MLP），并通过加权多数投票方案融合结果。该系统在1500个样本的数据库上，实现了98.03%的前五名预测识别率和89.46%的单一名次预测识别率，表现出对书写风格和尺寸变化的强鲁棒性。

ABSTRACT

In this paper a scheme for offline Handwritten Devnagari Character Recognition is proposed, which uses different feature extraction methodologies and recognition algorithms. The proposed system assumes no constraints in writing style or size. First the character is preprocessed and features namely : Chain code histogram and moment invariant features are extracted and fed to Multilayer Perceptrons as a preliminary recognition step. Finally the results of both MLP's are combined using weighted majority scheme. The proposed system is tested on 1500 handwritten devnagari character database collected from different people. It is observed that the proposed system achieves recognition rates 98.03% for top 5 results and 89.46% for top 1 result.

研究动机与目标

• 开发一种无需对书写风格或尺寸施加限制的鲁棒离线手写天城文字符号识别系统。
• 评估统计特征——链码直方图和矩不变量——在手写识别中作为字符表示的有效性。
• 通过使用加权多数投票方案融合多个MLP分类器，提高识别准确率。
• 在包含1500个手写天城文字符号的真实世界多样化数据集上验证系统性能。

提出的方法

• 对手写天城文字符号进行预处理，以实现尺寸归一化并增强对比度。
• 提取链码直方图特征，以捕捉轮廓形状信息。
• 计算矩不变特征，以表示对平移、缩放和旋转不变的全局形状特性。
• 在链码直方图和矩不变特征上分别训练两个独立的多层感知机（MLP）。
• 使用加权多数投票方案融合各MLP的输出，以提升整体识别性能。
• 基于分类器在验证集上的表现，优化融合方案中的权重。

实验结果

研究问题

• RQ1 链码直方图和矩不变特征是否能有效表示手写天城文字符号以实现识别？
• RQ2 与单个分类器相比，使用加权多数投票方案融合多个MLP分类器在识别准确率上有多大提升？
• RQ3 该系统在无预先约束书写风格和尺寸的情况下，能在多大程度上保持高识别准确率？
• RQ4 所提出的系统在真实世界手写天城文字符号数据库上的识别性能如何？

主要发现

• 所提出的系统在1500个样本的手写天城文字符号数据库上实现了98.03%的前五名识别准确率。
• 单一名次识别准确率达到89.46%，表明其在单标签预测任务中表现优异。
• 同时使用链码直方图和矩不变特征显著提升了系统在不同书写风格和尺寸下的鲁棒性。
• 两个MLP的加权多数融合显著优于单一分类器的性能。
• 该系统在无需对书写风格或尺寸进行预处理的真实手写数据上表现出高度泛化能力。
• 结果验证了统计特征与集成学习在手写天城文字符号识别中的有效性。