[论文解读] 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 4

一句话总结

本文提出了一种结合K-最近邻（KNN）与线性分类器（LC）的分类器融合方法，并利用游程计数（RLC）和方向链码（DCC）进行特征提取，以提升手写卡纳达数字的识别率。该方法实现了96%的平均识别率，表明通过融合使用最少且有效的特征，可显著提升低资源印度文字的识别准确率。

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%.

研究动机与目标

• 为解决由于字符高度相似而导致的手写卡纳达数字识别难题。
• 通过有效的特征提取技术，提升低资源印度文字的识别准确率。
• 探究结合KNN与线性分类器的融合策略的有效性。
• 在仅使用最少且具有区分性的特征条件下，实现高识别性能。

提出的方法

• 利用游程计数（RLC）和方向链码（DCC）进行特征提取，以捕捉手写数字的结构与轮廓特征。
• 基于提取的特征分别训练K-最近邻（KNN）与线性分类器（LC）模型。
• 通过多数投票或加权决策规则融合KNN与LC分类器的预测结果。
• 优化融合过程，在最小化特征复杂度的同时提升整体识别准确率。
• 在手写卡纳达数字的基准数据集上评估系统性能。

实验结果

研究问题

• RQ1 RLC与DCC特征能否有效表征手写卡纳达数字以实现识别？
• RQ2 与单一分类器相比，KNN与LC分类器的融合在识别准确率方面有何提升？
• RQ3 在仅使用少数具有区分性的特征条件下，卡纳达数字的识别准确率能达到何种程度？
• RQ4 在识别外观相似的卡纳达数字时，该融合方法是否优于独立分类器？

主要发现

• 所提出的分类器融合方法在手写卡纳达数字数据集上实现了96%的平均识别率。
• RLC与DCC特征的结合在极简特征集下仍展现出强大的区分能力。
• 融合KNN与线性分类器的表现优于单一分类器，体现出决策上的协同效应。
• 该方法有效应对了字符相似性这一卡纳达数字识别的主要挑战。
• 结果证实，即使特征数量有限，只要采用智能的融合策略，仍可实现高准确率。