[论文解读] Handwritten Character Recognition In Malayalam Scripts- A Review

Anitha Mary M. O. Chacko, P. M. Dhanya|arXiv (Cornell University)|Feb 10, 2014

Handwritten Text Recognition Techniques参考文献 15被引用 5

一句话总结

本综述论文对马拉雅拉姆语（一种南印度语言，其书写系统复杂）的离线与在线手写字符识别（HCR）系统进行了全面分析。论文探讨了诸如庞大的字符集、元音符号和连字符等挑战，并评估了特征提取、分割和机器学习分类器等关键技术，总结了截至2014年该领域的发展进展及尚未解决的研究空白。

ABSTRACT

Handwritten character recognition is one of the most challenging and ongoing areas of research in the field of pattern recognition. HCR research is matured for foreign languages like Chinese and Japanese but the problem is much more complex for Indian languages. The problem becomes even more complicated for South Indian languages due to its large character set and the presence of vowels modifiers and compound characters. This paper provides an overview of important contributions and advances in offline as well as online handwritten character recognition of Malayalam scripts.

研究动机与目标

• 分析截至2014年马拉雅拉姆语手写字符识别技术的最新进展。
• 识别马拉雅拉姆语HCR中的核心挑战，包括庞大的字符集、变音符号及连字符。
• 评估应用于马拉雅拉姆语HCR的各种特征提取与分类技术的有效性。
• 突出马拉雅拉姆语HCR中的研究空白与未来研究方向，尤其在分割与多风格手写处理方面。
• 为从事印度语言HCR研究的学者提供一份整合性的参考文献，重点关注马拉雅拉姆语的语言复杂性。

提出的方法

• 系统性回顾2000年至2014年间发表的关于马拉雅拉姆语手写字符识别的研究文献。
• 将方法分为离线与在线HCR两类，重点关注Zernike矩、几何特征和傅里叶描述子等特征提取技术。
• 分析用于处理独立字符、元音符号（matras）及连字符的分割策略。
• 评估应用于马拉雅拉姆语HCR的分类模型，包括支持向量机（SVM）、k-近邻（k-NN）、神经网络及隐马尔可夫模型（HMMs）。
• 比较不同数据集上的性能表现，涵盖书写风格差异与噪声水平变化。
• 综合分析方法论趋势，包括从基于规则的方法向机器学习方法的转变。

实验结果

研究问题

• RQ1 由于书写系统的复杂性，识别手写马拉雅拉姆语字符的主要技术挑战是什么？
• RQ2 马拉雅拉姆语的离线与在线HCR系统在特征提取与分类准确率方面有何差异？
• RQ3 哪些特征提取技术在识别马拉雅拉姆语手写字符方面能取得最高准确率？
• RQ4 现有马拉雅拉姆语HCR系统在处理连字符与变音符号方面存在哪些局限性？
• RQ5 马拉雅拉姆语HCR中仍存在哪些研究空白，特别是在多风格手写与实时处理方面？

主要发现

• 由于庞大的字符集、广泛使用变音符号以及复杂的连字符形式，马拉雅拉姆语HCR仍是一个具有挑战性的问题。
• 离线HCR系统在受控数据集上可达到中等准确率（通常为80–90%），但在非约束性手写样本上性能显著下降。
• Zernike矩与几何特征等特征提取方法表现优异，尤其在与SVM分类器结合时。
• 由于可获取笔画顺序与时空信息，线上HCR系统通常优于离线系统。
• 连字符与元音符号的分割仍是主要瓶颈，多个研究报告了较高的错误率。
• 尽管已取得进展，但尚无系统能在多样化的书写风格与噪声条件下实现鲁棒且实时的性能，表明仍有巨大的改进空间。