[论文解读] Non-Correlated Character Recognition using Artificial Neural Network

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

Handwritten Text Recognition Techniques参考文献 7被引用 4

一句话总结

本文提出一种基于人工神经网络（ANN）的方法，用于离线、非相关手写英语字符识别，重点针对无线性关系的孤立字母。在 MATLAB 中使用前馈神经网络对 52 组大写和小写字母进行训练，该方法实现了最高 85% 的识别准确率。

ABSTRACT

This paper investigates a method of Handwritten English Character Recognition using Artificial Neural Network (ANN). This work has been done in offline Environment for non correlated characters, which do not possess any linear relationships among them. We test that whether the particular tested character belongs to a cluster or not. The implementation is carried out in Matlab environment and successfully tested. Fifty-two sets of English alphabets are used to train the ANN and test the network. The algorithms are tested with 26 capital letters and 26 small letters. The testing result showed that the proposed ANN based algorithm showed a maximum recognition rate of 85%.

研究动机与目标

• 开发一种在离线环境下可靠识别孤立、非相关手写英语字符的方法。
• 解决因缺乏线性或结构关联而导致传统模式识别复杂化的挑战。
• 评估人工神经网络在区分 26 个大写字母和 26 个小写字母方面的能力。
• 验证在无法对字符关系做出先验假设的情况下，使用 ANNs 进行字符识别的可行性。
• 在真实世界、非理想的手写字符识别场景中实现高识别准确率。

提出的方法

• 采用前馈人工神经网络作为核心识别模型。
• 该网络在 52 个不同的手写英语字符集（26 个大写字母和 26 个小写字母）上进行训练。
• 对孤立字符图像进行特征提取，以准备输入向量供 ANN 使用。
• 在 MATLAB 环境中实现训练和测试，使用标准反向传播算法调整权重。
• 系统根据学习到的模式判断测试字符是否属于特定聚类（字母类别）。
• 该架构采用多层感知机，结合监督学习方法对输入模式进行分类。

实验结果

研究问题

• RQ1 人工神经网络能否在不假设线性关系的前提下，有效识别非相关手写英语字符？
• RQ2 对于孤立的、离线手写字母，使用 ANN 可实现的最高识别准确率是多少？
• RQ3 在缺乏上下文或序列线索的情况下，ANN 在大写和小写字母上的泛化能力如何？
• RQ4 所提出的方法是否在非相关字符识别任务中优于传统模式识别技术？
• RQ5 训练数据多样性对网络识别未见手写字符能力的影响如何？

主要发现

• 所提出的基于 ANN 的方法在 52 个手写字符类别的测试数据集中实现了最高 85% 的识别率。
• 该系统在离线、非相关环境下成功区分了 26 个大写字母和 26 个小写字母。
• 识别性能在大写和小写字母集之间保持一致，表明学习过程均衡。
• 使用前馈神经网络即使在字符缺乏结构或线性关系的情况下，也能实现有效分类。
• 在 MATLAB 中的实现证明了该方法的实用性和可复现性。
• 结果证实，当训练数据足够具有代表性时，ANN 在孤立字符识别中具有有效性。