Utilisation Des Mod Les De Markov Cache Pseudo 2d Pour La Reconnaissance Des Chiffres Manuscrits
##plugins.themes.bootstrap3.article.sidebar##
##plugins.themes.bootstrap3.article.main##
Résumé
Dans cet article, nous présentons une nouvelle méthode de reconnaissance des chiffres
manuscrits qui résoud les problèmes de la multiplicité de la forme des chiffres manuscrits
ainsi les problèmes d’inclinaison et de taille. Les caractéristiques des chiffres manuscrits sont
utilisées et cela en exploitant la structure élastique des Modèles de Markov Caché.
L’indépendance en taille et inclinaison est une propriété désirée pour un système de
reconnaissance robuste. Une solution pour atteindre ce but est d’implémenter une
normalisation de taille et correction d’inclinaison dans l’approche 1D HMM. Nous proposons
une architecture de PHMM comprenant un modèle vertical de super-états et des modèles
horizontaux, un par super état. On fera la distinction entre le modèle principal composé de
super-états et les modèles secondaires associés aux super-états. Pour une image, le modèle
principal fera l’analyse selon une direction (la direction verticale) et les modèles secondaires
la feront selon l’autre axe. Notre approche permet la reconnaissance des chiffres manuscrits
inclinés. Des expérimentations sur une base des chiffres importante montrent des résultats
prometteurs avec des temps d'exécutions tolérables.
##plugins.themes.bootstrap3.article.details##
Références
InterEditions, Paris, 1992.
[2] L. S. Oliveira, R. Sabourin, F. Bortolozzi and C.Y. Suen, “Feature Selection Using MultiObjective Genetic Algorithms for Handwritten Digit Recognition”, 16th International
Conference on Pattern Recognition (ICPR 2002), vol I pp. 568-571. Quebec City, CA, August
11-15, 2002.
[3] O. D. Trier, A. K. Jain and T. Taxt, “Feature Extraction Methods for Character recognition
- à Survey”, Pattern recognition, Vol 29, No. 4, pp. 641-662, 1996.
[4] A. El Yacoubi, “Modélisation markovienne de l'écriture manuscrite, application à la
reconnaissance des adresses postales”. Thèse de doctorat, Université de Rennes 1. 1996.
[5] M.A. Mahjoub, “Application des modèles de Markov cachés stationnaires et non
stationnaires à la reconnaissance en-ligne des caractères arabes”, Thèse de doctorat,
Université des sciences, des techniques et de médecine de Tunis, Tunisie, 1999.
[6] O. E. Agazzi and Kuo, “Hidden Markov Model Based Optical Character Recognition in
the Presence of Deterministic Transformation”, Pattern Recognition, 26(12):1813-1826,
February 1993.
[7] L. R Rabiner, “A Tutorial on Hidden Markov Models and Selected Applications in Speech
Recognition”, Proceedings of the IEEE, 77(2), February 1989.
[8] S. Marchand-Maillet, “1D and Pseudo-2D Hidden Markov Models for Image Analysis”,
Theoretical Introduction, Technical Report RR-99-49, November 30, 1999.
[9] A. Nefian, “A Hidden Markov Model Based Approach for Face Detection and
Recognition”,Georgia Institute of technology August 1999.