این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
رایانش نرم و فناوری اطلاعات، جلد ۷، شماره ۲، صفحات ۴۳-۵۷
عنوان فارسی بازشناسی کلمات دست‌نویس فارسی بر‌اساس ویژگی کد زنجیره‌ای فریمن دنباله مرکز جرم و طبقه‌بند بهبود یافته
چکیده فارسی مقاله در این مقاله روش جدیدی برای بازشناسی برون‌خط کلمات فارسی دست‌نویس ارائه شده است. روش پیشنهادی شامل معرفی ویژگی جدید و قدرتمند کد زنجیره‌ای فریمن دنباله مرکز جرم (CSFCC)، در کنار استفاده از ویژگی‌های ریخت‌شناسی و همچنین استفاده از طبقه‌بند ماشین بردار پشتیبان (SVM) بهبود یافته می‌باشد. در روش پیشنهادی، طبقه‌بند ماشین بردار پشتیبان(SVM)، با استفاده از ترکیب دو الگوریتم بهینه‌سازی ازدحام ذرات (PSO) و الگوریتم جستجوی گرانشی (GSA)، که به‌اختصار آن را PSOGSA می‌نامیم؛ بهبود یافته است. رویکرد به کار برده شده در این تحقیق، تشخیص تمامی اجزای متصل به هم در کلمه و سپس ترکیب آن‌ها با یکدیگر می‌باشد. به همین منظور، یک فرهنگ لغت تصویری از زیرکلمات بدون علامت تهیه شده است. علاوه بر این، به‌منظور کاهش فضای جستجو، افزایش سرعت و دقت بازشناسی، یک پایگاه داده از موقعیت زیرکلمات بدون علامت اصلی نیز ایجاد و مورد استفاده قرار گرفته است. این کار باعث شد؛ تا برای بازشناسی یک زیرکلمه، بر‌اساس موقعیت آن در کلمه اصلی تصمیم‌گیری و احتمال تشخیص درست افزایش یابد. روش پیشنهادی بر روی پایگاه داده شناخته شده‌ی ایرانشهر که شامل حدود 17000 تصویر از اسامی دست‌نویس 503 شهر ایران است؛ اجرا شده است. دقت بازشناسی به دست آمده در روش پیشنهادی، 89% در بخش آزمایش می‌باشد؛ که نشان‌دهنده توانمندی روش پیشنهادی و بهبود نتایج در مقایسه با دیگر روش‌های موجود است.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Persian Handwritten Recognition Using Centroid Sequence Freeman Chain Code (CSFCC) Feature and Enhanced Classification
چکیده انگلیسی مقاله In this paper, a new method is proposed for offline handwritten Persian words recognition. The proposed method introduces the Centroid Sequence Freeman Chain Code (CSFCC) as a new and powerful feature along with the use of morphological features and an optimize support vector machine (SVM) classifier. A conbination of particle swarm optimization (PSO) and gravitational search algorithm (GSA), abbreviated to PSOGSA, has been employed to optimaze the SVM classifier. In the proposed method, all the connected components of a word are detected and combined with each other. For this purpose, a pictorial dictionary of asymptomatic subwords has been made. In addition, a database has been created to include the positions of asymptomatic subwords in order to narrow down the search space and increase the speed and improve the recognition accuracy. Based on the position of a subword in a word, it is more likely to make the right decision and detect the subword, accurately. The proposed method was implemented on the Iranshahr Database, containing nearly 17000 images of handwritten names of 503 cities of Iran. The resultant recognition accuracy is 89% in the expriments, which shows the capability of the proposed method and improving the results, compared to the other well-known methods.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله عبداله چاله چاله |
گروه مهندسی کامپیوتر، دانشکده فنی، دانشگاه رازی، کرمانشاه، ایران

سارا خسروی |
گروه مهندسی کامپیوتر، دانشکده فنی، دانشگاه رازی، کرمانشاه، ایران

نشانی اینترنتی http://jscit.nit.ac.ir/article_82303_556a0a40ea91122162ae75557419038f.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/834/article-834-1305117.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات