این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
صفحه اصلی
درباره پایگاه
فهرست سامانه ها
الزامات سامانه ها
فهرست سازمانی
تماس با ما
JCR 2016
جستجوی مقالات
سه شنبه 2 دی 1404
ماشین بینایی و پردازش تصویر
، جلد ۳، شماره ۱، صفحات ۳۷-۴۴
عنوان فارسی
بازشناسی برخط زیر-کلمات فارسی بر اساس ویژگیهای کدهای زنجیرهای فریمن با استفاده از مدل مخفی مارکوف
چکیده فارسی مقاله
در این مقاله سعی بر شناسایی برخط زیر-کلمات فارسی با استفاده از کدهای زنجیرهای فریمن و مدل مخفی مارکوف شده است. کدهای زنجیرهای با استفاده از جهت شکستگیها، ضمن حفظ جهت حرکت قلم، حجم دادهها را کاهش میدهد. از اینرو میتواند به عنوان یک روش مؤثر در شناسایی برخط زیر-کلمات بکار گرفته شود. پس از شکستن زیر-کلمه به بخشهای تشکیلدهنده (بدنه اصلی و ریزحرکات)، با استفاده از کدهای زنجیرهای فریمن، هر بخش به صورت مجزا کدگذاری میشود. از آنجائیکه این کدها به تنهایی جهت شناسایی زیر-کلمه کافی نمیباشند، آنها را با ویژگیهای دیگری که از بردارهای افقی و عمودی زیر-کلمات بدست میآیند تلفیق کرده و مجموعه ویژگیهای استخراج شده را جهت شناسایی نهایی به طبقهبندیکننده مدل مخفی مارکوف ارسال میکنیم. ساخت مدل با استفاده از الگوریتم Baum-Welch و آموزش برنامه با الگوریتم پیشرو انجام گرفته است. بکارگیری مراحل یاد شده بر روی پایگاه دادهای مشتمل بر 2000 نمونه زیر-کلمه، نرخ شناسایی تا 5/93 درصد را نشان میدهد.
کلیدواژههای فارسی مقاله
عنوان انگلیسی
Recognition of Online Farsi Sub-words based on Freeman Chain Code Feature using Hidden Markov Model
چکیده انگلیسی مقاله
This paper attempts to recognize online Farsi sub-words using the Freeman chain codes and hidden Markov model. Chain codes reduce the number of data with using the direction of breaks and keeping the direction of pen movement. Hence it can be used as an effective way to recognize of online sub-words. After breaking the sub-word into component parts (main body and strokes), each part separately coded using Freeman chain code. Since these codes are not sufficient to recognize of sub-words, we merged them with some other features extracted from horizontal and vertical trajectories. Finally, the set of features are sent hidden Markov model classifier to final recognition. Modeling has been built with Baum-Welch algorithm and training of program performed with forward algorithms. Using the mentioned steps on a database including the 2000 sub-words has the recognition rate of 93.5%.
کلیدواژههای انگلیسی مقاله
نویسندگان مقاله
وحید قدس |
باشگاه پژوهشگران جوان و نخبگان، واحد سمنان، دانشگاه آزاد اسلامی
سازمان اصلی تایید شده
: باشگاه پژوهشگران جوان و نخبگان
سارا حسینی |
گروه برق و مکاترونیک، واحد سمنان، دانشگاه آزاد اسلامی
سازمان اصلی تایید شده
: دانشگاه آزاد اسلامی سمنان (Islamic azad university of semnan)
نشانی اینترنتی
http://jmvip.sinaweb.net/article_15716_76e0fabf7b39bc58ea252d1beb763a69.pdf
فایل مقاله
اشکال در دسترسی به فایل - ./files/site1/rds_journals/1041/article-1041-205789.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