تشخیص کد های پستی دست نویس فارسی بر روی پاکت های پستی به کمک روش های هوشمند پردازش تصویر

در این پروژه یک سیستم کامل جهت شناسایی کدپستی های دست نویس فارسی بر روی پاکت های پستی با استفاده از شبکه های عصبی مصنوعی پیاده سازی شده است. در حال حاضر در کشور، دسته بندی پاکت ها در اداره ی پست به صورت دستی انجام می گیرد. بنابراین ارایه ی سیستم خودکاری با دقت و سرعت بالا برای جایگزینی سیستم های دستی، به نظر ضروری و مفید می رسد. با تشخیص کدهای پستی توسط کامپیوتر، دسته بندی پاکت ها بسیار ساده تر و سریعتر خواهد شد و این امر موجب بهبود عملکرد اداره پست می شود. در این سیستم دو نوع پاکت مورد بررسی قرار می گیرند: پاکت های پستی حاوی کادر برای درج کدپستی و پاکت های پستی فاقد کادر. ابتدا کشف محل کدپستی و جداسازی ارقام آن در هر دو نوع پاکت انجام می شود. در این مرحله، برای پاکت های حاوی کادر، گام های باینری کردن، جداسازی مولفه های همبندی و کشف کادر، جداسازی ارقام داخل کادر، تغییر ابعاد و حذف نویز انجام می شود. این مرحله در پاکت های فاقد کادر، با یافتن خطوط زمینه، جداسازی مولفه های همبندی، استخراج ویژگی از مولفه ها، کلاس بندی و ارایه ی الگوریتمی جهت تعیین محل درج کدپستی صورت می گیرد. در این جا استخراج ویژگی برای تمایز مولفه های رقمی و غیر رقمی انجام می شود. این ویژگی ها عبارتند از: نسبت ارتفاع به پهنا، جهت و نسبت ارتفاع/ پهنا به ارتفاع/ پهنای مولفه های همسایه. پس از جداسازی ارقام کدپستی، مرحله ی استخراج ویژگی صورت می گیرد. در این مرحله دو روش استخراج ویژگی ارایه شده است: استخراج ویژگی های آماری و استفاده از ویژگی های تطبیق قالب. ویژگی های آماری عبارتند از: جثه، نسبت ارتفاع به پهنا، نسبت پهنای بالا به پایین، نسبت ارتفاع چپ به راست، تقارن افقی و عمودی، تعداد گذر، وجود حفرهو فاصله تا پیکسل ابتدایی. در مرحله ی بعد تصاویر ارقام بر اساس ویژگی های استخراج شده کلاس بندی می شوند. در کلاس بندی، شبکه های عصبی سه لایه ی پس انتشار خطا مورد استفاده قرار گرفته اند. سه شبکه ی عصبی برای کلاس بندی ایجاد شده است. شبکه ی عصبی اول مبتنی بر ویژگی های آماری، شبکه ی عصبی دوم مبتنی بر ویژگی های تطبیق قالب و شبکه ی عصبی سوم مبتنی بر ترکیب ویژگی های آماری و تطبیق قالب است. سپس یک الگوریتم رأی گیری برای افزایش نرخ شناسایی پیشنهاد شده است. میانگین دقت این سیستم بر روی 2100 نمونه ی آزمایشی در پاکت های حاوی کادر، 97/5% است. همچنین دقت شناسایی این سیستم بر روی 420 نمونه ی آزمایشی در پاکت های فاقد کادر به میزان 92/2% می باشد.