تشخیص دستنوشته برخط فارسی به کمک ویژگی های مبتنی بر شکل

در این تحقیق روشی برای تشخیص دستنوشته برخط فارسی مبتنی بر قطعه بندی زیر-کلمه به حروف و شناسایی حروف قطعه بندی شده با استفاده از مدل مخفی مارکوف گسسته ارائه شده است. تصویر متن تایپی یا دستنوشته به دلیل این که به صورت یکجا و بعد از نوشتن کامل آن در دسترس است برون خط نامیده می شود در حالی که دستنوشته دریافت شده توسط وسایل دیجیتال نظیر تبلت و تلفن همراه با صفحه لمسی به دلیل در دسترس بودن اطلاعات نوشته همزمان با عمل نوشتن، برخط نامیده می شود. برای تشخیص دستنوشته برون خط لازم است برای استخراج ویژگی از روش های پردازش تصویر استفاده شود ولی ویژگی های دستنوشته برخط مستقیماً از اطلاعات آن که شامل مختصات افقی و عمودی نقاط نوشته است استخراج می شود. استخراج حروف در زیر-کلمه با قطعه بندی اضافی بر اساس زاویه نوشته با محور افقی انجام شده است و سپس با حذف موارد اشتباه طی چند مرحله، نقاط قطعه بندی نهایی مشخص می شوند. به دلیل وجود نقاط قطعه بندی اضافی، ترکیب های مختلف قطعات امتیازبندی می شوند که این امتیازبندی بر حسب میانگین احتمال نرمالیزه شده رخداد توالی مشاهده قطعات آن ها در مدل مخفی مارکوف است. سپس ترکیب های دارای بالاترین امتیاز به عنوان کاندیدهای نهایی تشخیص گروه حروف معرفی می شوند، با استفاده از فرهنگ لغت متنی، گزینه های با گروه حروف مشابه پیدا می شود و گزینه هایی که در فرهنگ لغت موجود نیستند حذف می شوند. در مرحله بعد گزینه هایی که از نظر وجود علامت در بالا و پایین زیر-کلمه با زیر-کلمه ورودی منطبق نیستند حذف می شوند و در مرحله نهایی گزینه هایی که تعداد حرکت های زیر-کلمه در بالا و پایین آن ها با زیر-کلمه ورودی مساوی نیست حذف می شوند. صحت قطعه بندی با روش این تحقیق با استفاده از ground truth ساخته شده آزمایش شده است که 85/47 درصد نقاط قطعه بندی به درستی شناسایی شده اند و 60/1 درصد نقاط اشتباه پیدا شده است. تشخیص زیر-کلمه با دقت 37/85 درصد انجام شده است که برای 10 گزینه اول بازشناسی به 73/34 درصد می رسد. این مقدار نسبت به کارهایی که با روش کلی نگر که کل زیر-کلمه را به عنوان الگوی شناسایی در نظر می گیرند و روی پایگاه داده تحقیق انجام شده اند خیلی کمتر است که به دلیل ماهیت روش مبتنی بر قطعه بندی است که نیاز به قطعه بندی دقیق دارد اما کار مشابهی با همین پایگاه داده مبتنی بر تشخیص حروف وجود ندارد تا مقایسه انجام شود. مزیت روش مبتنی بر قطعه بندی که در این تحقیق از آن استفاده شده، نسبت به روش کلی نگر در این است که برای شناختن زیر-کلمات جدید کافی است که متن آن ها به سیستم اضافه شود در حالی که روش کلی نگر نیاز به نمونه های جدید دستنوشته دارد. مهم ترین محدودیت این روش، عدم کارایی الگوریتم های قطعه بندی است که خطای آن به مرحله تشخیص منتقل می شود و منجر به کاهش چشمگیر در نرخ شناسایی می شود.