Để khắc phục những khó khăn này, em đề xuất giải pháp: nhận dạng nhiều cấp bằng cách chia tập kí tự ra thành nhiều nhóm mỗi nhóm gồm các kí tự gần giống nhau đồng thời áp dụng phương phá
Trang 1- 12 -
NGHIÊN CỨU VÀ ỨNG DỤNG TRÍCH CHỌN ĐẶC TRƯNG
TRONG NHẬN DẠNG CHỮ VIẾT TAY TIẾNG VIỆT
Đinh Việt Cường
MSSV: 0121815
Email: dvcuong83@yahoo.com
Cán bộ hướng dẫn: TS Nguyễn Việt Hà
1 Giới thiệu
Ngoài những khó khăn chung của bài toán
nhận dạng chữ viết tay, nhận dạng chữ viết tay
tiếng Việt còn có những khó khăn do đặc thù
của tiếng Việt đem lại Hệ thống dấu của tiếng
Việt khiến cho số lượng kí tự là rất lớn trong đó
có những nhóm kí tự rất giống nhau và khó
phân biệt (các kí tự có dấu xuất phát từ cùng
một nguyên âm chỉ khác nhau phần dấu) Điều
này khiến cho hiệu quả nhận dạng là rất thấp
khi chúng ta chỉ nhận dạng tất cả các kí tự trong
một lần (nhận dạng một cấp) Để khắc phục
những khó khăn này, em đề xuất giải pháp:
nhận dạng nhiều cấp bằng cách chia tập kí tự ra
thành nhiều nhóm (mỗi nhóm gồm các kí tự
gần giống nhau) đồng thời áp dụng phương
pháp trích chọn đặc trưng phù hợp cho từng
nhóm kí tự để nâng cao chất lượng nhận dạng
2 Tổng quan về trích chọn đặc trưng
Trích chọn đặc trưng là việc tìm và chọn ra
các đặc trưng đặc thù của mỗi ảnh Các đặc
trưng này có thể là các đặc trưng về mật độ
điểm ảnh, mức xám trung bình của các điểm
ảnh và biên ảnh [1]
Trong bài toán nhận dạng, trích chọn đặc
trưng thường là bước đứng trước bước nhận
dạng và đứng sau bước tiền xử lý Nó có tác
dụng chọn ra các đặc trưng tiêu biểu của ảnh
đầu vào (sau khi đã được qua bước tiền xử lý)
từ đó cung cấp các đặc trưng này cho bước
nhận dạng để xử lý Trích chọn đặc trưng
không những làm giảm kích thước mẫu đầu vào
mà còn làm tăng độ chính xác của hệ nhận dạng
nói chung
Có nhiều phương pháp trích chọn đặc trưng
có thể áp dụng cho bài toán nhận dạng, tuy
nhiên có 3 phương pháp chính thường được sử
dụng đó là: trích chọn đặc trưng theo hướng,
trích chọn đặc trưng theo cấu trúc và trích chọn
đặc trưng theo tính lồi lõm [2] Một cách tương
ứng, các phương pháp này lấy ra đặc trưng của
ảnh theo nhiều cấp độ nhìn nhận khác nhau: từ
một điểm ảnh, một vài điểm ảnh tới rất nhiều
điểm ảnh (có thể trải trên toàn bộ ảnh) Dựa trên đặc thù của mỗi bài toán nhận dạng, chúng
ta cần sử dụng phương pháp trích chọn đặc trưng phù hợp để việc nhận dạng đạt được hiệu quả cao nhất
3 Trích chọn đặc trưng áp dụng cho bài toán
Theo giải pháp được đề ra trong phần giới thiệu, chúng ta cần tiến hành các bước: phân loại kí tự thành các nhóm và sau đó với mỗi nhóm áp dụng phương pháp trích chọn đặc trưng phù hợp
Phân loại kí tự:
Việc phân nhóm các kí tự tiếng Việt viết thường được thực hiện dựa trên quy tắc: các kí
tự gần giống nhau, dễ gây nhầm lẫn thì sẽ được phân về một nhóm Theo quy tắc này các kí tự
có dấu xuất phát từ cùng một chữ cái có phần thân giống nhau, chỉ khác nhau phần dấu nên ta
sẽ xếp vào một nhóm; đối với các kí tự không
có dấu, các kí tự có cấu trúc hình học tương tự như nhau cũng được xếp chung vào một nhóm,
ví dụ (nhóm chữ r và s, nhóm chữ d và đ…)
Trích chọn đặc trưng áp dụng cho các nhóm:
Để nâng cao chất lượng cho hệ nhận dạng nhiều cấp tương ứng với bảng phân nhóm kí tự, việc trích chọn đặc trưng cho ảnh đầu vào cần đạt được những mục tiêu sau:
• Khi cần xếp kí tự vào một nhóm, trích chọn đặc trưng cần lấy ra các đặc trưng của kí tự
là đặc điểm chung của nhóm Các đặc trưng này là đại diện cho mỗi nhóm (các kí tự trong nhóm đều có) và khác với đặc trưng chung của các nhóm khác
• Khi cần phân biệt các kí tự trong cùng một nhóm, trích chọn đặc trưng chỉ có nhiệm vụ chọn ra những đặc trưng đặc thù cho mỗi kí
tự trong nhóm và bỏ qua những đặc trưng là đặc điểm chung của nhóm
Do đó, với từng nhóm kí tự ở mỗi cấp nhận dạng chúng ta cần tìm ra phương pháp trích chọn đặc trưng cho phù hợp Để có thể áp dụng
Trang 2- 13 -
cho các hệ nhận dạng khác nhau (bằng mô hình
mạng neuron, SVM, hay Markov,…), một cách
tổng quát nhất chúng ta cần tiến hành trích chọn
đặc trưng cho các nhóm sau:
• Trích chọn đặc trưng cho nhóm 0 (ở cấp
nhận dạng đầu tiên) có nhiệm vụ tìm ra
những đặc trưng là đặc thù của mỗi nhóm
con sau nó để xác định xem kí tự đầu vào
thuộc về nhóm nào trong các nhóm con này
• Trích chọn đặc trưng cho các nhóm kí tự
có dấu cùng gốc: nhiệm vụ của trích chọn
đặc trưng trong phần này là tập trung đến
phần dấu của kí tự, tìm ra đặc trưng trên
phần dấu để phân biệt các dấu Khi đã phân
biệt được dấu, chúng ta sẽ phân biệt được
cả kí tự
• Trích chọn đặc trưng cho các nhóm kí tự
không dấu: có nhiệm vụ tìm ra những đặc
trưng riêng của các kí tự trong cùng một
nhóm
4 Thực nghiệm
Do chưa có cơ sở dữ liệu kí tự viết tay tiếng
Việt chuẩn nào nên cùng với việc xây dựng hệ
thống thực nghiệm, chúng em đã tiến hành thu
thập cơ sở dữ liệu theo các tiêu chuẩn sau (đây
cũng chính là phạm vi của bài toán mà chúng
em đang giải quyết):
• Kiểu chữ “đứng” theo nghĩa không quá
nghiêng về bên trái hoặc phải
• Chữ viết không thiếu hoặc thừa nét, dấu
được đặt chuẩn theo quy định của tiếng
Việt
Để kiểm tra tính hiệu quả của các phương
pháp trích chọn đặc trưng, chúng ta thường phải
sử dụng mô hình nhận dạng Mô hình nhận
dạng được em sử dụng trong các thực nghiệm ở
đây là mạng neuron (việc nghiên cứu và cài đặt
mạng neuron được thực hiện bởi một thành
viên khác trong nhóm)
Thực nghiệm 1: Thực nghiệm khẳng định
tính hiệu quả của việc trích chọn đặc trưng
Dùng một mạng neuron để nhận dạng tất cả
các kí tự viết tay tiếng Việt Cố định số lần
huấn luyện mạng là 30, tập mẫu học gồm
10000 mẫu và tập test là 5000 mẫu Tiến hành
hai thực nghiệm sau: Thực nghiệm thứ nhất (1)
chúng ta không trích chọn đặc trưng cho ảnh
đầu vào trước khi mạng neuron nhận dạng và
thực nghiệm thứ hai (2) chúng ta dùng phương
pháp GSC (kết hợp của 3 phương pháp trên) để trích chọn đặc trưng cho ảnh đầu vào Kết quả thực nghiệm được thể hiện trong bảng 4.1:
P 2 TCĐT
% đúng (train)
TG nhận dạng
% đúng (test)
Từ kết quả thực nghiệm trên ta thấy việc trích chọn đặc trưng không những làm giảm thời gian nhận dạng mà còn nâng cao rất nhiều
độ chính xác của việc nhận dạng (từ 76.4% lên 81.12 %)
Thực nghiệm 2: Thực nghiệm khẳng định hiệu quả của việc phân nhóm
Trong thực nghiệm này, việc phân nhóm kí
tự được tiến hành và ứng với mỗi nhóm kí tự đó
ta áp dụng một phương pháp trích chọn đặc trưng phù hợp (bằng cách tiến hành nhiều thực nghiệm khác để lựa chọn) Tỷ lệ nhận dạng
đúng trên tập test là 95.8% cao hơn rất nhiều so
với khi ta không phân nhóm kí tự (81.12%)
Ngoài ra chúng em (em và hai thành viên khác trong nhóm) cũng đã cài đặt được hệ
thống thực nghiệm chung cho bài toán Nhận
dạng đoạn văn bản viết tay tiếng Việt nét liền
và thu được kết quả ban đầu rất khả quan
5 Kết luận
Sau quá trình nghiên cứu về trích chọn đặc trưng và bài toán nhận dạng chữ viết tay tiếng Việt, em đã đề xuất một giải pháp khắc phục được những khó khăn của bài toán và cài đặt được hệ thực nghiệm nhận dạng chữ viết tay tiếng Việt với tỷ lệ nhận dạng đúng khá cao (95.8%) dựa trên việc phân nhóm kí tự và áp dụng trích chọn đặc trưng phù hợp cho mỗi nhóm Đây là một tỷ lệ cao so với các hệ nhận dạng chữ viết tay ở Việt Nam hiện nay
Trong thời gian tới em sẽ tiếp tục mở rộng phạm vi của bài toán và hướng tới phát triển các ứng dụng thực tế như nhận dạng các bảng
kê khai tiếng Việt
6 Tài liệu tham khảo
[1] William K Pratt Digital Image Processing,
2001
[2] Sargur N Srihari Gradient-Based contour
encoding for character recognition, Pattern
Recognition, 1996
