سید نادی محامد خسروشاهی؛ سید ناصر رضوی؛ امین بابازاده سنگر؛ کامبیز مجیدزاده
چکیده
تشخیص دستخط همواره مسئله چالش‌برانگیزی بوده است؛ ازاین‌رو، توجه محققان زیادی را به خود جلب کرده است. مطالعة حاضر یک سیستم آفلاین (غیر برخط) تشخیص خودکار دست‌نوشته‌های انسان را در شرایط آزمایشی مختلف ...
بیشتر
تشخیص دستخط همواره مسئله چالش‌برانگیزی بوده است؛ ازاین‌رو، توجه محققان زیادی را به خود جلب کرده است. مطالعة حاضر یک سیستم آفلاین (غیر برخط) تشخیص خودکار دست‌نوشته‌های انسان را در شرایط آزمایشی مختلف ارائه میدهد. این سیستم شامل داده‌های ورودی، واحد پردازش تصویر و واحد خروجی است. در این مطالعه، یک مجموعه داده راست به چپ بر پایة استانداردهای آمریکایی (ASTM) طراحی شده است. یک مدل شبکۀ عصبی کانولوشن عمیق (DCNN) بهبودیافته بر پایة شبکة از پیش آموزشدیده، برای استخراج ویژگیها بهصورت سلسلهمراتبی از داده‌های خام دستخط طراحی شده است. یک مزیت درخور توجه در این مطالعه استفاده از داده‌های نامتجانس است. یکی دیگر از جنبههای شایان توجه مطالعة حاضر این است که مدل پیشنهادی DCNN مستقل از هر زبان خاصی است و میتواند برای زبانهای مختلف استفاده شود. نتایج نشان میدهند مدل پیشنهادی DCNN، عملکرد بسیار خوبی برای شناسایی نویسنده بر پایة داده‌های نامتجانس دستخط دارد.
