Tải bản đầy đủ
- Tiền xử lý (Convert Color Image to Black & white): Chuyển đổi ảnh từ ảnh màu sang ảnh nhị phân và chuẩn hóa kích thước ảnh với kích cỡ 16x16.

- Tiền xử lý (Convert Color Image to Black & white): Chuyển đổi ảnh từ ảnh màu sang ảnh nhị phân và chuẩn hóa kích thước ảnh với kích cỡ 16x16.

Tải bản đầy đủ

67

3.5.3. Chức năng trích chọn đặc trưng
- Chọn menu Convert BMP to Wavelet Haar, xuất hiện hộp thoại:

Hình 3.5. Hộp thoại trích chọn đặc trưng.
Nút Convert thực hiện chức năng trích chọn đặc trưng từ file ảnh nhị phân, ví dụ
như file có tên “Dac_trung.txt”.
3.5.4. Huấn luyện
Chọn menu Train SVM, xuất hiện hộp thoại yêu cầu chọn file chứa thông tin đặc
trưng, mở file “Dac_trung.txt”.

Hình 3.6. Hộp thoại lưu file mô hình huấn luyện.

68

Sau đó, yêu cầu nhập tên file mô hình để huấn luyện, ví dụ như “Huan_luyen.txt”
3.5.4. Nhận dạng
Chọn menu Test SVM, xuất hiện cửa sổ yêu cầu chọn file ảnh ký tự như hình dưới:

Hình 3.7. Hộp thoại chọn file ảnh cần nhận dạng.
Tiếp theo, chọn file mô hình đã được huấn luyện, như file “Huan_luyen.txt”. Kết
quả nhận dạng sẽ đưa ra trong thông báo như sau:

Hình 3.8. Hộp thoại thông báo kết quả nhận dạng.

69

KẾT LUẬN VÀ ĐỀ NGHỊ
- Mục tiêu của luận văn đã đưa ra:
+ Tìm hiểu về nhận dạng chữ viết.
+ Tìm hiểu các phương pháp phân lớp.
+ Nghiên cứu phương pháp SVM.
+ Nghiên cứu nhận dạng chữ viết tay hạn chế sử dụng mô hình SVM.
+ Thiết kế chương trình thực nghiệm nhận dạng chữ viết tay hạn chế.
- Kết quả luận văn đạt được:
Sau quá trình nghiên cứu, tìm hiểu em đã hoàn thành luận văn với kết quả đạt
được đúng như mục tiêu đề ra là:
+ Hiểu rõ về cách nhận dạng chữ viết tay hạn chế.
+ Hiểu được mô hình phân lớp SVM.
+ Biết ứng dụng mô hình SVM vào nhận dạng chữ viết tay.
+ Biết cách sử dụng phương pháp SVM và khai thác thư viện libsvm để huấn
luyện, dự đoán tỷ lệ nhận dạng.
+ Thiết kế được chương trình nhận dạng từng ký viết tay không dấu hạn chế.
- Hướng phát triển tiếp theo của đề tài trong tương lai:
+ Tiếp tục nghiên cứu phương pháp SVM và ngôn ngữ lập trình để phát triển
thành phần mềm nhận dạng được chữ viết tay nói chung và viết tay tiếng Việt theo
từng ký tự hoặc cả văn bản.

70

TÀI LIỆU THAM KHẢO
Tiếng Việt
[1] Phạm Anh Phương, Ngô Quốc Tạo, Lương Chi Mai (20-21/05/2006), “Ứng dụng
SVM cho bài toán phân lớp nhận dạng”, Kỷ yếu Hội thảo khoa học Quốc gia lần thứ
ba về nghiên cứu, phát triển và ứng dụng Công nghệ thông tin và Truyền thông
(ICT.rda 06), nhà xuất bản Khoa học và Kỹ thuật Hà nội, tr. 393-400.
[2] Phạm Anh Phương, Ngô Quốc Tạo, Lương Chi Mai (10-2008), “Trích chọn đặc
trưng wavelet Haar kết hợp với SVM cho việc nhận dạng chữ viết tay tiếng Việt”, Tạp
chí Công nghệ Thông tin và Truyền thông, ISSN 0866-7039, kỳ 3 (20), tr 36-42.
[3] Phạm Anh Phương (2008), “Áp dụng một số chiến lược SVM đa lớp cho bài toán
nhận dạng chữ viết tay hạn chế”, Tạp chí khoa học Đại học Huế, ISSN 1859-1388,
(45), tr. 109-118.
Tiếng Anh
[4] Christopher J. C. Burges (1998), “A Tutorial on Support Vector Machines for
Pattern Recognition”, Data Mining and Knowledge Discovery, ISSN:1384-5810, Vol.
2, (No. 2), pp. 121-167.
[5] Chih-Chung Chang and Chil-Jen Lin (2004), “LIBSVM: a Library for Support
Vector Machines”, National Taiwan University.
[6] G. Vamvakas, B. Gatos, I. Pratikakis, N. Stamatopoulos, A. Roniotis and S.J.
Perantonis (February 2007), "Hybrid Off-Line OCR for Isolated Handwritten Greek
Characters", The Fourth IASTED International Conference on Signal Processing,
Pattern Recognition, and Applications (SPPRA 2007), ISBN: 978-0-88986-646-1,
Innsbruck, Austria, pp. 197-202.
[7] H. Bunke, M. Roth, E. G. Schukat-Talamazzani (1994), “Off-line Recognition of
Cursive Script Produced by Cooperative Writer”, in Proc. 12th Int.Conf. Pattern
Recognition, pp. 146-151, Jerusalem, Israel.
[8] H. Nishida (July 1995), “Structural Feature Extraction Using Multiple Bases”,
Computer Vision and Image Understanding, vol.62 no1, pp. 78-89.
[9] J. X. Dong, A. Krzyzak and C. Y. Suen (2003), “A Fast SVM Training
Algorithm”, International Journal of Pattern Recognition and Artificial Intelligence,
vol. 17, (no. 3), pp. 367 – 384.
[10] J. Platt (1999), “Fast Training of Support Vector Machines Using Sequential
Minimal Optimization”, In Advences in Kernel Methods - Support Vector Learning,
Cambridge, M.A, MIT Press, pp. 185-208.