0
การรู้จำลายมือเขียนตัวพยัญชนะภาษาไทยโดยการใช้อีลาสติกดีฟอเมชัน  The Handwritten Thai-Alphabet Recognition by Using Elastic...
ที่มาและความสำคัญ <ul><li>มีการกรอกแบบฟอร์มต่างๆเป็นจำนวนมาก </li></ul><ul><li>เสียทรัพยากรและเวลาในการจัดเก็บ  ( พิมพ์ข้อ...
จุดประสงค์ <ul><li>เพื่อพัฒนาขั้นตอนวิธีเพื่อแก้ปัญหาการรู้จำลายมือเขียนพยัญชนะลายมือเขียนภาษาไทยด้วยเทคนิคอีลาสติกดีฟอเมช...
ขอบเขตการศึกษา <ul><li>ทำการศึกษาและพัฒนาขั้นตอนการรู้จำพยัญชนะลายมือเขียนภาษาไทย </li></ul><ul><li>วิเคราะห์ความถูกต้องใน...
แนวคิดและสมมติฐาน <ul><li>ประสิทธิภาพในการรู้จำมีปัจจัยหลายๆอย่าง </li></ul><ul><ul><li>Feature   ที่ใช้ในการรู้จำ </li></...
แผนภาพการทำงาน Input <ul><li>ตัดให้พอดีขอบ </li></ul><ul><li>กำจัด   noise </li></ul><ul><li>thinning </li></ul>Preprocess...
แผนภาพการทำงาน Input <ul><li>ตัดให้พอดีขอบ </li></ul><ul><li>กำจัด   noise </li></ul><ul><li>thinning </li></ul>Preprocess...
แผนภาพการทำงาน Input <ul><li>ตัดให้พอดีขอบ </li></ul><ul><li>กำจัด   noise </li></ul><ul><li>thinning </li></ul>Preprocess...
<ul><li>ใช้ขั้นตอนวิธีของ   Y.Y. Zhang  และ   P.S.P. Wang </li></ul>Thinning Y.Y. Zhang and P.S.P. Wang,  A Parallel Thinn...
แผนภาพการทำงาน Input <ul><li>ตัดให้พอดีขอบ </li></ul><ul><li>กำจัด   noise </li></ul><ul><li>thinning </li></ul>Preprocess...
แผนภาพการทำงาน Input <ul><li>ตัดให้พอดีขอบ </li></ul><ul><li>กำจัด   noise </li></ul><ul><li>thinning </li></ul>Preprocess...
Height / Width Height Width Fig.2  อัตราส่วน  Height / Width
แผนภาพการทำงาน Input <ul><li>ตัดให้พอดีขอบ </li></ul><ul><li>กำจัด   noise </li></ul><ul><li>thinning </li></ul>Preprocess...
จำนวนจุดบน   /  จำนวนจุดล่าง Fig.3  การหาจำนวนจุดบน   /  จำนวนจุดล่าง
แผนภาพการทำงาน Input <ul><li>ตัดให้พอดีขอบ </li></ul><ul><li>กำจัด   noise </li></ul><ul><li>thinning </li></ul>Preprocess...
End point & Junction point, Connection Fig.4  การแบ่งโซนของ   End Point & Junction Fig.5  การแบ่งโซนของ   Connection
แผนภาพการทำงาน Input <ul><li>ตัดให้พอดีขอบ </li></ul><ul><li>กำจัด   noise </li></ul><ul><li>thinning </li></ul>Preprocess...
Head Fig. 6  การหา  Head I. Methasate, S. Marukatat, S. Sae-tang, T. Theeramunkong, “The Feature Combination Technique for...
แผนภาพการทำงาน Input <ul><li>ตัดให้พอดีขอบ </li></ul><ul><li>กำจัด   noise </li></ul><ul><li>thinning </li></ul>Preprocess...
Vertical Stroke <ul><li>ทำ  histogram   แนวตั้ง </li></ul><ul><li>Smooth </li></ul><ul><li>หา จุดยอด และ  local minimum  <...
แผนภาพการทำงาน Input <ul><li>ตัดให้พอดีขอบ </li></ul><ul><li>กำจัด   noise </li></ul><ul><li>thinning </li></ul>Preprocess...
Crossing Count Fig.8   การแบ่งโซนของ   Crossing Count
แผนภาพการทำงาน Input <ul><li>ตัดให้พอดีขอบ </li></ul><ul><li>กำจัด   noise </li></ul><ul><li>thinning </li></ul>Preprocess...
Cavity Fig.9  ลักษณะของ  Cavity  แบบต่างๆ Pisit Phokharatkul and Chom Kimpan, “Recognition of handprinted Thai characters ...
แผนภาพการทำงาน Input <ul><li>ตัดให้พอดีขอบ </li></ul><ul><li>กำจัด   noise </li></ul><ul><li>thinning </li></ul>Preprocess...
Histogram <ul><li>ทำ  Histogram  ทั้งแนวตั้งและแนวนอน โดยแบ่งเป็นแนวละ  3  โซน และแนวตั้งทั้งภาพ แนวนอนทั้งภาพ จากนั้นคิดเ...
แผนภาพการทำงาน Input <ul><li>ตัดให้พอดีขอบ </li></ul><ul><li>กำจัด   noise </li></ul><ul><li>thinning </li></ul>Preprocess...
Empty Zone Fig.11  การแบ่งส่วนการทำ  Empty Zone
Normalize <ul><li>ค่าที่ได้  = a </li></ul><ul><li>Median = med </li></ul><ul><li>MD =  ∑(a – med)/ n </li></ul><ul><li>ค่...
แผนภาพการทำงาน Input <ul><li>ตัดให้พอดีขอบ </li></ul><ul><li>กำจัด   noise </li></ul><ul><li>thinning </li></ul>Preprocess...
การหา  Feature  ที่เหมาะสม ตารางแสดงค่าความถูกต้องในการเลือกใช้  feature  แต่ละชนิด  (10  อันดับสูงสุด ) * 1 =  ใช้  featu...
แผนภาพการทำงาน Input <ul><li>ตัดให้พอดีขอบ </li></ul><ul><li>กำจัด   noise </li></ul><ul><li>thinning </li></ul>Preprocess...
Elastic Deformation <ul><li>ใช้เทคนิคนี้ในการสร้างตัวอย่างขึ้นจากตัวอย่างเดิมที่มีอยู่ในแล้วโดยอาศัยการ  random  ขึ้นมาใหม...
ตารางแสดงค่าความถูกต้องเมื่อมีการเพิ่มจำนวนตัวอย่าง 116 100 80 60 40 20 0 1 3 5 69.3478 69.3478 70.1087 48.4783 69.3478 69...
สรุปผล <ul><li>เมื่อมีการเพิ่มจำนวนตัวอย่าง ประสิทธิภาพความถูกต้องจะเพิ่มขึ้นเล็กน้อย เมื่อเทียบกับการไม่เพิ่มจำนวนตัวอย่า...
References <ul><li>Chih-Chung Chang and Chih-Jen Lin, “LIBSVM:a Library for Support Vector Machines”. Software available a...
References <ul><li>M. Morita, R. Sabourin, F. Bortolozzi, C. Y. Suen, “A Recognition and Verification Strategy for Handwri...
Upcoming SlideShare
Loading in...5
×

Present

1,157

Published on

Published in: Business, Health & Medicine
0 Comments
1 Like
Statistics
Notes
  • Be the first to comment

No Downloads
Views
Total Views
1,157
On Slideshare
0
From Embeds
0
Number of Embeds
0
Actions
Shares
0
Downloads
21
Comments
0
Likes
1
Embeds 0
No embeds

No notes for slide

Transcript of "Present"

  1. 1. การรู้จำลายมือเขียนตัวพยัญชนะภาษาไทยโดยการใช้อีลาสติกดีฟอเมชัน The Handwritten Thai-Alphabet Recognition by Using Elastic Deformation นายสุธี คงเกียรติไพบูลย์ ม . 6/3 เลขที่ 22 นายภควัฒน์ เอี่ยมสุโร ม . 6/10 เลขที่ 23 อาจารย์ที่ปรึกษา อ . ปทุมศิริ สงศิริ
  2. 2. ที่มาและความสำคัญ <ul><li>มีการกรอกแบบฟอร์มต่างๆเป็นจำนวนมาก </li></ul><ul><li>เสียทรัพยากรและเวลาในการจัดเก็บ ( พิมพ์ข้อมูล ) </li></ul><ul><li>Handwritten Recognition </li></ul><ul><li>ประสิทธิภาพในการรู้จำยังต่ำ ขาดความถูกต้อง </li></ul>
  3. 3. จุดประสงค์ <ul><li>เพื่อพัฒนาขั้นตอนวิธีเพื่อแก้ปัญหาการรู้จำลายมือเขียนพยัญชนะลายมือเขียนภาษาไทยด้วยเทคนิคอีลาสติกดีฟอเมชัน </li></ul>
  4. 4. ขอบเขตการศึกษา <ul><li>ทำการศึกษาและพัฒนาขั้นตอนการรู้จำพยัญชนะลายมือเขียนภาษาไทย </li></ul><ul><li>วิเคราะห์ความถูกต้องในการรู้จำโดยใช้เทคนิคอีลาสติกดีฟอเมชันซึ่งเป็นการเพิ่มจำนวนตัวอย่าง เปรียบเทียบกับการไม่ใช้เทคนิคนี้ </li></ul><ul><li>พยัญชนะไทยที่ศึกษามี 46 ตัว คือ ก – ฮ รวมถึง ฤ และ ฦ </li></ul><ul><li>ข้อมูลที่รับเข้ามาอยู่ในรูปไฟล์รูปภาพ Bitmap ขาว หรือ ดำ </li></ul>
  5. 5. แนวคิดและสมมติฐาน <ul><li>ประสิทธิภาพในการรู้จำมีปัจจัยหลายๆอย่าง </li></ul><ul><ul><li>Feature ที่ใช้ในการรู้จำ </li></ul></ul><ul><ul><li>ตัวอย่างข้อมูลที่ใช้ในการรู้จำ </li></ul></ul><ul><ul><li>Model ที่ใช้ในการรู้จำ </li></ul></ul><ul><li>ตัวอย่างข้อมูลที่เราใช้ในการรู้จำมีจำกัด หากเราสามารถเพิ่มในตัวอย่างโดยที่ไม่ต้องเก็บข้อมูลเพิ่ม และนำไปรู้จำ ซึ่งได้ประสิทธิภาพที่ดีขึ้น ก็จะเป็นการเพิ่มประสิทธิภาพในการรู้จำวิธีหนึ่ง </li></ul>
  6. 6. แผนภาพการทำงาน Input <ul><li>ตัดให้พอดีขอบ </li></ul><ul><li>กำจัด noise </li></ul><ul><li>thinning </li></ul>Preprocessing Feature Extraction Recognition <ul><li>Height / Width </li></ul><ul><li>จำนวนจุดบน / จำนวนจุดล่าง </li></ul><ul><li>End & Junction point </li></ul><ul><li>Connection </li></ul><ul><li>Head </li></ul><ul><li>Vertical Stroke </li></ul><ul><li>Crossing Count </li></ul><ul><li>Cavity </li></ul><ul><li>Histogram </li></ul><ul><li>Empty Zone </li></ul><ul><li>libsvm </li></ul>Elastic Deformation
  7. 7. แผนภาพการทำงาน Input <ul><li>ตัดให้พอดีขอบ </li></ul><ul><li>กำจัด noise </li></ul><ul><li>thinning </li></ul>Preprocessing Feature Extraction Recognition <ul><li>Height / Width </li></ul><ul><li>จำนวนจุดบน / จำนวนจุดล่าง </li></ul><ul><li>End & Junction point </li></ul><ul><li>Connection </li></ul><ul><li>Head </li></ul><ul><li>Vertical Stroke </li></ul><ul><li>Crossing Count </li></ul><ul><li>Cavity </li></ul><ul><li>Histogram </li></ul><ul><li>Empty Zone </li></ul><ul><li>libsvm </li></ul>Elastic Deformation
  8. 8. แผนภาพการทำงาน Input <ul><li>ตัดให้พอดีขอบ </li></ul><ul><li>กำจัด noise </li></ul><ul><li>thinning </li></ul>Preprocessing Feature Extraction Recognition <ul><li>Height / Width </li></ul><ul><li>จำนวนจุดบน / จำนวนจุดล่าง </li></ul><ul><li>End & Junction point </li></ul><ul><li>Connection </li></ul><ul><li>Head </li></ul><ul><li>Vertical Stroke </li></ul><ul><li>Crossing Count </li></ul><ul><li>Cavity </li></ul><ul><li>Histogram </li></ul><ul><li>Empty Zone </li></ul><ul><li>libsvm </li></ul>Elastic Deformation
  9. 9. <ul><li>ใช้ขั้นตอนวิธีของ Y.Y. Zhang และ P.S.P. Wang </li></ul>Thinning Y.Y. Zhang and P.S.P. Wang, A Parallel Thinning Algorithm with Two-Subiteration that Generates One-Pixel-Wide Skeletons Fig.1 Psuedo Code ในการ thinning
  10. 10. แผนภาพการทำงาน Input <ul><li>ตัดให้พอดีขอบ </li></ul><ul><li>กำจัด noise </li></ul><ul><li>thinning </li></ul>Preprocessing Feature Extraction Recognition <ul><li>Height / Width </li></ul><ul><li>จำนวนจุดบน / จำนวนจุดล่าง </li></ul><ul><li>End & Junction point </li></ul><ul><li>Connection </li></ul><ul><li>Head </li></ul><ul><li>Vertical Stroke </li></ul><ul><li>Crossing Count </li></ul><ul><li>Cavity </li></ul><ul><li>Histogram </li></ul><ul><li>Empty Zone </li></ul><ul><li>libsvm </li></ul>Elastic Deformation
  11. 11. แผนภาพการทำงาน Input <ul><li>ตัดให้พอดีขอบ </li></ul><ul><li>กำจัด noise </li></ul><ul><li>thinning </li></ul>Preprocessing Feature Extraction Recognition <ul><li>Height / Width </li></ul><ul><li>จำนวนจุดบน / จำนวนจุดล่าง </li></ul><ul><li>End & Junction point </li></ul><ul><li>Connection </li></ul><ul><li>Head </li></ul><ul><li>Vertical Stroke </li></ul><ul><li>Crossing Count </li></ul><ul><li>Cavity </li></ul><ul><li>Histogram </li></ul><ul><li>Empty Zone </li></ul><ul><li>libsvm </li></ul>Elastic Deformation
  12. 12. Height / Width Height Width Fig.2 อัตราส่วน Height / Width
  13. 13. แผนภาพการทำงาน Input <ul><li>ตัดให้พอดีขอบ </li></ul><ul><li>กำจัด noise </li></ul><ul><li>thinning </li></ul>Preprocessing Feature Extraction Recognition <ul><li>Height / Width </li></ul><ul><li>จำนวนจุดบน / จำนวนจุดล่าง </li></ul><ul><li>End & Junction point </li></ul><ul><li>Connection </li></ul><ul><li>Head </li></ul><ul><li>Vertical Stroke </li></ul><ul><li>Crossing Count </li></ul><ul><li>Cavity </li></ul><ul><li>Histogram </li></ul><ul><li>Empty Zone </li></ul><ul><li>libsvm </li></ul>Elastic Deformation
  14. 14. จำนวนจุดบน / จำนวนจุดล่าง Fig.3 การหาจำนวนจุดบน / จำนวนจุดล่าง
  15. 15. แผนภาพการทำงาน Input <ul><li>ตัดให้พอดีขอบ </li></ul><ul><li>กำจัด noise </li></ul><ul><li>thinning </li></ul>Preprocessing Feature Extraction Recognition <ul><li>Height / Width </li></ul><ul><li>จำนวนจุดบน / จำนวนจุดล่าง </li></ul><ul><li>End & Junction point </li></ul><ul><li>Connection </li></ul><ul><li>Head </li></ul><ul><li>Vertical Stroke </li></ul><ul><li>Crossing Count </li></ul><ul><li>Cavity </li></ul><ul><li>Histogram </li></ul><ul><li>Empty Zone </li></ul><ul><li>libsvm </li></ul>Elastic Deformation
  16. 16. End point & Junction point, Connection Fig.4 การแบ่งโซนของ End Point & Junction Fig.5 การแบ่งโซนของ Connection
  17. 17. แผนภาพการทำงาน Input <ul><li>ตัดให้พอดีขอบ </li></ul><ul><li>กำจัด noise </li></ul><ul><li>thinning </li></ul>Preprocessing Feature Extraction Recognition <ul><li>Height / Width </li></ul><ul><li>จำนวนจุดบน / จำนวนจุดล่าง </li></ul><ul><li>End & Junction point </li></ul><ul><li>Connection </li></ul><ul><li>Head </li></ul><ul><li>Vertical Stroke </li></ul><ul><li>Crossing Count </li></ul><ul><li>Cavity </li></ul><ul><li>Histogram </li></ul><ul><li>Empty Zone </li></ul><ul><li>libsvm </li></ul>Elastic Deformation
  18. 18. Head Fig. 6 การหา Head I. Methasate, S. Marukatat, S. Sae-tang, T. Theeramunkong, “The Feature Combination Technique for Off-line Thai Character Recognition System” Proceedings of the 2005 Eight International Conference on Document Analysis and Recognition (ICDAR’05), 2005.
  19. 19. แผนภาพการทำงาน Input <ul><li>ตัดให้พอดีขอบ </li></ul><ul><li>กำจัด noise </li></ul><ul><li>thinning </li></ul>Preprocessing Feature Extraction Recognition <ul><li>Height / Width </li></ul><ul><li>จำนวนจุดบน / จำนวนจุดล่าง </li></ul><ul><li>End & Junction point </li></ul><ul><li>Connection </li></ul><ul><li>Head </li></ul><ul><li>Vertical Stroke </li></ul><ul><li>Crossing Count </li></ul><ul><li>Cavity </li></ul><ul><li>Histogram </li></ul><ul><li>Empty Zone </li></ul><ul><li>libsvm </li></ul>Elastic Deformation
  20. 20. Vertical Stroke <ul><li>ทำ histogram แนวตั้ง </li></ul><ul><li>Smooth </li></ul><ul><li>หา จุดยอด และ local minimum </li></ul><ul><li>Triangle method </li></ul><ul><li>เช็คว่าเป็น vertical stroke จริงหรือไม่ </li></ul><ul><li>โดยดูจากความยาวว่ายาวเท่าไร ซึ่งต้องยาวกว่า </li></ul><ul><li>0.65 เท่าของความสูงตัวอักษร </li></ul>Fig.7 การหา Vertical Stroke I. Methasate, S. Sae-tang, “The Clustering Technique for Thai Handwritten Recognition” Proceedings of the 9th Int’l Workshop on Frontiers in Handwriting Recognition (IWFHR-9 2004), 2004.
  21. 21. แผนภาพการทำงาน Input <ul><li>ตัดให้พอดีขอบ </li></ul><ul><li>กำจัด noise </li></ul><ul><li>thinning </li></ul>Preprocessing Feature Extraction Recognition <ul><li>Height / Width </li></ul><ul><li>จำนวนจุดบน / จำนวนจุดล่าง </li></ul><ul><li>End & Junction point </li></ul><ul><li>Connection </li></ul><ul><li>Head </li></ul><ul><li>Vertical Stroke </li></ul><ul><li>Crossing Count </li></ul><ul><li>Cavity </li></ul><ul><li>Histogram </li></ul><ul><li>Empty Zone </li></ul><ul><li>libsvm </li></ul>Elastic Deformation
  22. 22. Crossing Count Fig.8 การแบ่งโซนของ Crossing Count
  23. 23. แผนภาพการทำงาน Input <ul><li>ตัดให้พอดีขอบ </li></ul><ul><li>กำจัด noise </li></ul><ul><li>thinning </li></ul>Preprocessing Feature Extraction Recognition <ul><li>Height / Width </li></ul><ul><li>จำนวนจุดบน / จำนวนจุดล่าง </li></ul><ul><li>End & Junction point </li></ul><ul><li>Connection </li></ul><ul><li>Head </li></ul><ul><li>Vertical Stroke </li></ul><ul><li>Crossing Count </li></ul><ul><li>Cavity </li></ul><ul><li>Histogram </li></ul><ul><li>Empty Zone </li></ul><ul><li>libsvm </li></ul>Elastic Deformation
  24. 24. Cavity Fig.9 ลักษณะของ Cavity แบบต่างๆ Pisit Phokharatkul and Chom Kimpan, “Recognition of handprinted Thai characters Using the cavity features of character base on neural network.” The 1998 IEEE Asia-Pacific Conference on circuits and systems, 24-27 November 1998, pp. 149-152.
  25. 25. แผนภาพการทำงาน Input <ul><li>ตัดให้พอดีขอบ </li></ul><ul><li>กำจัด noise </li></ul><ul><li>thinning </li></ul>Preprocessing Feature Extraction Recognition <ul><li>Height / Width </li></ul><ul><li>จำนวนจุดบน / จำนวนจุดล่าง </li></ul><ul><li>End & Junction point </li></ul><ul><li>Connection </li></ul><ul><li>Head </li></ul><ul><li>Vertical Stroke </li></ul><ul><li>Crossing Count </li></ul><ul><li>Cavity </li></ul><ul><li>Histogram </li></ul><ul><li>Empty Zone </li></ul><ul><li>libsvm </li></ul>Elastic Deformation
  26. 26. Histogram <ul><li>ทำ Histogram ทั้งแนวตั้งและแนวนอน โดยแบ่งเป็นแนวละ 3 โซน และแนวตั้งทั้งภาพ แนวนอนทั้งภาพ จากนั้นคิดเป็นอัตราส่วนกับ ความกว้างหรือความยาว </li></ul>Fig.10 การแบ่งส่วนการทำ Histogram
  27. 27. แผนภาพการทำงาน Input <ul><li>ตัดให้พอดีขอบ </li></ul><ul><li>กำจัด noise </li></ul><ul><li>thinning </li></ul>Preprocessing Feature Extraction Recognition <ul><li>Height / Width </li></ul><ul><li>จำนวนจุดบน / จำนวนจุดล่าง </li></ul><ul><li>End & Junction point </li></ul><ul><li>Connection </li></ul><ul><li>Head </li></ul><ul><li>Vertical Stroke </li></ul><ul><li>Crossing Count </li></ul><ul><li>Cavity </li></ul><ul><li>Histogram </li></ul><ul><li>Empty Zone </li></ul><ul><li>libsvm </li></ul>Elastic Deformation
  28. 28. Empty Zone Fig.11 การแบ่งส่วนการทำ Empty Zone
  29. 29. Normalize <ul><li>ค่าที่ได้ = a </li></ul><ul><li>Median = med </li></ul><ul><li>MD = ∑(a – med)/ n </li></ul><ul><li>ค่าที่ normalize = (a – med)/MD </li></ul>
  30. 30. แผนภาพการทำงาน Input <ul><li>ตัดให้พอดีขอบ </li></ul><ul><li>กำจัด noise </li></ul><ul><li>thinning </li></ul>Preprocessing Feature Extraction Recognition <ul><li>Height / Width </li></ul><ul><li>จำนวนจุดบน / จำนวนจุดล่าง </li></ul><ul><li>End & Junction point </li></ul><ul><li>Connection </li></ul><ul><li>Head </li></ul><ul><li>Vertical Stroke </li></ul><ul><li>Crossing Count </li></ul><ul><li>Cavity </li></ul><ul><li>Histogram </li></ul><ul><li>Empty Zone </li></ul><ul><li>libsvm </li></ul>Elastic Deformation
  31. 31. การหา Feature ที่เหมาะสม ตารางแสดงค่าความถูกต้องในการเลือกใช้ feature แต่ละชนิด (10 อันดับสูงสุด ) * 1 = ใช้ feature นั้น normalize, 2 = ใช้ feature นั้นไม่ normalize, 0 = ไม่ใช้ feature นั้น % H/W U/L End Junc. Con. Verst. H. In. H. Fill. H. Re. C. Ver. C. Hor. Cavity His ver His Hor Empty 69.3478 1 1 2 2 2 2 0 2 2 2 2 1 2 2 2 69.3478 1 1 2 2 2 1 0 2 2 2 2 1 2 2 2 69.3478 1 1 2 2 2 2 2 2 2 2 2 1 2 2 2 69.2391 1 1 2 2 2 2 0 0 2 2 2 1 2 2 2 69.2391 2 2 2 2 2 2 2 2 2 2 2 1 2 2 2 69.0217 1 1 2 2 2 1 2 2 2 2 2 1 2 2 2 69.0217 1 1 2 2 2 2 0 2 2 2 2 1 2 2 0 68.587 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 68.587 1 1 0 0 0 0 0 0 0 2 2 1 2 2 2 68.3696 1 1 2 0 2 1 0 2 2 2 2 1 2 2 2
  32. 32. แผนภาพการทำงาน Input <ul><li>ตัดให้พอดีขอบ </li></ul><ul><li>กำจัด noise </li></ul><ul><li>thinning </li></ul>Preprocessing Feature Extraction Recognition <ul><li>Height / Width </li></ul><ul><li>จำนวนจุดบน / จำนวนจุดล่าง </li></ul><ul><li>End & Junction point </li></ul><ul><li>Connection </li></ul><ul><li>Head </li></ul><ul><li>Vertical Stroke </li></ul><ul><li>Crossing Count </li></ul><ul><li>Cavity </li></ul><ul><li>Histogram </li></ul><ul><li>Empty Zone </li></ul><ul><li>libsvm </li></ul>Elastic Deformation
  33. 33. Elastic Deformation <ul><li>ใช้เทคนิคนี้ในการสร้างตัวอย่างขึ้นจากตัวอย่างเดิมที่มีอยู่ในแล้วโดยอาศัยการ random ขึ้นมาใหม่ ถ้า random หมด ภาพจะเพี้ยน จึงมีการทำ smooth ก่อน จากนั้นนำไป train เป็นตัวอย่างหนึ่งที่เพิ่มขึ้นมา </li></ul>Fig.12 การทำ Elastic Deformation
  34. 34. ตารางแสดงค่าความถูกต้องเมื่อมีการเพิ่มจำนวนตัวอย่าง 116 100 80 60 40 20 0 1 3 5 69.3478 69.3478 70.1087 48.4783 69.3478 69.5652 70.1087 49.4565 69.3478 69.4565 69.8913 51.1957 69.2391 69.1304 69.6739 50.4348 69.2391 69.3478 69.7826 50.2174 0 1 3 5 69.7826 69.0217 69.5652 57.5 68.2609 67.9348 68.6957 55.6522 69.4565 69.1304 69.3478 56.8478 69.2391 68.8043 68.913 56.413 69.0217 69.3478 69.7826 56.5217 0 1 3 5 67.9348 67.3913 68.1522 55.5435 67.7139 66.9565 67.9348 63.913 67.3913 67.1739 68.0435 65.5435 66.3043 66.413 66.9565 64.2391 67.7174 67.5 68.0435 64.2391 0 1 3 5 66.6304 66.7391 66.8478 59.5652 65.9783 66.087 65.9783 67.2826 66.7391 66.6304 66.6304 67.1739 66.1957 66.413 66.413 67.0652 67.1739 66.7391 67.1739 67.0652 0 1 3 5 62.8261 62.5 63.6957 64.4565 59.3478 47.2826 61.087 62.7174 59.5652 59.0217 60.9783 60.7609 62.2826 61.5127 63.2609 63.4783 63.587 63.0435 63.913 64.5652 0 1 3 5 56.5217 57.0652 58.3696 59.1304 55.9783 55.9783 57.8261 59.4565 54.4565 54.8913 56.1957 56.9565 56.1957 56.6304 57.3913 58.587 56.413 56.413 57.5 58.8043
  35. 35. สรุปผล <ul><li>เมื่อมีการเพิ่มจำนวนตัวอย่าง ประสิทธิภาพความถูกต้องจะเพิ่มขึ้นเล็กน้อย เมื่อเทียบกับการไม่เพิ่มจำนวนตัวอย่าง สูงสุดที่ 70.187% </li></ul><ul><li>หากเพิ่มจำนวนตัวอย่างมากเกินไปจะทำให้ความถูกต้องลดลง </li></ul><ul><li>ตัวอย่างที่เพิ่มเข้าไปไม่สามารถทดแทนตัวอย่างที่เก็บเพิ่มเข้ามาได้ </li></ul>
  36. 36. References <ul><li>Chih-Chung Chang and Chih-Jen Lin, “LIBSVM:a Library for Support Vector Machines”. Software available at http://www.csie.ntu.edu.tw/~cjlin/libsvm (accessed 15/11/2007) </li></ul><ul><li>I. Methasate, S. Marukatat, S. Sae-tang, T. Theeramunkong, “The Feature Combination Technique for Off-line Thai Character Recognition System” Proceedings of the 2005 Eight International Conference on Document Analysis and Recognition (ICDAR’05), 2005. </li></ul><ul><li>I. Methasate, S. Sae-tang, “The Clustering Technique for Thai Handwritten Recognition” Proceedings of the 9th Int’l Workshop on Frontiers in Handwriting Recognition (IWFHR-9 2004), 2004. </li></ul><ul><li>P. Phokharatkul, K. Sankhuangaw, S. Somkuarnpanit, S. Phaiboon, C. Kimpan, “Off-Line Hand Written Thai Character Recognition using Ant-Miner Algorithm” Transactions on Engineering, Computering and Technology, vol. 8, p 276-281, 2005. </li></ul><ul><li>Pisit Phokharatkul and Chom Kimpan, “Recognition of handprinted Thai characters Using the cavity features of character base on neural network.” The 1998 IEEE Asia-Pacific Conference on circuits and systems, 24-27 November 1998, pp. 149-152. </li></ul>
  37. 37. References <ul><li>M. Morita, R. Sabourin, F. Bortolozzi, C. Y. Suen, “A Recognition and Verification Strategy for Handwritten Word Recognition”, Proceedings of the Seventh International Conference on Document Analysis and Recognition (ICDAR’03), 2003. </li></ul><ul><li>Y.Y. Zhang and P.S.P. Wang, “A Parallel Thinning Algorithm with Two-Subiteration that Generates One-Pixel-Wide Skeletons”. Available at http://portal.acm.org/citation.cfm?id=848444 (accessed 23/03/50) </li></ul><ul><li>Antoine Manzanera, Thierry M.Bernard, Francoise Preteux, and Bernard Lonquet, “Ultra-fast Skeleton based on an isotropic fully parallel algorithm”. Available at http://www.springerlink.com/index/j4knuh91g28qhjee.pdf ( accessed 12/01/2007) </li></ul><ul><li>P. Simard, D. Steinkraus and J. Platt, &quot;Best practices for convolutional neural networks applied to visual document analysis“, In International Conference on Document Analysis and Recognition (ICDAR) 2003 Edinbourgh, UK </li></ul>
  1. A particular slide catching your eye?

    Clipping is a handy way to collect important slides you want to go back to later.

×