Vous êtes sur la page 1sur 37

UNI VERSI DADE FEDERAL DE PERNAMBUCO

GRADUAO EM CINCIA DA COMPUTAO


CENTRO DE INFORMTICA
2 0 0 8 . 2
ANLISE DE TCNICAS DE EXTRAO DE
CARACTERSTICAS PARA O RECONHECIMENTO
DE DGITOS MANUSCRITOS
TRABALHO DE GRADUAO
Aluno: Rafael Meela! Ol"#e"$a e C$!% &$'()*)".!f+e.,$-
Orin!"#or: Ge($.e Da$'"/( 0a C!1a Ca#al)a/" &.0))*)".!f+e.,$-
Re)"fe2 De%e',$( 0e 2008
A$r"#%i&n!o'
Gostaria de agradecer aos msicos das bandas, The Beatles, Pink Floyd,
Eric Clapton, AC/DC, a!l "ei#as, Da$id Bo%ie, Bob Dylan, !sh, &!een, Faith
no 'ore, (ed )eppelin, The *ho, Dire "traits, 'etallica, +imi ,endri#, -nterpol,
The olling "tones, todas as bandas presentes nos .ogos G!itar ,ero/ock
Band e especialmente ao Arcade Fire, pois s!as m!sicas sempre esti$eram
comigo d!rante o desen$ol$imento deste trabalho/

0
R'u&o
1 reconhecimento de d2gitos man!scritos 3 !m dos problemas
4!ndamentais da 5rea de $is6o comp!tacional/ 1 4ator mais importante para
alcan7ar !m bom desempenho em !m sistema de reconhecimento de caracteres
man!scritos 3 a escolha da t3cnica para 4a8er a e#tra76o das caracter2sticas da
imagem/ 1 ob.eti$o deste pro.eto 3 4a8er !m est!do sobre alg!mas t3cnicas de
e#tra76o de caracter2sticas e 4a8endo !ma an5lise detalhada dos res!ltados
obtidos por cada !ma, !tili8ando redes ne!rais do tipo Multi-Layer Perceptron
9'(P: como classi4icador/
Palavras-chave; econhecimento de caracteres man!scritos, E#tra76o de
caracter2sticas, <is6o comp!tacional, econhecimento de padr=es/
>
Su&(rio
1. Introduo/////////////////////////////////////////////////////////////////////////////////////////////////////////////// ?
0/0 econhecimento On-line////////////////////////////////////////////////////////////////////////////////////// ?
0/> econhecimento Off-line////////////////////////////////////////////////////////////////////////////////////// @
0/A Etapas de !m sistema de reconhecimento de caracteres////////////////////////////////////@
0/A/0 Pr3Bprocessamento/////////////////////////////////////////////////////////////////////////////////////// C
0/A/0 E#tra76o de caracter2sticas///////////////////////////////////////////////////////////////////////////C
0/A/0 Classi4ica76o///////////////////////////////////////////////////////////////////////////////////////////////// C
0/A/0 PDsBprocessamento////////////////////////////////////////////////////////////////////////////////////0E
0/F 1 trabalho/////////////////////////////////////////////////////////////////////////////////////////////////////////// 0E
2. Tcnicas de Extrao de Caractersticas////////////////////////////////////////////////////////////00
>/0 Caracter2sticas Estr!t!rais 9"tr!ct!ral Characteristics:///////////////////////////////////////00
>/0/0 ,istograma ,ori8ontal////////////////////////////////////////////////////////////////////////////////0>
>/0/> ,istograma <ertical/////////////////////////////////////////////////////////////////////////////////////0>
>/0/A ,istograma adial//////////////////////////////////////////////////////////////////////////////////////0>
>/0/F adial inB1!t Pro4ile////////////////////////////////////////////////////////////////////////////////////0A
>/0/F adial 1!tB-n Pro4ile////////////////////////////////////////////////////////////////////////////////////0F
>/> 'apas de arestas 9Edge 'aps://////////////////////////////////////////////////////////////////////////0F
>/A Pro.e7=es de -magem 9-mage Pro.ections://///////////////////////////////////////////////////////0?
>/F )oneamento 9)oning://///////////////////////////////////////////////////////////////////////////////////////0C
>/G 'edida de Conca$idades 9Conca$ities 'eas!rement:///////////////////////////////////////>E
3. Experientos e !esultados/////////////////////////////////////////////////////////////////////////////////>A
A/0 A base de dados 'H-"T/////////////////////////////////////////////////////////////////////////////////////>A
A/> E#perimentos eali8ados///////////////////////////////////////////////////////////////////////////////////>A
A/A es!ltados 1btidos////////////////////////////////////////////////////////////////////////////////////////////>F
A/F Poss2$eis sol!7=es para red!76o de erros/////////////////////////////////////////////////////////A0
". Concluso e Tra#alhos $uturos//////////////////////////////////////////////////////////////////////////AG
F/0 Trabalhos F!t!ros/////////////////////////////////////////////////////////////////////////////////////////////// AG
R)r*n%i"' Bi+lio$r()i%"'/////////////////////////////////////////////////////////////////////////////////////////////// A?
A
n#i% # ,i$ur"'
$I%&!' 1.1( ETAPA" DE I' "-"TE'A DE EC1H,EC-'EHT1 DE CAACTEE" 'AHI"C-T1"/ /?
$I%&!' 2.1( A: DJG-T1 >, B: ,-"T1GA'A ,1-)1HTA(, C: ,-"T1GA'A <ET-CA(,D:
,-"T1GA'A AD-A(//////////////////////////////////////////////////////////////////////////////////////////////// 0E
F-GIA >/>; E"I(TAD1 D1 THINNING AP(-CAD1 A I' DJG-T1 "E-" KADAPTAD1 DE @L//////////0F
$I%&!' 2.3( 'A"CAA" D1 1PEAD1 DE "1BE(/////////////////////////////////////////////////////////////0F
$I%&!' 2."; -'AGEH" C1' 1 E"I(TAD1 DA" (-H,A" EMTAJDA" HA" &IAT1 D-ENOE"
KADAPTAD1 DE @L///////////////////////////////////////////////////////////////////////////////////////////////////// 0G
$I%&!' 2.); P1+ENOE" AD-A-" E' &IAT1 D-ENOE" PAT-HD1 D1 CEHT1 KADAPTAD1
DE @L/////////////////////////////////////////////////////////////////////////////////////////////////////////////////////// 0?
$I%&!' 2.*( P1+ENOE" D-AG1HA-" PAA 1 DJG-T1 C-HC1 KADAPTAD1 DE @L/////////////////////0?
$I%&!' 2.+( D-<-"P1 FMF PAA I'A -'AGE' D1 DJG-T1 TQ"////////////////////////////////////////////0@
$I%&!' 2.,( A(GI'A" D-<-"OE" IT-(-)ADA" HA TRCH-CA ZONING////////////////////////////////////////0C
$I%&!' 2.-( A: CS(CI(1 DA C1HCA<-DADE, B: <ET1 DE CAACTEJ"T-CA", C: D-ENOE"
AIM-(-AE", D: &IAT1 D-ENOE" P-HC-PA-" KADAPTAD1 DE CL/////////////////////////////////>E
$I%&!' 3.1( A: EME'P(1 D1 '1DE(1 D1 DJG-T1 0 C1'I' HA BA"E DE TE-HA'EHT1, B:
EME'P(1" D1 DJG-T1 0 C(A""-F-CAD1" C1'1 > 1I A///////////////////////////////////////////////>T
$I%&!' 3.2( A: '1DE(1 D1 DJG-T1 ? C1'I' H1 C1H+IHT1 D E TE-HA'EHT1, B: '1DE(1
D1 DJG-T1 "ETE &IE APE"EHTA A(T1 JHD-CE DE E1//////////////////////////////////////////////>?
$I%&!' 3.3( DJG-T1" &IE APE"EHTA' P1B(E'A" &IAHT1 E"C-TA 1I//////////////////////////A0
$I%&!' 3."( &IAHT-DADE DE -H"TUHC-A" E+E-TADA" E' FIHNP1 D1 (-'-A/ A: C1HCA<-T-E"
'EA"IE'EHT, B: EDGE 'AP", C: -'AGE P1+ECT-1H", D: "TICTIA(
C,AACTE-"T-C" E: )1H-HG///////////////////////////////////////////////////////////////////////////////////A>
F
n#i% # T"+l"'
T'.E/' 3.1( PECEHTIA( DE E1 PAA A" TRCH-CA" DE EMTANP1 DE CAACTEJ"T-CA"/
/////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////// >F
T'.E/' 3.2( E1" DE C(A""-F-CANP1 PAA 1 HI'EA( E//////////////////////////////////////////////>G
T'.E/' 3.3( E1" DE C(A""-F-CANP1 PAA 1 HI'EA( @//////////////////////////////////////////////>G
T'.E/' 3."; E1" DE C(A""-F-CANP1 PAA 1 HI'EA( 0//////////////////////////////////////////////>?
T'.E/' 3.)( E1" DE C(A""-F-CANP1 PAA 1 HI'EA( ?//////////////////////////////////////////////>?
T'.E/' 3.*( E1" DE C(A""-F-CANP1 PAA 1 HI'EA( >//////////////////////////////////////////////>@
T'.E/' 3.+( E1" DE C(A""-F-CANP1 PAA 1 HI'EA( A//////////////////////////////////////////////>@
T'.E/' 3.,( E1" DE C(A""-F-CANP1 PAA 1 HI'EA( G//////////////////////////////////////////////>C
T'.E/' 3.-( E1" DE C(A""-F-CANP1 PAA 1 HI'EA( F//////////////////////////////////////////////AE
T'.E/' 3.10( E1" DE C(A""-F-CANP1 PAA 1 HI'EA( C////////////////////////////////////////////AE
G
1. Introduo
1 reconhecimento de d2gitos man!scritos 3 !m dos problemas cl5ssicos
da $is6o comp!tacional/ 1 interesse nesta 5rea e#iste pelo 4ato de V!e ela
poss!i !m grande potencial para aplica7=es, principalmente para dom2nios nos
V!ais !ma grande massa de doc!mentos precisa ser analisada K0TL, como, por
e#emplo, no reconhecimento de cDdigos postais, processamento de 4orm!l5rios
e reconhecimento do $alor em !m cheV!e banc5rio/ Por3m, para !tili8ar em
aplica7=es reais os sistemas precisam atingir !m alto gra! de con4iabilidade/
1 grande problema encontrado no reconhecimento de caracteres
man!scritos de$eBse ao 4ato da grande $ariedade de estilos de escrita por
pessoas di4erentes/ Est!do apresentado em K0?L 4ala sobre a indi$id!alidade do
estilo de escrita e mostra V!e a mesma pessoa pode escre$er !m mesmo d2gito
!sando mais de !ma 4orma, principalmente para os d2gitos mais comple#os
como no caso do d2gito F e do d2gito @/ Esta grande $ariabilidade torna o
problema m!ito mais comple#o V!ando comparado ao de reconhecimento de
te#to impresso/
E#istem d!as di4erentes abordagens para reconhecimento de caracteres
man!scritos, reconhecimento on-line e off-line/
0/0 econhecimento On-line
No econhecimento on-line a entrada do caractere 3 4eita atra$3s de
dispositi$os especiais, como a tela sens2$el ao toV!e em !m PDA o! atra$3s de
!m tabletPC/ '3todos onBline s6o tidos como mais 45ceis, pois, alem da 4orma,
e#istem mais in4orma7=es dispon2$eis como a tra.etDria reali8ada pelo dispositi$o
de entrada/
T
0/> econhecimento Off-line
1s m3todos off-line poss!em como entrada !m doc!mento escrito V!e
de$e ser processado/ 1 doc!mento 3 ent6o digitali8ado a partir de dispositi$os
como scanners o! atra$3s de !ma cWmera/ 1 problema de reconhecimento off-
line 3 mais comple#o, pois o processo de digitali8a76o da imagem pode
apresentar r!2dos alem de V!e n6o se tem as in4orma7=es da tra.etDria reali8ada
d!rante a escrita/
0/A Etapas de !m sistema de reconhecimento de caracteres
Im sistema para reconhecimento de caracteres man!scritos pode ser
di$idido basicamente em V!atro etapas; Pr3Bprocessamento, E#tra76o de
Caracter2sticas, Classi4ica76o e PDsBProcessamento/ Ha Fig!ra 0/0 s6o
il!stradas estas etapas/
$i1ura 1.1( Etapas de !m sistema de reconhecimento de caracteres man!scritos
?
0/A/0 Pr3Bprocessamento
A etapa de pr3Bprocessamento prepara a imagem para ser !tili8ada pela
t3cnica de e#tra76o de caracter2sticas/ As t3cnicas !tili8adas nesta etapa s6o
determinadas pela 4orma V!e a e#tra76o de caracter2sticas V!e trabalha/
Alg!mas t3cnicas de e#tra76o de caracter2sticas podem trabalhar com imagens
em n2$eis de cin8a como as encontradas em K0@,0CL, enV!anto o!tras trabalham
com imagens bin5rias, necessitando a reali8a76o da binari8a76o d!rante o pr3B
processamento/ A !tili8a76o de algoritmos para 4a8er esV!eleti8a76o, e#tra76o
do contorno entre o!tros tamb3m se enV!adram nesta etapa/
1!tro passo importante V!e pode ser 4eito d!rante o pr3Bprocessamento 3
a normali8a76o da imagem/ A normali8a76o pode ser tanto !ma simples
normali8a76o de tamanho como !ma de c!r$at!ra/ Estas normali8a7=es podem
contrib!ir para o res!ltado 4inal/ (i! et al/ K0@L il!stra alg!mas t3cnicas de
normali8a76o e 4a8 !ma compara76o do ganho nos res!ltados/
0/A/0 E#tra76o de caracter2sticas
A imagem com o res!ltado do pr3Bprocessamento 3 ent6o !tili8ada para
e#tra76o de caracter2sticas/ E#istem $5rias t3cnicas de e#tra76o de
caracter2sticas di4erentes espec24icas para caracteres man!scritos off-line e a
s!a escolha 3 cr!cial para o desempenho no reconhecimento/ Ima s3rie de
algoritmos de e#tra76o para di4erentes estilos de imagem 3 descrita em KFL/ A
partir dela 3 obtido !m $etor com $alores n!m3ricos V!e representa a imagem/
0/A/0 Classi4ica76o
1 $etor res!ltado 3 !tili8ado como entrada em !m classi4icador para 4a8er
o reconhecimento/ E#istem $5rios tipos de classi4icadores/ Alg!ns dos
classi4icadores mais !tili8ados para o reconhecimento de caracteres man!scritos
@
s6o as edes He!rais Arti4iciais, Hidden Markov Model 9,'': e Support Vector
Machine 9"<':/
0/A/0 PDsBprocessamento
Com o res!ltado da classi4ica76o 3 4eito o pDsBprocessamento do
res!ltado/ Esta etapa 3 importante, pois dependendo do res!ltado obtido pelo
classi4icador o sistema pode reV!erer V!e se.am 4eitas $eri4ica7=es adicionais,
para e$itar problemas com ambigXidade entre os caracteres, o! pode re.eitar a
imagem de entrada V!ando a sa2da do classi4icador 3 in4erior Y dese.ada/
0/F 1 trabalho
1 4oco deste trabalho se encontra na etapa de e#tra76o de caracter2sticas
para o reconhecimento off-line/ <5rias t3cnicas, todas !tili8am imagens bin5rias,
4oram est!dadas e implementadas em !m protDtipo V!e ser$i! para 4a8er !ma
compara76o dos se!s res!ltados e para ser !tili8ado em 4!t!ros pro.etos/ Foi
necess5rio o desen$ol$imento de alg!ns algoritmos de pr3Bprocessamento para
dar s!porte Ys t3cnicas de e#tra76o de caracter2sticas/ Para 4a8er classi4ica76o
4oram !tili8adas redes '(P/
1 doc!mento esta di$idido da seg!inte 4orma; Ho seg!ndo cap2t!lo, as
t3cnicas !tili8adas para e#tra76o de caracter2sticas ser6o detalhadas/ Ho terceiro
ser5 descrito como 4oram reali8ados os e#perimentos e ser5 4eita !ma an5lise
detalhada dos res!ltados obtidos por cada !ma das t3cnicas/ Por ltimo, no
V!arto cap2t!lo ser5 apresentada a concl!s6o e as poss2$eis melhorias V!e
poder6o ser 4eitas/
C
2. Tcnicas de Extrao de Caractersticas
E#tra76o de caracter2sticas pode ser de4inida como sendo a capt!ra das
in4orma7=es, V!e s6o mais rele$antes para 4a8er !ma classi4ica76o, de !m dado
4ornecido como entrada K0EL/ A escolha de !ma t3cnica de e#tra76o de
caracter2sticas 3, pro$a$elmente, o 4ator mais importante para alcan7ar altas
ta#as de reconhecimento KFL/
Heste cap2t!lo ser6o descritas as t3cnica de e#tra76o de caracter2sticas
V!e 4oram implementadas, d!rante este trabalho, para, posteriormente, 4a8er
!ma an5lise dos res!ltados/ "er6o as seg!intes t3cnicas; Caracter2sticas
estr!t!rais, V!e !tili8a in4orma76o como histogramas e profile, a t3cnica de
pro.e76o de imagem, 8oneamento, medidas de conca$idades e mapas de
arestas/
>/0 Caracter2sticas Estr!t!rais 9"tr!ct!ral Characteristics:
A t3cnica Caracter2sticas Estr!t!rais 9Structural !haracteritic: consiste
em calc!lar alg!ns histogramas e profile da imagem de entrada, combinandoB
os para 4ormar o $etor de caracter2sticas/ Primeiramente a imagem 3
normali8ada para !ma matri8 de tamanho A>#A> pi#els/ Em seg!ida s6o
calc!lados os histogramas hori8ontais e $erticais, histogramas m!ito conhecidos
e !tili8ados para o reconhecimento de caracteres K>L, o radial e os profile in-out
e out-in tamb3m radiais/ Ha 4ig!ra >/0 3 mostrado !m e#emplo de histogramas,
para !m e#emplo de d2gito >/
$i1ura 2.2( a: D2gito >, b: ,istograma ,ori8ontal, c: ,istograma $ertical,d: ,istograma adial/
0E
Para as de4ini7=es a seg!ir, ser5 adotado V!e o $alor do pi#el na mB3sima
col!na e nB3sima linha da imagem ser5 representado pela eV!a76o;
>/0/0 ,istograma ,ori8ontal
1 histograma hori8ontal 3 calc!lado simplesmente pela soma dos pi#els
pretos em cada linha da imagem, totali8ando em A> caracter2sticas/ Este
histograma 3 dado pela eV!a76o a seg!ir;
>/0/> ,istograma <ertical
1 histograma $ertical 3 calc!lado pela soma dos pi#els pretos de cada
col!na da imagem, totali8ando em !m $etor com A> caracter2sticas/ Este
histograma 3 de4inido pela eV!a76o a seg!ir;

>/0/A ,istograma adial
1 histograma radial 3 calc!lando pela soma dos pi#els pretos na imagem"
partindo do centro da imagem e caminhando em dire76o a borda, nas dire7=es
de di4erentes Wng!los # pr3Bde4inidos/ 1s Wng!los 4oram selecionados em
inter$alos de G gra!s, totali8ando em ?> dire7=es/ Este histograma 3 dado pela
eV!a76o a seg!ir;
00
Como a imagem em V!est6o esta normali8ada em !ma matri8 de A>#A>
pi#els, a b!sca parte do ponto de coordenadas 90T,0T:, V!e 3 o centro da
imagem, e caminha nas dire7=es dos Wng!los #" reali8ando 0T passos para
chegar Y borda/ Para cada Wng!lo di4erente 3 somada a V!antidade de pi#els
pretos, na dire76o do Wng!lo, e o $alor 3 g!ardado em !m $etor/ Ho 4inal 3 obtido
!m $etor com ?> $alores, com cada $alor correspondendo a V!antidade de
pi#els pretos encontrados em cada dire76o/
>/0/F adial inB1!t Pro4ile
1 $adial In-Out Profile pode ser $isto como a posi76o do primeiro pi#el
preto encontrado atra$3s de !ma b!sca, V!e parte do centro da imagem, e
caminha em dire76o a borda, nas dire7=es de Wng!los # pr3Bde4inidos% Assim
como no histograma radial, os Wng!los 4oram selecionados em inter$alos de G
gra!s, totali8ando em ?> dire7=es di4erentes/ A b!sca come7a do centro da
imagem, ponto de coordenada 90T,0T:, e caminha na dire76o do Wng!lo em
V!est6o em passos de !m pi#el/ A cada passo 3 $eri4icado se a cor do pi#el 3
preta/ Caso o pi#el se.a de cor preta, o nmero de passos reali8ados at3 o
momento 3 dado como res!ltado/ Caso n6o se.a encontrado nenh!m pi#el at3 o
4inal da b!sca 9encontrar a borda:, o $alor E 3 dado como res!ltado/ PodeBse
obser$ar V!e V!antidade m5#ima de passos poss2$eis 3 0T V!e 3 a metade das
dimens=es da imagem/ Esta b!sca 3 reali8ada para cada $alor de Wng!lo pr3B
de4inido, e o res!ltado de cada !ma 3 arma8enado em !m $etor de ?> posi7=es/
Cada posi76o deste $etor corresponde ao res!ltado da b!sca para !m Wng!lo/
>/0/F adial 1!tB-n Pro4ile
0>
1 $adial Out-In Profile tem a de4ini76o ig!al Y do profile In-Out/ A nica
di4eren7a 3 V!e neste pro4ile 3 selecionada a posi76o do ltimo pi#el preto,
encontrado na b!sca V!e parte do centro da imagem e caminha em dire76o a
borda, enV!anto no profile In-Out a posi76o selecionada 3 a do primeiro pi#el
preto encontrado/
ApDs o c5lc!lo dos histogramas e profile" os $alores de cada !m s6o
normali8ados, para !m $alor no inter$alo KE,0L/ Esta normali8a76o 3 4eita
simplesmente pela di$is6o pelo maior $alor V!e pode ser ass!mido para cada
histograma o! profile/ Hos casos dos histogramas hori8ontais e $erticais, 3 4eita
!ma di$is6o por A> V!e 3 o nmero de linhas e col!nas da imagem/ Para o
histograma radial e profile, 3 4eita !ma di$is6o por 0T, pois 3 o nmero m5#imo
de passos V!e s6o reali8ados/
Com os res!ltados normali8ados, 3 4eita a combina76o dos histogramas
e profile, 4ormando !m $etor com >@E 9A>ZA>Z?>Z?>Z?>: caracter2sticas/
>/> 'apas de arestas 9Edge 'aps:
Esta t3cnica consiste em e#trair segmentos de linhas, V!e representem o
caractere, para ent6o 4a8er o reconhecimento/ Ima .!sti4icati$a para !sar
segmentos de linhas, de$eBse ao 4ato de V!e caracteres man!scritos s6o, em
s!a ess[ncia, linhas em !m espa7o biBdimensional K@L/
Antes de e#trair os segmentos de linhas, a imagem de$e ser
redimensionada para !ma de tamanho >G#>G pi#els/ Tamb3m de$e ser !tili8ada
!ma estrat3gia de thinnin&" pois este pr3Bprocessamento 4acilita a e#tra76o das
bordas da imagem K@L/ 1 algoritmo !tili8ado para 4a8er o thinnin& 4oi o )hangB
"!en KGL/ Ha 4ig!ra >/> 3 apresentado o res!ltado do thinnin& reali8ado em !ma
imagem de !m d2gito T/
0A
Fig!ra >/>; es!ltado do thinnin& aplicado a !m d2gito seis KAdaptado de @L/
1 seg!ndo passo 3 e#trair os segmentos, hori8ontal, $ertical e os
segmentos diagonais/ Para isto, 3 !tili8ado !m operador de detec76o de bordas
V!e pode ser tanto o operador de "obel KAL, como o operador de Pre%itt K?L, o!
\irch KTL/ Heste trabalho 4oi !tili8ado o operador de "obel/ Ha 4ig!ra >/A 3
il!strado o 4ormato das m5scaras/
$i1ura 2.3( 'ascaras do operador de "obel
ApDs a e#tra76o de bordas com cada con4ig!ra76o de m5scara, 4oram
obtidas as imagens contendo res!ltados para cada con4ig!ra76o/ Ha 4ig!ra >/F
s6o apresentados os res!ltados obtidos pela con$ol!76o para o mesmo digito
0F
seis/ Cada imagem 3 ent6o di$idida em >G partes de tamanho G#G pi#els cada/
Para cada parte 3 calc!lada a probabilidade de !m pi#el preto aparecer nela
9di$is6o do n!mero de pi#els pretos pela V!antidade total de pi#els de cada
parte:, obtendo assim !m $etor com >G $alores para cada imagem/ Estes
c5lc!los tamb3m s6o aplicados na imagem de entrada com a inten76o de
capt!rar caracter2sticas globais da imagem K@L/
$i1ura 2."; -magens com o res!ltado das linhas e#tra2das nas V!atro dire7=es KAdaptado de @L/
0G
Ho 4inal, o res!ltado obtido para cada imagem 3 combinado, 4ormando !m
$etor com 0>G 9>GZ>GZ>GZ>GZ>G: caracter2sticas/ 1s $alores deste $etor n6o
precisaram ser normali8ados, pois como eles s6o probabilidades, eles .5 se
encontram em !m inter$alo de KE,0L/
Esta implementa76o descrita acima di4ere !m po!co do algoritmo original,
descrito em K@L/ As di4eren7as ocorrem, pois, no algoritmo padr6o, apDs obter as
imagens com os res!ltados da e#tra76o das bordas, 3 reali8ada !ma
compress6o nessas imagens para !ma de dimens=es G#G pi#els e $alor do n2$el
de cin8a de cada pi#el 3 ent6o !tili8ado para 4ormar o $etor de caracter2stica/ As
modi4ica7=es no algoritmo original 4oram 4eitas, pois os res!ltados obtidos por
ele n6o esta$am sendo satis4atDrios/
>/A Pro.e7=es de -magem 9-mage Pro.ections:
E#tra76o de caracter2sticas baseadas em pro.e7=es tem sido !sada com
s!cesso no reconhecimento de caracteres K@L/ Para esta t3cnica 4oram !tili8adas
as pro.e7=es diagonais e radiais/
A pro.e76o radial 3 calc!lada agr!pando os pi#els pela s!a distWncia ao
centro da imagem/ 1 problema deste tipo de pro.e76o 3 ser totalmente in$ariante
Y rota76o, o V!e 3 claramente indese.5$el para 4a8er reconhecimento de
caracteres K@L/ Esta in$ariWncia 3 indese.5$el, pois com ela n6o 3 poss2$el
di4erenciar alg!ns caracteres, como, por e#emplo, di4erenciar o d2gito seis do
d2gito no$e, pois !m 3 a rota76o em 0@E gra!s do o!tro/ Para remo$er a
in$ariWncia, a imagem 3 di$idida em V!atro partes; s!perior, in4erior, esV!erda e
direita/ Fig!ra >/G mostra a di$is6o da imagem em V!adrantes e s!as
respecti$as pro.e7=es/ Para cada !ma destas partes 3 calc!lado !m histograma
agr!pando os pi#els pretos V!e poss!em a mesma distWncia radial 9em pi#els:/
A pro.e76o diagonal 3 obtida agr!pando os pi#els nas linhas diagonais K@L/
Ha Fig!ra >/T s6o apresentadas as pro.e7=es nas d!as diagonais para o digito
cinco/
0T
$i1ura 2.); Pro.e7=es radiais em V!atro dire7=es partindo do centro KAdaptado de @L/
$i1ura 2.*( Pro.e7=es diagonais para o d2gito cinco KAdaptado de @L/
ApDs calc!lar as pro.e7=es, os $alores de cada pro.e76o s6o
di$ididos pelo maior $alor poss2$el para 4a8er a normali8a76o/ Com os $alores
0?
normali8ados, os histogramas s6o combinados para 4ormar !m nico $etor
contendo 0>@ 90T para cada histograma radial, e A> para cada histograma
diagonal: caracter2sticas/
>/F )oneamento 9)oning:
1 algoritmo de Zonin& consiste em di$idir !ma imagem em 8onas,
calc!lando a porcentagem de pi#els pretos em cada parte da di$is6o/ Ha 4ig!ra
>/? 3 il!strada a di$is6o em 8onas para !ma imagem do d2gito tr[s/ D!rante a
implementa76o da t3cnica, 4oi identi4icado, a partir dos testes reali8ados, V!e
!tili8ar apenas !ma con4ig!ra76o de di$is6o da imagem n6o era s!4iciente para
obter res!ltados satis4atDrios/ Por este moti$o 4oi decidido !tili8ar $5rias
con4ig!ra7=es de di$is6o, modi4icando o tamanho das 8onas, e combinar os
se!s res!ltados para 4ormar nico $etor de caracter2sticas/
$i1ura 2.+( Di$is6o F#F para !ma imagem do d2gito tr[s/
Foram escolhidas 0A con4ig!ra7=es di4erentes, A#0, 0#A, >#A, A#>, A#A,
0#F, F#0, F#F, T#0, 0#T, T#A, A#T e T#T/ Ha Fig!ra >/@ 3 apresentada a di$is6o
4eita por alg!mas destas con4ig!ra7=es/ F!t!ramente de$e ser 4eito !m est!do
!tili8ando o!tras 4ormas de di$is6o e para encontrar a V!e apresenta melhor
desempenho/
Ho 4inal, 1s res!ltados de cada con4ig!ra76o 4oram combinados,
4ormando !m $etor contendo 0>A caracter2sticas 9A Z A Z T Z T Z C Z F Z F Z 0T Z
T Z T Z 0@ Z 0@ Z AT:/ 1s $alores no $etor 4inal .5 se encontram normali8ados,
0@
pois como eles s6o obtidos pelo c5lc!lo da porcentagem, eles est6o dentro do
inter$alo de KE,0L/
$i1ura 2.,( Alg!mas di$is=es !tili8adas na t3cnica 'onin&/
>/G 'edida de Conca$idades 9Conca$ities 'eas!rement:
A id3ia desta t3cnica 3 4a8er !ma b!sca, para cada pi#el branco na
imagem, em V!atro dire7=es, com o ob.eti$o de saber tanto o nmero de pi#els
pretos V!e podem ser atingidos por essas dire7=es como tamb3m saber para
V!ais dire7=es a b!sca n6o encontro! nenh!m pi#el preto KCL/ Ha Fig!ra >/C d:
s6o especi4icadas as dire7=es a!#iliares/ Hos casos em V!e !m pi#el preto 3
alcan7ado nas V!atro dire7=es, !ma no$a b!sca 3 lan7ada !tili8ando dire7=es
a!#iliares para garantir V!e o pi#el branco se encontra dentro de !ma 5rea
4echada KCL/ Ha Fig!ra >/C c: s6o il!stradas as V!atro dire7=es a!#iliares/
0C
Primeiramente, 3 preciso de4inir !m $etor contendo tre8e elementos/ Cada
posi76o deste $etor eV!i$ale a !m tipo de con4ig!ra76o di4erente V!e representa
a maneira na V!al !m pi#el branco alcan7a !m pi#el preto/ Ha Fig!ra >/C b: 3
mostrado o e#emplo de !m $etor e as con4ig!ra7=es V!e cada elemento deste
$etor representa/ As con4ig!ra7=es de cada posi76o do $etor s6o especi4icadas
por dois $alores na 4ig!ra/ 1 $alor de cima representa V!antidade de pi#els
pretos atingidos/ 1 $alor de bai#o especi4ica as dire7=es nas V!ais nenh!m pi#el
preto 3 alcan7ado/ Por e#emplo, no caso do ponto M
>
, a dire76o A n6o atinge !m
ponto preto, portanto, a con4ig!ra76o correspondente a este pi#el 3 a da posi76o
de nmero ? no $etor/ Para o ponto M
0
, as V!atro dire7=es chegam a !m pi#el
preto, precisando reali8ar !ma no$a b!sca !tili8ando as dire7=es a!#iliares/ 1
res!ltado da b!sca a!#iliar mostra V!e na dire76o s
0
nenh!m pi#el preto 3
encontrado/ Portanto a posi76o de nmero C do $etor 3 incrementada/
$i1ura 2.-( a: C5lc!lo da conca$idade, b: $etor de caracter2sticas, c: dire7=es a!#iliares, d: V!atro dire7=es
principais KAdaptado de CL/
>E
Para a e#ec!76o do algoritmo, a imagem 4oi di$idida em seis partes,
d!as col!nas e tr[s linhas, cada !ma poss!indo se! prDprio $etor de
caracter2sticas/ Ha Fig!ra >/C a: 3 apresentada a di$is6o da imagem para !m
e#emplo de d2gito tr[s/ Para cada pi#el branco, de cada parte da imagem, 3 4eita
!ma b!sca nas V!atro dire7=es principais e nas dire7=es a!#iliares caso se.a
necess5rio/ Com o res!ltado da b!sca, a posi76o do $etor V!e se enV!adra no
res!ltado 3 incrementada/
Ho 4inal os res!ltados dos seis $etores, cada !m correspondendo a !ma
das s!b5reas da imagem, s6o concatenados, 4ormando assim o $etor 4inal de ?@
caracter2sticas/ Para esta t3cnica os $alores n6o 4oram normali8ados/
Ho prD#imo cap2t!lo ser5 4eita !ma an5lise dos res!ltados obtidos por
cada t3cnica apresentada neste cap2t!lo e !m comparati$o dos res!ltados
obtidos !tili8ando !ma base de dados para 4a8er o treinamento e testes de
d2gitos man!scritos/
>0
3. Experientos e !esultados
Este cap2t!lo tem como ob.eti$o descre$er os e#perimentos reali8ados e
4a8er !ma an5lise dos res!ltados obtidos/ Primeiramente ser5 descrita a base de
dados !tili8ada para treinar e testar o sistema/ Em seg!ida ser6o e#plicados os
e#perimentos reali8ados/ Por ltimo, ser5 4eita !ma an5lise dos res!ltados
obtidos/
A/0 A base de dados 'H-"T
A base de dados 'H-"T K0L consiste em TE mil d2gitos para o con.!nto de
treinamento e 0E mil para testes/ Esta base 4oi 4ormada a partir de !m
s!bcon.!nto de imagens das bases H-"T Special (ata)ae 0 e A/ 1 con.!nto de
treinamento conta com, em m3dia, T mil imagens para cada classe, totali8ando
TE mil/ Ho con.!nto de teste conta com, em m3dia mil imagens para cada d2gito,
totali8ando 0E mil/
Todas as imagens do con.!nto .5 se encontram normali8adas,
centrali8adas em !ma imagem >@#>@ pi#els e binari8adas/ Esta 3 a grande
$antagem de se !tili8ar esta base de dados, pois n6o 3 preciso se preoc!par
com a etapa de pr3Bprocessamento da imagem, podendo 4ocar apenas nas
etapas de e#tra76o de caracter2sticas e classi4ica76o/ 1!tra $antagem de !tili8ar
esta base de dados ocorre pelo 4ato de V!e o con.!nto de testes .5 $em
separado, o V!e 4acilita na hora de comparar os res!ltados obtidos com o!tros
trabalhos V!e !tili8aram esta mesma base/
A/> E#perimentos eali8ados
Foram reali8ados e#perimentos para cada t3cnica de e#tra76o de
caracter2sticas descrita no cap2t!lo anterior/ Todos os e#perimentos 4oram 4eitos
>>
!tili8ando redes ne!rais do tipo Multilayer Perceptron 9'(P: K00,0>L como
classi4icador/
1 treinamento da rede 4oi reali8ado separando >G] do con.!nto de
treinamento para 4ormar o con.!nto de $alida76o, totali8ando em 0G mil 90GEE
para cada d2gito: instWncias para $alida76o, sobrando FG mil para treinamento,
sendo, em m3dia, FGEE imagens para cada d2gito/ As imagens para 4ormar o
con.!nto de $alida76o 4oram selecionadas aleatoriamente, por3m mantendo a
propor76o de 0GEE imagens para cada classe/
Para 4a8er o treinamento, 4oi !tili8ando o algoritmo $eilient
*ackpropa&ation K0AL por ser !m algoritmo de treinamento m!ito mais r5pido em
compara76o ao *ackpropa&ation tradicional/ A !tili8a76o de !ma t3cnica para
treinamento mais r5pido 4oi m!ito importante, pois o tamanho da base de dados
torna o treinamento m!ito c!stoso/
Para cada t3cnica de e#tra76o 4oram reali8ados $5rios testes, $ariando o
nmero de ne!r^nios na camada intermedi5ria, para encontrar a con4ig!ra76o
V!e melhor classi4ica o problema/ 1s testes n6o 4oram reali8ados de 4orma
e#a!sti$a por conta do alto tempo de treinamento, e#istindo a possibilidade de
encontrar melhores res!ltados com a reali8a76o de testes e#a!sti$os o! com a
!tili8a76o de t3cnicas como algoritmos gen3ticos para encontrar a melhor
con4ig!ra76o/
A/A es!ltados 1btidos
ApDs a etapa de treinamento as con4ig!ra7=es V!e apresentaram melhor
res!ltado, para cada t3cnica, 4oram selecionadas/ Para as t3cnicas I+a&e
Pro,ection e -d&e Map, a con4ig!ra76o com AEE ne!r^nios na camada
intermedi5ria obte$e o melhor res!ltado/ Para as t3cnicas Zonin&" Structural
!haracteritic e !oncavitie Meaure+ent, 4oram escolhidas con4ig!ra7=es
com 0GE, >CE e 0?G ne!r^nios na camada intermedi5ria respecti$amente/ Ha
Tabela A/0 3 apresentado o percent!al de erro obtido para cada d2gito por cada
t3cnica bem como a m3dia/
>A
Tcnica de Extrao de Caractersticas
Dgito Structural Edge Maps Projections Zoning Concavities
0 !""# "!$# !%&# !"# &!'%#
!$(# !')# "!%&# !$# !*%#
" &!'# $!("# '!$(# $!)# $!&$#
& )!&$# )!"$# '!$# &!(*# '!&#
$ &!0)# %!'$# )!(# &!$*# %!0"#
) *!**# )!&&# *!%# $!''# $!$$#
* "!*0 # &!&$# $!'0# "!%# &!*)#
% &!00# *!$(# )!0$# &!(%# )!*"#
' &!*(# *!$*# "!)"# $!$# 0!&*#
( *!"# (!%%# (!0'# *!0"# %!'(#
Mdi
a
3,67% 5,32% 7,30% 3,59% 5,69%
Ta#ela 3.1( Percent!al de erro para as t3cnicas de e#tra76o de caracter2sticas/
A partir dos res!ltados, 3 poss2$el obser$ar V!e as t3cnicas Structural
!haracteritic e Zonin& apresentaram os melhores res!ltados/ A ta#a de erros
para os d2gitos 8ero e !m em geral 4oram bai#as/ -sto pode ser e#plicado pela
s!a simplicidade al3m de poss!ir po!cas $aria7=es/ A e#ce76o 4oi a t3cnica
!oncavitie Meaure+ent V!e obte$e !ma ta#a de erro para o n!meral 8ero
m!ito s!perior as demais/ Esta t3cnica obte$e !m alto 2ndice de 8eros V!e 4oram
classi4icados como oito/ -sto pode ser e#plicado pelo 4ato de V!e para ambos os
caracteres, o! os pi#els pertencem a !ma regi6o totalmente 4echada 9cloed
contour: o! a !ma regi6o totalmente aberta/ A V!antidade de d2gitos oito
classi4icados erradamente como 8ero tamb3m 4oi alta, portanto, podeBse concl!ir
V!e a t3cnica !oncavitie Meaure+ent, V!ando !tili8ada so8inha, n6o
conseg!e di4erenciar bem estes d2gitos/ Has Tabelas A/> e A/A s6o apresentadas
!ma an5lise detalhada do erro obtido para os d2gitos 8ero e oito,
respecti$amente/ Ela mostra a V!antidade desses d2gitos V!e 4oram
classi4icadas erradas para cada !ma das o!tras classes/
>F
Tcnicas de Extrao de Caractersticas
Dgito 0
Classi+cado
co,o
Structura
l
Edge
Maps
Projectio
ns
Zonin
g
Concavities
- - - - -
" - $ -
& - - " $
$ " - - -
) " " % " )
* $ * $ $ (
% " & " -
' " $ & " %
( - - - - "
Total 12 21 17 11 38
Ta#ela 3.2( Erros de classi4ica76o para o n!meral E/
Tcnicas de Extrao de Caractersticas
Dgito '
classi+cado
co,o
Structural
Edge
Maps
Projection
s
Zoning
Concavitie
s
0 " ) * * *
- ) ) " "
" * * $ " %
& ' * "$ % *
$ $ * ' )
) $ " "* % $
* & % "
% & % " * *
( * ( * % "%
Total 12 63 122 43 101
Ta#ela 3.3( Erros de classi4ica76o para o n!meral @/
Em rela76o ao n!meral 0, embora todas as t3cnicas tenham apresentado
!m bom desempenho no se! reconhecimento, 4oi obser$ado V!e todas as
t3cnicas apresentaram problemas para reconhecer !m modelo do d2gito 0/
Embora os d2gitos neste modelo consigam ser reconhecidos por !m ser h!mano
sem a menor ambigXidade, eles 4oram constantemente classi4icados
erradamente como > o! A/ -sto ocorre! pelo 4ato de V!e e#istem po!V!2ssimos
e#emplos no con.!nto de treinamento para esta 4orma de escrita e a rede n6o
conseg!i! aprender a reconhecer este caso/ Ha Fig!ra A/0 a: 3 il!strado os
e#emplos do n!meral 0 classi4icados como > o! A e na Fig!ra A/0 b: 3 il!strado
>G
os e#emplos V!e s6o com!ns na base de treinamento/ Concl!s6o semelhante
4oi identi4icada por K0FL/ 1 d2gito ? tamb3m apresento! este tipo de problema,
tendo a grande maioria do se! erro relacionado ao mesmo estilo de escrita por
apresentar po!cos e#emplos deste modelo no con.!nto de testes/ Ha Fig!ra A/>
a: 3 especi4icado o modelo de n!meral ? V!e 3 com!m na base de dados e na
Fig!ra A/> b: 3 especi4icado o modelo do n!meral ? V!e apresenta po!cos
e#emplos no con.!nto de treinamento e 4oram em geral classi4icados como > o!
C/
1s res!ltados dos d2gitos 0 e ? 4oram parecidos em todas as t3cnicas
com !ma $antagem para a Zonin& e Structural !haracteritic/
$i1ura 3.1( a: E#emplo do modelo do d2gito 0 com!m na base de treinamento, b: E#emplos do d2gito 0
classi4icados como > o! A/
Tcnica de Extrao de Caractersticas
Dgito
Classi+cado
co,o
Structural
Edge
Maps
Projection
s
Zonin
g
Concaviti
es
0 - - - -
" $ % " & '
& & " " "
$ - " -
) " & -
* * ) & $
% " - -
' ) & * &
( - -
Total 17 21 27 16 19
Ta#ela 3."; Erros de classi4ica76o para o n!meral 0/
>T
$i1ura 3.2( a: 'odelo do d2gito ? com!m no con.!nto d e treinamento, b: 'odelo do d2gito sete V!e
apresenta alto 2ndice de erro/
Tcnicas de Extrao de Caractersticas
Dgito %
Classi+cado
co,o
Structural
Edge
Maps
Projectio
ns
Zoning
Concaviti
es
0 & -
1 & % $ & 0
2 ) ( " (
3 * 0 " % &
4 " & - *
5 - & &
6 - - -
8 & $ ) " "
9 ) ) "& ) *
Total 31 67 52 41 58
Ta#ela 3.)( Erros de classi4ica76o para o n!meral ?/
Tamb3m pode ser obser$ado a partir dos res!ltados, mostrados na Tabela
A/0, V!e os n!merais >, A e G apresentaram altas ta#as de erros/ Estes d2gitos
poss!em m!itas ambigXidades entre si como se pode $er a partir da an5lise
detalhada nas Tabelas A/T, A/? e A/@, V!e representam os erros obtidos d!rante
a classi4ica76o dos n!merais >, A e G respecti$amente/ Para o caso do d2gito >, a
t3cnica Structural !haracteritic obte$e melhor res!ltado, seg!ida de Zonin& e
de !oncavitie Meaure+ent com res!ltados prD#imos/ Para o d2gito A, a ta#a
de erro da t3cnica Zonin& 4oi bem in4erior as demais enV!anto para o d2gito G as
>?
t3cnicas Zonin&, !oncavitie Meaure+ent e -d&e Map obti$eram res!ltados
prD#imos, por3m com !ma le$e $antagem para a primeira/
Tcnicas de Extrao de Caractersticas
Dgito "
classi+cado
co,o
Structur
al
Edge Maps
Projection
s
Zoning
Concaviti
es
0 " & % * )
" &
& $ % * % "0
$ " ) * " "
) $ "% %
* & " 0 &
% 0 % %
' * % " * *
( - -
Total 40 51 88 43 45
Ta#ela 3.*( Erros de classi4ica76o para o n!meral >/
Tcnicas de Extrao de Caractersticas
Dgito &
classi+cado
co,o Structural
Edge
Maps
Projectio
ns Zoning
Concaviti
es
0 0 - - -
& - )
" ) ") ' ( "$
$ 0 -
) ) "( * "0
* - - -
% ' " % % "&
' 0 & "( & $
( " " ' & %
Total 54 53 85 40 84
Ta#ela 3.+( Erros de classi4ica76o para o n!meral A/
>@
Tcnicas de Extrao de Caractersticas
Dgito )
classi+cado
co,o
Structural
Edge
Maps
Projection
s
Zoning
Concaviti
es
0 - " * $ &
- 0
" % "" "
& "& $ '( ) %
$ & & -
* " ' & ' &
% " & $
' $ "0 0 %
( $ ' $ & &
Total 60 48 150 44 40
Ta#ela 3.,( Erros de classi4ica76o para o n!meral G/
1!tro caso de ambigXidade ocorre com os caracteres F e C/ Ela pode ser
e#plicada pelo 4ato de V!e s!as estr!t!ras e 4ormas s6o similares K0FL/ Has
Tabelas A/C e A/0E s6o il!strados os erros no reconhecimento dos n!merais F e
C, respecti$amente/ 1s res!ltados mostram V!e o d2gito F 3 em grande maioria
con4!ndido com o C em todas as t3cnicas enV!anto V!e o erro do d2gito C
encontraBse bem di$idido entre os d2gitos @ e F/ Tanto para o n!meral F como
para o n!meral C, o melhor desempenho 4oi alcan7ados com as t3cnicas
Structural e Zonin& apresentando !ma m3dia de erro parecida, por3m errando
em locais bem di4erentes/ Para !m algoritmo o n!meral C 4oi classi4icado como
o n!meral @ de8eno$e $e8es enV!anto te$e tr[s classi4ica7=es como @ pelo
o!tro/
Tcnicas de Extrao de Caractersticas
Dgito $
classi+cado
co,o
Structural
Edge
Maps
Projection
s
Zoning
Concaviti
es
0 " &
- " & *
" " * & & '
& - & - -
>C
) " -
* ) ( $ ' %
% " * & " &
' & $ " - %
( * $$ &) * "$
Total 30 77 51 34 69
Ta#ela 3.-( Erros de classi4ica76o para o n!meral F/
Tcnicas de Extrao de Caractersticas
Dgito (
classi+cado
co,o
Structural
Edge
Maps
Projectio
ns
Zoning Concavities
0 * $ * $ )
& ' % ) )
" " 0 &
& ) % ( " '
$ $ &$ & $ &
) * % ( ( &
* - -
% * $ " "&
' ( $ * & ""
Total 62 99 92 61 80
Ta#ela 3.10( Erros de classi4ica76o para o n!meral C/
Por ltimo, na Tabela A/00 3 apresentado as classi4ica7=es erradas para o
d2gito T/ 1s se!s res!ltados mostram V!e ele 3 4oi m!ito con4!ndido com os
d2gitos G e E por todas as t3cnicas/
A/F Poss2$eis sol!7=es para red!76o de erros
A partir da an5lise reali8ada nos res!ltados obtidos, alg!mas concl!s=es
podem ser in4eridas/ Primeiramente, percebeBse claramente V!e as t3cnicas
Zonin& e Structural !haracteritic conseg!iram melhores res!ltados para V!ase
todos os d2gitos/ A nica e#ce76o 4oi n!meral G V!e 4oi melhor classi4icado pela
AE
t3cnica baseada em conca$idades enV!anto a t3cnica V!e !tili8a pro.e7=es
obte$e 4raco desempenho em todos eles/
1 tipo de erro V!e ocorre! com maior 4reVX[ncia, 4oi o V!e aparece entre
os d2gitos V!e poss!em estr!t!ras semelhantes como nos casos de FBC e >BABG/
Ima abordagem para resol$er este tipo de problema seria, primeiramente, 4a8er
!ma cons!lta para saber se o d2gito pertence a !m desses gr!pos, onde
ocorrem m!itas con4!s=es entre si 9FBC,>BABG,EBT:, para depois !tili8ar !ma
t3cnica, espec24ica para cada con.!nto, V!e consiga melhor separar estes
n!merais/ Como este tipo de erro 4oi o V!e ocorre com maior 4reVX[ncia, a ta#a
de erro pode red!8ir bastante !tili8ando !ma abordagem como esta/
1!tro ponto a ser considerado 3 o 4ato de V!e as di4erentes t3cnicas
apontaram erros em partes di4erentes como se pode obser$ar pelas tabelas
acima, indicando V!e com !ma poss2$el combina76o entre elas pode ser
s!4iciente para dimin!ir as ta#as de erros/
Im problema encontrado, d!rante a classi4ica76o, 4oi em rela76o aos
d2gitos V!e apresentam alg!ns tipos de problemas como r!2dos, degrada76o,
tipo de escrita, distor76o e problemas d!rante o processo de segmenta76o/ Este
3 o caso de imagens V!e at3 mesmo os seres h!manos apresentam problemas
na s!a identi4ica76o K0FL/ Para estas imagens, o V!e normalmente 3 4eito em
pr5tica 3 colocar !m limiar de aceita76o na sa2da do classi4icador de 4orma V!e
essas imagens se.am re.eitadas/ Ha Fig!ra A/A s6o mostrados alg!ns e#emplos
desses d2gitos no con.!nto de testes/
$i1ura 3.3( D2gitos V!e apresentam problemas V!anto escrita o!
Ima estrat3gia para encontrar o limiar Dtimo para re.eitar esses tipos de
imagens, sem 4a8er com V!e as imagens V!e s6o 4acilmente identi4icadas
tamb3m se.am re.eitadas, ainda precisa ser est!dada/ A !tili8a76o desta
A0
$eri4ica76o 3 importante, pois para as aplica7=es !ma re.ei76o 3 m!ito mais
toler5$el V!e !m erro/
Ho prD#imo cap2t!lo ser6o apresentadas as concl!s=es obtidas d!rante o
desen$ol$imento deste trabalho e ser5 apresentado o V!e se espera 4a8er como
trabalhos 4!t!ros/
A>
". Concluso e Tra#alhos $uturos
1 reconhecimento de caracteres man!scritos off-line 3 !m dos problemas
cl5ssicos da $is6o comp!tacional/ <5rias pesV!isas t[m sido 4eitas, d!rante os
ltimos anos, por3m m!ito ainda precisa ser 4eito para conseg!ir V!e a m5V!ina
obtenha a mesma capacidade de reconhecimento V!e !m ser h!mano/
<5rias t3cnicas de e#tra76o de caracter2sticas 4oram est!dadas/ Atra$3s
dos res!ltados podeBse compro$ar V!e a escolha da t3cnica para 4a8er a
e#tra76o de caracter2sticas da imagem 3 o 4ator mais importante para conseg!ir
atingir !m alto desempenho no reconhecimento, pois, !tili8ando o mesmo
classi4icador as di4erentes t3cnicas est!dadas apresentaram ta#as de acertos
bem di4erentes/ P^deBse tamb3m obser$ar V!e t3cnicas di4erentes apresentam
melhor poder de classi4ica76o para determinados d2gitos/
F/0 Trabalhos F!t!ros
Dentro das sol!7=es propostas no cap2t!lo anterior, 4a8er a combina76o
de di4erentes t3cnicas de e#tra76o de caracter2sticas parece ser !m caminho
interessante para seg!ir, pois 4oi identi4icado V!e as di4erentes t3cnicas
est!dadas neste pro.eto erraram em partes di4erentes al3m de V!e t3cnicas
di4erentes conseg!em res!ltados melhores para determinados d2gitos/ Ainda
com a e#tra76o de caracter2stica pode ser !tili8ado !m algoritmo para red!76o
de dimensionalidade como o PCA 9Principal !o+ponent .nalyi:/
Para o caso dos d2gitos V!e apresentam po!cos e#emplos de !m
determinado modelo de escrita no con.!nto de treinamento pode ser 4eito !m
est!do para identi4icar estes casos e recriar no$os d2gitos deste mesmo
modelo com peV!enas $aria7=es, eliminando assim o problema da rede ne!ral
n6o aprender estes casos/
AA
A !tili8a76o de di4erentes classi4icadores e a s!a combina76o tamb3m
de$em ser est!dadas como !ma maneira para dimin!ir as ta#as de erros/ 1
est!do reali8ado em K0FL 4a8 !ma an5lise dos erros, !tili8ando cinco
classi4icadores di4erentes, e mostra V!e apenas >,?A] dos erros 4oram
com!ns a todos os classi4icadores/ Portanto a !tili8a76o de o!tros
classi4icadores e s!as combina7=es tamb3m de$er5 ser est!dada/
AF
R)r*n%i"' Bi+lio$r()i%"'
K0L (eC!n, _/ e Cortes, C/ The 'H-"T Database o4 hand%ritten digits/ Dispon2$el
em; `http;//yann/lec!n/com/e#db/mnist/a/
K>L \a$allierato!, E/b "garbas, \/b Fakotakis, H/b \okkinakis, G/ ,and%ritten %ord
recognition on str!ct!ral characteristics and le#ical s!pport/ International
Con2erence on 3ocuent 'nal4sis and !eco1nition B <ol/ 0, pp/ GT>/ >EEA/
KAL Gon8ale8 / C/ e ichard E/ *oods/ Digital -mage Processing, >c ed/,
Prentice ,all, >EE>/
KFL Trier 1/ D/b +ain A/ \/b Ta#t T/ Feat!re e#traction methods 4or character
recognition B a s!r$ey, Pattern !eco1nition >C9F:, pp/ TF0BTT>, 0CCT/
KGL )hang, T_b "!en, C_/ . /ast parallel algorit0, /or t0inning digital
patterns/ Comm/ AC', $ol/ >?, no A, pp/>ATB>AC, 0C@F/
KTL \irsh / Comp!ter determination o4 the constit!ent str!ct!re o4 biological
images/ Coputers in .ioedical !esearch pp/ A0GBA>@/ 0C?0/
K?L Pre%itt +'"/ 1b.ect enhancement and e#traction/ -n Pict!re Processing and
Psychopictorics, (ipkin B, osen4eld A/ 9eds:/ Academic Press, pp/ ?GB0FC/ 0C?E/
K@L Chim, _/ C/b \assim, A/ A/b -brahim, _/ D!al Classi4ier "ystem 4or ,and%ritten
Alphan!meric Character ecognition/ Pattern 'nal4sis and 'pplications Ho/ A,
pp/ 0GGB0T>/ 0CC@/
KCL 1li$eira, (/ "/b "abo!rin, /b Bortolo88i, F/b "!en, C/ _/ A!tomatic ecognition
o4 ,and%ritten H!merical "trings; A ecognition and <eri4ication "trategy,
Pattern 'nal4sis and 5achine Intelli1ence, Ho/ 00, Ho$ember >EE>, pp/ 0FA@B
0FGF/
AG
K0EL De$i.$er, P/A/ e \ittler +/ Pattern ecognition; A "tatistical Approach%
PrenticeB,all, (ondres 90C@>:/
K00L Beale, /b +ackson, T/ He!ral Comp!ting; An -ntrod!ction, -nstit!te o4 Physics
P!blishing, Bristol d Philadelphia, 0CC0/
K0>L ,aykin/ "/ 0CC@/ He!ral Het%orks; A Comprehensi$e Fo!ndation/ "econd
Edition/ Prentice ,all/
K0AL iedmiller '/b Bra!n ,/ A direct adapti$e method 4or 4aster backpropagation
learning; The P1P algorithm/ -n Proceedin1s o2 the IEEE International
Con2erence on 6eural 6et7or8s - $ol/0/ pp/ G@T e GC0/ 0CCA/
K0FL "!en C/ _/, Tan +/ Analysis o4 errors o4 hand%ritten digits made by a
m!ltit!de o4 classi4iers, Pattern !eco1nition /etters, $/>T n/A, pp/ ATCBA?C,
Febr!ary >EEG
K0GL Fa%cett, T/ An introd!ction to 1C analysis/ Pattern !eco1nition /etters,
p/ @T0e@?F, >EET/
K0TL Cinthia 1/ A/ Freitas, (!i8 "/ 1li$eira, Fl5$io Bortolo88i 1 ,and%ritten
character recognition !sing nonsymmetrical percept!al 8oning/ International 1
9ournal o2 Pattern !eco1nition and 'rti2icial Intelli1ence: <ol/ >0, no/ 0, pp/
0B>0, >EE?/
K0?L "H "rihari, C- Tomai, Bin )hang, "ang.ik (ee/ -ndi$id!ality o4 H!merals/
International Con2erence on 3ocuent 'nal4sis and !eco1nition: pp/ 0ECTB
00EE/ >EEA/
K0@L C/B(/ (i!, \/ Hakashima, ,/ "ako, ,/ F!.isa%a, ,and%ritten digit recognition;
-n$estigation o4 normali8ation and 4eat!re e#traction techniV!es, Pattern
!eco1nition, $ol/A?, no/>, pp/ >TGB>?C, Feb/ >EEF/
K0CL "hi, '/b F!.isa%a, _/b *akabayashi, T/b \im!ra, F/,and%ritten n!meral
recognition !sing gradient and c!r$at!re o4 gray scale image/ Pattern
!eco1nition AG, pp/ >EG0B>EGC/ >EE>/
AT