Reconhecimento de dígitos manuscritos: busca de um classificador com máxima taxa de acerto
Sistemas de reconhecimento ótico de caracteres, também conhecidos como OCR, permitem identificar e reconhecer caracteres impressos por meio de imagens, uma funcionalidade já bem difundida em scanners, dispositivos móveis, entre outros. Existe uma crescente necessidade de reconhecimento de caracteres...
| Autor principal: | Gil, Adriano Mendes |
|---|---|
| Outros Autores: | http://lattes.cnpq.br/5124923772763451 |
| Grau: | Dissertação |
| Idioma: | por |
| Publicado em: |
Universidade Federal do Amazonas
2015
|
| Assuntos: | |
| Acesso em linha: |
http://tede.ufam.edu.br/handle/handle/4428 |
| id |
oai:https:--tede.ufam.edu.br-handle-:tede-4428 |
|---|---|
| recordtype |
dspace |
| spelling |
oai:https:--tede.ufam.edu.br-handle-:tede-44282017-04-26T19:49:49Z Reconhecimento de dígitos manuscritos: busca de um classificador com máxima taxa de acerto Gil, Adriano Mendes Costa Filho, Cícero Ferreira Fernandes http://lattes.cnpq.br/5124923772763451 http://lattes.cnpq.br/3029011770761387 Redes neurais Reconhecimento de padrões Dígitos manuscritos Máquina de vetores de suporte Neural network Pattern recognition Handwritten digits Support vector machines ENGENHARIAS: ENGENHARIA ELÉTRICA Sistemas de reconhecimento ótico de caracteres, também conhecidos como OCR, permitem identificar e reconhecer caracteres impressos por meio de imagens, uma funcionalidade já bem difundida em scanners, dispositivos móveis, entre outros. Existe uma crescente necessidade de reconhecimento de caracteres manuscritos para uso em várias situações, tais como reconhecimento de valores nominais em cheques de bancos, reconhecimento dos dígitos manuscritos de endereço postal para redirecionamento automatizado de cartas nos correios. Reconhecimento de dígitos manuscritos esbarra na dificuldade de lidar com uma grande variação intraclasse, devido a diferentes estilos de escrita, diferentes graus de inclinação dos caracteres. Este trabalho apresenta três estratégias utilizando três diferentes métodos de reconhecimento de padrões e dois métodos de extração de características. A primeira estratégia utilizou Descritores de Fourier e a técnica de transição de borda para extrair valores representativos do contorno dos caracteres e como camada de classificação utilizou uma rede neural MLP em associação com um conjunto de classificadores SVM para validar e corrigir eventuais erros da rede MLP. A segunda estratégia figurou como base comparativa para as demais estratégias por utilizar um algoritmo clássico de redes neurais convolutivas, LeNet5, e como características utilizou as próprias imagens dos dígitos. A terceira estratégia fez uso de um conjunto de classificadores SVM em uma árvore de decisão desbalanceada para a classificação dos dígitos a partir unicamente de suas imagens. Como resultados dos experimentos, a primeira estratégia provou não ser totalmente efetiva por obter resultados em torno de 80% de taxa de acerto. A segunda estratégia obteve 0,9% de taxa de erro que apesar de ter sido alta, ainda é muito menor se comparada com os melhores resultados obtidos na literatura. A terceira estratégia por sua vez logrou sucesso em reconhecer 100% das amostras de teste da base MNist de dígitos manuscritos, devido ao sucesso do treinamento de cada um dos classificadores SVM, que apesar de utilizarem uma enorme quantidade de vetores de suporte, atingiram individualmente 0% de taxa de erro. Optical character recognition system, aka OCR, allows identifying and recognizing printed characters from pictures. A wide range of devices already has such functionality, e.g, scanners and mobile devices. The current everyday tasks has an increasing demand for handwritten character recognition, for example, recognize specified amount on bank checks, identify postal address to automate some aspects of letter delivery. Handwritten digit recognition faces the difficulty of great intraclass variability, due to different writing stiles and different character slant degrees. This work presents three strategies to address handwritten digit recognition by means of three pattern recognition methods and two feature extraction algorithms. The first strategy makes use of Fourier Descriptor and Boundary Transition Technique to extract representative values from digits contours in order to recognize digits is used a neural network Multilayer Perceptron and a set of Support Vector Machines classifiers to validate neural network output. The second strategy represents this work's baseline using the classic convolutional neural networks algorithm from literature, LeNet5. Such algorithm received as input the raw digit images without preprocessing. The third strategy used a unbalanced decision tree in which support vector machines actuated as decision points and as representative feature received the raw digit images. Late experiments showed that first strategy was not effective enough to recognize digits; only about 80% of characters were successfully recognized. By means of Convolutional Neural Network was possible to achieve 0.9% of error rate, not so impressive if compared to literature best results. The third strategy was capable to recognize 100% of test samples from handwritten digits dataset of MNist. Each support vector machine classifier achieved 0% of error rate, due to an enormous amount of support vectors. CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior 2015-07-20T14:04:10Z 2014-05-13 Dissertação GIL, Adriano Mendes. Reconhecimento de dígitos manuscritos: busca de um classificador com máxima taxa de acerto. 2014. 93 f. Dissertação (Mestrado em Engenharia Elétrica) - Universidade Federal do Amazonas, Manaus, 2014. http://tede.ufam.edu.br/handle/handle/4428 por Acesso Aberto application/pdf Universidade Federal do Amazonas Faculdade de Tecnologia Brasil UFAM Programa de Pós-graduação em Engenharia Elétrica |
| institution |
TEDE - Universidade Federal do Amazonas |
| collection |
TEDE-UFAM |
| language |
por |
| topic |
Redes neurais Reconhecimento de padrões Dígitos manuscritos Máquina de vetores de suporte Neural network Pattern recognition Handwritten digits Support vector machines ENGENHARIAS: ENGENHARIA ELÉTRICA |
| spellingShingle |
Redes neurais Reconhecimento de padrões Dígitos manuscritos Máquina de vetores de suporte Neural network Pattern recognition Handwritten digits Support vector machines ENGENHARIAS: ENGENHARIA ELÉTRICA Gil, Adriano Mendes Reconhecimento de dígitos manuscritos: busca de um classificador com máxima taxa de acerto |
| topic_facet |
Redes neurais Reconhecimento de padrões Dígitos manuscritos Máquina de vetores de suporte Neural network Pattern recognition Handwritten digits Support vector machines ENGENHARIAS: ENGENHARIA ELÉTRICA |
| description |
Sistemas de reconhecimento ótico de caracteres, também conhecidos como OCR, permitem identificar e reconhecer caracteres impressos por meio de imagens, uma funcionalidade já bem difundida em scanners, dispositivos móveis, entre outros. Existe uma crescente necessidade de reconhecimento de caracteres manuscritos para uso em várias situações, tais como reconhecimento de valores nominais em cheques de bancos, reconhecimento dos dígitos manuscritos de endereço postal para redirecionamento automatizado de cartas nos correios. Reconhecimento de dígitos manuscritos esbarra na dificuldade de lidar com uma grande variação intraclasse, devido a diferentes estilos de escrita, diferentes graus de inclinação dos
caracteres. Este trabalho apresenta três estratégias utilizando três diferentes métodos de reconhecimento de padrões e dois métodos de extração de características. A primeira estratégia utilizou Descritores de Fourier e a técnica de transição de borda para extrair valores representativos do contorno dos caracteres e como camada de classificação utilizou uma rede neural MLP em associação com um conjunto de classificadores SVM para validar e corrigir eventuais erros da rede MLP. A segunda estratégia figurou como base comparativa para as demais estratégias por utilizar um algoritmo clássico de redes neurais convolutivas, LeNet5, e como características utilizou as próprias imagens dos dígitos. A terceira estratégia fez uso de um conjunto de classificadores SVM em uma árvore de decisão desbalanceada para a
classificação dos dígitos a partir unicamente de suas imagens. Como resultados dos experimentos, a primeira estratégia provou não ser totalmente efetiva por obter resultados em torno de 80% de taxa de acerto. A segunda estratégia obteve 0,9% de taxa de erro que apesar de ter sido alta, ainda é muito menor se comparada com os melhores resultados obtidos na literatura. A terceira estratégia por sua vez logrou sucesso em reconhecer 100% das amostras de teste da base MNist de dígitos manuscritos, devido ao sucesso do treinamento de cada um dos classificadores SVM, que apesar de utilizarem uma enorme quantidade de vetores de suporte, atingiram individualmente 0% de taxa de erro. |
| author_additional |
Costa Filho, Cícero Ferreira Fernandes |
| author_additionalStr |
Costa Filho, Cícero Ferreira Fernandes |
| format |
Dissertação |
| author |
Gil, Adriano Mendes |
| author2 |
http://lattes.cnpq.br/5124923772763451 |
| author2Str |
http://lattes.cnpq.br/5124923772763451 |
| title |
Reconhecimento de dígitos manuscritos: busca de um classificador com máxima taxa de acerto |
| title_short |
Reconhecimento de dígitos manuscritos: busca de um classificador com máxima taxa de acerto |
| title_full |
Reconhecimento de dígitos manuscritos: busca de um classificador com máxima taxa de acerto |
| title_fullStr |
Reconhecimento de dígitos manuscritos: busca de um classificador com máxima taxa de acerto |
| title_full_unstemmed |
Reconhecimento de dígitos manuscritos: busca de um classificador com máxima taxa de acerto |
| title_sort |
reconhecimento de dígitos manuscritos: busca de um classificador com máxima taxa de acerto |
| publisher |
Universidade Federal do Amazonas |
| publishDate |
2015 |
| url |
http://tede.ufam.edu.br/handle/handle/4428 |
| _version_ |
1831969283596353536 |
| score |
11.753896 |