Normalisation par modèles locaux et reconnaissance par modèles globaux pour la reconnaissance de l'écriture manuscrit
Abstract
Le principal problème en Reconnaissance de l'Ecriture Manuscrite est la grande variabilité de l'écriture et les distorsions des échantillons. Les modèles élastiques tels que les \hmm\ sont particulièrement efficaces pour absorber ces variations, grâce à l'utilisation d'observations locales et de programmation dynamique. Mais leur vision de la forme reste locale. D'un autre coté, les modèles globaux tels que les Réseaux de Neurones savent faire des corrélations sur la globalité d'un échantillon. Mais leur entrée de taille fixe ne leur permet pas de s'adapter aux variations de longueur, et ils sont très sensibles aux déformations. Pour utiliser les avantages des deux classes de modèles, nous proposons de normaliser les images à l'aide d'un modèle élastique (un \nshp), puis de les analyser à l'aide d'un modèle global (un \svm). Le \nshp\ se focalise sur les caractéristiques importantes en absorbant les distorsions. L'image est normalisée non-linéairement d'après ces informations, et un \svm\ est utilisé pour les corrélations globales et la classification. Les premiers résultats sont encourageants et tendent à confirmer l'intérêt de notre approche.
Loading...