Nastaaligh handwritten word recognition using a continuousdensity variableduration HMM

Abstract

سوف نقدم في هذا البحث نظاما كاملا للتعرف على كلمات (نستعليق الخطية الفارسية) باستخدام موديل ماركوف الخفي وتكاثف المشاهدات المستمرة وطول الحالات المتغيرة (CDVDHMM) وفي مرحلة التقديم المقدمة بعد عمليات باينري وإلغاء النويز والحصول على الإجراء المتصلة يتم استخدام خوارزمية جديدة لكشف الصاعد والهابط والنقاط وسائر الأجزاء الثانوية وشطبها من التصوير الرئيسي ثم يتم تنفيذ خوارزمية وتقطيع جديدة على أساس تحليل كانتور العلوي وعمليتين مساعدتين والغرض من هذه الخوارزمية هو أن لا تكون هناك قدر الإمكان مشكلة عدم التقطيع وقد تم تخصيص طول الحالات المتغيرة لإزالة التقطيع الزائد وبعد الحصول على الترتيب من اليمين إلى اليسار يتم إجراء موديل CDVDHMM بمؤخر الحروف التحتية الناتجة والخصائص الثمانية التي تشتمل على تواصيف فورية الثلاثة وعدد الخصائص الأساسية التي تستخدم لعرض هذه الرموز في أجواء الخصائص والبعد الخصائصي بالنسبة لتغيير القياس غير المتغير إن الحالات في هذا النموذج تشتمل على أحرف خالصة (بدون أجزاء ثانوية) وعدة أشكال تركيبية في أسلوب الكتابة بالنستعليق وعليه فإن تعليم الموديل يتم بسهولة ودون الحاجة لأسلوب التقدير الثانوي وفي مرحلة التعليم يتم الحصول على عدد من مكونات الموديل من مجموعة التصاوير التعليمية والباقي من القاموس، وبالتالي يتم الحصول على نسخة خوارزمية ويتربي المعدلة للتعريف وتعطينا هذه الخوارزمية أفضل صورة لأكثر من مسار عام الذي يأخذ المواقع والأشكال المختلفة للأحرف كحالات تحتية ويساند طول الحالات المتغيرة وقد تبين أن الاختبارات التي أجريت على نماذج خطية وقاموس ذات 50 كلمة، قدمت نتائج جيدة للأسلوب المستخدم

This paper introduces a complete system for recognition of Farsi Nastaaligh handwritten words using a continuousdensity variableduration hidden Markov model CDVDHMM [1] In preprocessing stage after binarization noise reduction and connected component specification new algorithms are applied to find and eliminate ascenders descenders dots and other secondary strokes from the original image Then a new segmentation algorithm based on analyzing upper contour and two other processes is applied The main goal of this algorithm is to avoid the undersegmentation problem Considering variable duration states in the system allows covering the oversegmentation problem By finding the righttoleft order the sequence of obtained subcharacters is modeled by the CDVDHMM Eight features including three Fourier descriptors and five structural and discrete features are applied to represent symbols in the feature space This feature vector is invariant to size and shift The states in the model are considered as pure characters (without secondary strokes) plus some compound forms of characters in Nastaaligh handwriting style Thus training the model becomes simple and does not need any reestimation method In the training stage some parameters of the model are obtained from the training image set and the others from the dictionary At the last stage a modified version of Viterbi algorithm is applied for recognition This algorithm provides more than one globally best path and considers different positions and forms of letters as substates and also supports variable duration states Experiments on handwritten samples and a 50word dictionary show very good performance of the system