Die Präsentation wird geladen. Bitte warten

Die Präsentation wird geladen. Bitte warten

Zeichenerkennung ALGORITHMISCHE GEOMETRIE LEONID ZAVODNIK, 2014.

Ähnliche Präsentationen


Präsentation zum Thema: "Zeichenerkennung ALGORITHMISCHE GEOMETRIE LEONID ZAVODNIK, 2014."—  Präsentation transkript:

1 Zeichenerkennung ALGORITHMISCHE GEOMETRIE LEONID ZAVODNIK, 2014

2 Gliederung Was ist die Zeichenerkennung Anwendungen Schwierigkeiten Techniken der Erkennung Alternativen LEONID ZAVODNIK, 2014

3 Was ist Zeichenerkennung LEONID ZAVODNIK, 2014

4 Was ist Zeichenerkennung Klassifizierung des Eingangssymbols gemäß einer vorbestimmten Klasse LEONID ZAVODNIK, 2014

5 Anwendungen Digitalisierung von Büchern und Dokumenten Automatische Überprüfung von Klausuren Erkennung von Autokennzeichen Verkehrszeichenerkennung Chipkartenverarbeitungssystemen Adressen und Postleitzahl Erkennung LEONID ZAVODNIK, 2014

6 Schwierigkeiten Ähnliche Symbolen können in Größe, Form und Stil variieren Verschiedene Verzerrungen Keine klaren und strengen Zeichenbildungsregeln LEONID ZAVODNIK, 2014

7 Techniken LEONID ZAVODNIK, 2014 Online Direction Based, k-NN Classifier Offline ClusteringK-means, Hierarchical, SOM, EM Feature ExtractionProjection, Zoning, Border Transition, Graph Matching Pattern MatchingDirectional Artificial Neural NetworkBPNN, RBFNN, Parallel BPNN

8 Online-Methoden LEONID ZAVODNIK, 2014

9 Direction Based Algorithm Zeichen durch einen regulären Ausdruck modellieren Bewegungsrichtungen beschreiben 3 LEONID ZAVODNIK, 2014

10 Direction Based Algorithm LEONID ZAVODNIK, 2014

11 K-NN Classifier and DTW-Based Dissimilarity Measure Unähnlichkeit bewerten Alle Striche vergleichen Abstaende messen «nächste-Nachbarn Regel» benutzen Beste Probe auswählen LEONID ZAVODNIK, 2014

12 Offline-Erkennung LEONID ZAVODNIK, 2014

13 Clustering Trennung der Daten in Gruppen Homogenität innerhalb der Cluster Daten sind sehr ähnlich in demselben Cluster Heterogenität zwischen den Cluster Daten von unterschiedlichen Clustern haben maximale Unterschiede LEONID ZAVODNIK, 2014

14 K-Means-Algorithm Am häufigsten verwendeten Techniken zur Gruppierung von Objekten Optimiert die quadratischen Abweichungen von einem Mittelwert Nur mit numerischen Attributen verwendet werden LEONID ZAVODNIK, 2014

15 K-Means-Algorithm Clusterzentren werden zufällig gewählt LEONID ZAVODNIK, 2014

16 K-Means-Algorithm Alle andere Punkte werden jeweils dem Cluster mit dem nächsten Clusterzentrum zugeordnet LEONID ZAVODNIK, 2014

17 K-Means-Algorithm Die Zentren der Cluster werden neu berechnet LEONID ZAVODNIK, 2014

18 K-Means-Algorithm Wiederholen alle Schritte LEONID ZAVODNIK, 2014

19 K-Means-Algorithm LEONID ZAVODNIK, 2014

20 Hierarchische Algorithmen Divisiven Agglomerativen LEONID ZAVODNIK, 2014

21 Hierarchische Algorithmen Vorteile Flexibilität durch Verwendung komplexer Distanzmaße Keine eigenen Parameter Ergebnis als Cluster- Hierarchie LEONID ZAVODNIK, 2014

22 Hierarchische Algorithmen Eingabe Ergebnis LEONID ZAVODNIK, 2014

23 Self Organizing Map (SOM) Algorithm Flexibel, stark und parallelisierbar Bilderkennung, Signalverarbeitung, Visualisierung Struktur 2 Schichten: Input und Mapping, vollständig verbunden Jeder Mapping knoten initialisiert mit zufälligen Zahlen Lernen Der Unterschied zwischen Input-knoten und Mapping-knoten wird in einem Adaptionsschritt verringert Alle benachbarten Knoten proportional adaptiert LEONID ZAVODNIK, 2014

24 Self Organizing Map (SOM) Algorithm Ergebnis: räumliche Anordnung der Eingangsdaten, bei den ähnlichen Regionen gruppiert LEONID ZAVODNIK, 2014

25 Expectation Maximization Algorithm 2 Schritte Expectation-Schritt die Punkte werden besser zugeordnet Maximization-Schritt das Modell wird so verändert, dass es besser zu den Daten passt LEONID ZAVODNIK, 2014

26 Expectation Maximization Algorithm LEONID ZAVODNIK, 2014

27 Feature Extraction Extraktion der wichtige Merkmale Seitenverhältnis Prozentuale Anzahl der Pixel Anzahl der Striche Durchschnittliche Entfernung von der Mitte Symmetrie bezüglich der Koordinatenachsen Mehr Kontrolle über die Merkmale Entwicklungzeit wächst LEONID ZAVODNIK, 2014

28 Projection Method Schwarzen Pixel auf Achsen projizieren Feature: die Anzahl der Pixel g LEONID ZAVODNIK, 2014

29 Zoning Symbol in kleine Fragmente teilen Feature: Anzahl (Durschnitt) der Pixel in jedem Fragment LEONID ZAVODNIK, 2014 g

30 Border Transition Technique (BTT) Symbol in vier Quadranten teilen Feature: Anzahl der zero ‑ to ‑ one transitions in jedem Quadrant LEONID ZAVODNIK, 2014

31 Graph Matching Method End point verbindet nur ein Pixel Curve point verbindet zwei Pixel Branch point verbindet drei oder mehr Pixel LEONID ZAVODNIK,

32 Pattern Matching Zeichen durch die Analyse von Form und der Vergleich der Merkmale identifiziert Photometric pattern matching Arbeitet mit Bild als eine Matrix von Intensitätswerten oder Funktionen Geometric pattern matching Arbeitet mit der Geometrie des Objekts LEONID ZAVODNIK, 2014

33 Pattern Matching Hohe Bearbeitungsgeschwindigkeit Unwirksam, wenn es Verzerrungen der Schrift, Schiefe, Streckungen, unnötige Verbindungen oder zerrissene Striche gibt Vorgehensweise Symbol auf eine normierte Größe bringen In Blöcke gruppiert (z.B. 8x8), um die Anzahl der Merkmale zu reduzieren Die Kanten mit Lowpassfiltering und Downsampling glätten Die Merkmale vergleichen LEONID ZAVODNIK, 2014

34 Patternerkennung A LEONID ZAVODNIK, 2014

35 Patternerkennung Mitte der Matrix finden Radius berechnen Durch die Anzahl der Spuren teilen Sektoren bestimmen Trek-Sector Matrix generieren Anzahl von „1“ auf jedem Schnittpunkt des Sektors und der Spur zählen Die resultierende Matrix mit Vorlagen aus der Datenbank vergleichen LEONID ZAVODNIK,

36 Artificial Neural Network Lernfähig, flexibel Niedrige Reaktionszeit Hohe Geschwindigkeit Für Echtzeitsysteme gut geeignet Verbindungen mit «Gewichte» Zusammenhänge zwischen Eingängen und Ausgängen Korrekte Ergebnis bei unvollständigen (verzerrten) Daten LEONID ZAVODNIK, 2014

37 Alternative OCR Ungenauigkeit >30% reCAPTCHA für Digitalisierung der Bücher Wörter pro Tag Bücher pro Jahr Google gekauft Für Googlemaps benutzt ssive_scale_online_collaboration LEONID ZAVODNIK, 2014

38 Quellen Suruchi G. Dedgaonkar, Anjali A. Chandavale, Ashok M. Sapkal: ◦Survey of Methods for Character Recognition, S , ISSN: /Issue 5/IJEIT _36.pdf ( )http://ijeit.com/vol 1/Issue 5/IJEIT _36.pdf Faisal Mohammad, Jyoti Anarase, Milan Shingote, Pratik Ghanwat: ◦Optical Character Recognition Implementation Using Pattern Matching, S. 2089, ISSN: /vol5issue02/ijcsit pdf ( )http://www.ijcsit.com/docs/Volume 5/vol5issue02/ijcsit pdf ( )http://de.wikipedia.org/wiki/K-Means-Algorithmus ( )http://de.wikipedia.org/wiki/EM-Algorithmus ( )http://de.wikipedia.org/wiki/Selbstorganisierende_Karte LEONID ZAVODNIK, 2014


Herunterladen ppt "Zeichenerkennung ALGORITHMISCHE GEOMETRIE LEONID ZAVODNIK, 2014."

Ähnliche Präsentationen


Google-Anzeigen