Algorithmische Geometrie

Präsentation zum Thema: "Algorithmische Geometrie"—  Präsentation transkript:

1 Algorithmische Geometrie
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 Online Offline Direction Based, k-NN Classifier Clustering
K-means, Hierarchical, SOM, EM Feature Extraction Projection, Zoning, Border Transition, Graph Matching Pattern Matching Directional Artificial Neural Network BPNN, RBFNN, Parallel BPNN Leonid Zavodnik, 2014

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
𝑟.𝑒 𝑢 λ 𝑟𝑑𝑙𝑟𝑑𝑙(𝑢|λ) 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 Nachteile
Ergebnis anhängig von den anfänglichen Clusterzentren Laufzeit 1 Iteration 𝑂 𝐶𝑙𝑢𝑠𝑡𝑒𝑟 ∗𝐴𝑡𝑡𝑟𝑖𝑏𝑢𝑡𝑒 ∗ 𝑃𝑢𝑛𝑘𝑡𝑒 Anzahl der Cluster muss im Voraus bekannt sein 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 Nachteile Analyseaufwand Laufzeit-Komplexität Divisiv: 𝑂( 2 𝑛 ) Agglomerativ: 𝑂( 𝑛 3 ) 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 g Projection Method Schwarzen Pixel auf Achsen projizieren
Feature: die Anzahl der Pixel g Leonid Zavodnik, 2014

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

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

31 3 Graph Matching Method End point verbindet nur ein Pixel
Curve point verbindet zwei Pixel Branch point verbindet drei oder mehr Pixel 3 Leonid Zavodnik, 2014

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, 2014

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 2009 - 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: 1/Issue 5/IJEIT _36.pdf ( ) Faisal Mohammad, Jyoti Anarase, Milan Shingote, Pratik Ghanwat: Optical Character Recognition Implementation Using Pattern Matching, S. 2089, ISSN: 5/vol5issue02/ijcsit pdf ( ) ( ) ( ) ( ) Leonid Zavodnik, 2014