ЭТАЛОННЫЙ КЛАССИФИКАТОР НА БИНАРНЫХ МАТРИЦАХ В ЗАДАЧЕ РАСПОЗНАВАНИЯ РУКОПИСНЫХ СИМВОЛОВ КЫРГЫЗСКОГО АЛФАВИТА
Ключевые слова:
распознавание образов, рукописный текст, кыргызский алфавит, эталонный метод, расстояние Хэмминга, бинарные признаки, вычислительная сложностьАннотация
Рассматривается задача распознавания рукописных символов кыргызского алфавита, специфика которой определяется тремя буквами — Ө, Ң и Ү, отличающимися от близких по начертанию О, Н и У лишь малым локальным элементом. Формализован эталонный классификатор, работающий на бинарных матрицах фиксированного размера. Показано, что для бинарных векторов решающее правило по минимуму евклидовой нормы совпадает с правилом по минимуму расстояния Хэмминга, что позволяет заменить арифметику побитовыми операциями и снизить трудоёмкость сравнения с одного эталона до нескольких машинных слов. Введено условие устойчивой различимости близких по начертанию пар и получена модельная оценка площади различающего элемента как функции разрешения сетки. Расчёт показывает, что при сетке 10×10 запас различимости пары «О — Ө» мал, а приемлемое отношение достигается начиная с сетки 28×28. Описана двухкаскадная схема, в которой посимвольное решение уточняется словарной проверкой собранного слова, и архитектура веб-прототипа на Python, Django и PostgreSQL. Работа носит методический характер: приводятся формальное описание метода, оценки сложности и различимости, а также программа измерительного эксперимента, необходимого для количественной проверки полученных оценок.
Библиографические ссылки
1. Журавлёв, Ю. И. Распознавание. Классификация. Прогноз. Математические методы и их применение / Ю. И. Журавлёв.– Москва: Наука, 1999. – Вып. 2.
2. Фисенко, В. Т. Компьютерная обработка и распознавание изображений: учебное пособие / В.Т.Фисенко. – Санкт-Петербург : СПбГУ ИТМО, 2018. – 192 с.
3. Фу, К. С. Лингвистический подход к распознаванию образов / К. С. Фу. – Москва : Мир, 2010.
4. Bishop, C. M. Pattern Recognition and Machine Learning [Text] / C. M. Bishop. – New York : Springer, 2006. – 738 p.
5. Duda, R. O. Pattern Classification [Text] / R. O. Duda, P. E. Hart, D. G. Stork. – 2nd ed. – New York: Wiley, 2001.
6. Dalal, N. Histograms of Oriented Gradients for Human Detection [Text] / N. Dalal, B. Triggs // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. – 2005. – Vol. 1. – P. 886–893.
7. Ojala, T. Multiresolution Gray-Scale and Rotation Invariant Texture Classification with Local Binary Patterns [Text] / T. Ojala, M. Pietikäinen, T.Mäenpää// IEEE Transactions on Pattern Analysis and Machine Intelligence. – 2002. – Vol. 24, No. 7. – P. 971–987.
8. LeCun, Y. Deep learning [Text] / Y. LeCun, Y. Bengio, G. Hinton // Nature. – 2015. – Vol. 521, No. 7553. – P. 436–444.
9. Simard, P. Y. Best Practices for Convolutional Neural Networks Applied to Visual Document Analysis [Text] / P. Y. Simard, D. Steinkraus, J. C. Platt // Proceedings of the Seventh International Conference on Document Analysis and Recognition. – 2003. – Vol. 3. – P. 958–962.
10. Cyrillic-MNIST: a Cyrillic Version of the MNIST Dataset [Text] / B. Tleubayev, A. Khassanov, R. Mussabayev [et al.] // Proceedings of the Thirteenth Language Resources and Evaluation Conference. – Marseille: European Language Resources Association, 2022.
11. Warren, H. S. Hacker’s Delight [Text] / H. S. Warren. – 2nd ed. – Boston: Addison-Wesley, 2012. – 512 p.
