期刊名称：Intelligent Systems in Electrical Engineering
印刷版ISSN：2251-6530
电子版ISSN：2252-083X
出版年度：2014
卷号：5
期号：1
页码：57-68
语种：Persian
摘要：: بازشناسی ارقام دستنويس يکـی از مسائل مهم درحوزه شناسی الگو است. در اين مقاله با ترکيب روشهای هيستوگرام گراديان و مکان مشخصه توسعه يافته، ويژگيهای تصاوير ارقام دستنويس فارسی استخراج شده است. توسط الگوريتم بهينه سازی توده ذرات دودويی بهبود يافته جديد (INBPSO) و ارائه تابع برازندگی مناسب، ويژگيها با اهميت بيشتر انتخاب و ارقام توسط طبقه بند ماشين بردار پشتيبان (SVM) شناسايی شده‌اند. ابتدا در مرحله آموزش پس از استخراج ويژگی بر روی داده‌های آموزش با استفاده از روش پيشنهادی، الگوی مناسبی برای انتخاب ويژگی بدست می‌آيد سپس در مرحله آزمون پس از استخراج ويژگی داده‌های آزمون بردار ويژگی توسط الگوی بدست آمده کاهش داده شده و عمل طبقه بندی نهايی صورت می‌گيرد. با اعمال روش ذکر شده روی پايگاه داده تصاوير ارقام دستنويس فارسی هدی، دقت بازشناسي99.40% بدون کاهش ويژگی و دقت بازشناسی 99.28% با کاهش ويژگی بدست آمده است. مقايسه نتايج با کار محققان ديگر حاکی از آن است روش ارائه شده در استخراج ويژگی و انتخاب ويژگی از کارآيی مناسبی برخوردار است.
其他摘要：Recognition of handwritten digits is one of the most important problems in Optical Character Recognition (OCR) domain. In this paper a combination of two features, gradient histogram and modified characteristic Loci, are used for Persian handwritten digits. Furthermore, the most important features are selected using improved New Binary Particle Swarm Optimization algorithm (INBPSO) with an appropriate fitness function. SVM is used for classification of the digits. Having the selection pattern found in the training phase, the extracted features of the test samples are reduced using this pattern and then the final vector of the selected features are classified with the trained SVM model. The proposed method is applied on HODA database. Without reducing the features we achieved 99.40% accuracy and after reducing, the accuracy of 99.28% is reached. Comparing the results with the previous works, indicates that the proposed method has better performance in feature extraction and feature selection.
