در این مقاله، روشی برای بازشناسی برخط حروف مجزای دستنویس فارسی ارایه میشود. در روش پیشنهادی برای بازشناسی حروف مجزای دستنویس فارسی، از دانش مربوط به بدنه اصلی و ریزحرکات بهطور همزمان و بهمنظور اعتبار بیشتر تعیین کلاس خروجی استفاده شدهاست. در این تحقیق حروف مجزای دستنویس فارسی بر اساس تشابه بدنه اصلی در 18، و بر اساس تشابه ریزحرکات در 11 گروه، گروهبندی میشوند. با توجه به روش پیشنهادی ارایهشده در این پژوهش برای تشخیص نمونههای ناشناخته ورودی، بدنه اصلی و ریزحرکات شناسایی میشوند، اگر گروههای شناسایی شده از بدنه اصلی و ریزحرکات همخوانی داشتهباشند، نمونه ناشناخته بازشناسی میشود؛ در غیر اینصورت ناهمخوانی پیشآمده با استفاده از الگوریتم تصحیح خطا، تاحد امکان تصحیح میگردد. بهمنظور کاهش هزینه محاسباتی و افزایش قدرت تفکیکپذیری ویژگی-ها، با استفاده از روشهای کاهش ابعاد ویژگی همچون تحلیل جداکننده خطی (LDA) و تحلیل مولفههای اصلی (PCA)، ابعاد بردار ویژگی برای بدنه اصلی از 102 ویژگی به 17 ویژگی کاهش مییابد. برای طبقهبندی بدنه اصلی حروف و همچنین برای ریزحرکات از طبقهبند ماشین بردار پشتیبان (SVM) با رویکرد یک در مقابل یک (OVO) استفاده شدهاست. نتایج بدستآمده نشان میدهند که با استفاده از روش پیشنهادی حدود 98 درصد از حروف مجزای دستنویس فارسی برخط به-درستی بازشناسی میشوند.
In this paper, a method is presented to online Farsi handwritten isolated characters. In the proposed method, the information of main body and tiny movements are simultaneously used to improve the validation of output class recognition. Farsi handwritten isolated characters are categorized in 18 groups based on similarity in main body and also 11 groups based on tiny movement. According to the proposed method in this paper, the main body and tiny movements are recognized to identify unknown input characters. If detected groups from main body and tiny movements are corresponded, the unknown character is recognized; otherwise this mistake will be corrected by correction algorithm, as much as possible. In this paper, point features and global features are extracted from main body. Principle Component Analysis (PCA) and Linear Discriminate Analysis (LDA) are applied to reduce computational burden and to increase the quality of features. Using PCA and LDA, feature dimension is reduced from 102 to 17 for main body. One Versus One (OVO) approach of Support Vector Machine (SVM) classifier is used to classify the main body of characters and also tiny movements. The obtained results show that by using the proposed method; about 98 percent of online Farsi handwritten isolated characters are correctly recognized.