Reconhecimento de caracteres manuscritos off-line utilizando Support Vector Machine (SVM)

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorAires, Simone Bello Kaminski-
Autor(es): dc.contributorAires, Simone Bello Kaminski-
Autor(es): dc.contributorMorais, Erikson Freitas de-
Autor(es): dc.contributorBorges, Helyane Bronoski-
Autor(es): dc.creatorCardoso, Samarone Jonathan-
Autor(es): dc.creatorSantana, Sergio da Silva-
Data de aceite: dc.date.accessioned2022-02-21T22:18:02Z-
Data de disponibilização: dc.date.available2022-02-21T22:18:02Z-
Data de envio: dc.date.issued2021-01-21-
Data de envio: dc.date.issued2021-01-21-
Data de envio: dc.date.issued2019-11-06-
Fonte completa do material: dc.identifierhttp://repositorio.utfpr.edu.br/jspui/handle/1/23953-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/672097-
Descrição: dc.descriptionThis work investigates the use of Support Vector Machine (SVM's) for recognition of uppercase handwritten characters of the Latin alphabet. The experiment made use of offline data from IRONOFF database. The data had already been gone through thresholding and bounding box preprocessing techniques. With regard to extraction of characteristics, concavity and convexity were obtained? detected? isolated? determined? observed? by labeling of the background pixel. Subsequently, the perceptual zoning mechanism was applied by dividing the characters into Z parts (z = 0, z = 4, z = 5 horizontal, z = 5 vertical and z = 7). The data was divided into training and testing sets to create generalist and expert SVMs. The experiments were performed through the use of the WEKA tool. Kernel configurations (linear, radial and sigmoid) were applied to SVMs thus creating a total of 15 generalist and 390 specialist SVMs. SVMs with linear kernel configuration with z = 5h and z = 5v zoning achieved better performance with 94.4% and 94.7% hit averages respectively. The results were compared with the Neural Networks proposed by Aires in 2005, where all SMV's results were superior to those of the NNs. The biggest difference was in the? zoning z = 5h, where, the Neural Networks had an average of 82.4% accuracy and the SVM of 94.4%, while the smallest difference was in the? zoning z = 7 with an average of accuracy? of 88.9% and 94,1% for NNs and SVMs respectively.-
Descrição: dc.descriptionEste trabalho investiga o uso de SVM’s (Support Vector Machine) para reconhecimento de caracteres manuscritos maiúsculos do alfabeto latino. Utilizou-se para os experimentos dados off-line da base IRONOFF. Os dados foram tratados previamente pelas técnicas de pré-processamento por limiarização e bounding box. Para extração de características utilizou-se a concavidade e convexidade efetuando-se rotulação do pixel de fundo. Posteriormente foi aplicado o mecanismo de zoneamento perceptivo dividindo os caracteres em Z partes (z = 0, z = 4, z = 5 horizontal, z = 5 vertical e z = 7). Os dados foram divididos em conjuntos de treinamento e teste para a criação de SVM’s generalistas e especialistas. Para os experimentos foi utilizada a ferramenta WEKA. Foram aplicadas as configurações de kernel (linear, radial e sigmoid) nas SVM’s criando assim um total de 15 SVM’s generalistas e 390 especialistas. As SVM’s com configuração de kernel linear com os zoneamentos z = 5h e z = 5v obtiveram um melhor desempenho com médias de acerto de 94,4% e 94,7% respectivamente. Os resultados encontrados foram comparados com as Redes Neurais propostas por Aires em 2005, onde todos os resultados das SMV’s foram superiores as das RN’s. A maior diferença foi no zoneamento z = 5h onde as RN’s tiveram média de acerto de 82,4% e a SVM de 94,4% e a menor diferença foi no zoneamento z = 7 com médias de acertos de 88,9% e 94,1%, RN’s e SVM’s respectivamente.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Tecnológica Federal do Paraná-
Publicador: dc.publisherPonta Grossa-
Publicador: dc.publisherBrasil-
Publicador: dc.publisherDepartamento Acadêmico de Informática-
Publicador: dc.publisherTecnologia em Análise e Desenvolvimento de Sistemas-
Publicador: dc.publisherUTFPR-
Direitos: dc.rightsopenAccess-
Palavras-chave: dc.subjectManuscritos-
Palavras-chave: dc.subjectConjunto de caracteres (Processamento de dados)-
Palavras-chave: dc.subjectSistemas de reconhecimento de padrões-
Palavras-chave: dc.subjectManuscripts-
Palavras-chave: dc.subjectCharacter sets (Data processing)-
Palavras-chave: dc.subjectPattern recognition systems-
Palavras-chave: dc.subjectCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO-
Título: dc.titleReconhecimento de caracteres manuscritos off-line utilizando Support Vector Machine (SVM)-
Título: dc.titleOffline handwriting character recognition using Support Vector Machine (SVM)-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositorio Institucional da UTFPR - RIUT

Não existem arquivos associados a este item.