Özellik Çıkarma Yöntemlerinin Elyazısı Karaktertanıma Sistemleri Üzerindeki Etkileri

Abstract

Bu çalışmada, özellik bulma yöntemleriyle ve bu yöntemlerin elle yazılmış Türkçe büyük harfleri tanıyan sistemler üzerindeki etkileriyle ilgilenilmiştir. İçerisinde 19000 adet büyük harf ve 6540 adet rakam bulunan bir Türkçe Elyazısı Veritabanı oluşturulmuş, bu karakterleri saklamak için de yeni bir “itu” resim dosya formatı yaratılmıştır. Bir karakter tanıma sistemi üç ana parçadan oluşur: Ön İşlemler, Özellik Çıkarma ve Sınıflandırma. Bu çalışmada bütün parçalar gerçeklenmiş ancak Özellik Çıkarma özerine yoğunlaşılmıştır. Karhunen-Loéve (KL) Dönüşümünün zayıf yönleri araştırılmış ve KL dönüşümü ile bulunan özelliklerin, harflerin şekilleriyle ilgili bilgi taşımamasından kaynaklanan eksiklikler tespit edilmiştir. Bu yüzden, geometrik bilgi taşıyan özelliklerin KL dönüşümü ile bulunan özelliklerle birlikte kullanılması önerilmiştir. Bu özellikleri sınıflandırmak için Backpropagation yöntemi ile eğitilmiş MLP (Multi Layer Perceptron) Yapay Sinir Ağları kullanılmıştır.

In this study, we worked on the feature extraction methods and their effects on the performance of Turkish uppercase handprint character recognition systems. A Turkish Handprint Database was created, which includes 19000 uppercase and 6540 digit characters. We created a new “itu” image file format for storing these characters. A character recognition system includes three main parts: Preprocessing, Feature Extraction and Classification. We realized all steps but especially focused on the Feature Extraction step. The weaknesses of the Karhunen-Loéve (KL) Transform was investigated and it was understood that these weaknesses are caused by absence of the shape information, among the KL transformed features. Therefore, we suggest to use some geometric features together with KL transformed features. We used the MLP (Multi Layer Perceptron) Neural Networks, which are trained by the Error Backpropagation method, to classify these features.