Luận Văn Thạc Sĩ: Phương Pháp Nhận Dạng Chữ Viết Tay Tiếng Việt Dựa Trên Mô Hình Mạng Nơron

Đề tài Nhận Dạng Chữ Viết Tay Tiếng Việt Bằng Mạng Nơron - Luận Văn Thạc Sĩ Công Nghệ Thông với cơ sở khoa học chặt chẽ, đóng góp giá trị cho nghiên

• Tác giả: Trần Thị Minh Hoàn
• Người hướng dẫn: PGS.TS Đinh Mạnh Tường
• Trường học: Đại học Công nghệ - ĐHQG Hà Nội
• Chuyên ngành: Công Nghệ Thông Tin
• Đề tài: Nhận Dạng Chữ Viết Tay Tiếng Việt Bằng Mạng Nơron
• Loại tài liệu: luận văn thạc sĩ
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CÁM ƠN
• MỤC LỤC
• 1. CHƯƠNG 1: TỔNG QUAN VỀ NHẬN DẠNG CHỮ DỰA TRÊN MÔ HÌNH MẠNG NƠRON
• 1.1. Quy trình chung của một hệ nhận dạng chữ
• 1.2. Phân lớp mẫu
• 1.3. Cấu trúc của hệ thống nhận dạng văn bản
• 1.4. Bước 1 Thu nhận và lưu trữ ảnh
• 1.5. Bước 2 Chuẩn hoá
• 1.6. Bước 3 Phân đoạn ảnh
• 1.7. Bước 4 Nhận dạng
• 1.8. Bước 5 Hậu xử lý
• 1.9. Bước 6 Lưu văn bản
• 2. CHƯƠNG 2: NHẬN DẠNG TỪ DỰA TRÊN MÔ HÌNH ĐA MẠNG NƠRON CẢI TIẾN KẾT HỢP VỚI THỐNG KÊ NGỮ CẢNH
• 2.1. Sử dụng phương pháp trích chọn đặc trưng phù hợp cho ký tự
• 2.2. Sơ đồ tổng quan của mô hình nhận dạng từ được đề xuất bởi luận văn
• 2.3. Quá trình xây dựng mô hình đa mạng nơron thích hợp cho nhận dạng chữ viết tay tiếng Việt
• 2.4. Quá trình xây dựng bộ thống kê ngữ cảnh
• 2.5. Đánh giá khả năng nhận dạng của mô hình
• 3. CHƯƠNG 3: CÀI ĐẶT HỆ THỐNG NHẬN DẠNG CHỮ VIẾT TAY HẠN CHẾ
• 4. CHƯƠNG 4: THÍ NGHIỆM HỆ THỐNG NHẬN DẠNG CHỮ VIẾT TAY HẠN CHẾ
• PHẦN KẾT LUẬN
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Giới thiệu về nhận dạng chữ viết tay

Nhận dạng chữ viết tay là một lĩnh vực nghiên cứu quan trọng trong công nghệ thông tin, nhằm tự động hóa quá trình thu nhận thông tin từ các văn bản viết tay. Hệ thống nhận dạng chữ viết tay sử dụng các kỹ thuật xử lý hình ảnh và học máy để phân tích và nhận diện các ký tự. Nhận dạng chữ viết tay tiếng Việt gặp nhiều thách thức do sự đa dạng trong cách viết của từng cá nhân. Các yếu tố như kích thước, độ nghiêng và sự dính liền giữa các ký tự làm cho việc nhận diện trở nên phức tạp hơn. Theo nghiên cứu, việc áp dụng mạng nơron trong nhận dạng chữ viết tay đã cho thấy nhiều ưu điểm, như khả năng học và thích nghi với các mẫu mới, cũng như khả năng nhận diện chính xác ngay cả khi ảnh bị nhiễu.

1.1. Tầm quan trọng của nhận dạng chữ viết tay

Nhận dạng chữ viết tay không chỉ giúp tự động hóa các công việc văn phòng mà còn có ứng dụng trong nhiều lĩnh vực khác nhau như ngân hàng, bưu điện và giáo dục. Việc nhận diện chính xác chữ viết tay có thể giảm bớt khối lượng công việc cho con người, đồng thời nâng cao hiệu quả trong việc xử lý thông tin. Công nghệ thông tin đã phát triển mạnh mẽ, và việc áp dụng các mô hình học sâu như mạng nơron đã mở ra nhiều cơ hội mới cho việc cải thiện độ chính xác trong nhận dạng chữ viết tay. Các nghiên cứu hiện tại đang tập trung vào việc phát triển các phương pháp mới nhằm giải quyết những khó khăn trong nhận dạng chữ viết tay, đặc biệt là trong ngữ cảnh tiếng Việt.

II. Cấu trúc và quy trình của hệ thống nhận dạng chữ viết tay

Hệ thống nhận dạng chữ viết tay thường bao gồm nhiều bước, từ thu nhận ảnh đến xử lý và nhận diện ký tự. Quy trình này bao gồm các giai đoạn như chuẩn hóa, phân đoạn, nhận dạng và hậu xử lý. Phân lớp mẫu là giai đoạn quan trọng, quyết định đến độ chính xác của hệ thống. Các thuật toán phân lớp có thể được chia thành hai loại: phân lớp có thầy và không có thầy. Độ chính xác và tốc độ phân lớp là hai yếu tố quan trọng cần được xem xét trong quá trình phát triển hệ thống. Việc áp dụng thuật toán nhận dạng dựa trên mạng nơron giúp cải thiện khả năng nhận diện ký tự, đặc biệt trong các trường hợp có nhiễu hoặc biến dạng.

2.1. Các bước trong quy trình nhận dạng

Quy trình nhận dạng chữ viết tay bao gồm các bước chính như thu nhận ảnh, chuẩn hóa, phân đoạn, nhận dạng và hậu xử lý. Trong bước thu nhận ảnh, hình ảnh văn bản được quét và lưu trữ. Bước chuẩn hóa giúp điều chỉnh độ nghiêng và cải thiện chất lượng ảnh đầu vào. Phân đoạn là bước quan trọng để tách biệt các ký tự trong văn bản. Sau khi đã phân đoạn, hệ thống sẽ tiến hành nhận dạng ký tự bằng cách sử dụng mạng nơron để gán nhãn cho các ký tự đã được tách ra. Cuối cùng, bước hậu xử lý sẽ giúp ghép nối các ký tự thành từ và câu, đồng thời phát hiện các lỗi nhận dạng thông qua kiểm tra chính tả.

III. Ứng dụng của mạng nơron trong nhận dạng chữ viết tay

Mạng nơron đã trở thành công cụ chính trong việc phát triển các hệ thống nhận dạng chữ viết tay. Với khả năng học từ dữ liệu, mạng nơron có thể nhận diện các ký tự viết tay với độ chính xác cao. Mô hình mạng nơron nhiều lớp (MLP) cho phép xử lý các đặc trưng phức tạp của chữ viết tay, từ đó cải thiện khả năng nhận diện. Việc áp dụng các phương pháp trích chọn đặc trưng phù hợp trước khi đưa vào mô hình mạng nơron là rất quan trọng để tối ưu hóa quá trình nhận dạng. Các nghiên cứu hiện tại đang tìm kiếm các mô hình đa mạng nơron để nâng cao hiệu quả nhận diện chữ viết tay tiếng Việt.

3.1. Lợi ích của việc sử dụng mạng nơron

Việc sử dụng mạng nơron trong nhận dạng chữ viết tay mang lại nhiều lợi ích. Mạng nơron có khả năng nhận diện chính xác ngay cả khi ảnh bị nhiễu, đồng thời có thể học và thích nghi với các mẫu mới. Điều này giúp cho hệ thống có thể nhận diện chữ viết tay của nhiều người khác nhau, từ đó nâng cao tính tổng quát của mô hình. Hơn nữa, quá trình nhận dạng diễn ra nhanh chóng, giúp tiết kiệm thời gian và công sức cho người dùng. Các nghiên cứu cũng chỉ ra rằng, việc kết hợp mạng nơron với các phương pháp thống kê ngữ cảnh có thể cải thiện đáng kể độ chính xác trong nhận dạng chữ viết tay.

IV. Kết luận và hướng phát triển

Luận văn này đã trình bày một phương pháp khả thi để nhận dạng chữ viết tay tiếng Việt dựa trên mạng nơron. Mặc dù đã đạt được một số kết quả khả quan, nhưng vẫn còn nhiều thách thức cần phải giải quyết. Việc phát triển các mô hình nhận dạng chữ viết tay hiệu quả hơn là một nhiệm vụ cấp thiết trong tương lai. Các nghiên cứu tiếp theo có thể tập trung vào việc cải thiện độ chính xác của hệ thống, cũng như mở rộng ứng dụng của nó trong các lĩnh vực khác nhau. Hướng phát triển này không chỉ giúp nâng cao hiệu quả nhận dạng mà còn góp phần vào sự phát triển của công nghệ thông tin tại Việt Nam.

4.1. Những vấn đề cần giải quyết

Mặc dù đã có những tiến bộ trong việc nhận dạng chữ viết tay, nhưng vẫn còn nhiều vấn đề chưa được giải quyết. Các yếu tố như độ nghiêng, kích thước và sự dính liền giữa các ký tự vẫn là những thách thức lớn. Hệ thống cần được cải thiện để có thể nhận diện chính xác hơn trong các trường hợp khó khăn. Việc nghiên cứu và phát triển các phương pháp mới, cũng như tối ưu hóa các mô hình hiện có sẽ là những bước đi quan trọng trong việc nâng cao khả năng nhận dạng chữ viết tay tiếng Việt.

Nội dung chính

Tổng quan nghiên cứu

Nhận dạng chữ viết tay tiếng Việt là một lĩnh vực nghiên cứu quan trọng trong ngành công nghệ thông tin, đặc biệt trong xử lý ảnh và trí tuệ nhân tạo. Theo ước tính, việc tự động hóa nhận dạng chữ viết tay có thể giảm thiểu đáng kể thời gian và công sức trong các công việc văn phòng như lưu trữ văn bản, phân loại thư tín, và nhận dạng mã sản phẩm. Tuy nhiên, bài toán nhận dạng chữ viết tay tiếng Việt gặp nhiều thách thức do đặc thù của chữ viết tay và hệ thống dấu tiếng Việt phức tạp. Các khó khăn bao gồm sự đa dạng về kích thước, độ nghiêng, sự dính liền giữa các ký tự trong một từ, cũng như số lượng ký tự lớn hơn nhiều so với tiếng Anh do các dấu khác nhau.

Mục tiêu nghiên cứu của luận văn là đề xuất một phương pháp nhận dạng chữ viết tay tiếng Việt dựa trên mô hình mạng nơron đa lớp kết hợp với thống kê ngữ cảnh nhằm nâng cao độ chính xác nhận dạng. Phạm vi nghiên cứu tập trung vào các đoạn văn bản viết tay có dấu và các ký tự không quá nghiêng, với dữ liệu thu thập tại một số địa phương trong nước. Ý nghĩa của nghiên cứu được thể hiện qua việc cải thiện các chỉ số như độ chính xác nhận dạng ký tự, tốc độ xử lý và khả năng ứng dụng thực tế trong các hệ thống tự động hóa văn phòng.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai lý thuyết chính: lý thuyết mạng nơron nhân tạo và lý thuyết thống kê ngữ cảnh. Mạng nơron nhiều lớp truyền thẳng (MLP) được sử dụng làm mô hình nhận dạng chính, với các khái niệm cốt lõi bao gồm:

• Nơron nhân tạo: Đơn vị xử lý thông tin cơ bản, gồm các tín hiệu đầu vào, trọng số liên kết, hàm kích hoạt và tín hiệu đầu ra.
• Thuật toán lan truyền ngược sai số (Backpropagation): Phương pháp huấn luyện mạng MLP bằng cách điều chỉnh trọng số dựa trên sai số giữa đầu ra dự đoán và giá trị mục tiêu.
• Trích chọn đặc trưng ảnh: Các phương pháp trích chọn đặc trưng theo hướng hình học (Gradient), cấu trúc (Structural) và tính lồi lõm (Concavity) nhằm giảm kích thước dữ liệu đầu vào và tăng độ phân biệt giữa các ký tự.
• Thống kê ngữ cảnh: Sử dụng thông tin ngữ cảnh để kiểm tra tính hợp lý của các ký tự trong một từ, giúp giảm sai sót nhận dạng do nhầm lẫn ký tự tương tự.

Phương pháp nghiên cứu

Nguồn dữ liệu nghiên cứu bao gồm các ảnh chữ viết tay tiếng Việt được thu thập qua máy quét và thiết bị kỹ thuật số tại một số địa phương trong nước. Cỡ mẫu khoảng vài nghìn ảnh ký tự và từ viết tay được sử dụng để huấn luyện và kiểm thử mô hình.

Phương pháp phân tích chính là xây dựng và huấn luyện mô hình mạng nơron MLP với thuật toán lan truyền ngược sai số. Quá trình nghiên cứu được thực hiện theo timeline gồm:

• Thu thập và tiền xử lý dữ liệu (chuẩn hóa, phân đoạn ảnh).
• Trích chọn đặc trưng ảnh theo ba phương pháp Gradient, Structural và Concavity.
• Xây dựng mô hình đa mạng nơron kết hợp với bộ thống kê ngữ cảnh.
• Thử nghiệm và đánh giá mô hình trên tập dữ liệu kiểm thử.
• Phân tích kết quả và đề xuất cải tiến.

Phương pháp chọn mẫu là chọn ngẫu nhiên các ảnh chữ viết tay từ các nguồn dữ liệu thu thập được, đảm bảo tính đại diện cho các kiểu chữ và dấu khác nhau trong tiếng Việt.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Độ chính xác nhận dạng ký tự: Mô hình đa mạng nơron kết hợp trích chọn đặc trưng GSC (Gradient, Structural, Concavity) đạt độ chính xác nhận dạng ký tự lên tới khoảng 92-95% trên tập dữ liệu kiểm thử, cao hơn khoảng 10% so với mô hình MLP đơn lẻ không kết hợp thống kê ngữ cảnh.

2. Tốc độ nhận dạng: Nhờ việc trích chọn đặc trưng hiệu quả, thời gian nhận dạng trung bình cho mỗi ký tự giảm khoảng 30%, giúp mô hình có khả năng ứng dụng trong các hệ thống nhận dạng thời gian thực.

3. Khả năng xử lý ký tự dính liền: Mô hình đa mạng nơron kết hợp bộ thống kê ngữ cảnh giúp nhận dạng từ có các ký tự dính nhau với độ chính xác từ 85-88%, cải thiện đáng kể so với các phương pháp truyền thống chỉ đạt khoảng 70-75%.

4. Ảnh hưởng của đặc trưng ảnh: Việc kết hợp ba phương pháp trích chọn đặc trưng giúp mô hình nhận dạng tốt hơn các ký tự có dấu và các ký tự có cấu trúc phức tạp, giảm tỷ lệ nhầm lẫn giữa các ký tự có phần thân giống nhau nhưng khác dấu.

Thảo luận kết quả

Nguyên nhân chính của sự cải thiện độ chính xác là do mô hình đa mạng nơron có khả năng học và tổng quát hóa tốt hơn so với mạng đơn lớp, đồng thời bộ thống kê ngữ cảnh giúp loại bỏ các kết quả nhận dạng không hợp lý dựa trên ngữ nghĩa từ. Kết quả này phù hợp với các nghiên cứu gần đây trong lĩnh vực nhận dạng chữ viết tay tiếng Việt và các ngôn ngữ có dấu khác.

So sánh với các nghiên cứu trước đây, mô hình đề xuất không chỉ nâng cao độ chính xác mà còn giảm thời gian xử lý, điều này rất quan trọng trong ứng dụng thực tế. Biểu đồ so sánh độ chính xác nhận dạng giữa các mô hình có thể minh họa rõ ràng sự vượt trội của mô hình đa mạng kết hợp thống kê ngữ cảnh.

Tuy nhiên, mô hình vẫn còn hạn chế khi xử lý các ảnh có độ nghiêng lớn hoặc các ký tự bị biến dạng nặng, đây là hướng cần cải tiến trong tương lai.

Đề xuất và khuyến nghị

1. Tăng cường thu thập dữ liệu đa dạng: Mở rộng bộ dữ liệu huấn luyện với các kiểu chữ viết tay đa dạng hơn, bao gồm các độ nghiêng và biến dạng khác nhau để nâng cao khả năng tổng quát hóa của mô hình. Thời gian thực hiện: 6-12 tháng, chủ thể: các trung tâm nghiên cứu và trường đại học.

2. Phát triển thuật toán tiền xử lý ảnh nâng cao: Áp dụng các kỹ thuật khử nhiễu, căn chỉnh độ nghiêng và phân đoạn từ chính xác hơn nhằm cải thiện chất lượng ảnh đầu vào cho mô hình nhận dạng. Thời gian thực hiện: 3-6 tháng, chủ thể: nhóm phát triển phần mềm.

3. Tích hợp mô hình học sâu (Deep Learning): Nghiên cứu và áp dụng các mô hình mạng nơron sâu như CNN để thay thế hoặc kết hợp với MLP nhằm tăng độ chính xác và khả năng nhận dạng ký tự phức tạp. Thời gian thực hiện: 12-18 tháng, chủ thể: các nhà nghiên cứu AI.

4. Xây dựng hệ thống nhận dạng chữ viết tay hoàn chỉnh: Phát triển phần mềm ứng dụng tích hợp mô hình nhận dạng, bộ thống kê ngữ cảnh và giao diện người dùng thân thiện để triển khai trong các cơ quan, doanh nghiệp. Thời gian thực hiện: 6-9 tháng, chủ thể: doanh nghiệp công nghệ và nhóm nghiên cứu.

Đối tượng nên tham khảo luận văn

1. Nhà nghiên cứu và sinh viên ngành công nghệ thông tin, trí tuệ nhân tạo: Luận văn cung cấp kiến thức chuyên sâu về mạng nơron, trích chọn đặc trưng ảnh và ứng dụng trong nhận dạng chữ viết tay tiếng Việt, hỗ trợ nghiên cứu và phát triển đề tài.

2. Các kỹ sư phát triển phần mềm xử lý ảnh và nhận dạng ký tự: Tham khảo các thuật toán và mô hình được đề xuất để áp dụng vào các sản phẩm nhận dạng chữ viết tay, nâng cao hiệu quả và độ chính xác.

3. Doanh nghiệp công nghệ và các tổ chức ứng dụng tự động hóa văn phòng: Hiểu rõ về công nghệ nhận dạng chữ viết tay để triển khai các hệ thống tự động hóa, giảm thiểu chi phí và tăng năng suất làm việc.

4. Cơ quan quản lý và đào tạo trong lĩnh vực công nghệ thông tin: Sử dụng luận văn làm tài liệu tham khảo cho các chương trình đào tạo, nâng cao trình độ chuyên môn cho cán bộ và sinh viên.

Câu hỏi thường gặp

1. Mô hình mạng nơron MLP có ưu điểm gì trong nhận dạng chữ viết tay?
   Mạng MLP có khả năng học và tổng quát hóa tốt, xử lý được dữ liệu nhiễu và đa dạng, đồng thời có tốc độ nhận dạng nhanh sau khi huấn luyện. Ví dụ, mô hình này có thể nhận dạng chính xác các ký tự viết tay với độ chính xác lên đến 95%.

2. Tại sao cần kết hợp trích chọn đặc trưng ảnh với mạng nơron?
   Trích chọn đặc trưng giúp giảm kích thước dữ liệu đầu vào và làm nổi bật các đặc điểm quan trọng của ký tự, từ đó tăng độ chính xác và tốc độ nhận dạng của mạng nơron. Ví dụ, phương pháp GSC kết hợp ba loại đặc trưng giúp phân biệt tốt các ký tự có dấu tương tự nhau.

3. Bộ thống kê ngữ cảnh đóng vai trò gì trong hệ thống nhận dạng?
   Bộ thống kê ngữ cảnh giúp kiểm tra tính hợp lý của các ký tự trong một từ dựa trên ngữ nghĩa, giảm sai sót do nhầm lẫn ký tự tương tự. Ví dụ, nó có thể phân biệt được từ "IO" và số "10" dựa trên ngữ cảnh câu.

4. Phương pháp trích chọn đặc trưng nào hiệu quả nhất cho chữ viết tay tiếng Việt?
   Phương pháp GSC, kết hợp trích chọn đặc trưng theo hướng hình học, cấu trúc và tính lồi lõm, được đánh giá là hiệu quả nhất do thể hiện được nhiều mức độ đặc trưng của ảnh, phù hợp với đặc thù chữ viết tay tiếng Việt.

5. Những hạn chế hiện tại của mô hình nhận dạng là gì?
   Mô hình còn hạn chế khi xử lý các ảnh có độ nghiêng lớn, biến dạng nặng hoặc chất lượng ảnh kém. Ngoài ra, quá trình huấn luyện mạng tốn nhiều thời gian và yêu cầu bộ dữ liệu lớn để đạt hiệu quả cao.

Kết luận

• Luận văn đã đề xuất thành công mô hình nhận dạng chữ viết tay tiếng Việt dựa trên mạng nơron đa lớp kết hợp với trích chọn đặc trưng GSC và bộ thống kê ngữ cảnh, đạt độ chính xác nhận dạng ký tự khoảng 92-95%.
• Phương pháp trích chọn đặc trưng ảnh theo hướng, cấu trúc và tính lồi lõm giúp cải thiện đáng kể khả năng phân biệt các ký tự có dấu và cấu trúc phức tạp.
• Mô hình đa mạng nơron kết hợp thống kê ngữ cảnh nâng cao khả năng nhận dạng từ có ký tự dính liền, với độ chính xác từ 85-88%.
• Các đề xuất phát triển tiếp theo bao gồm mở rộng dữ liệu, cải tiến tiền xử lý ảnh, áp dụng mạng nơron sâu và xây dựng hệ thống nhận dạng hoàn chỉnh.
• Khuyến khích các nhà nghiên cứu, kỹ sư và doanh nghiệp ứng dụng kết quả nghiên cứu để phát triển các sản phẩm nhận dạng chữ viết tay tiếng Việt hiệu quả hơn.

Hãy bắt đầu áp dụng các giải pháp này để nâng cao hiệu quả nhận dạng chữ viết tay trong các ứng dụng thực tế và tiếp tục nghiên cứu phát triển các mô hình mới nhằm giải quyết các thách thức còn tồn tại.

Trích đoạn nội dung tài liệu

Chương 1: Tổng quan về nhận dạng chữ dựa trên mô hình mạng nơron z 11 Nội dung của chương này sẽ tập trung khảo sát cách tiếp cận nhận dạng dựa trên mô hình mạng nơron thông qua mô hình mạng nhiều lớp truyền thẳng MLP (Multilayer Perceptrons). Từ đó đánh giá được các ưu, nhược điểm của mạng MLP, đây cũng chính là tiền đề cho quá trình xây dựng xây dựng mô hình nhận dạng ở chương sau Chương 2: Nhận dạng từ dựa trên mô hình đa mạng nơron cải tiến kết hợp với thống kê ngữ cảnh Chương này tập trung vào việc xây dựng mô hình hiệu quả để nhận dạng chữ viết tay hạn chế với những nội dung chính sau đây:  Sử dụng phương pháp trích chọn đặc trưng phù hợp cho ký tự  Sơ đồ tổng quan của mô hình nhận dạng từ được đề xuất bởi luận văn.  Quá trình xây dựng mô hình đa mạng nơron thích hợp cho nhận dạng chữ viết tay tiếng Việt.  Quá trình xây dựng bộ thống kê ngữ cảnh.

 Đánh giá khả năng nhận dạng của mô hình Chương 3: Cài đặt hệ thống nhận dạng chữ viết tay hạn chế Chương này sẽ mô tả một cách cụ thể hơn về quy trình nhận dạng ký tự viết tay. Đồng thời sẽ cụ thể hoá đến mức chi tiết nhất việc ứng dụng mô hình nhận dạng đã được đề xuất chương 3 để nhận dạng ký tự viết tay. Chương 4: Thí nghiệm hệ thống nhận dạng chữ viết tay hạn chế Chương này sẽ mô tả chi tiết quá trình thí nghiệm cũng như các kết quả thí nghiệm của hệ thống với các tập dữ liệu khác nhau Phần kết luận Phần này sẽ nêu lên các vấn đề đã giải quyết được, chưa giải quyết được và hướng phát triển trong tương lai của luận văn Các phần phụ lục A, B, C z 12 Các phần phụ lục sẽ cung cấp các thông tin tham khảo có giá trị về các kết quả thực nghiệm của chương trình, các ký hiệu, từ khoá được sử dụng trong luận văn, các tài liệu tham khảo,. Quy trình chung của một hệ nhận dạng chữ Quy trình chung của một hệ thống nhận dạng chữ thường gồm hai giai đoạn là phân lớp mẫu và nhận dạng văn bản 1.

Phân lớp mẫu Phân lớp (sắp lớp) mẫu là giai đoạn quyết định trong quá trình nhận dạng. Hai kiểu phân lớp điển hình thường được sử dụng là: phân lớp có thầy (học có thầy) và phân lớp không có thầy (học không có thầy ). Các vấn đề thường được đặt ra trong bước phân lớp là: • Độ chính xác: Độ tin tưởng của một luật phân lớp được thể hiện bởi tỷ lệ phân lớp đúng. Nhìn chung, độ chính xác được đo bởi tập dữ liệu học và độ chính xác được đo bởi tập dữ liệu thí nghiệm là khác nhau.

Đây không phải là một điều bất thường, đặc biệt trong các ứng dụng học máy, đối với tập dữ liệu học thì có thể đúng hoàn toàn, nhưng trên tập dữ liệu thử nghiệm có khi kết quả lại rất tồi tệ. Khi nói đến độ chính xác của một thuật toán phân lớp thì thường là nói đến độ chính xác trên tập dữ liệu thử nghiệm. Kinh nghiệm thực tế cho thấy, độ chính xác của một thuật toán phân lớp phụ thuộc khá nhiều vào tập dữ liệu học (cả về mặt số lượng lẫn chất lượng) nói một cách khác là việc trích chọn đặc trưng của các mẫu có ảnh hưởng lớn tới độ chính xác của quá trình phân lớp. • Tốc độ phân lớp: Đây là yếu tố đặc biệt quan trọng đối với các hệ thống có tính thời gian thực, chẳng hạn như nhận dạng chữ viết tay trực tuyến (online),.

• Tính dễ hiểu: Thuật toán phân lớp đơn giản, dễ cài đặt và hiệu quả • Thời gian học: Nhất là trong một môi trường thường xuyên thay đổi, cần phải học một luật phân lớp một cách nhanh chóng hoặc hiệu chỉnh một luật đã có trong thời gian thực. Để học nhanh, nhiều khi ta chỉ cần sử dụng một số lượng nhỏ các mẫu huấn luyện để thiết lập các luật phân lớp. Cấu trúc của hệ thống nhận dạng văn bản Cấu trúc cơ bản của hệ thống nhận dạng được chỉ ra trong hình 1. Một số công việc thực hiện trong xử lý nhận dạng là độc lập với hướng nghiên cứu một số khác thì liên quan và có thể được sử dụng để phân biệt giữa các hệ thống khác nhau.

Các bước cần thực hiện trong giai đoạn này bao gồm: Thu nhận ảnh Chuẩn hoá Phân đoạn Nhận dạng Trích Nhận Cập nhật tri thức chọn dạng Cơ sở tri thức đặc bằng trưng mạng nơron Hậu xử lý Lưu văn bản Hình 1.1: Qui trình chung của một hệ thống nhận dạng chữ Bƣớc 1 Thu nhận và lƣu trữ ảnh: Đây là công đoạn đầu tiên trong một quá trình nhận dạng ảnh. Trong một hệ thống nhận dạng, ảnh thường được thu nhận qua máy quét, sau đó được lưu trữ dưới các định dạng file (*. Nhìn chung việc lựa chọn định dạng file lưu trữ sẽ tuỳ thuộc vào các văn bản đầu vào cần nhận dạng và các yêu cầu cụ thể của từng hệ thống. z 15 Bƣớc 2 Chuẩn hoá: độ nghiêng nằm ngang và thẳng đứng của ảnh dữ liệu thường lớn hơn 0 do quá trình thu nhận ảnh và nét chữ tự do của người viết, khi đưa vào trong ảnh và độ nghiêng của chúng sẽ không thay đổi, do đó ta sẽ phải chuẩn hoá để ảnh của từ được thẳng đứng, trong công đoạn này ta sử dụng mật độ histogram lớn nhất để xác định dòng theo chiều ngang và theo chiều đứng của văn bản.

Quá trình này sẽ nâng cao chất lượng ảnh đầu vào. Nói chung chất lượng của ảnh đầu vào sẽ ảnh hưởng nhiều đến chất lượng nhận dạng, ngoài việc căn chỉnh độ nghiêng của văn bản còn có một số thao tác chuẩn hoá khác như khử nhiễu ảnh đầu vào. Bƣớc 3 Phân đoạn ảnh: Đây là một trong những công đoạn quan trọng của quá trình nhận dạng và có ảnh hưởng lớn đến kết quả nhận dạng. Hai cách tiếp cận phổ biến được đề xuất trong quá trình phân đoạn ảnh là: • Cách tiếp cận trên xuống (top-down): Toàn bộ ảnh văn bản phân đoạn được coi là một khối lớn, sau đó khối này được phân thành các khối nhỏ hơn, các khối nhỏ hơn này lại tiếp tục được phân thành các khối nhỏ hơn nữa cho đến khi thu được các ký tự hoặc không thể phân nhỏ hơn được nữa.

Nhìn chung, với cách tiếp cận này, phương pháp thường dùng để phân đoạn ảnh là sử dụng các biểu đồ tần suất ngang và dọc. Tuy nhiên, do biểu đồ tần suất bị ảnh hưởng nhiều bởi độ nghiêng trang văn bản nên trước khi xử lý phân đoạn, ta thường phải căn chỉnh độ lệch của trang văn bản. • Cách tiếp cận dưới lên (bottom-up): Quá trình phân đoạn bắt đầu bằng việc xác định những thành phần nhỏ nhất, sau đó gộp chúng lại thành những thành phần lớn hơn, cho đến khi thu được tất cả các khối trong trang văn bản. Bƣớc 4 Nhận dạng: Bao gồm hai công đoạn, thứ nhất là trích chọn đặc trưng để giảm kích cỡ đầu vào và tìm được những nét cơ bản nhất của ký tự.

Tiếp theo là sử dụng đa mạng nơron để nhận dạng ký tự, đây chính là thao tác gán nhãn cho đối tượng dựa trên những tri thức đã học được, nói cách khác đây là thao tác tìm kiếm một lớp mẫu phù hợp nhất với đối tượng đầu vào. z 16 Bƣớc 5 Hậu xử lý: Đây là một trong những công đoạn cuối cùng của quá trình nhận dạng. Trong nhận dạng chữ, có thể hiểu hậu xử lý là bước ghép nối các ký tự đã nhận dạng được thành các từ, các câu, các đoạn văn nhằm tái hiện lại văn bản đồng thời phát hiện ra các lỗi nhận dạng bằng cách kiểm tra chính tả dựa trên cấu trúc và ngữ nghĩa của câu, đoạn văn. Việc phát hiện ra các lỗi, các sai sót trong nhận dạng ở bước này đã góp phần đáng kể vào việc nâng cao kết quả nhận dạng Đặc biệt đối với các ảnh văn bản đầu vào không tốt (chẳng hạn: Bản in bị mờ, bị đứt nét do photo nhiều lần,.) hoặc các văn bản in chứa nhiều thông tin hỗn hợp (chẳng hạn trong văn bản có cả số lẫn chữ và các ký hiệu), điều này rất dễ gây nhầm lẫn trong nhận dạng.

Thậm chí có những trường hợp nhập nhằng chỉ có thể giải quyết được bằng ngữ cảnh bằng cách phân tích ngữ cảnh của câu, chẳng hạn như trường hợp nhập nhằng giữa từ “IO” với số “10”. Bƣớc 6 Lƣu văn bản: Sau khi văn bản cần nhận dạng đã được tái tạo về dạng nguyên bản sẽ được lưu lại ở các định dạng file được hệ thống hỗ trợ, chẳng hạn như file dạng (. Một trong những thủ tục quan trọng và tiêu tốn nhiều thời gian của các phương pháp nhận dạng truyền thống là làm mảnh ký tự. Thủ tục này làm giảm độ rộng các nét ký tự xuống còn một điểm nhằm phát hiện bộ khung xương của ký tự.

Thủ tục này tạo điều kiện cho việc tìm kiếm các dấu hiệu đặc trưng của ký tự, song nó cũng làm cho một số ký tự trở nên giống nhau hơn. Do đó gây khó khăn cho các thủ tục ra quyết định sau này. Thủ tục này sẽ không làm việc tốt khi chất lượng quét của máy quét tồi hoặc bản thân ký tự lấy từ văn bản mờ hoặc có nét đứt. Do đó cần được các thủ tục tiền xử lý như làm trơn đường biên, khử nhiễu trợ giúp.

Các phương pháp ra quyết định trong phương pháp nhận dạng truyền thống được cài đặt tĩnh trong chương trình. Các phương pháp này dựa vào việc nghiên cứu đặc trưng của các ký tự như số giao điểm hoặc cấu trúc các ký tự như số điểm kết thúc, số chu trình, số thành phần liên thông,.Nhìn chung các phương pháp truyền thống đều gặp khó khăn khi chất lượng ảnh sau khi số hoá tương đối kém. z 17 Hiện nay, cách tiếp cận nhận dạng dựa trên mô hình mạng nơron đang trở thành một trong những hướng nghiên cứu chính và nó đã được ứng dụng rộng rãi không chỉ trong lĩnh vực nhận dạng chữ mà cả những lĩnh vực khác, chẳng hạn như: Điều khiển thông tin, dự tính, dự báo,. Mạng nơron có khả năng học từ kinh nghiệm hay từ một tập mẫu do vậy nó rất phù hợp với các bài toán đối sánh, phân loại mẫu, xấp xỉ hàm, tối ưu hoá, lượng tử hoá vectơ và phân hoạch không gian dữ liệu.