Folie 1

Zeichenerkennung ALGORITHMISCHE GEOMETRIE LEONID ZAVODNIK, 2014

Folie 2

Gliederung Was ist die Zeichenerkennung Anwendungen Schwierigkeiten Techniken der Erkennung Alternativen LEONID ZAVODNIK, 2014

Folie 3

Was ist Zeichenerkennung LEONID ZAVODNIK, 2014

Folie 4

Was ist Zeichenerkennung Klassifizierung des Eingangssymbols gem einer vorbestimmten Klasse LEONID ZAVODNIK, 2014

Folie 5

Anwendungen Digitalisierung von Bchern und Dokumenten Automatische berprfung von Klausuren Erkennung von Autokennzeichen Verkehrszeichenerkennung Chipkartenverarbeitungssystemen Adressen und Postleitzahl Erkennung LEONID ZAVODNIK, 2014

Folie 6

Schwierigkeiten hnliche Symbolen knnen in Gre, Form und Stil variieren Verschiedene Verzerrungen Keine klaren und strengen Zeichenbildungsregeln LEONID ZAVODNIK, 2014

Folie 7

Techniken LEONID ZAVODNIK, 2014 Online Direction Based, k-NN Classifier Offline ClusteringK-means, Hierarchical, SOM, EM Feature ExtractionProjection, Zoning, Border Transition, Graph Matching Pattern MatchingDirectional Artificial Neural NetworkBPNN, RBFNN, Parallel BPNN

Folie 8

Online-Methoden LEONID ZAVODNIK, 2014

Folie 9

Direction Based Algorithm Zeichen durch einen regulren Ausdruck modellieren Bewegungsrichtungen beschreiben 3 LEONID ZAVODNIK, 2014

Folie 10

Direction Based Algorithm LEONID ZAVODNIK, 2014

Folie 11

K-NN Classifier and DTW-Based Dissimilarity Measure Unhnlichkeit bewerten Alle Striche vergleichen Abstaende messen nchste-Nachbarn Regel benutzen Beste Probe auswhlen LEONID ZAVODNIK, 2014

Folie 12

Offline-Erkennung LEONID ZAVODNIK, 2014

Folie 13

Clustering Trennung der Daten in Gruppen Homogenitt innerhalb der Cluster Daten sind sehr hnlich in demselben Cluster Heterogenitt zwischen den Cluster Daten von unterschiedlichen Clustern haben maximale Unterschiede LEONID ZAVODNIK, 2014

Folie 14

K-Means-Algorithm Am hufigsten verwendeten Techniken zur Gruppierung von Objekten Optimiert die quadratischen Abweichungen von einem Mittelwert Nur mit numerischen Attributen verwendet werden LEONID ZAVODNIK, 2014

Folie 15

K-Means-Algorithm Clusterzentren werden zufllig gewhlt LEONID ZAVODNIK, 2014

Folie 16

K-Means-Algorithm Alle andere Punkte werden jeweils dem Cluster mit dem nchsten Clusterzentrum zugeordnet LEONID ZAVODNIK, 2014

Folie 17

K-Means-Algorithm Die Zentren der Cluster werden neu berechnet LEONID ZAVODNIK, 2014

Folie 18

K-Means-Algorithm Wiederholen alle Schritte LEONID ZAVODNIK, 2014

Folie 19

K-Means-Algorithm LEONID ZAVODNIK, 2014

Folie 20

Hierarchische Algorithmen Divisiven Agglomerativen LEONID ZAVODNIK, 2014

Folie 21

Hierarchische Algorithmen Vorteile Flexibilitt durch Verwendung komplexer Distanzmae Keine eigenen Parameter Ergebnis als Cluster- Hierarchie LEONID ZAVODNIK, 2014

Folie 22

Hierarchische Algorithmen Eingabe Ergebnis LEONID ZAVODNIK, 2014

Folie 23

Self Organizing Map (SOM) Algorithm Flexibel, stark und parallelisierbar Bilderkennung, Signalverarbeitung, Visualisierung Struktur 2 Schichten: Input und Mapping, vollstndig verbunden Jeder Mapping knoten initialisiert mit zuflligen Zahlen Lernen Der Unterschied zwischen Input-knoten und Mapping-knoten wird in einem Adaptionsschritt verringert Alle benachbarten Knoten proportional adaptiert LEONID ZAVODNIK, 2014

Folie 24

Self Organizing Map (SOM) Algorithm Ergebnis: rumliche Anordnung der Eingangsdaten, bei den hnlichen Regionen gruppiert LEONID ZAVODNIK, 2014

Folie 25

Expectation Maximization Algorithm 2 Schritte Expectation-Schritt die Punkte werden besser zugeordnet Maximization-Schritt das Modell wird so verndert, dass es besser zu den Daten passt LEONID ZAVODNIK, 2014

Folie 26

Expectation Maximization Algorithm LEONID ZAVODNIK, 2014

Folie 27

Feature Extraction Extraktion der wichtige Merkmale Seitenverhltnis Prozentuale Anzahl der Pixel Anzahl der Striche Durchschnittliche Entfernung von der Mitte Symmetrie bezglich der Koordinatenachsen Mehr Kontrolle ber die Merkmale Entwicklungzeit wchst LEONID ZAVODNIK, 2014

Folie 28

Projection Method Schwarzen Pixel auf Achsen projizieren Feature: die Anzahl der Pixel g LEONID ZAVODNIK, 2014

Folie 29

Zoning Symbol in kleine Fragmente teilen Feature: Anzahl (Durschnitt) der Pixel in jedem Fragment LEONID ZAVODNIK, 2014 g

Folie 30

Border Transition Technique (BTT) Symbol in vier Quadranten teilen Feature: Anzahl der zero to one transitions in jedem Quadrant LEONID ZAVODNIK, 2014

Folie 31

Graph Matching Method End point verbindet nur ein Pixel Curve point verbindet zwei Pixel Branch point verbindet drei oder mehr Pixel LEONID ZAVODNIK, 2014 3

Folie 32

Pattern Matching Zeichen durch die Analyse von Form und der Vergleich der Merkmale identifiziert Photometric pattern matching Arbeitet mit Bild als eine Matrix von Intensittswerten oder Funktionen Geometric pattern matching Arbeitet mit der Geometrie des Objekts LEONID ZAVODNIK, 2014

Folie 33

Pattern Matching Hohe Bearbeitungsgeschwindigkeit Unwirksam, wenn es Verzerrungen der Schrift, Schiefe, Streckungen, unntige Verbindungen oder zerrissene Striche gibt Vorgehensweise Symbol auf eine normierte Gre bringen In Blcke gruppiert (z.B. 8x8), um die Anzahl der Merkmale zu reduzieren Die Kanten mit Lowpassfiltering und Downsampling gltten Die Merkmale vergleichen LEONID ZAVODNIK, 2014

Folie 34

Patternerkennung A 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 1 1 0 1 0 0 0 0 0 0 0 0 0 0 1 1 0 0 1 1 0 0 0 0 0 0 0 0 1 1 0 0 0 0 1 1 0 0 0 0 0 0 0 1 1 0 0 0 0 1 0 1 0 0 0 0 0 1 0 0 1 1 1 1 0 0 1 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 0 0 0 1 1 0 0 0 0 0 0 0 0 1 1 0 0 0 1 1 0 0 0 0 0 0 0 0 0 1 1 0 1 1 0 0 0 0 0 0 0 0 0 0 1 1 0 1 1 0 0 0 0 0 0 0 0 0 0 0 1 1 LEONID ZAVODNIK, 2014

Folie 35

Patternerkennung Mitte der Matrix finden Radius berechnen Durch die Anzahl der Spuren teilen Sektoren bestimmen Trek-Sector Matrix generieren Anzahl von 1 auf jedem Schnittpunkt des Sektors und der Spur zhlen Die resultierende Matrix mit Vorlagen aus der Datenbank vergleichen LEONID ZAVODNIK, 2014 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 1 1 0 1 0 0 0 0 0 0 0 0 0 0 1 1 0 0 1 1 0 0 0 0 0 0 0 0 1 1 0 0 0 0 1 1 0 0 0 0 0 0 0 1 1 0 0 0 0 1 0 1 0 0 0 0 0 1 0 0 1 1 1 1 0 0 1 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 0 0 0 1 1 0 0 0 0 0 0 0 0 1 1 0 0 0 1 1 0 0 0 0 0 0 0 0 0 1 1 0 1 1 0 0 0 0 0 0 0 0 0 0 1 1 0 1 1 0 0 0 0 0 0 0 0 0 0 0 1 1

Folie 36

Artificial Neural Network Lernfhig, flexibel Niedrige Reaktionszeit Hohe Geschwindigkeit Fr Echtzeitsysteme gut geeignet Verbindungen mit Gewichte Zusammenhnge zwischen Eingngen und Ausgngen Korrekte Ergebnis bei unvollstndigen (verzerrten) Daten LEONID ZAVODNIK, 2014

Folie 37

Alternative OCR Ungenauigkeit >30% reCAPTCHA fr Digitalisierung der Bcher 1 000 000 Wrter pro Tag 2 500 000 Bcher pro Jahr 2009 - Google gekauft Fr Googlemaps benutzt http://www.ted.com/talks/luis_von_ahn_ma ssive_scale_online_collaboration LEONID ZAVODNIK, 2014

Folie 38

Quellen Suruchi G. Dedgaonkar, Anjali A. Chandavale, Ashok M. Sapkal: Survey of Methods for Character Recognition, S. 180-189, ISSN: 2277-3754 http://ijeit.com/vol 1/Issue 5/IJEIT1412201205_36.pdf (17.06.2014)http://ijeit.com/vol 1/Issue 5/IJEIT1412201205_36.pdf Faisal Mohammad, Jyoti Anarase, Milan Shingote, Pratik Ghanwat: Optical Character Recognition Implementation Using Pattern Matching, S. 2089, ISSN: 0975-9646 http://www.ijcsit.com/docs/Volume 5/vol5issue02/ijcsit20140502254.pdf (17.06.2014)http://www.ijcsit.com/docs/Volume 5/vol5issue02/ijcsit20140502254.pdf http://de.wikipedia.org/wiki/K-Means-Algorithmus (17.06.2014)http://de.wikipedia.org/wiki/K-Means-Algorithmus http://de.wikipedia.org/wiki/EM-Algorithmus (17.06.2014)http://de.wikipedia.org/wiki/EM-Algorithmus http://de.wikipedia.org/wiki/Selbstorganisierende_Karte (17.06.2014)http://de.wikipedia.org/wiki/Selbstorganisierende_Karte LEONID ZAVODNIK, 2014