Reconnaissance de l'ecriture manuscrite par accumulation d'exemples et combinaison d'operateurs

Cursive script recognition using samples accumulation and experts combination

• Auteur / Autrice : Jean-Christophe Deledicq
• Direction : Jean-Gabriel Ganascia
• Type : Thèse de doctorat
• Discipline(s) : Sciences appliquées
• Date : Soutenance en 1994
• Etablissement(s) : Paris 6

Résumé

Le travail presente dans cette these s'inscrit dans un systeme complet de reconnaissance de l'ecriture manuscrite cursive. Nous avons applique nos recherches au cas particulier de la reconnaissance de cheques bancaires. Ce traitement global d'un texte manuscrit se decompose en plusieurs etapes qui sont: l'extraction du trace, la segmentation en phrases, en mots, en graphemes, suivi d'une reconnaissance de graphemes, puis de mots, enfin de phrases. Notre etude porte sur la reconnaissance de graphemes. Les particularites de notre solution concernent les points suivants. -l'obtention des formes caracteristiques se fait en recherchant sur l'image les traits dans les quatre directions horizontales, verticales, +45#-, -45#-, on en deduit les primitives qui, dans notre cas, sont au nombre de six: les boucles, les courbes, les segments, les segments ayant une extremite libre, les points singuliers et la notion d'ascendant/descendant. Une primitive est reperee par ses coordonnees dans l'image rapportee a un quadrillage 5x5 et par sa taille. -l'apprentissage se fait en accumulant les exemples dans une structure, ou tableau appele gabarit. On construit un gabarit par classe a reconnaitre et par primitive. -la reconnaissance par gabarits consiste a affecter a chacune des classes pour chacune des primitives, un score. La fonction de reconnaissance associee a une primitive est appelee operateur. -la combinaison des operateurs transforme les listes de reponses ordonnees suivant leur probabilites en une liste unique. -la recombinaison a pour but de rearranger, autrement dit de corriger, la liste de reponses precedente. Pour cela, un second apprentissage est effectue sur une autre base d'exemples dite base d'ajustement. Cet apprentissage donne une representation du comportement du systeme. La recombinaison se base sur la connaissance a priori apportee par la premiere reconnaissance pour effectuer une seconde reconnaissance cette fois de type guidee par les modeles dans laquelle les operateurs a prendre en compte sont choisis en fonction de cet a priori et donc differents dans chaque cas. Les resultats obtenus sont de 49% pour la premiere reponse, 67% pour les deux premieres et 88% pour les cinq premieres. Les comparaisons avec d'autres systemes sont difficiles, cependant sans proposer la methode la plus performante notre technique presente des resultats tres satisfaisants permettant une interpretation du comportement du systeme en manipulant des idees et des representations simples a mettre en uvre, peu encombrantes en memoire, et rapides a l'execution