Nhận dạng chữ viết tay tiếng việt offline

i H c Qu c Gia Tp H Chí Minh TR NG I H C BÁCH KHOA - NGUY NH N D NG CH VI T TAY TI NG VI T OFFLINE Chuyên ngành: Khoa h c máy tính Mã s : 604801 LU TP H CHÍ MINH, Tháng C HỒN THÀNH T I I H C BÁCH KHOA Cán b HCM ng d n khoa h c : TS Lê Thành Sách Cán b ch m nh n xét : TS Hu nh Trung Hi u Cán b ch m nh n xét : TS Ngô Qu c Vi t Lu cb ov t ih c 24 tháng Thành ph n H m: TS Tr n V TS Nguy n Thanh Bình TS Hu nh Trung Hi u TS Ngô Qu c Vi t TS Lê Thành Sách Xác nh n c a Ch t ch H sau lu CH T CH H ng Khoa qu n lý chuyên ngành c s a ch a (n u có) NG NG KHOA KH & KT MÁY TÍNH I H C QU C GIA TP.HCM C NG HÒA XÃ H I CH T NAM c l p - T - H nh phúc I H C BÁCH KHOA Tp HCM, ngày 21 tháng NHI M V LU MSHV: 10070503 I Chí Minh TÀI: NH N D NG CH VI T TAY TI NG VI T OFFLINE II NHI M V VÀ N I DUNG: Lu n d ng ch vi t tay Ti ng Vi t offline T k t qu tài hi n th c mơ hình nh n d ng xu ng nghiên c u phát tri III NGÀY GIAO NHI M V : 21/01/2013 IV NGÀY HOÀN THÀNH NHI M V : 21/06/2013 V CÁN B NG D N: TS Lê Thành Sách Tp HCM, CÁN B NG D N CH NHI M B (H tên ch ký) (H tên ch ký) NG KHOA KH & KT MÁY TÍNH (H tên ch ký) O L L u tiên mu n g , h tr t om ng d n tơi t n tình trình nghiên c u ki tài Th y ln tài Ngồi xin g i l n b n bè, nh vi c thu th p chia s tr tài Và cu i cùng, xin g i l i cám ng h ng viên q trình th c hi L n n a, tơi xin g i l thành lu n TS Lê Thành Sách Th tài nt tc m t nghi p TP i TÓM T T Character Recogniziton (CR) ch c ti p t c nghiên c u ph bi n b i tính ng d ng c a s ph c t p t ng ngôn ng c thù v ch vi t Ti ng Vi t khó phân lo i có q nhi u nhóm ký t gi ng vi c nh n d ng ch vi t tay Ti ng Vi t h n ch nên lu Vi t offline Lu c n nh n d ng ch vi t tay Ti ng xu t mơ hình nh n d ng ch vi t tay Ti ng Vi t offline r i r c cho vi c nh n d ng t ng ch riêng l phân lo y u t p trung vào hai áp d Gradient Feature, Structural Feature, Concavity Feature, Projection Feature, Projection Histogram Feature, Zone Feature, Contour Profiles Feature[2,7,8] M nh u qu Vi vi t tay Ti ng c tác gi u qu Cịn q trình phân lo i s d ng ph - xác c a h th ng nh n d ng K t qu t h pk th o t l nh n d Ngoài ra, xây d ng SVM d a vào tính liên thông c t qu c c i thi n thay xây d ng m c c a lu i cao ký t Ti ng Vi t n cho t t c ký t Ti ng Vi t ii ABSTRACT Character Recogniziton (CR) is the popular field which has researched The result in the the field has applied for the reality and has the challenge for the another language As we know, the feature of the handwritten Vietnamese, which is the same, is difficult to recognize Besides, the recognization of the handwritten Vietnamese is still the limit of the research Therefore, the thesis will propose the model which recognize the characters of the handwritten VietNam offline It focuses the two processes: the feature extraction and the classification, which are important to recognize exactly in the model The feature extraction will consider the seven methods, which are Gradient Feature, Structural Feature, Concavity Feature, Projection Feature, Projection Histogram Feature, Zone Feature, Contour Profiles Feature[2,7,8] In the feature extraction, the main goal find out the good methods for the model In the classification, the thesis will apply the SVM method and the K-fold cross-validation to discuss The result of the model performes the eight combinations of methods, which are the better methods in the feature extraction And the result also showes that the combination of SVMs is the better than the simple SVM The combination of SVMs, which is constructed by the connected region feature of Vietnamese characters, includes the three SVMs as the three types of the connected region iii L t c nh c uc dung k t qu c c s h tr c a n lu ng d n TS Lê Thành Sách Các n i c nêu lu u trung th c Ngoài ra, TP iv T NG QUAN V 1.1 tv TÀI 1.2 Gi i thi tài 1.2.1 tài 1.2.2 M c tiêu c tài 1.2.3 Gi i h n c tài 1.2.4 c th c ti n 1.2.5 c k t qu 1.3 K t c u c a lu c LÝ THUY T 2.1 Mơ hình h th ng CR[3] 2.2 2.4 2.3.1 Gradient Feature[2] 2.3.2 Structural Feature[2] 2.3.3 Concavity Feature[2] 2.3.4 Projection Feature[8] 10 2.3.5 Projection Histogram Feature[7] 10 2.3.6 Zone Feature[7] 11 2.3.7 Contour Profiles Feature[7] 11 -fold 12 v 2.4.1 Mơ hình C-Support Vector Classification (C-SVM)[1] 12 2.4.2 -fold[4] 13 15 CÁC K T QU NGHIÊN C U LIÊN QUAN 15 3.1 Nh n d ng ch vi t tay s 15 3.1.1 Mơ hình nh n d ng 15 3.1.2 K t qu nh n d ng nh n xét 16 3.2 Nh n d ng ch vi t tay Latin 16 3.2.1 Mơ hình nh n d ng 17 3.2.2 K t qu nh n d ng nh n xét 19 3.3 Nh n d ng ch vi t tay Ti ng Vi t 20 3.3.1 Mơ hình nh n d ng th nh t 20 3.3.2 K t qu nh n d ng nh n xét th nh t 20 3.3.3 Mơ hình nh n d ng th hai 22 3.3.4 K t qu nh n d ng nh n xét th hai 24 3.3.5 Mơ hình nh n d ng th ba 25 3.3.6 K t qu nh n d ng nh n xét th ba 26 28 NG TI P C N VÀ HI N TH C 28 4.1 Mơ hình nh n d ng hi n th c 28 4.1.1 Quá trình ti n x lý 28 4.1.2 29 4.1.3 Quá trình phân lo i 31 4.1.4 Tóm t ng hi n th c mơ hình 32 vi 4.2 Hai mơ hình hi n th c 33 35 K T QU TH C NGHI 35 5.1 T p d li u 35 5.2 K t qu th c nghi 35 5.2.1 35 5.2.2 Quá trình phân l p 38 41 T NG K T 41 6.1 K t lu n 41 6.1.1 6.1.2 6.2 K t qu c 41 m khuy ng phát tri m 41 41 vii NG TI P C N VÀ HI N TH C Hình 4.2 Mơ hình trình ti n x lý k t qu 4.1.2 c c Chúng áp d ng thông d c s d ng n d ng ch s ch vi t r i r c Gradient Feature, Structural Feature, Concavity Feature, Projection Feature, Projection Histogram Feature, Zone Feature Contour Profiles Feature Trong t t c pháp, chúng tơi u chu n hóa ký t n x lý v size 28x28 ng hi n th c c th cho t Gradient Feature: chia hình nh thành 4x4 ph n nh khác Trong nh ng ph n nh này, s th ng kê s ng c a m i ph cho m i vùng Vì th , s hình V ch t thu th c cho m i gán thu c tính v hay tùy vào trình hi n th c c th Structural Feature: chia hình nh thành 4x4 thành ph n M i thành ph n s th ng kê theo 12 lu t ng c Nên sau cùng, V n ch có tùy thu c vào q trình hi n th c c th 29 NG TI P C N VÀ HI N TH C Concavity Feature: chia hình nh thành 4x4 thành ph n M i thành ph n chúng tơi s cho m i hình nh Và v ch Projection Feature: chia hình nh thành 4x4 thành ph n M i thành ph n s tính tốn c t ng c cho hình nh Projection Histogram Feature: chi u lên tr c x y s c cho m i tr c) Khi chi u lên tr c chéo trái ph cho m i tr c chéo) Zone Feature: chia hình nh thành 7x7 vùng M i vùng s hi n Vì th , s c tr n nh t t v trí c nh trái, ph i, m i v trí c nh chúng tơi s s ng Chính th , t ng cho m i hình nh Trong nh n th y chúng thu c v nhóm trích : c ng kê (Projection Feature, Projection Histogram Feature Zone Feature) c (Gradient Feature, Structural Feature, Concavity Feature Contour Profiles Feature) thu t th ng kê toán h ng kê áp d ng k xây d ng nên thu c tính nh n d ng ký t Nhóm ng dùng vi c th L t c tính tốn Contour Profiles Feature: tìm v i ms mc v t c s d c n có kh u khơng cao Ngồi ra, v c hình d ng c a m i ký t Cịn v c ng hình h c c a ký t nd ng ki u ký t kh u d a vào hình d ng c a ký t ký t V c ch quan t nh n d nh n d ng ti p i bi n d ng ng c a n thông tin pixel biên mà b nh ng thông tin nh ng pixel ch a nh Rõ ràng, m y u khác Chính th nh n d ng tính tốn nhanh Tuy nhiên kh kháng l i bi n d ng khôi ph c d li ng kê s làm m m phân b m m nh ng hi n th c c a mu n k t h p 30 NG TI P C N VÀ HI N TH C i v i nh m m m ng l i hi u qu , s s d ng t h p k th pc a7 o nên 127 t h ki m tra 4.1.3 Quá trình phân lo i c n trình phân lo i, xem c v s ký t ch vi t Ti ng Vi t c n nh n d ng Hi n t i, theo th ng kê có b ký t ch Ti ng Vi t: ch ng ch hoa M i b s bao g m 89 ch tính ln c d li n có - Ch ng: + Ph âm (17 ch + Nguyên âm (12 ch âm cịn có thêm d u M i nguyên âm s có th g n thêm vào lo i d u: s c, huy n, h i, ngã, n ng Vì th chúng tơi có t ng c ng 72 ch - Ch hoa: + Ph âm (17 ch cái): + Nguyên âm (12 ch cái): ng s hình thành 72 ch Tuy nhiên, ch kh o sát v c u t o ch vi t cách vi t c a t ng ch Do t s ch có cách vi t gi ng Ví d : ch hoa C ch hoa O ch ng o, ch hoa U ch ng c, ch ng u Chính th s có 147 ch (thay 178 ch cái) c n phân bi t v cách vi t ký t Ti ng Vi t Trong q trình phân lo i, chúng tơi s th c hi n b th s s d ng SVM phân 147 l c máy SVM C ng v i 147 ch Ti ng Vi t V vi c hu n luy n ki m tra, s d ng - s tính trung bình t l l i c a vi c nh n d ng c a K mơ hình SVM Do m i SVM ph i phân 147 l p nên n u th hi n k t qu b ng mơ hình ma tr c a t ng ký t s tr thông tin c a trình nh n d ng c bi t thông tin phân l p , s t cho bi t ng v i t 31 NG TI P C N VÀ HI N TH C Các file text có c c g m ph n: ph n title cho bi t thông tin c ng t p d li c dùng thơng tin s ng nhóm hình thành t p hu n luy n t p ki m tra), ph n s in thông tin nh n d ng chi ti t c a K mơ hình SVM (t ng ch có s ki m tra) t l nh n d ng l i c a t ng mơ hình, ph n s in thông tin t ng k t t l nh n d ng l i trung bình c s có t ng c ng 127 file ng v M c tiêu c n th c hi n so sánh h p k t h p Vì th , chúng tơi s SVM giá tr a k t qu c a t ng ti u trúc c m3 ph n: ph n th hi n k t qu c a 127 t h p c a t ng SVM giá tr trung bình, ph n s p x p theo th t n t l nh n d ng l i trung bình, ph n ghi tên t h p c ch vi t Ti ng Vi t, chúng tơi có th chia thành nhóm ký t d a vào thành ph n liên thơng Qua q trình th ng kê k t qu b ng SVM 147 l p, chúng tơi th c có m t vài l i nh n d ng gi a nh ng ký t vùng liên thông nh n d ng thành ký t vùng liên thông, ký t vùng liên thơng nh n d ng thành ký t vùng liên thơng Vì th mu b phân lo i l nh n d ng có th th chia ki m tra theo hình 4.3 bao g m k t h p SVM: SVM1 (ký t vùng liên thông), SVM2 (ký t vùng liên thông), SVM3 (ký t vùng liên thông) PreClassify (d a vào vùng liên thông) vùng liên thông SVM1 vùng liên thông SVM2 vùng liên thông SVM3 Hình 4.3 Mơ hình k t h p SVM d a vào vùng liên thơng 4.1.4 Tóm t ng hi n th c mơ hình 32 NG TI P C N VÀ HI N TH C Quá trình ti n x lý s d l c nhi u ch vùng liên thông nh c a ký t m contour, lo i b nhi u c nh ô vuông s d ng Concavity Feature, Projection Feature, Projection Histogram Feature, Zone Feature Contour Profiles Feature Ngoài ra, t o 127 t h p k t h p c a c tr n hi u qu cho vi c nh n d ng ch vi t tay Ti ng Vi t r i r c Quá trình phân lo i xây d ng hai b phân lo SVM phân lo nh t, xây d ng ng 147 ký t Th hai, k t h p SVM phân lo i d a vào vùng liên thông c a ký t 4.2 Hai mơ hình hi n th c c p ph n trên, s hi n th c hai mơ hình nh n d ng c th Hai mơ hình hi n th c có c khác bi t n i Ký T u Vào Quá Trình Ti n X Lý Ký T L c Nhi u t h p) Quá Trình Phân Lo i (SVM 147 ký t ) Nh n D ng Ký T Hình 4.4 Mơ hình hi n th c 33 NG TI P C N VÀ HI N TH C pháp th ng kê t h p c a hình thành nên 127 cách k t h p khác M i cách k t h 147 ký t Vì th s ng ng chúng tơi s xây d ng m t b phân lo i SVM cho ng máy h c SVM s s d Ngồi ra, chúng tơi o K-fold v i thông s K = nên t ng s h c SVM hu n luy n 635 máy V i s ng l n máy h xây d ng h th ng lâu ch d ng máy nt l a t h p mang l i hi u qu cao nh t c th p kh o sát Cịn q trình nh n d ng chúng tơi xây d ng nhóm SVM khác (SVM1, SVM2 SVM3) d a vào vùng liên thông c a t ng ký t Ký T u Vào Quá Trình Ti n X Lý Ký T L c Nhi u Quá t h p t t nh t) Quá Trình Phân Lo i (SVM1 + SVM2 + SVM3 ) Nh n D ng Ký T Hình 4.5 Mơ hình hi n th c 34 T QU TH C NGHI M VÀ K T QU TH C NGHI 5.1 T p d li u có t ng c ng 147 ch Ti ng Vi t g m ch hoa, ch ng, khơng d u có d u Vì th chúng tơi s xây d ng b d li u 147 ch vi t tay Ti ng Vi t r i r c ch t ch cv i v i m i ch cái, s thu th p 30 m u c c t ng c ng 4410 m u ch vi t V in bi u m u ch bi u m u ch c tên c a ký i vi t khác ng, u hàng 10 c t Hình 5.1 c thu th p Hình 5.1 Bi u m u thu th p ký t 5.2 K t qu th c nghi Các k t qu th c nghi GHz, Ram 4Gb h c ti n hành kh o sát máy PC core dual 2.00 u hành ubuntu 11.10 t p d li u xây d ng Chúng s d K(xi,xj) = 5.2.1 fo , có C = ct Sau hu n luy n ki m tra d li u, di n cho n tính c 128 file text c a 127 file file t ng k t qu c trúc file t ng k t k t qu cho mô hình SVM 147 l c trình bày i C u b ng Còn b ng 35 T QU TH C NGHI M VÀ th hi n c u trúc file c th - Structural - Concavity Feature (GSC Feature) t qu t ng k k t qu c s p th t , chúng tơi th y có sau mang l i hi u qu cao cho h th ng nh n d ng B ng k t qu kh v i mơ hình SVM 147 l n k t h p t t nh T L Nh n D ng L i Cho Máy H c SVM (5-fold) Type T L Nh n D ng L i Trung Bình 10.20% 11.45% 10.54% 11.90% 11.68% 11.16% 10.09% 10.66% 10.39% 9.52% 12.02% 9.64% 126 5.78% 6.24% 5.33% 8.62% 7.26% 6.64% 127 6.92% 8.50% 7.37% 8.73% 8.16% 7.94% a/ Ph n T L Nh n D ng L i Cho Máy H c SVM (5-fold) Type T L Nh n D ng L i Trung Bình 120 2.72% 3.40% 2.83% 4.76% 4.20% 3.58% 88 3.40% 4.31% 2.72% 4.54% 3.85% 3.76% 80 3.63% 4.54% 2.72% 4.42% 3.51% 3.76% 112 3.06% 4.08% 3.17% 4.88% 3.97% 3.83% b/ Ph n Note: : ContourProfile Feature_5 : Zone Feature_5 126 : Gradient Feature_Structural Feature_Concavity Feature_Projection Feature_Projection Histogram Feature_Zone Feature_5 127 : Gradient Feature_Structural Feature_Concavity Feature_Projection Feature_Projection Histogram Feature_Zone Feature_ContourProfile Feature_5 c/ Ph n B ng 1: File t ng h p k t qu c 36 T QU TH C NGHI M VÀ Using Methods To Extract Feature: Gradient Feature + Structural Feature + Concavity Feature + Projection Feature And Devide Data In Group Index File Train: 10 12 13 14 15 16 17 19 20 21 23 24 26 27 28 29 30 Index File Test: 22 25 18 11 Sum of the testing image for a character: A : (A = 6) || B : (B = 6) || D : (D = 6) || E : (E = 6) || G : (G = 6) || H : (H = 6) || I : (I = 6) || K : (K = 6) || : ( = 5) || ( = 1:18) : ( = 5) || (Y = 1:5) : ( = 6) || : ( = 6) || : ( = 5) || ( = 1:5) : ( = 6) || : ( = 6) || System Error: 24/882(2.72%) Index File Train: 10 11 12 13 14 15 18 19 20 22 23 25 26 27 28 29 30 Index File Test: 21 16 24 17 Index File Train: 10 11 13 15 16 17 18 19 20 21 22 23 24 25 28 29 Index File Test: 26 30 27 12 14 Index File Train: 11 12 14 15 16 17 18 21 22 23 24 25 26 27 28 29 30 Index File Test: 20 19 10 13 Index File Train: 10 11 12 13 14 16 17 18 19 20 21 22 24 25 26 27 30 Index File Test: 23 15 29 28 - System Error List: 2.72% 3.40% 2.83% 4.76% 4.20% System Error Average: 3.58% B ng 2: T p tin k t qu c GSC Feature 37 T QU TH C NGHI M VÀ T L Nh n D ng L i Cho Máy H c SVM (5-fold) Lo i Gradient Feature T L Nh n D ng L i Trung Bình 5.44% 7.03% 6.01% 6.80% 5.67% 6.19% 6.92% 9.07% 7.48% 9.41% 8.16% 8.21% 9.18% 10.20% 8.62% 9.52% 8.84% 9.27% 7.71% 10.20% 8.73% 8.50% 9.52% 8.93% 9.98% 9.18% 8.62% 12.24% 10.20% 10.05% 10.09% 10.66% 9.52% 12.02% 9.64% 10.39% 10.20% 11.45% 10.54% 11.90% 11.68% 11.16% Gradient_Structural_Con 2.72% cavity_Projection Feature 3.40% 2.83% 4.76% 4.20% 3.58% Gradient_Concavity _Projection Feature 3.40% 4.31% 2.72% 4.54% 3.85% 3.76% Gradient_Concavity Feature 3.63% 4.54% 2.72% 4.42% 3.51% 3.76% Gradient_Structural_ Concavity Feature 3.06% 4.08% 3.17% 4.88% 3.97% 3.83% Gradient_Structural _Projection Feature 3.29% 3.85% 4.08% 5.44% 4.31% 4.20% Gradient_Projection Feature 3.97% 4.42% 4.31% 5.44% 4.54% 4.54% Structural_Concavity _Projection Feature 3.40% 4.99% 3.74% 4.88% 5.67% 4.54% Structural_Concavity Feature 3.74% 5.78% 4.20% 5.67% 5.44% 4.97% Structural Feature Concavity Feature Projection Feature Projection Histogram Feature Zone Feature Contour Profiles Feature B ng 3: K t qu kh o sát c 5.2.2 Quá trình phân l p Sau hu n luy n ki m tra d li u, c k t qu 128 file text c a hai mơ hình SVM: SVM 147 l p SVM k t h p d a vào vùng liên thông Ngồi ra, chúng tơi c i thơng s cho SVM c a k th p ph c v cho trình nh n d ng sau B ng mơ t k t qu trung bình nh n 38 T QU TH C NGHI M VÀ d ng kh o sát c a t t nh t hai mơ hình SVM Và b ng miêu t m t vài hình nh mà SVM 147 l p nhân d ng b l i SVM k t h p d a vào vùng liên thông nh n d ng xác b - Concavity - Projection Feature Lo i SVM1 SVM2 SVM3 SVM (147 l p) Gi m Gradient_Structural _Concavity_Projection 0.60/264 (0.23%) 16.60/378 (4.39%) 11.00/240 (4.58%) 31.60/882 (3.58%) -3.40/882 (-0.39%) Gradient_Concavity _Projection 0.60/264 (0.23%) 16.20/378 (4.29%) 12.40/240 (5.17%) 33.20/882 (3.76%) -4.00/882 (-0.45%) Gradient _Concavity 1.00/264 (0.38%) 14.40/378 (3.81%) 13.00/240 (5.42%) 33.20/882 (3.76%) -4.80/882 (-0.54%) Gradient_Structural _Concavity(GSC) 1.20/264 (0.45%) 16.20/378 (4.29%) 12.60/240 (5.25%) 33.80/882 (3.83%) -3.80/822 (-0.43%) Gradient_Structural _Projection 0.60/264 (0.23%) 20.00/378 (5.29%) 12.00/240 (5.00%) 37.00/882 (4.20%) -4.40/882 (-0.50%) Gradient _Projection 0.40/264 (0.15%) 19.60/378 (5.19%) 15.20/240 (6.33%) 40.00/882 (4.54%) -4.80/882 (-0.54%) Structural_Concavity _Projection 0.40/264 (0.15%) 17.60/378 (4.66%) 16.60/240 (6.92%) 40.00/882 (4.54%) -5.40/882 (-0.61%) Structural_Concavity 1.40/264 (0.53%) 18.60/378 (4.92%) 17.80/240 (7.42%) 43.80/882 (4.97%) -6.00/882 (-0.68%) B ng 4: Kh o sát t t nh t mơ hình SVM 39 T QU TH C NGHI M VÀ Hình nh SVM(147 l p) SVM k t h p(SVM1+2+3) Y Y É È B ng 5: Vài ký t nh n d ng sai SVM 147 l p k t h p b ng Structural - Concavity Projection Feature 40 NG K T T NG K T 6.1 K t lu n 6.1.1 K t qu c Trong lu c h th ng nh n d ng ch vi t tay Ti ng Vi t r i r c b ng nh húng th c8 th pháp SVM k t h p d a vào vùng liên thông mang l i hi u qu n d ng c a h th ng 6.1.2 m khuy m ng ti p c n hi u qu cho h th ng nh n d ng ch vi t tay Ti ng Vi t r i r c v t h p Ngồi ra, chúng tơi có th m r u ch vi t tay Ti ng Vi t sau Khuy m: trình thu th p d li u h n ch xây d ng h th ng nh n d ng t ng quát s 6.2 l n ng phát tri V i k t qu c, chúng tơi có th m r ng nghiên c u v cho trình phân tách ký t t p trung vào thêm chuy n toán nh n d ng ch vi t tay Ti ng Vi t thành toán nh n d ng ch vi t tay Ti ng Vi t r i r c Và tìm hi u thêm v q trình ch nh m m ms ng tính tốn th ng Ngồi ra, chúng tơi có th ti n hành nghiên c u v Vi x lý cho h m c a ch vi t Ti ng nh m c i thi n trình phân l p b ng cách k t h p nhi u b phân l p 41 TÀI LI U THAM KH O [1] C.-C Chang, C.-J Lin, , ACM Transactions on Intelligent Systems and Technology, 2:27:1 27:27, 2011 [2] Character Recognition wit Journal of Science, Mathematics - Physics 26, pp 123-139, 2010 [3] Nafiz Arica, Fatos YarmanIEEE Trans Systems, Man and Cybernetics, Part C: Applications and Reviews, vol.31, no.2, pp.216-232, 2001 [4] P Refaeilzadeh, L Tang, H Liu "Cross Validation", in Encyclopedia of Database Systems (EDBS), Editors: Ling Liu and M Tamer Özsu Springer, pp6 2009 [5] Ph n d ng ch vi t tay h n ch v khoa h i h c Hu , s 42, 2007 [6] Ph cT Haar k t h p v i SVM cho vi c nh n d ng ch vi t tay ti ng Vi T p chí T p chí Cơng ngh Thơng tin Truy n thông, k 3, s 20, 2008 [7] Ph ts toán nh n d ng ch vi t tay r i r u qu cho p chí khoa h i h c Hu , s 53, 2009 [8] Rajib Lochan Das, Binod Kuma Handwritten Writer Independent English Character Recognition using Global and no 10, 2012 a LÝ L CH TRÍCH NGANG H tên h c viên: Nguy Ngày, Chí Minh a ch liên l c: 343/10G, Tơ Hi n Thành, F12, Q10, Tp H Chí Minh O 2004-2009: Sinh viên khoa Khoa H c K Thu i h c Bách Khoa Tp HCM 2010-2013: H c viên cao h c khoa Khoa H c K Thu ih c Bách Khoa Tp HCM QUÁ TRÌNH CƠNG TÁC 2009-2010: Software Engineer, cơng ty c ph n tin h c L c Tiên b ... ký t gi ng vi c nh n d ng ch vi t tay Ti ng Vi t h n ch nên lu Vi t offline Lu c n nh n d ng ch vi t tay Ti ng xu t mơ hình nh n d ng ch vi t tay Ti ng Vi t offline r i r c cho vi c nh n d ng... ch vi t tay s , ch vi t tay Latin ch vi t tay Ti ng Vi t 3.1 Nh n d ng ch vi t tay s 3.1.1 Mơ hình nh n d ng Trong báo [7], tác gi c nm ts mang l i hi u qu cho trình nh n d ng ch vi t tay r i... ch vi t tay Ti ng Vi t offline r i r c T áp d ng h th ng vào ng d ng th c t c 1.2.5 c k t qu i s ng c Trong trình nghiên c u, chúng xây d n v h th ng nh n d ng ch vi t tay Ti ng Vi t offline