NGHIÊN CỨU HIDDEN MARKOV MODEL VÀ ỨNG DỤNG TRONG NHẬN DẠNG CHỮ VIẾT TAY

MỤC LỤC TỔNG QUAN VỀ XỬ LÝ ẢNH SỐ VÀ NHẬN DẠNG QUYẾT ĐỊNH GIAO ĐỀ TÀI LUẬN VĂN (Bản sao) DANH MỤC CÁC TỪ VIẾT TẮT CSDL Cơ sở dữ liệu Codeword Mã cung ứng với vectơ hướng State Trạng thái Observation Sự quan sát HMM Hidden Markov Model CCD Charge Coupled Device MOS Metal - Oxid - Semiconductor HSV Hue - Saturation - Value CIE Commission Internationale d’Eclairage ORC Optical character Recognizer MLP MultiLayer Perception MMI Multimedia Interface BMW Bayerische Motoren Werke AG IBM International Business Machines LR Left-Right LRB Left-Right Banded RGB Red, Green, Blue 2D Two Dimension 3D Three Dimension DANH MỤC CÁC HÌNH Sớ hiệu Tên hình Trang hình 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 1.10 1.11 Các bước chính xử lý ảnh số Một tụ điện MOS Mặt nạ bộ lọc trung bình Các bước thuật toán lọc trung vị Phân đoạn ảnh dựa ngưỡng của lược đồ mức xám Sử dụng thuật toán Otsu tách ngưỡng Một số phương pháp tìm biên Bước sóng quang phổ người nhìn thấy được Không gian màu RGB Một số hình dáng của phần tử cấu trúc phẳng Phép giãn và co ảnh nhị phân sử dụng một phần tử cấu 12 12 14 16 17 19 20 1.12 1.13 2.1 2.2 2.3 2.4 trúc Quá trình thực hiện phép mở ảnh nhị phân Quá trình thực hiện phép đóng ảnh nhị phân Sơ đồ tổng quát của quá trình nhận dạng chữ viết tay Giai đoạn tiền xử lý Mẫu ảnh ký tự cho quá trình hậu xử lý Biểu đồ và đạo hàm dấu hiệu đặc trưng của ký tự O ở hình 21 22 24 25 31 31 2.5 2.3 Biểu đồ và đạo hàm dấu hiệu đặc trưng của ký tự Q ở hình 31 2.6 2.3 Giao diện phiên bản mới nhất của phần mềm nhận diện 34 3.1 chữ ký viết tay HDUSigVeri Chuỗi Markov trạng thái với lựa chọn chuyển đổi trạng 37 3.2 3.3 3.4 3.5 3.6 3.7 thái Mơ hình Markov dự báo thời tiết Các mơ hình Markov tung đồng xu Giải tốn Sơ đờ đường dẫn quay lui của các trạng thái cho HTTH Mẫu chữ in hoa Chữ viết nét 39 43 46 49 50 51 3.8 3.9 3.10 3.11 Chữ viết các nét không liền Chữ viết lệch nét Vectơ định hướng Hai điểm gần ký tự tạo thành đoạn thẳng lệch so 51 51 57 57 3.12 3.13 3.14 3.15 3.16 3.17 3.18 3.19 3.20 3.21 3.22 3.23 3.24 3.25 với phương ngang gốc θ Cấu trúc liên kết HMM với trạng thái Mẫu ký tự với các phân đoạn Phân đoạn đường thẳng cho cấu trúc liên kết HMM Quá trình nhận dạng một ký tự Lưu đồ giải thuật trích lọc đặc trưng Lưu đồ giải thuật huấn luyện mẫu chữ viết tay Lưu đồ giải thuật nhận dạng Sơ đồ chương trình thực nghiệm Giao diện chương trình nhận dạng chữ viết tay Kết quả của quá trình trích rút đặc trưng Chức nhập dữ liệu CSDL chương trình thực nghiệm Mô hình Markov ẩn Chức nhận dạng chữ viết tay 58 59 60 61 65 66 67 68 68 70 71 71 72 73 LỜI CAM ĐOAN Tôi cam đoan cơng trình nghiên cứu riêng tơi Các số liệu, kết nêu luận văn trung thực chưa công bố cơng trình khác Tác giả Ngũn Thị Hà Phương MỞ ĐẦU Tính cấp thiết đề tài Hiện nay, sống công việc việc sử dụng bảng biểu, bảng điểm, giấy tờ, cơng văn… viết tay cịn nhiều, bảng biểu gõ máy tồn chữ viết tay, ví dụ điểm bảng điểm, chữ ký, họ tên, ngày tháng năm… Vì việc nhập liệu tay tốn nhiều cơng sức thời gian, việc nhận dạng để đọc liệu tự động vào máy tính cần thiết Vấn đề nhân dạng chữ nhiều nhà khoa học nghiên cứu ứng dụng từ nhiều năm nay: o Nhận dạng chữ in: phục vụ cho cơng việc tự động hóa nhập tài liệu, tăng tốc độ hiệu nhập thông tin o Nhận dạng chữ viết tay: người viết tay có kiểu chữ, cách viết khác nhau, với mức độ ràng buộc khác nhằm phục vụ ứng dụng đọc chứng từ, hóa đơn, thảo viết tay… Đến thời điểm việc nhận dạng chữ in gần trọn vẹn (phần mềm FindReader 9.0 ABBYY nhận dạng chữ in theo 20 ngôn ngữ khác nhau) Tuy nhiên nhận dạng chữ viết tay vấn đề quan tâm nhà nghiên cứu, có số phương pháp nhận dạng chữ viết tay nhận dạng đối sánh mẫu, phương pháp nơron [2, 4], phương pháp tiếp cận cấu trúc [5], phương pháp Hidden Markov Model (HMM, mơ hình Markov ẩn) [8, 9, 10, 11, 13, 15]… Trong nhận dạng theo phương pháp HMM sử dụng nhiều nơi có kết khả quan Đó lý tơi chọn đề tài “Nghiên cứu Hidden Markov Model ứng dụng nhận dạng chữ viết tay” 2 Mục tiêu nghiên cứu Nghiên cứu Hidden Markov Model ứng dụng nhận dạng chữ viết tay Đối tượng phạm vi nghiên cứu o Đối tượng: - Mơ hình HMM - Chữ viết tay - Các kỹ thuật nhận dạng chữ viết tay o Phạm vi nghiên cứu: - Nghiên cứu mô hình HMM - Ứng dụng mơ hình HMM nhận dạng chữ viết tay số mẫu chữ Phương pháp nghiên cứu o Nghiên cứu lý thuyết: - Tham khảo tài liệu mạng số phương pháp xử lý chữ viết tay (chủ yếu HMM) - Tìm hiểu lập trình Matlab - Nghiên cứu tốn nhận dạng chữ viết tay - Tìm hiểu kỹ thuật nhận dạng chữ viết tay o Nghiên cứu thực nghiệm: - Dựa sở lý thuyết xử lý ảnh, mơ hình HMM hướng dẫn giáo viên để thực việc phân tích cài đặt thực nghiệm nhận dạng chữ viết tay - So sánh đánh giá kết đạt Bố cục đề tài - Tổng quan xử lý ảnh số nhận dạng - Các phương pháp xử lý nhận dạng chữ viết tay - Cài đặt thực nghiệm nhận dạng chữ viết tay Hidden Markov Model Tổng quan tài liệu nghiên cứu Tìm hiểu: - Tài liệu mơ hình Markov ẩn - Tài liệu liên quan đến xử lý ảnh - Các báo ứng dụng mơ hình Markov ẩn - Tài liệu chữ viết tay nhận dạng chữ viết tay Ngồi báo (tiếng Anh), tạp chí, giáo trình giảng, luận văn cịn sử dụng tài liệu trang web CHƯƠNG TỔNG QUAN VỀ XỬ LÝ ẢNH SỐ VÀ NHẬN DẠNG 1.1 GIỚI THIỆU CHUNG VỀ XỬ LÝ ẢNH SỐ VÀ ỨNG DỤNG Xử lý ảnh lĩnh vực quan trọng mang tính khoa học Nó áp dụng vào nhiều lĩnh vực khác nhau, làm kích thích trung tâm nghiên cứu, ứng dụng, đặc biệt áp dụng công ty nghiên cứu máy tính chun dụng riêng cho Một ảnh xác định hàm không gian hai chiều f(x,y), (x,y) vị trí khơng gian gọi điểm ảnh (pixel) độ lớn f(x, y) gọi độ sáng (intensity) mức xám (gray level) ảnh điểm Xử lý ảnh môn học liên quan đến nhiều lĩnh vực cần nhiều kiến thức tổng hợp khác Thứ phải nói đến xử lý tín hiệu số mơn học cho xử lý tín hiệu chung, khái niệm tích chập, biến đổi Fourier, biến đổi Laplace, lọc hữu hạn… Thứ hai, cơng cụ tốn đại số tuyến tính, xác suất, thống kê… Một số kiến thức cần thiết mơn trí tuệ nhân tạo, mạng nơron nhân tạo đề cập q trình phân tích nhận dạng ảnh Các phương pháp xử lý ảnh tập trung vào hai cơng việc chính: cải thiện ảnh phục vụ cho người xử lý ảnh để lưu trữ, truyền biểu diễn ảnh phục vụ nhận thức cho máy tự động Ứng dụng biết đến lĩnh vực xử lý ảnh nâng cao chất lượng ảnh báo qua cáp từ London sang New York năm 1920 Vấn đề nâng cao chất lượng ảnh phát triển vào năm 1955, sau chiến thứ hai máy tính phát triển nhanh tạo điều kiện cho trình xử lý ảnh số thuận lợi Năm 1964, máy tính có khả xử lý nâng cao chất lượng ảnh từ mặt trăng vệ tinh Ranger Mỹ bao gồm: làm đường biên, lưu ảnh Những năm 1970, xử lý ảnh bắt đầu ứng dụng lĩnh vực y tế Từ năm 1980 tới nay, phương tiện xử lý, nâng cao chất lượng, nhận dạng ảnh phát triển không ngừng Các phương pháp tri thức nhân tạo mạng nơron nhân tạo, thuật tốn xử lý đại cải tiến, cơng cụ nén ảnh ngày áp dụng rộng rãi thu nhiều kết khả quan 1.2 TỔNG QUAN VỀ XỬ LÝ ẢNH SỐ Các bước xử lý ảnh số thể hình 1.1 Hình 1.1 Các bước xử lý ảnh số Xử lý mức trung bình Phân đoạn ảnh (Image Segmentation) Biểu diễn mô tả (Representation and description) Tiền xử lý ảnh (Image PreProcessing) Miền vấn đề (Problem domain) Thu nhận ảnh Cơ sở liệu (Data based) Nhận dạng nội suy ảnh (Recognition and interpretation) Kết luận (Result) (Image Acquisition) Xử lý mức cao Xử lý mức thấp 1.2.1 Thu nhận ảnh Đây giai đoạn đầu quan trọng tồn q trình xử lý ảnh Ảnh nhận ảnh đầu vào để đưa vào xử lý tiếp giai đoạn sau, trường hợp ảnh đầu vào có chất lượng kém, hiệu bước xử lý bị giảm Ảnh nhận qua camera màu hoặc đen trắng Thường ảnh nhận qua camera ảnh tương tự (loại camera ống chuẩn CCIR với tần số 1/25, ảnh 25 dịng), có loại camera số hóa (như loại CCD – Change Coupled Device) loại photodiot tạo cường độ sáng điểm ảnh Camera thường dùng loại qt dịng, ảnh tạo có dạng hai 66 Ảnh ký tự cần nhận dạng Tiền xử lý Trích lọc đặc trưng HMM Hết max lưu vết q(t) Tính xác suất xuất ký hiệu cuối ký tự cần nhận dạng Kết nhận dạng ‘A’ ’Z’ Cịn Hình 3.18 Lưu đồ giải thuật nhận dạng 3.7 CÀI ĐẶT THỰC NGHIỆM Sau nghiên cứu mơ hình HMM nhận dạng chữ viết tay thơng qua video cử tay (hay gọi ảnh động), phân tích chữ viết tay áp dụng mơ hình HMM nhận dạng chữ viết tay từ ảnh ký tự, tiến hành cài đặt thực nghiệm chương trình nhận dạng chữ viết tay HMM 3.7.1 Sơ đồ chương trình thực nghiệm Qua trình nghiên cứu chúng tơi tìm hiểu số mẫu biểu diễn trạng thái mơ hình Markov, mơ hình Markov, trình xử lý nhận dạng xây dựng sơ đồ chương trình thực nghiệm hình 3.19 67 Chữ viết tay cần nhận dạng Dữ liệu chữ viết tay Tiền xử lý Tiền xử lý Trích rút đặc trưng Trích rút đặc trưng Huấn luyện hệ thống Nhập liệu Huấn luyện Hệ thống huấn luyện Nhận dạng Kết nhận dạng Hình 3.19 Sơ đồ chương trình thực nghiệm Hình 3.20 Giao diện chương trình nhận dạng chữ viết tay 68 Hình 3.20 giao diện chương trình nhận dạng với đầy đủ chức Trong chương trình phần Trích lọc đặc trưng tách riêng, trình Nhận dạng Máy học cần phải có bước trích lọc đặc trưng để lấy đặc trưng chữ viết tay Bên cạnh chương trình cịn có thêm chức nhập liệu Ở đây, liệu lưu trữ (lưu vào CSDL) chuỗi codeword mẫu ký tự chức máy học (xây dựng HMM ký tự) thực trước chức nhận dạng Trong chương trình, chúng tơi khơng thực lưu HMM vào CSDL lưu thì: - Lưu trữ đọc liệu khó khăn nhiều (vì liệu lưu trữ hai ma trận, ma trận hai chiều ma trận ba chiều) - Nếu bổ sung thêm mẫu ký tự phải thực lưu trữ (xóa cũ, ghi mới) tính tốn HMM lại từ đầu 3.7.2 Các vấn đề thiết kế a Trích rút đặc trưng Trước vào trình huấn luyện hay nhận dạng, phải thực trích rút đặc trưng, nhiên với chữ viết từ video việc xác định đặc trưng chữ viết (dựa vào chuyển động quỹ đạo cử tay theo thời gian) dễ dàng việc xác định đặc trưng chữ viết từ ảnh ký tự, cụ thể xác định nét chữ từ ảnh ký tự theo bước tuần tự: o Xác định điểm ký tự dựa vào vectơ hướng: vectơ cách 20o o Tìm điểm xuất phát ký tự: dựa vào đặc điểm ký tự đó, chia bảng chữ thành nhóm: • Nhóm 1: A, B, D, H, M, N, O, P, Q, R, X, Y Nhóm có điểm bên trái 69 • Nhóm 2: C, E, F, G, I, J, K, L, S, T Nhóm điểm xuất phát phía bên phải • Nhóm 3: U, V, W, Z Nhóm điểm xuất phất phía bên trái o Tìm điểm lân cận tiếp theo: điểm lân cận điểm có khoảng cách so với điểm vừa xét gần có góc so với góc trước lệch khơng q 35o Kết quả của quá trình trích rút đặc trưng được thể hiện ở hình 3.21 Hình 3.21 Kết q trình trích rút đặc trưng b Huấn luyện hệ thống Chúng ta xây dựng mơ hình HMM cho ký tự Như có tất 26 mơ hình HMM từ HMM ‘A’, HMM ‘B’ … HMM ‘Z’ Trong luận văn chúng tơi xây dựng thực nghiệm với ba mơ hình ký tự ‘A’, ‘C’, ‘L’ Để huấn luyện hệ thống ta thực hiện: o Nhập liệu: bước thực cơng việc lưu kết q trình trích rút đặc trưng vào CSDL Kết trình trích rút đặc trưng chuỗi codeword sau chuyển từ chuỗi gốc θ 70 Trích lọc đặc trưng Ký tự cần nhập Huấn luyện Hình 3.22 Chức nhập liệu Hình 3.23 CSDL chương trình thực nghiệm o Máy học: Quá trình xây dựng mơ hình HMM mà cụ thể xác định λ A , λB , λZ λ = (π , A, B ) Kết trình máy học mơ hình HMM ký tự thể hình 3.24 71 a11 S1 a22 a12 B1(O1) B1(O2)… S2 B2(O1) B2(O2)… a33 a23 a34 S3 B3(O1) a44=1 B3(O2)… S4 B4(O1) B4(O2)… Hình 3.24 Mơ hình Markov ẩn c Nhận dạng chữ viết tay Các bước trình nhận dạng: o Ảnh vào  sau thực bước tiền xử lý o Trích rút đặc trưng o Nhận dạng ký tự: sau trích rút đặc trưng ta thựcS1hiện trình nhận dạng, kiểm tra xác suất xuất codeword tương ứng với S vị trí, trạng thái HMM Kết δ j (T ) cuối ta đem so sánh S2 mơ hình HMM với nhau, kết nhận dạng ký tự có giá trị δ j (T ) lớn S1 72 Trích lọc đặc trưng Kết nhận dạng Hình 3.25 Chức nhận dạng chữ viết tay 3.7.3 Kết quả trình thực nghiệm Để kết thực nghiệm xác hiệu quả, chúng tơi tiến hành bước: o Tìm hiểu người viết: Mỗi người có kiểu chữ khác chữ viết có nhiều cách viết khác Bên cạnh đó, việc thu thập mẫu chữ từ người làm việc hay hoạt động số lĩnh vực khác giáo viên, cơng nhân, học sinh, kế tốn giúp cho trình thu thập mẫu chữ đa dạng phong phú o Thu thập mẫu chữ để huấn luyện: Tiến hành thu thập kiểu chữ 30 người đối tượng văn phịng, cơng nhân (hoặc nông dân), giáo viên học sinh Mỗi người viết mẫu chữ/một chữ thực 26 chữ Như chữ có 100 mẫu chữ viết 73 o Thu thập mẫu chữ nhận dạng: Thu thập 10 người (không trùng người lấy mẫu để huấn luyện), người viết mẫu chữ/một chữ Như có 30 mẫu chữ/một chữ sử dụng để nhận dạng Trong trình lấy mẫu ba chữ ‘A’, ‘C’ ‘L’ để thực nghiệm việc ứng dụng HMM nhận dạng chữ viết tay o Tiến hành thực nghiệm cho kết bảng “Bảng kết trình nhận dạng” Bảng kết quả của quá trình nhận dạng TT Ký tự Mẫu học Mẫu Kết nhận dạng Hiệu suất nhận dạng A 110 30 29 96,7% C 157 30 30 100% L 120 30 29 96,7% o Đánh giá kết quả: • Theo tài liệu [9] thì trung bình nhận dạng chữ viết tay bằng mô hình Markov ẩn đạt 98,62% với số mẫu nhận dạng lên đến hàng nghìn mẫu Tuy nhiên luận văn này, chúng chỉ sử dụng một số lượng nhỏ các mẫu để nhận dạng- 30 mẫu - đó bình quân hiệu suất nhận dạng đạt 96,73% Như vậy, liệu huấn luyện nhiều đồng độ xác nhận dạng cao Vì vậy, cần lấy lượng lớn mẫu tương ứng với ký tự khác đưa vào huấn luyện, hệ thống ổn định kết nhận dạng xác • Các mẫu nhận dạng sai chủ yếu từ nguyên nhân: 74 - Chữ viết cẩu thả dẫn đến q trình trích lọc đặc trưng khơng xác cho kết nhận dạng sai - Một số mẫu có đặc trưng giống nên nhận dạng nhầm sang ký tự khác Kết thí nghiệm cho thấy, kết nhận dạng tốt Khi CSDL tăng lên (tăng số lượng mẫu huấn luyện tăng mẫu nhận dạng) thời gian xử lý tốc độ tính tốn hệ thống khơng bị ảnh hưởng lớn Vì vậy, cần thử nghiệm nghiên cứu sâu để lựa chọn thêm nhiều mẫu ký tự phục vụ trình học nhận dạng chữ viết tay đảm bảo tính tồn vẹn thời gian xử lý chấp nhận 75 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN Trong luận văn trình bày tổng quát kiến thức tảng lĩnh vực xử lý ảnh ứng dụng ngành công nghệ nhận dạng (chủ yếu nhận dạng chữ viết tay) Đây lĩnh vực trình phát triển giới Luận văn nghiên cứu đặc trưng ảnh, thuật toán nhận dạng… lựa chọn kỹ lưỡng Trong thuật tốn nhận dạng mơ hình Markov ẩn lựa chọn phương pháp nhận dạng chữ viết tay luận văn tính xác tốc độ nhận dạng cao Từ mơ hình Markov ẩn ứng dụng nhiều nhận dạng ký hiệu ngơn ngữ, tiếng nói, cử tay (là nhận dạng hình ảnh động, âm thanh)… chúng tơi nghiên cứu thành cơng mơ hình Markov ẩn, sở tốn học biết cách vận dụng nhận dạng chữ viết tay ảnh ký tự (ảnh tĩnh), xây dựng chương trình thực nghiệm nhận dạng chữ viết tay với hiệu suất nhận dạng cao Kết thử nghiệm nhận dạng mô hình Markov ẩn xây dựng từ tập CSDL chữ viết tay, tập CSDL thu thập mẫu chữ từ nhiều người với kiểu chữ khác Ngoài ra, nghiên cứu phương pháp để nâng cao chất lượng ảnh cách lọc khử nhiễu, chương trình nhận dạng ảnh bị mờ bị lệch tọa độ (trong trình scan) Bên cạnh kết đạt được, đề tài số hạn chế tương lai khắc phục hạn chế cụ thể: luận văn tập trung vào nghiên cứu mơ hình Markov ẩn xây dựng chương trình thực nghiệm nên chúng tơi xây dựng nhận dạng ba ký tư ‘A’, ‘C’, ‘L’ Do để hồn thiện hơn, cần phải xây dựng thêm mơ hình Markov ẩn ký tự lại bảng chữ cần tạo thêm nhiều mẫu chữ 76 để thực huấn luyện nhằm tăng đợ chính xác của q trình nhận dạng Nếu có điều kiện, tơi tiếp tục nghiên cứu hệ thống thành dây chuyền tự động ứng dụng vào toán thực tế cho nhận dạng tìm hiểu nghiên cứu để thực hiện thêm một số chức tách chữ, nhận dạng đoạn văn viết tay 77 TÀI LIỆU THAM KHẢO Tiếng Việt [1] Huỳnh Hữu Hưng, Xử lý ảnh số, Khoa CNTT, Trường ĐHBK Đà Nẵng [2] Huỳnh Hữu Hưng, Nguyễn Trọng Nguyên tác giả (2012), Nhận dạng ngôn ngữ ký hiệu tiếng Việt sử dụng mạng Neuron nhân tạo, Hội nghị khoa học ĐH Đà Nẵng lần V No tr 105-111 [3] Hoàng Kiêm, Nguyễn Ngọc Kỷ tác giả (1992), Nhận dạng: Các phương pháp ứng dụng, Nhà xuất thống kê, Hà Nội [4] Lê Tiến Mười (2009), Mạng Neural RBF ứng dụng nhận dạng chữ viết tay, Hà Nội [5] Ngô Quốc Tạo, Nghiên cứu phương pháp nhận dạng chữ viết tay trực tuyến theo phương pháp nhận dạng cấu trúc Tiếng Anh [6] Da-Wen Sun (2008), Computer vision technology for Food Quality Evalution, Elsevier [7] Lawrence Rabiner, Biing-Hwang Juang, Fundamental of speech recognition, Prentice-Hall International, Inc [8] Mahmoud Elmzain, Ayoub Al-Hamadi, tác giả (2008), A Hidden Markov Model – Based Continuous Gesture Recognition System For Hand Motion Trajectory, Otto - von - Guericke-University Magdeburg, Germany, IEEE, 4tr [9] Mahmoud Elmzain, Ayoub Al-Hamadi, tác giả (2007), “Gesture Recognition for Alphabets from Hand Motion Trajectory Using Hidden Markov Models”, Otto – von- Guericke-University Magdeburg, Germany, IEEE Inte Symposium on signal Processing and Information Technology, tr 1192-1197 78 [10] Mahmoud Elmezain, Ayoub Al-Hamadi,….(2009), “A Hidden Markov Model-Based Isolated and Meaningful Hand Gesture Recognition”, International Journal of Electrical and Electronics Engineering, 3:3 [11] Nianjun liu, Brian C, Lovell tác giả (2004), Understanding HMM Training For Video Gesture Recognition, The University of Queensland, Brisbane, Australia 4072, IEEE, tr 567-570 [12] Nianjun Liu, Brian C Lovell, Peter J Kootsookos, and Richard I.A Davis Intelligent Real-Time Imaging and Sensing (IRIS) Group School of Information Technology and Electrical Engineering (2004), “Model Structure Selection & Training Algorithms for an HMM Gesture Recognition System”, The University of Queensland, Brisbane, Australia 4072, IEEE, 6tr [13] Nianjun Liu, Brian C Lovell, Peter J Kootsookos (2003), Evalution of HMM Training Algorithms for Letter Hand Gesture Recognition, The University of Queensland, Brisbane, Australia 4072, IEEE, 4tr [14] N Tanibata, N Shimada, Y.Shirai (2002) “Extraction of Hand Feature for Recognition of Sign Language words”, In International Conference on Vision Interface, tr 391-398 [15] Rajib Lochan Das, Binod Kumar Prasad, Goutam Sanyal (2012), “HMM Based Offline Handwritten Writer Independent English Character Recognition Using Global and Local Feature Extraction”, International journal of Computer Application (0975-8887), No.10, tr 45-50 Trang web [16] http://www.pcworld.com.vn/pcworld/printArticle.asp?atcl_id=5f5e5c5b58585 79 [17] http://alovoice.vn/av/content/mô-hình-markov-ẩn-hmm-hidden-markovmodel-phần -1 [18] http://www.khoahocphothong.com.vn/news/detail/6027/megapixel-la-gi %20?.html [19] http://doc.edu.vn/tai-lieu/do-an-nhan-dang-chu-viet-tay-su-dung-phuong-phapmang-no-ron-7545 [20] dantri.com/suc-manh-so [21] http://www.tinhte.vn/threads/he-thong-mmi-tren-xe-audi-a8-moi-ho-tro-nhandang-chu-viet-tay.316489 [22] http://vi.wikipedia.org/wiki/Mô-hình-markov-ẩn [23] http://4tech.com.vn/forums/showthread.php/5055-Tìm-hiểu-mô-hình-Markovẩn [24] http://soft365.vn/Van-Phong/p239/OmniPage-Professional-18.html [25] http://text.123doc.vn/text-doc/191346-nhan-dang-chu.htm ... Model ứng dụng nhận dạng chữ viết tay? ?? 2 Mục tiêu nghiên cứu Nghiên cứu Hidden Markov Model ứng dụng nhận dạng chữ viết tay Đối tượng phạm vi nghiên cứu o Đối tượng: - Mô hình HMM - Chữ viết tay. .. tay - Các kỹ thuật nhận dạng chữ viết tay o Phạm vi nghiên cứu: - Nghiên cứu mơ hình HMM - Ứng dụng mơ hình HMM nhận dạng chữ viết tay số mẫu chữ Phương pháp nghiên cứu o Nghiên cứu lý thuyết: -... o Nhận dạng chữ viết tay: người viết tay có kiểu chữ, cách viết khác nhau, với mức độ ràng buộc khác nhằm phục vụ ứng dụng đọc chứng từ, hóa đơn, thảo viết tay? ?? Đến thời điểm việc nhận dạng chữ