LUẬN văn kỹ THUẬT PHẦN mềm EXTRACTION DES CARACTÉRISTIQUES POUR LA RECONNAISSANCE DES CARACTÈRES VIETNAMIENS EN LIGNE

Université de Can Tho Faculté des Technologies de l’information et de la communication F ’ T EXTRACTION DES CARACTÉRISTIQUES POUR LA RECONNAISSANCE DES CARACTÈRES VIETNAMIENS EN LIGNE tudiante: Tuteur: Dr TRAN Cao Đe TRAN Thi Thu Han ode d’étudiante: 1091664 émoire présenté pour l’obtention du diplôme d’ingénieur en informatique Juillet 2013 Rapport de Mémoire RÉSUMÉ La reconnaissance automatique de l’écriture est la transcription des données manuscrites partir des différentes sources en texte sous forme numérique Actuellement, il existe de nombreuses recherches sur les langues indo-européennes ; mais il encore est rare des études sur les langues orientales dont le vietnamien De plus, dans le processus pour reconnaitre une écriture manuscrite, l’extraction des caractéristiques de l’écriture est une étape importante qui affecte sa performance, sa vitesse et son exactitude ’est pourquoi, le but de ce mémoire se concentre sur les études de la reconnaissance des caractères manuscrits vietnamiens isolées en ligne et la recherche des caractéristiques pertinentes extraire afin d’améliorer le résultat de la reconnaissance Pour la démonstration, un système de reconnaissance des caractères vietnamiens est construit L’écriture a été capturée par la tablette et ensuite traitée en trois étapes : le prétraitement comprenant l’échantillonnage et la normalisation, l’extraction des caractéristiques et la classification Ce système se fonctionne grâce aux caractéristiques proposées et au classificateur SVM, qui, selon plusieurs recherches, est reconnu comme un bon classificateur Au volet de l’extraction des caractéristiques, la combinaison des deux caractéristiques en ligne et hors ligne a été utilisée Mots clés: reconnaissance de l’écriture vietnamienne en ligne, SVM, extraction des caractéristiques, combinaison des deux caractéristiques -2- Rapport de Mémoire ABSTRACT Automatic handwriting recognition is the transcription of handwritten from different sources in digital form text Currently, there is extensive research on the IndoEuropean languages, but it still is rare studies on the eastern languages, including Vietnamese In addition, in the process to recognize handwriting, feature extraction of handwriting is an important step that affects its performance, speed and accuracy Therefore, the aim of this thesis focuses on the study of the recognition of isolated Vietnamese online handwritten characters and on the research of the relevant features extraction in order to improve the result of the recognition For the demonstration, a system is built to recognize Vietnamese character The handwriting was captured by the tablet and then treated in three stages: preprocessing including sampling and standardization, feature extraction and classification The system works through the proposedfeatures and SVM classifier, which according to several studies, is recognized as a good classifier The part of the feature extraction, a combination of two features online and offline was used Keywords: online Vietnamese writing recognition, SVM, feature extraction, characteristics combination -3- Rapport de Mémoire TABLE DES MATIÈRES RÉSUMÉ ABSTRACT TABLE DES MATIÈRES LISTE DES FIGURES REMERCIEMENTS CHAPITRE 1: INTRODUCTION 10 CHAPITRE 2: RECONNAISSANCE DES CARACTERES VIETNAMIENS EN LIGNE 14 2.1 LA RECONNAISSANCE DE L’ T 14 2.2 LA RECONNAISSANCE DES CARACTÈRES VIETNAMIENS EN LIGNE 16 2.2.1 La langue vietnamienne 16 2.2.2 La caractéristique de données 17 2.2.3 Le modèle de reconnaissance 19 2.3 L’ TAT DE L’A T 21 2.4 CONCLUSION 22 CHAPITRE 3: EXTRACTION DES CARACTÉRISTIQUES 24 3.1 INTRODUCTION 24 3.2 ZONE 25 3.3 PROJECTIONS 26 3.4 LE RATIO DE LA HAUTEUR SUR LA LARGEUR 27 3.5 NOMBRE DE TRACES 28 3.6 CHANGEMENT DE DIRECTION DE L’ -4- T 29 Rapport de Mémoire 3.7 MOMENTS GÉOMÉTRIQUES 30 3.7.1 Moments de Hu 31 3.7.2 Moments de Zernike 32 3.8 AUTRES CARACTÉRISTIQUES EN LIGNE 33 3.9 LES SEPT CARACTÉRISTIQUES PAR POINT 33 3.10 CONCLUSION 34 CHAPITRE : MACHINE À VECTEUR DE SUPPORT 35 4.1 INTRODUCTION 35 4.2 MACHINE À VECTEUR DE SUPPORT 35 4.3 SVM LINÉAIRE 38 4.4 SVM NON LINÉAIRE 40 4.5 CAS MULTI-CLASSE 40 4.6 APPLICATION 41 4.7 CONCLUSION 41 CHAPITRE : EXPÉRIMENTATIONS 42 5.1 MODÈLE DE RECONNAISSANCE 42 5.1.1 Prétraitement 43 5.1.2 Extraction et sélection des caractéristiques 44 5.1.3 Reconnaissance 48 5.2 RÉSULTATS OBTENUS 48 5.3 PROBLÈME AVEC LE TAUX DE LA CLASSIFICATION 50 5.4 CONCLUSION 51 CHAPITRE : CONCLUSION 52 6.1 RÉSULTATS OBTENUS 52 6.2 LIMITATIONS 52 6.3 DÉVELOPPEMENT DU SUJET 53 -5- Rapport de Mémoire ANNEXE 54 LA GUIDE DE L’UTILISATION DE L’OUTIL 54 L’ T FA DE L’ T A T 54 L’ T FA DE LA RECONNAISSANCE 55 RÉFÉRENCES 57 -6- Rapport de Mémoire LISTE DES FIGURES Figure 1.1 Communication écrite homme-machine 11 Figure 2.1 La différence entre le système écriture en-ligne et hors-ligne 15 Figure 2.2 ignaux d’entrée du système en ligne (à gauche) et hors ligne (à droit) 16 Figure 2.3 n fichier des données de l’écriture en ligne sous le format P 18 Figure 2.4 Le modèle de reconnaissance des caractères manuscrits 19 Figure 3.1 Les stratégies pour le zonage : 25 Figure 3.2 Le zonage de 26 Figure 3.3 La projection verticale de la lettre « E » 27 Figure La projection verticale de la lettre « F » 27 Figure 3.5 La normalisation de taille de la lettre ”l” 27 Figure 3.6 La série des points de la lettre « E » 28 Figure 3.7 Un fichier de données de « x » sous le format UNIPEN 30 Figure 4.1 L’hyperplan sépare les deux ensembles de points 36 Figure 4.2 Les vecteurs de support 36 Figure 4.3 L’hyperplan optimal 37 Figure 4.4 L’hyperplan avec faible marge et le meilleur hyperplan séparateur 37 Figure 4.5 SVM linéaire et SVM non linéaire 38 Figure 4.6 L’hyperplan de dimensions 39 Figure 4.7 La transformation de l’espace des données 40 Figure 5.1 Le modèle de reconnaissance du système de reconnaissance des caractères manuscrits en ligne en utilisant le SVM 42 Figure 5.2 Le caractère avant et après le ré-échantillonnage 44 Figure 5.3 Le caractère « Ẫ » 50 Figure 5.4 Le caractère « Ễ » 50 Figure 5.5 La similitude entre ”u” et ”v” 51 Figure 5.6 La similitude entre ”l” et ”e” 51 -7- Rapport de Mémoire LISTE DES TABLEAUX Tableau 5.1 Les caractéristiques sélectionnées 46 Tableau 5.2 Les caractéristiques sélectionnées 48 Tableau 5.3 Résultat de la reconnaissance de caractère 50 -8- Rapport de Mémoire REMERCIEMENTS Je tiens un premier temps remercier tous ceux qui m’ont suivie et aidée dans mon travail J’adresse en premier lieu mes sincères remerciements et toute ma gratitude mon tuteur Dr.TRAN Cao e pour ses précieux conseils et ses encouragements qui m’ont permis d’achever mon mémoire Je remercie aussi les membres du jury pour avoir accepté de juger mon travail, et avoir pris leur temps pour lire et juger ce travail Je tiens également remercier tous les professeurs, en particulier ceux de la Faculté pour avoir créé toutes les conditions favorables et pour leur soutien que j’ai constamment reỗus pendant mon travail Lensemble de mes amis, qui m’a aidé et qui m’a encouragé, trouve aussi ici l’expression de ma reconnaissance Les mots sont insuffisants pour exprimer mes sentiments et ma gratitude envers ceux qui de près ou de loin ont apporté leur secours, leur soutien pendant mon travail ainsi que pendant mes années universitaires Je ne pourrai jamais oublier leur affection et leurs encouragements qu’ils m’ont réservés Malgré tous mes efforts infatigables pour parachever ce mémoire, il y existe certainement des erreurs Je serai très heureuse de recevoir toutes les opinions, les contributions et les commentaires pour perfectionner mon travail -9- Rapport de Mémoire CHAPITRE 1: INTRODUCTION L’écriture manuscrite est un des plus anciens et des plus importants moyens de communication entre les hommes, qui leur permet s’échanger des informations sans le support de la voix Bien sûr, l’écriture de chaque personne est originale, unique en raison d’une combinaison très complexe de multiples différences de psychologie, de tempérament, d’état d’âme ou d’esprit, de caractère, des premières pratiques d’écriture et de dextérité manuelle Pourtant toutes les lettres des écritures d’une même langue infiniment diversifiées soient-elles – pourvu qu’elles soient lisibles, doivent représenter un minimum de traits distinctifs qui permettent de les décoder assez facilement Aujourd’hui, malgré le développement accéléré des moyens de communication, l’écriture manuscrite constitue toujours un lien étroit et apprécié entre les individus, entre les consommateurs et leur organisme de distribution, entre les citoyens et leur administration,… l leur permet d’échanger des sentiments, des idées, des informations naturellement et efficace ans la vie moderne, l’écriture manuscrite est non seulement un moyen de communication entre les hommes mais aussi entre l’homme et la machine - 10 - Rapport de Mémoire grand nombre de points que celle qui est écrite plus rapidement en même forme Dans notre système, nous utilisons un rééchantillonnage aux 30 points Avant Après Figure 5.2 Le caractère avant et après le ré-échantillonnage  Normalisation : La taille d’un caractère peut se varier d’une écriture l’autre, ce qui peut causer une instabilité des paramètres La normalisation de taille des caractères, une technique ramènant les caractères la même taille, n’est en général qu’un étalonnage linéaire une hauteur et une largeur standard Cela produit un meilleur taux de reconnaissance La hauteur et la largeur standard utilisée dans notre mémoire sont 15x15 5.1.2 Extraction et sélection des caractéristiques Dans notre mémoire, nous utilisons la combinaison des caractéristiques en ligne et hors ligne pour l’extraction Tout d’abord, les caractéristiques en ligne sont utilisées :  Le nombre de traces  Le ratio de la hauteur sur la largeur  Le nombre de points par zone  Les projections horizontales et verticales  Le changement de direction de l’écriture Ensuite, les moments géométriques tels que : les moments invariants Hu et les moments de Zernike sont extraits partir des données hors ligne Ces données hors ligne sont obtenues par la transformation des données en ligne en une image - 44 - Rapport de Mémoire Après l’extraction de ses caractéristiques en ligne et hors ligne, nous obtenons un grand vecteur de 224 dimensions À cause de la dimension élevée de ce vecteur, il est utile et nécessaire, de réduire celle-ci une taille plus compatible (plus petite) qui permet d’améliorer les performances de la classification et de réduire les temps d’apprentissage et de classification, ainsi que la taille des bases d’apprentissage Pour ce but-là, nous avons utilisé l’outil Weka pour sélectionner des caractéristiques Dans cette étape, nous choisissons les caractéristiques pour chaque ensemble de données : chiffre, caractère majuscule, caractère minuscule, caractère majuscule accentué, les accents Après cette étape, nous obtenons le résultat de 32 caractéristiques pour les caractères minuscules et de 33 caractéristiques pour les caractères majuscules et les chiffres, qui sont listés dans le tableau 5.1 Caractères Caractères minuscules majuscules Ratio x x % des points dans les cellules 4, 6, 7, et cellules du zonage de 9 Caractéristiques % des points dans les cellules 4, et cellules 2, et cellules et % des points dans les cellules 5, 33, 41, cellules 32, 59, 60 cellules du zonage de 64 48 et 61 et 64 Moment de Hu : 1, et 1, et Moment de Zernike 4, 6, 7, 9, 10 et 14 cellules du zonage de Nombre de traces 4, 6, 7, 9, 10, 11, 14, 18 et 24 x - 45 - Chiffres x cellules 3, 4, et cellules et cellules 1, 4, 21, 24, 32, 41, 47, 49 et 64 et 4, 6, 8, 9, 10 et 15 Rapport de Mémoire Coordonnées x et y du point de départ Coordonnées du point final coordonnées x et y coordonnées x et y coordonnées x et y coordonnées x % de la hauteur totale de la plus longue trace sur x la hauteur de la bte contenant le caractère % de la longueur totale de toutes les traces sur la hauteur de la bte x x contenant le caractère Changement de la direction des traces x x x cellules et 15 cellules et 15 cellules et 15 % de projection horizontale dans les cellules Tableau 5.1 Les caractéristiques sélectionnées En ce qui concerne les caractères majuscules accentués et les accents, on obtient 45 caractéristiques pour chaque caractère accentué et 64 caractéristiques pour chaque accent Ce résultat est montré dans le tableau 5.2 Caractéristiques Ratio Caractères minuscules accentués x - 46 - Accents x Rapport de Mémoire % des points dans les cellules 1, 2, 3, 4, 5, 6, et cellules du zonage de 9 % des points dans les cellules du zonage de cellules 1, 2,3 et % des points dans les cellules 7, 16, 24, 41, 57 et cellules du zonage de 64 58 Moment de Hu : 1, et Moment de Zernike 3, 6, 8, 9, 10, 11 et 14 Nombre de traces x Coordonnées x et y du point de départ Coordonnées du point final cellules 1, 5, 6, et cellules 1, 2, et cellules 1, 4, 6, 7, 11, 16, 17, 21, 23, 33, 45, 46, 49, 50, 53, 56, 58, 59 et 63 1, 3, et 1, 3, 5, 6, 7, 8, 9, 10, 11, 14, 18, 25 et 27 coordonnées x et y coordonnées x et y coordonnées x et y coordonnées y x x x x x x cellules 1, 2, 3,11 et 14 cellule 15 % de la hauteur totale de la plus longue trace sur la hauteur de la bte contenant le caractère % de la longueur totale de toutes les traces sur la hauteur de la bte contenant le caractère Changement de la direction des traces % de projection horizontale dans les cellules - 47 - Rapport de Mémoire % de projection verticale dans les cellules cellule % de projection oblique cellule 15 cellules 8, 14, 15, 21 et 22 dans les cellules % de projection oblique cellules et 12 dans les cellules Tableau 5.2 Les caractéristiques sélectionnées Nous avons aussi extrait les caractéristiques en ligne qui sont utilisées dans les recherches d’Ahmad et al pour comparer l’efficace et la performance des caractéristiques sélectionnées 5.1.3 Reconnaissance Grâce son efficacité, nous avons utilisé le classificateur SVM pour le processus de l’entrnement et de la reconnaissance ans notre système, nous utilisons le lib V par Chih-Chung Chang Chih-Jen et Lin ’est une bibliothèque pour le VM, qui aide les utilisateurs appliquer facilement le SVM dans leurs applications En appliquant le résultat obtenu dans la recherche de De Cao Tran, la fonction noyau RBF a été utilisée et les valeurs choisies pour les deux paramètres C et 5.2 sont C = et = RÉSULTATS OBTENUS Pour l’expérimentation, nous avons choisi aléatoirement toutes les données utilisées pour l’apprentissage et les tests Pour les chiffres, les caractères majuscules et les caractères minuscules, on utilise 1600 échantillons pour l’apprentissage et 400 échantillons pour les tests Pour les caractères accentués, on utilise 150 échantillons pour - 48 - Rapport de Mémoire l’apprentissage et 35 échantillons pour les tests Pour les chiffres et les accents, on utilise 200 échantillons pour l’apprentissage et 20 échantillons pour les tests Tout d’abord, nous avons fait des expérimentations en utilisant 224 caractéristiques Après, nous avons fait une autre expérimentation avec la même base de données tout en utilisant les caractéristiques obtenues après l’étape de la sélection des caractéristiques Les résultats obtenus sont représentés dans le tableau 5.3 Grâce au tableau de résultat 5.3, on constate que les caractéristiques utilisées par Ahmad et al sont très efficaces Elles nous donnent un bon taux de reconnaissance correcte ’ailleurs, les résultats montrent que l’écart du taux de reconnaissance des caractères non accentués et des chiffres obtenus en utilisant caractéristiques sélectionnées n’est pas significatif par rapport au taux de reconnaissance obtenu en utilisant 224 caractéristiques ou les caractères utilisés par Ahmad et al Pourtant, grâce la réduction considérable des caractéristiques (sept fois plus petites), la vitesse de la reconnaissance a beaucoup augmenté Taux de reconnaissance correcte Bases de données hiffre (0 … 9) Caractères majuscules (A … Z) Caractères minuscules (a … z) les caractéristiques caractéristiques sélectionnées par point 94,3% 95,1% 99% 99,6% 99,1% 97,4% 92,7% 91,9% 96,6% 38,4% 38,3% 75,9% 224 caractéristiques Caractères majuscules accentués (Á, À, Ả, Ã, Â, - 49 - Rapport de Mémoire Ấ,…) Accents 62,7% 82,8% 99,6% Tableau 5.3 Résultat de la reconnaissance de caractère 5.3 PROBLÈME AVEC LE TAUX DE LA CLASSIFICATION Durant l'expérimentation, nous avons constaté que pour certains caractères particuliers, le taux de classification est pauvre On en a déduit que les deux facteurs suivants ont influencé certains des mauvais résultats obtenus par la technique d'extraction des caractéristiques Base de données : La base de données utilisée pour les expériences se compose des écritures de différents écrivains, hommes et femmes, écrites de main gauche ou main droite ela mène la forme d'entrée qui varie les unes des autres ’est pourquoi, les données d'origine sont très différentes les unes des autres pour un même caractère ’ailleurs, certains caractères sont mal écrits Par exemple, on trouve des difficultés en distinguant le caractère présenté dans la figure 5.3 et la figure 5.4 Figure 5.3 Le caractère « Ẫ » Figure 5.4 Le caractère « Ễ » - 50 - Rapport de Mémoire Similitude des caractères : Après avoir analysé les fichiers décrivant les résultats obtenus, nous avons constaté que certaines classes ont un taux de reconnaissance très élevé, pendant que certaines autres ont un taux de reconnaissance très faible Certains caractères sont facilement reconnus comme un autre caractère particulier Tels que le ”u” et le ”v” ; le ”i”, le ”l” et le ”e” ; etc… (Figure 5.5 et 5.6) Figure 5.5 La similitude entre ”u” et ”v” Figure 5.6 La similitude entre ”l” et ”e” 5.4 CONCLUSION ans ce chapitre, l’expérimentation sur l’extraction des caractéristiques pour la reconnaissance des caractères vietnamiens en ligne Les résultats obtenus montrent que les caractéristiques sélectionnées donnent un taux de reconnaissance de l’écriture acceptable et une réduction significative du temps de traitement Pour les appareils qui ont des ressources limitées, cette réduction de temps de traitement est une amélioration importante - 51 - Rapport de Mémoire CHAPITRE : CONCLUSION Dans ce mémoire, nous avons présenté les caractéristiques pour la reconnaissance des caractères vietnamiens en ligne Pour l’expérimentation, nous avons construit aussi un système de reconnaissance utilisant le classificateur SVM et les bases de données UNIPEN Après la sélection, nous obtenons caractéristiques pertinents qui donnent des résultats très motivés 6.1 RÉSULTATS OBTENUS En réalisant ce travail, nous obtenons des expériences valables et des connaissances précieuses grâce aux :  Les études sur la technique pour reconnaitre des caractères manuscrits  Les recherches concernant les caractéristiques de l’écriture en ligne et hors ligne  Les études sur le classificateur SVM  L’application ces études en pratique en construisant un outil permettant la reconnaissance des caractères vietnamiens en ligne 6.2 LIMITATIONS Malgré tous nos efforts infatigables pour parachever ce mémoire dans une durée limitée, il y existe bien sûr, certains défauts :  Le taux de reconnaissance correct reste encore acceptable, car il est difficile de trouver un ensemble de caractéristiques optimales  Les caractéristiques existantes ne sont pas tout étudiées, parce qu’elles sont très variées  Les exemplaires dans la base de données ne sont pas nombreux - 52 - Rapport de Mémoire 6.3 DÉVELOPPEMENT DU SUJET Pour améliorer le résultat et perfectionner le système de reconnaissance, les travaux supplémentaires présentés aux dessous sont considérés :  Étudier les autres caractéristiques et les autres méthodes de la reconnaissance des caractères  Chercher une autre méthode qui donne le meilleur résultat augmente, en même temps, la vitesse de reconnaissance, par exemple, l’algorithme pour segmenter entre la lettre et l’accent de l’écriture  Appliquer ce système pour reconntre l’écriture des autres langues - 53 - Rapport de Mémoire ANNEXE La guide de l’utilisation de l’outil l y a deux interfaces principales dans cet outil : l’interface de l’entrnement et l’interface de la reconnaissance L’INTERFACE DE L’ENTRAINMENT Cette interface aide entrainer les données Pour entrainer, on doit tout d’abord fournir les informations nécessaires comme le type de caractère (chiffre, caractère minuscule, …) et la caractéristique pour extraire Ensuite, on choisit le fichier qui contient des liens des fichiers des données des caractères qu’on veut entrainer Enfin, on appuie le button « Entrainer » pour commencer l’entrnement caractéristiques extraites modèle de reconnaissanc e - 54 - Rapport de Mémoire Après l’entrnement, les caractéristiques extraites vont être présentées dans la première boite de texte Le modèle de reconnaissance va être montré dans la deuxième boite de texte Pour ces caractéristiques et ce modèle, on choisit le button « Sauvegarder le fichier » et le button « Sauvegarder le modèle » L’INTERFACE DE LA RECONNAISSANCE Cette interface aide entrainer les données omme pour l’entrnement, on doit choisir premièrement le type de caractère et la caractéristique pour extraire Après on choisit le fichier de donnée du caractère qu’on veut reconnaitre Ensuite, on doit sélectionner le modèle pour la reconnaissance Si on n’en a pas, on peut utiliser le modèle disponible fourni par l’outil Pour commencer la reconnaissance, on appuie le button « Reconnaitre » Résultat obtenue - 55 - Rapport de Mémoire Après la reconnaissance, on obtenue le résultat dans une boite de texte et les caractéristiques extraites vont être présentées dans une autre On peut sauvegarder les caractéristiques en appuyant sur le button « Sauvegarder le fichier » - 56 - Rapport de Mémoire RÉFÉRENCES [1] Anh Phuong Pham, ”Efficient method of feature extraction for isolated vietnamese handwritten recognition”, scientific journal, Hue University, 2009 [2] e ao Tran, ”An Efficient Method for on-line Vietnamese Handwritten Character Recognition”, Proceedings of the Third Symposium on Information and Communication Technology, pp.135-141 [3] G Amayeh, A rol, G Bebis, icolescu, ”Accurate and efficient computation of high order zernike moments”, First International Symposium, ISVC 2005, Lake Tahoe, NV, USA, pp.462-469 [4] http://unipen.org/ [5] I Guyon, L chomaker, Plamondon, Liberman, and Janet, “UNIPEN project of on-line data exchange and recognizer benchmarks” in nternational Conference on Pattern Recognition, vol 2, (Jerusalem, Israel), pp.29–33, October 1994 [6] L.Heutte, T.Paquest, J.V.Moreau, Y.Lecourtier, C.Oliver, ”A structural/statistical feature based vector for handwritten character recognition”, Pattern Recognition Letters, Volume 19 Issue 7, May 1, 1998, pp.629-641 [7] Parizeau, , Lemieux, A and Gagné, Experiments using Unipen Data”, Proceedings, ixth , “Character Recognition nternational conference on Document Analysis and Recognition, pp.481-485, 2001 [8] Plamondon , rihari , ”On-Line and Off-Line Handwriting Recognition: A Comprehensive Survey”, IEEE Transactions on pattern analysis and machine intelligence, Vol 22, No 1, January 2000 [9] Jaeger, anke, J eichert, A Waibel, ”Online handwriting recognition: the NPen++ recognizer”, nternational Journal on vol.3, no 3, pp.169-180, 2001 - 57 - cument Analysis & ecognition, Rapport de Mémoire [10] Verma B, Lu, J, Ghosh, online handwriting recognition”, & Ghosh, ”A feature extraction technique for nternational onference on Fuzzy ystems (FUZZ-IEEE)., Budapest, Hungary [11] Abdul R Ahmad, M Khalia, C Viard-Gaudin, Poisson, “Online handwriting recognition using support vector machine“, proceedings analog and digital techniques in electrical engineering, Thailand, (TENCON 2004), Vol 1, pp 311-314, 2004 [12] R.Tokas, A.Bhadu, "A Comparative Analysis Of Feature Extraction Techniques For Handwritten Character Recognition", International Journal of Advanced Technology & Engineering Research (IJATER) - 58 - ... le cas hors -ligne ’est pourquoi, dans ce mémoire, nous nous focalisons sur la reconnaissance des caractères en ligne 2.2 LA RECONNAISSANCE DES CARACTÈRES VIETNAMIENS EN LIGNE ans la reconnaissance. .. CHAPITRE 2: RECONNAISSANCE DES CARACTERES VIETNAMIENS EN LIGNE 14 2.1 LA RECONNAISSANCE DE L’ T 14 2.2 LA RECONNAISSANCE DES CARACTÈRES VIETNAMIENS EN LIGNE 16 2.2.1 La langue... particulièrement pour la reconnaissance des caractères vietnamiens 2.4 CONCLUSION Une bonne compréhension des problèmes, des connaissances générales sur la reconnaissance des caractères manuscrits en ligne