Trong tương lai, các thí nghiệm về nâng cao hiệu quả nhận dạng chữ viết tay rời rạc bằng việc cải tiến kỹ thuật rút trích đặc trưng cũng như ứng dụng đọc bảng điểm sinh viên vẫn còn nhiều điều kiện để tiếp tục phát triển. Một số định hướng có thể được đưa ra như sau:
Khai thác thêm các ưu điểm của các kỹ thuật rút trích đặc trưng cũng như tìm thêm một số kỹ thuật mới nhằm nâng cao hiệu quả nhận dạng.
Đối với các thí nghiệm thì mở rộng thêm điều kiện thực hiện như bộ dữ liệu (thay đổi tập ký tự, tăng thêm số lượng mẫu huấn luyện,…), cải thiện mã nguồn để tiết kiệm tài nguyên hệ thống.
Đối với ứng dụng đọc bảng điểm thì cần cải thiện việc tách nhiễu từ khung, xử lý được các trường hợp điểm số lọt sang ô khác. Ngoài ra, nhất thiết phải
mở rộng bộ dữ liệu huấn luyện cho ứng dụng, chẳng hạn như xây dựng bộ dữ liệu chữ số viết tay cho tất cả các giảng viên trong trường.
Tóm lại, bên cạnh một vài khuyết điểm còn tồn tại thì với những ưu điểm đạt được, đồ án này chắc chắn sẽ là một tài liệu nghiên cứu hữu ích, có khả năng mở rộng và có tính chất làm bước đệm cho những nghiên cứu về sau, nhằm đóng góp phần nào cho việc phát triển bài toán nhận dạng chữ viết tay rời rạc.
TÀI LIỆU THAM KHẢO Tiếng Việt:
1. Nguyễn Đình Cường (2011), Xử lý ảnh, khoa Công nghệ thông tin, trường Đại học Nha Trang, Nha Trang.
2. Lê Thành Long (2009), Phát hiện và hiệu chỉnh góc nghiêng trong văn bản, Đồ án tốt nghiệp đại học, trường Đại học dân lập Hải Phòng, Hải Phòng.
3. Phạm Anh Phương (2009), “Một số phương pháp trích chọn đặc trưng hiệu quả cho bài toán nhận dạng chữ viết tay rời rạc”, Tạp chí khoa học Đại học Huế, số 53. 4. Wikipedia tiếng Việt: http://vi.wikipedia.org/wiki/XML.
Tiếng Anh:
5. Ali J. and Verma R. (2012), A Survey of Feature Extraction and Classification Techniques in OCR Systems, International Journal of Computer Applications and Information Technology, 1(3), pp. 1-3, India.
6. Arora S., Basu D. K., Bhattacharjee D., Kundu M. and Nasipuri M. (2008) Combining Multiple Feature Extraction Techniques for Handwritten Devnagari Character Recognition, pp. 1-6, India.
7. Brener N. E., Deng W., Iyengar S.S. (2000), A Fast Parallel Thinning Algorithm for the Binary Image Skeletonization, International Journal of High Performance Computing Applications, 14(1), pp. 65-81, the United States of America.
8. Budhiraja S. and Singh P. (2011), Feature Extraction and Classification Techniques in O.C.R. Systems for Handwritten Gurmukhi Script – A Survey, International Journal of Engineering Research and Applications, 1(4), pp. 1736- 1739, India.
9. Burges C.J.C, Cortes C. and LeCun Y, The MNIST Database for handwritten digits, http://yann.lecun.com/exdb/mnist/
10.Cavalcanti G.D.C., Cruz R.M.O. and Ren T.I. (2010), Handwritten Digit Recognition Using Multiple Feature Extraction Techniques and Classifier Ensemble, International Conference on Systems, Signals and Image Processing, pp. 215-218, Brazil.
11.Das S.K., Kundu S., Paul N. and Saha S. (2013), Optical Character Recognition using 40-point Feature Extraction and Artificial Neural Network, International Journal of Advanced Research in Computer Science and Software Engineering, 3(4), pp. 495-502, India.
12.Dhir R., Jangid M., Rani R. and Siddharth K.S. (2011), Handwritten Gurmukhi Character Recognition Using Statistical and Background Directional Distributional Features, International Journal on Computer Science and Engineering, 3(6), pp. 2332-2345, India.
13.Dubey P. and Sinthupinyo W. (2010), New Approach on Structural Feature Extraction for Character Recognition, pp. 946-949, Thailand.
14.Dutta M., Singh D. and Singh S.Kr. (2010), Hand Written Character Recognition Using Twelve Directional Feature Input and Neural Network, International Journal of Computer Applications, 1(3), pp. 82-85, India.
15.Fletcher T. (2009), Support Vector Machines Explained, the United Kingdom. 16.Garcia E.K., Gupta M.R. and Jacobson N.P. (2007), OCR binarization and image pre-processing for searching historical documents, Pattern Recognition, pp. 389-391, The Netherlands.
17.Hallale S.B. and Salunke G.D. (2013), Twelve Directional Feature Extraction for Handwritten English Character Recognition, International Journal of Recent Technology and Engineering, 2(2), pp. 39-42, India.
18.Himavathi S., Pradeep J. and Srinivasan E. (2011), Diagonal based Feature Extraction for Handwritten Alphabets Recognition System using Neural network, International Journal of Computer Science and Information Technology, 3(1), pp. 27-38, India.
19.High-Pass_Filtering (Sharpening):
http://www.cyanogen.com/help/maximdl/High-Pass_Filtering.htm. 20.Low-Pass_Filtering (Blurring):
http://www.cyanogen.com/help/maximdl/Low-Pass_Filtering.htm.
21.Kishan A.C. and Sharan V. (2009) Skew Detection and Correction in Scanned Document Images, pp. 8-15, India.
22.Otsu N. (1979), A Threshold Selection Method from Gray-Level Histograms, pp. 62-66, The United States of American.
23.Schomaker L., Surinta O. and Wiering M. (2012), Handwritten Character Classification using the Hotspot Feature Extraction Technique, The Netherlands.