6. Nội dung của luận văn: gồm có 3 chương 3 xvi
3.2. Một số kết quả 59 xviii
Với tập dữ liệu huấn luyện gồm 2000 chữ số viết tay từ 0 đến 9, số lượng Support vectors tạo được là 1968. Kết quả thử nghiệm như sau:
Kết quả nhận dạng
Nhận dạng số viết tay trực tiếp trên chương trình: Giá trị số Số lần thử Nhận dạng đúng Tỉ lệ chính xác 0 200 182 91 % 1 200 185 92.5 % 2 200 175 87.5 % 3 200 185 92.5 % 4 200 180 90 % 5 200 189 94.5 % 6 200 192 96 % 7 200 197 98.5 % 8 200 196 98 % 9 200 187 93.5 %
Nhận dạng phiếu ghi điểm thi:
Điểm số Kết quả nhận dạng Chính xác 6 1 5 1 7 1 9 0 8 1 3.3. Kết luận chương:
Với bộ dữ liệu mẫu gồm 2000 chữ số viết tay. Chương trình nhận dạng chữ số viết tay trực tiếp với độ chính xác là 98%. Tuy nhiên với các chữ số viết tay từ các phiếu điểm, kết quả nhận dạng đạt độ chính xác là 82.33%. Một số lý do khiến độ chính xác của kết quả nhận dạng còn thấp:
- Chữ số viết tay rất đa dạng, phong phú, tùy thuộc cách viết của từng người, để quá trình nhận dạng đạt kết quả chính xác hơn cần một tập dữ liệu huấn luyện lớn hơn rất nhiều.
- Vấn đề tiền xử lý ảnh của phiếu điểm, loại bỏ nhiễu, trích trọn đặc trưng chưa chính xác. Do giới hạn về mặt thời gian, nội dung của đề tài, trình độ còn hạn chế của tác giả, nên việc tiền xử lý ảnh phiếu điểm để nhận dạng chưa được giải quyết triệt để dẫn đến việc nhận dạng chưa chính xác.
KẾT LUẬN 1. Kết quả đạt được
Về mặt lý thuyết:
Tìm hiểu về những bước cơ bản để nhận dạng chữ và số viết tay, các phương pháp về nhận dạng và phân biệt được một số phương pháp đó. Nắm được ý nghĩa của việc học hay tích luỹ, trong đó có vai trò to lớn của các quy tắc học, mô hình học và thuật toán học đối với nhiều khả năng ứng dụng khác nhau. Kỹ thuật SVM, các thuật toán SVM và các ứng dụng của SVM trong thực tế. Nắm được quy trình chung trong xây dựng hệ thống nhận dạng.
Về mặt thực tiễn:
Đưa ra phương pháp xử lý với ký tự số viết tay trên phiếu ghi điểm thi, xây dựng hệ thống nhận dạng ký tự số viết tay trên phiếu ghi điểm thi sử dụng kỹ thuật SVM. Xây dựng được chương trình minh họa.
Tuy biết rằng những điều thu nhận được mới chỉ là một phần rất nhỏ trong một ngành nghiên cứu lớn, tôi tự nhận thấy đã gặt hái được những thành công nhất định trong giai đoạn nghiên cứu đầu tiên.
2. Hướng phát triển tiếp theo
Bên cạnh các kết quả đã đạt được, còn có những vấn đề chưa được luận văn này giải quyết hay đề cập tới. Trong thời gian tới tôi sẽ tiếp tục nghiên cứu và hoàn thiện đề tài với các mục tiêu chính được đặt ra như sau:
- Nâng cao hiệu quả và độ chính xác trong hệ thống nhận dạng ký tự số viết tay trên một số văn bản khác.
- Xây dựng được hệ thống nhận dạng cả chữ viết tay tiếng Việt sử dụng kỹ thuật SVM.
[1]. Phạm Anh Phương, Ngô Quốc Tạo, Lương Chi Mai (2008),
Trích chọn đặc trưng wavelet Haar kết hợp với SVM cho việc nhận dạng chữ viết tay tiếng Việt, Tạp chí Công nghệ thông tin và truyền thông, ISSN 0866-
7039, kỳ 3, 10-2008.
[2]. Đỗ Năng Toàn, Phạm Việt Bình (2007), Giáo trình Xử lý ảnh, Đại học Thái Nguyên.
[3]. Phạm Anh Phương, Ngô Quốc Tạo, Lương Chi Mai (2006), Ứng
dụng SVM cho bài toán phân lớp nhận dạng, Kỷ yếu Hội thảo khoa học Quốc
gia lần thứ 3 về nghiên cứu, phát triển và ứng dụng Công nghệ thông tin và Truyền thông.
[4]. Nguyễn Thị Vân (2011), Tìm hiểu SVM trong nhận dạng chữ viết
tay hạn chế, Đại học Công nghệ Hà Nội.
[5]. Lê Nam Quang (2010), Ứng dụng mạng neural trong nhận dạng
ký tự, Luận văn tốt nghiệp, Trường Đại học Bách Khoa Hà Nội, 2010.
[6]. Ngô Xuân Bách (2006), Ứng dụng mô hình mạng nơron trong
nhận dạng ký tự viết tay rời rạc hạn chế trực tuyến trên Tablet PC, Khóa luận
tốt nghiệp đại học, Đại học Công nghệ, Đại học quốc gia Hà Nội, 2006.
[7]. Nguyễn Quang Huy (2014), Nghiên cứu phương pháp nhận dạng
chữ viết tay hạn chế bằng mô hình SVM, luận án tiến sĩ, Đại học Công nghệ
thông tin và truyền thông, Đại học Thái Nguyên, 2014.
[8]. Lê Thanh Trúc và Phạm Nguyên Khang (2015), Nhận dạng điểm
viết tay trên bảng điểm với biến đổi Hough và đặc trưng Gisp, Tạp chí Khoa
trường Đại học Khoa học, Đại học Huế, tập 14, số 1 (2019).
Tiếng Anh
[10]. Andrew W.More, (2001), Support Vector Machines, Associate professor School of Coputer Science Camegie Mellon University.
[11]. Rafael C. Gonzalez and Richard E. Woods (2008), Digital Image
Processing, 3rd edition, Prentice Hall.
[12]. Christopher J.C. Burges. A Tutorial on Support vector machines
for pattern recognition – burges@microsoft.com
[13]. Yuan Y. Tang, Lo-Ting Tu, Jiming Lium, Seong-Whan Lee, Win- Win Lin, Off-line Recognition of Chinese Handwriting by Multifeature and
Multilevel Classification, IEEE Trans. Pattern Analysis and Machine
Intelligence, vol.20, no.5, pp.556-561, 1998.
[14]. Nello Cristiannini and John Shawe-Taylor (2000), An
Introduction to Support Vector Machines anh other kernel-based learning methods, Cambridge University Press
[15]. R. Collobert and S. Bengio (2001), SVMtorch: Support Vector
Machine for Large-scale Regression Problems, the Journal of Machine