Пестрякова Н.В. Метод распознавания символов, основанный на полиномиальной регрессии Изд. стереотип.

2016. 144 с.

Белая офсетная бумага

Мягкая обложка

Аннотация

Целью настоящего издания является обобщение результатов, полученных автором в области распознавания печатных и рукопечатных символов начиная с 1999 г. и опубликованных в открытой печати в серии статей. В монографии излагаются теоретические основы и аспекты практического применения разработанного автором метода распознавания, описываются характеристики качества программной реализации метода, производится сопоставление с характеристиками... (Подробнее)

Оглавление

Введение
Глава 1 Метод распознавания: теоретические основы, практическая реализация, характеристики
	1.1.	Математическая постановка задач обучения и распознавания согласно методу полиномиальной регрессии
		1.1.1.	Краткая история вопроса
		1.1.2.	Математическая постановка задачи
		1.1.3.	Метод наименьших квадратов
		1.1.4.	Метод полиномиальной регрессии
		1.1.5.	Вычисление матриц
		1.1.6.	Практическое нахождение матрицы А
	1.2.	Метод "полиномов" и его практическая реализация
		1.2.1.	Общие замечания
		1.2.2.	Построение вектора x
		1.2.3.	Практическая реализация
	1.3.	Характеристики метода полиномов
		1.3.1.	Основные понятия
		1.3.2.	Печатные прямые буквы и цифры
		1.3.3.	Печатные прямые и курсивные цифры
		1.3.4.	Рукопечатные цифры
	1.4.	Обсуждение результатов
Глава 2 Закономерности в распознавании
	2.1.	Распознавание символов обучающей базы
		2.1.1.	Общие замечания
		2.1.2.	Поведение оценки распознавания в терминах растров
		2.1.3.	Поведение оценки распознавания в терминах полиномиальных векторов
		2.1.4.	Сравнение поведения оценки распознавания в терминах растров и полиномиальных векторов
		2.1.5.	Оценка распознавания для "1". Выделение двух подбаз
		2.1.6.	Оценки. От хаоса к структуре
		2.1.7.	Выводы
	2.2.	Распознавание среднестатистических растров и векторов
		2.2.1.	Оценки и контрастность распознавания
		2.2.2.	Расстояния между среднестатистическими растрами и векторами различных символов
		2.2.3.	Связь между распознаванием и степенью близости к среднестатистическим растрам и векторам
		2.2.4.	Выводы
Глава 3 Печатные и рукопечатные символы
	3.1.	Распознавание печатных и рукопечатных символов
		3.1.1.	Особенности обучения и распознавания
		3.1.2.	Зависимость оценки распознавания от величины отклонения растра изображения символа от среднестатистического растра
		3.1.3.	Зависимость оценки распознавания от величины отклонения полиномиального вектора изображения символа от среднестатистического вектора
		3.1.4.	Расположение правильно, неправильно распознанных и "чужих" символов в терминах растров и полиномиальных векторов
		3.1.5.	Выводы
	3.2.	Модели "затемнения" и "засветления"
		3.2.1.	Описание моделей и некоторые замечания
		3.2.2.	Интегральные характеристики модифицированной базы. Сравнительный анализ при затемнении/засветлении и различных типах написания символов
		3.2.3.	Качество распознавания. Сравнительный анализ при затемнении/засветлении и различных типах написания символов
		3.2.4.	Корреляция качества распознавания и векторной интегральной характеристики модифицированной базы при засветлении для рукопечатных символов
		3.2.5.	Корреляция качества распознавания и векторной интегральной характеристики модифицированной базы при затемнении для рукопечатных символов
		3.2.6.	О качестве распознавания и интегральных характеристиках модифицированной базы при засветлении и затемнении для печатных символов
		3.2.7.	О сильном затемнении и засветлении
		3.2.8.	Дифференциальные характеристики модифицированной базы
		3.2.9.	Динамика дифференциальных характеристик модифицированной базы при засветлении для печатных и рукопечатных цифр
		3.2.1 .	Корреляция качества распознавания, векторных интегральных и дифференциальных характеристик модифицированной базы при засветлении рукопечатных символов
		3.2.11.	Динамика дифференциальных характеристик модифицированной базы при затемнении для печатных и рукопечатных цифр
		3.2.12.	Корреляция качества распознавания, векторных интегральных и дифференциальных характеристик модифицированной базы при затемнении рукопечатных символов
		3.2.13.	Сравнительный анализ интегральных и дифференциальных характеристик при затемнении и засветлении для печатных и рукопечатных символов
		3.2.14.	Расстояние между растрами "Белого" и "Черного" квадратов. Рукопечатные и печатные символы
		3.2.15.	Выводы
	3.3.	Модель "дискретизации"
		3.3.1.	Описание модели. Представление дискретизации в виде комбинации затемнения и засветления
		3.3.2.	Анализ табличных и графических данных. Согласованность характеристик качества распознавания для дискретизации с соответствующими величинами для затемнения и засветления
		3.3.3.	Выводы
Заключение
Литература

Введение

Задача распознавания печатных и рукопечатных (написанных от руки сходно с печатным начертанием) символов весьма актуальна для различных видов современных наукоемких технологий, использующих процесс оптического ввода (распознавания) документов, например для автоматической обработки платежных ведомостей в банках, результатов анкетирования или голосования, пенсионных форм и т.д. Область применения распознавания символов постоянно расширяется. Существенный прогресс в решении этой задачи наблюдается в последние годы благодаря развитию современных точных методов. Одним из них является регрессионный анализ, применению которого посвящена настоящая работа. В ней приведены частные, но, как показал опыт, весьма эффективные приложения полиномиальной регрессии к задаче распознавания.

Постановка задачи осуществлялась с привлечением книги Шурмана [4]. Эта книга вызывает несомненный интерес, но содержит лишь общие сведения (формулы, рассуждения и т.д.) и никак не является практическим руководством по распознаванию на основе полиномиальной регрессии из-за отсутствия конкретных сведений о структуре используемых многочленов, а также ввиду рассмотрения растров 2х2, весьма далеких от реальных жизненных ситуаций.

За прошедшее время разработанный метод был обучен и проверен на различных базах символов (печатные прямые буквы и цифры, печатные прямые и курсивные цифры, рукопечатные буквы и цифры, рукопечатная латиница).

Практика показала, что он удовлетворяет высоким требованиям по качеству распознавания, быстродействию, монотонности оценок. Метод хорошо зарекомендовал себя при распознавании сильно зашумленных изображений (загрязненные и в значительной степени разрушенные вагонные номера).

Разработанный алгоритм распознавания печатного и рукопечатного написания на базах графических символов с известными границами оформлен в виде библиотеки программ, состоящей из двух частей: обучения (с возможным дообучением) и распознавания для платформ Windows2000 / WindowsXP / Windows Vista / Windows 7. Библиотека готова к практическому использованию.

Данный метод в течение ряда лет применяется в качестве одного из базовых методов распознавания рукопечатных цифровых реквизитов в одной из промышленных систем распознавания сложноструктурированных документов.

Высочайшая монотонность оценок, генерируемых данным методом, позволяет использовать его в промышленной технологии стендирования распознавания печатных и рукопечатных документов как с известным заранее описанием структуры, так и без него.

Вычислительная структура метода полиномиальной регрессии обеспечивает возможность глубокого мелкозернистого (fine gained) распараллеливания. С появлением и распространением технологий nVidia CUDA, ATI Stream, OpenCL и Microsoft DirectCompute это становится важным преимуществом метода при распараллеливании как средствами CPU (центрального процессора), так и с помощью GPU (средств графических карт). Относительное увеличение скорости для рассмотренного метода составляет 25–28 раз.

Из вышесказанного становится очевидным, что за этим методом будущее, поскольку ускорение путем распараллеливания снимает ограничение на использование более сложных конструкций в рамках данного подхода.

В гл.1 рассмотрены теоретические основы и аспекты практического применения метода распознавания образов печатных и рукопечатных символов, основанного на полиномиальной регрессии. Описываются характеристики качества программной реализации метода, определенные на базах графических образов символов с известными границами. Производится сопоставление с характеристиками известных алгоритмов распознавания символов, таких как нейронные сети и алгоритм сравнения с эталонными образами.

В гл.2 показано наличие закономерностей в выставлении оценок распознавания. Введены понятия "среднестатистического" растра и вектора. Выявлены особенности распознавания их самих. Выполнен анализ характера распознавания в контексте этих величин. Изучено поведение оценки распознавания при увеличении "расстояния" между полиномиальным вектором/растром, построенным по изображению символа, и среднестатистическим вектором/растром этого символа по базе. Рассмотрен механизм формирования оценки как структуры из ряда случайных событий. Результаты получены на базе рукопечатных цифр, которая используется как для обучения, так и для распознавания.

В гл.3 проведено сравнение закономерностей в выставлении оценок распознавания для печатных и рукопечатных цифр. Для каждого из символов найдено расположение правильно, неправильно распознанных его изображений, а также образов символов, отличных от данного. Введены понятия мелко-, средне- и крупномасштабных явлений при описании данного метода распознавания. Показано наличие структур на средне- и крупномасштабном уровнях. Разработан подход к исследованию зависимости качества распознавания от степени различия между базой обучения и полученной путем ее модификации базой распознавания. Изучена корреляция динамики среднестатистических величин (растров и полиномиальных векторов), а также качества распознавания в процессе изменения базы печатных и рукопечатных цифр.

Инициатором издания данной книги был профессор Н.Е.Емельянов. К великому сожалению, этого достойнейшего человека уже нет с нами. Николай Евгеньевич проявлял искренний интерес к моим публикациям и высказал ряд рекомендаций по обобщению полученных результатов.

Моральная поддержка в проведении исследований, обсуждения, советы и доброжелательное отношение к издательскому проекту со стороны чл.-корр. РАН проф. В.Л.Арлазарова и чл.-корр. РАН проф. Ю.С.Попкова сыграли важную роль в судьбе рукописи.

Моя деятельность в области распознавания была начата благодаря дружескому участию А.В.Мисюрева.

Следует подчеркнуть, что наиболее существенные основополагающие результаты были получены вместе с моим постоянным соавтором М.Б.Гавриковым.

На различных этапах работы безусловно полезное влияние оказали сотрудники ИСА РАН Н.Е.Бузикашвили, А.Я.Подрабинович, А.В.Усков, В.В.Фарсобина.

Я выражаю глубокую благодарность своим учителям, коллегам и друзьям, способствовавшим появлению этой книги.

Я очень признательна Российскому фонду фундаментальных исследований, поддержавшему как издание книги (проект –07–07006-д), так и работы, определившие значительную часть содержания (проект –07–0700374-а).

Об авторе

Надежда Владимировна ПЕСТРЯКОВА

Кандидат физико-математических наук, старший научный сотрудник Института системного анализа РАН. Окончила Московский физико-технический институт.

Область научных интересов – математическая физика, численные методы, машинное обучение, распознавание образов. Автор более 40 научных работ.