Reconnaissance d'écriture manuscrite par des techniques markoviennes : une approche bidimensionnelle et générique - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2004

Reconnaissance d'écriture manuscrite par des techniques markoviennes : une approche bidimensionnelle et générique

Résumé

We present an approach of the problem of handwriting recognition using hidden Markov random fields and based on a trully bidimensional analysis of the handwriting. The main innovative aspect of this approah is the combination of a windowed analysis of the image, a Markovian modelisation and an implementation of the 2D dynamic programming algorithm that achieves a fast and optimal decoding of Markov fields. Another feature of this study is the development methodology that focuses on a systematic evaluation of the algorithms and parameters. These algorithms are partly taken from techniques of the domain of speech processing and are very generic.

This approach is validated on two different applications corresponding to standard public databases. The application of this generic algorithm to a handwritten digits recognition task achieved results similar to the ones of state-of-the-art methods. The application to a handwritten words recognition task showed that this approach can be extended to more complex tasks in a natural way.

This work showed that the proposed approach is valid and appears as a candidate standard method for solving various tasks in computer vision. It paves the way for further developments in handwriting recognition and other important enhancements are expected with the use of other principles commonly used in speech and language processing problems. Other tasks such image segmentation could also benefit from the robustness and the learning ability of our approach.
Nous présentons une approche de reconnaissance d'écriture manuscrite à partir de champs de Markov cachés et fondée sur une analyse entièrement bidimensionnelle de l'écriture. Son originalité réside dans la combinaison d'une analyse fenêtrée de l'image, d'une modélisation markovienne et dans la mise en oeuvre de la programmation dynamique 2D qui permet un décodage rapide et optimal des champs de Markov. Un aspect important de ces travaux est la méthodologie de développement employée qui est centrée sur l'évaluation systématique des apports algorithmiques et des paramètres utilisés. Ces algorithmes sont en partie empruntés aux techniques utilisées dans le domaine de la reconnaissance de la parole et sont très génériques.

L'approche proposée est validée sur deux applications correspondant à des bases de données standard et librement disponibles. L'application de cette méthode extrêmement générique à une tâche de reconnaissance de chiffres manuscrits a permis d'obtenir des résultats comparables à ceux de l'état de l'art. L'application à une tâche de reconnaissance de mots manuscrits a permis de confirmer que l'extension de cette approche à des tâches plus complexes était naturelle.

L'ensemble de cette recherche a démontré la validité de l'approche développée qui apparaît comme candidate au statut d'approche standard pour plusieurs problèmes de vision. En outre, elle ouvre la voie à de très nombreux développements concernant la tâche de traitement de l'écriture manuscrite et des améliorations significatives pourraient encore être apportées en recourant à d'autres principes issus du traitement de la parole et du langage. D'autres tâches comme la segmentation d'image devraient tirer avantage de la robustesse et de la faculté d'apprentissage de la modélisation que nous proposons.
Fichier principal
Vignette du fichier
These-Chevalier.pdf (3.49 Mo) Télécharger le fichier
Loading...

Dates et versions

tel-00273254 , version 1 (14-04-2008)

Identifiants

  • HAL Id : tel-00273254 , version 1

Citer

Sylvain Chevalier. Reconnaissance d'écriture manuscrite par des techniques markoviennes : une approche bidimensionnelle et générique. Informatique [cs]. Université René Descartes - Paris V, 2004. Français. ⟨NNT : ⟩. ⟨tel-00273254⟩
217 Consultations
3355 Téléchargements

Partager

Gmail Facebook X LinkedIn More