| Přispěvatelé: |
Gülmezoğlu, M. Bilginer, ESOGÜ, Mühendislik Fakültesi, Elektirk Elektronik Anabilim Dalı, Gülmezoğlu, Mehmet Bilginer, Elektrik-Elektronik Mühendisliği Anabilim Dalı |
| Popis: |
Bu tez çalışmasında, metin içeriğinden bağımsız el yazısı satır görüntülerinden otomatik kişi tanıma problemi ele alınmıştır. El yazısından kişiye özgü ayırt edici öznitelikler türetmek amacıyla yeni yöntemler önerilmiştir. Önerilen yöntemlerle, verilen herhangi bir el yazısı satır görüntüsüne uygulanabilen, dinamik bir model tasarlanması amaçlanmıştır.Türetilen öznitelikler, tanıma oranları açısından performanslarının değerlendirilmesi amacıyla iyi bilinen üç sınıflandırma yöntemiyle test edilmişlerdir. Tanıma modelinde K-En Yakın Komşuluk, ?Gaussian? Karışım Modeli ve Normal Dağılımlı Fark Fonksiyonu Bayes sınıflandırma yöntemleri kullanılmıştır. Deneysel çalışmalar literatürde yaygın olarak kullanılan IAM veri tabanı üzerinde gerçekleştirilmiştir. Literatürdeki aynı veri tabanı üzerinde yapılan çalışmaların sonuçları ile karşılaştırma yapabilmek ve çeşitli deneysel çalışmalarda kullanmak amacıyla IAM veri tabanından 93 kişilik, 212 kişilik ve 650 kişilik alt veri tabanları türetilmiştir. Her üç sınıflandırma yöntemiyle alınan tatmin edici sonuçlar, önerilen özniteliklerin el yazısından kişi tanıma alanında etkin bir şekilde kullanılabileceğini göstermiştir. Bu çalışmada elde edilen sonuçlar, literatürde benzer veya aynı veri tabanları üzerinde yapılan çalışmalarda elde edilen sonuçlara göre daha iyi sonuçlardır.Türetilen özniteliklerin performansları, artan kişi sayısı ve azalan satır sayısı durumlarında analiz edilmişlerdir. Tanıma oranlarının, artan kişi sayısı ve azalan satır sayısına göre eğilimlerini görmek amacıyla çeşitli deneyler yapılmıştır. Kişi sayısının artması veya satır sayısının azalması, tanıma oranlarında keskin bir düşüşe neden olmamıştır. Elde edilen sonuçlar, önerilen özniteliklerin kalitesini ve ayırt edici gücünü göstermişlerdir. In this study, the problem of automatic writer identification from text-independent handwritten text line images is addressed. New techniques have been introduced for revealing the individual features of a person?s handwriting. These techniques are aimed at designing a dynamic model which can be formalized according to any handwritten text line.Various combinations of the extracted features are applied to three well known classifiers for evaluating the contribution of features to define the correct identification rate. The K-Nearest Neighbours (K-NN), Gaussian Mixture Model (GMM), and Normal Density Discriminant Function (NDDF) Bayes classifiers are used in the present identification model. The experimental studies are conducted using the well-known IAM database. Three datasets including 93 writers, 212 writers and 650 writers from the IAM database are constituted to make various experimental studies and to able to compare the obtained results with the results of other studies which had been done previously on the same datasets. The remarkable identification rates obtained from the three classifiers on all datasets clearly indicate that the proposed feature extraction techniques can be effectively used in writer identification systems. The identification rates obtained in this study are the best scores among results given in the literature on the same or similar datasets.The performances of the extracted features are analyzed under conditions such as an increased number of writers to discriminate in the database and a decreased number of text lines per writer. We set up various experiments for analyzing the evolution of the scores as a function of the number of text lines and the number of writers. Neither the decreases in number of text lines nor the increases in the number of writers caused a dramatic loss of performance for the features. The results demonstrate the quality and discriminative power of the proposed features. 75 |
