Automatische Modellierung gebundener Handschrift
Autor: | Marc-Peter Schambach |
---|---|
EAN: | 9783639029628 |
eBook Format: | |
Sprache: | Deutsch |
Produktart: | eBook |
Veröffentlichungsdatum: | 21.05.2008 |
Untertitel: | Entwurf und Optimierung eines HMM-basierten Erkennungssystems |
Kategorie: | |
Schlagworte: | Allographen Bayes-Verfahren Bayessche Modellwahl Cursive script recognition Erkennung gebundener Handschrift Hidden-Markov-Modell Markov processes Modellierung Optical character recognition Topologie-Optimierung Word recognition |
68,00 €*
Versandkostenfrei
Die Verfügbarkeit wird nach ihrer Bestellung bei uns geprüft.
Bücher sind in der Regel innerhalb von 1-2 Werktagen abholbereit.
Gebundene Handschrift stellt die größte Herausforderung bei der automatischen Schrifterkennung dar. Während bei Druckschrift Segmentierung und Erkennung der Zeichen sequentiell abgearbeitet werden können, beeinflussen sie sich bei Handschrift wechselseitig. Dies wird bei den meisten Systemen mit Hidden-Markov-Modellen (HMM) gelöst. So auch bei Powerscript, eingesetzt in der Postautomatisierung und eines der weltweit meistbenutzten Systeme, welches in Theorie, Realisierung und Ergebnissen detailliert beschrieben wird. Es erzielt hohe Erkennungsraten, weil es statistisch arbeitet: Das Aussehen der Zeichen wird nicht vorgegeben, sondern mit Beispielen gelernt. Und dennoch werden Annahmen gemacht: Die Anzahl relevanter Schreibvarianten, ihre Größe und Komplexität werden durch die Topologien der Zeichen-HMM festgelegt. Ihre Optimierung ist das Thema des Buches. Es werden Modellwahlkriterien als Kompromiss zwischen Komplexität und Einfachheit definiert, anschließend werden verschiedene Optimierungsverfahren vorgestellt. Ihre Ergebnisse sind plausibel und verbessern die Erkennungsleistung, besonders bei fremden Schriften, wie Arabisch, für die kein Expertenwissen verfügbar ist.
Studium der Physik in Oldenburg, Sevilla und Konstanz, Promotion in Neuroinformatik an der Universität Ulm. Verantwortlich für Handschrifterkennung bei der Siemens AG, Konstanz.
Studium der Physik in Oldenburg, Sevilla und Konstanz, Promotion in Neuroinformatik an der Universität Ulm. Verantwortlich für Handschrifterkennung bei der Siemens AG, Konstanz.