Submitted by Johnny Rodrigues (johnnyrodrigues@ufcg.edu.br) on 2018-08-14T17:31:43Z No. of bitstreams: 1 LUCIANA RIBEIRO VELOSO - TESE PPGEE 2009..pdf: 1635341 bytes, checksum: 2d73699d44711c0cc83e60f235f32c94 (MD5) / Made available in DSpace on 2018-08-14T17:31:43Z (GMT). No. of bitstreams: 1 LUCIANA RIBEIRO VELOSO - TESE PPGEE 2009..pdf: 1635341 bytes, checksum: 2d73699d44711c0cc83e60f235f32c94 (MD5) Previous issue date: 2009-03 / Este trabalho apresenta um sistema de reconhecimento de palavras manuscritas isoladas dependente do escritor. Este sistema caracteriza-se por utilizar uma etapa de pré-processamento, que visa corrigir imperfeições e normalizar variações na imagem da palavra manuscrita, uma etapa de segmentação explícita, que visa dividir a palavra em caracteres ou segmentos de caracteres, uma etapa de extração de características, que tem por finalidade representar a imagem por três vetores de características (perceptivas, globais e direcionais) e um módulo de quantização vetorial, que tem o objetivo de realizar o mapeamento de um vetor de características em um vetor de observação (ou vetor de símbolos). Os símbolos correspondem aos índices (dos vetores-código) gerados na representação (quantização vetorial) da sequência de características com o uso dos dicionários. Finalizando, tem-se a etapa de classificação realizada por Modelos Escondidos de Markov, na qual os caracteres são reconhecidos individualmente e combinados para formar a palavra. Testes experimentais foram realizados com uma base de dados construída especificamente para este fim, contendo amostras de manuscritos de4escritoresdistintos. Osistemadereconhecimentodepalavrasmanuscritasisoladas dependente do escritor obteve taxas de reconhecimento que variaram entre 83,31% a 92,96% dependendo do escritor analisado. Os resultados apresentados mostram que o sistema apresenta um ótimo desempenho quando utilizado para reconhecer palavras através dos modelos de caracteres. / This work presents a writer-dependent system for isolated handwritten cursive word recognition. This system is characterized by the utilization of a pre-processing state, which corrects imperfections and normalizes variations in the word image, an explicit segmentation stage, which splits the word into characters or character segments, a feature extraction stage, which represents the image by three feature vectors (perceptive, global and directional features), and a vector quantization module, which performs the mapping of a feature vector into an observation vector (or symbols vector). The symbols correspond to indices (the code vectors) generated by the representation (vector quantization) of the feature sequences with the use of dictionaries. Finally, there is the classification stage, performed by Hidden Markov Models, where characters are individually recognized and combined to form a valid word. Experimental tests were conducted with a database specifically built for this problem, containing samples of manuscripts from 4 different writers. The writer-dependent system for isolated handwritten cursive word recognition was recognition rate between 83.31% and 92.96% depending writer analyzed. The results show that the system offers optimum performance when used word recognize by the characters models.