Die maschinelle Erkennung von gedruckten Zeichen ist weitestgehend gelöst, bei handschriftlichen Daten ergeben sich jedoch nach wie vor hohe Fehlerraten. Die Ermittlung von diskriminanten Merkmalen aus Schriftzeichen zum Zweck der anschliessenden Klassifikation stellt ein schwieriges Teilproblem der optischen Schriftzeichenerkennung dar. In der vorliegenden Arbeit werden verschiedene Verfahren zur Merkmalsgewinnung mit dem Schwerpunkt 'statistische Momente' verglichen. Die verschiedenen Verfahren werden beschrieben und umfassend auf ihre Eignung im Kontext der OCR untersucht. Konkret werden Fragen der Diskriminanzfaehigkeit, der Sensibilitaet auf das Datenmaterial, der Invarianzeigenschaften und der effizienten Berechnung beantwortet. Dabei wurde ein System zur Erkennung handschriftlicher numerischer Symbole entwickelt, bei dem auch verschiedenste Klassifikationsverfahren und Methoden zur Merkmalsselektion und Merkmalsreduktion Anwendung fanden. Im Ergebnis der Arbeit zeigte sich eine prinzipielle Eignung aller betrachteten Verfahren, wobei die Zernikemomente, Legendremomente und Waveletmomente am besten abschnitten und zu Erkennungsraten von bis zu 97 % führten. Es wurden Empfehlungen zu den Verfahren und geeignete Parametrisierungen angegeben.
| Identifer | oai:union.ndltd.org:DRESDEN/oai:qucosa:de:qucosa:16758 |
| Date | 16 November 2017 |
| Creators | Schleif, Frank-Michael |
| Contributors | Universität Leipzig |
| Source Sets | Hochschulschriftenserver (HSSS) der SLUB Dresden |
| Language | German |
| Detected Language | German |
| Type | info:eu-repo/semantics/acceptedVersion, doc-type:masterThesis, info:eu-repo/semantics/masterThesis, doc-type:Text |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | urn:nbn:de:bsz:15-qucosa2-163403, qucosa:16340 |
Page generated in 0.002 seconds