| Ausführung | 1.0 |
|---|---|
| Herausgeber | Luigi Rosa |
| Veröffentlichungsdatum | 19.11.2012 |
| Datum hinzugefügt | 19.11.2012 |
| Os Anforderungen | Windows 2003, Windows Vista, Windows 98, Windows Me, Windows, Windows NT, Windows 2000, Windows 8, Windows Server 2008, Windows 7, Windows XP |
| Bedarf | Matlab |
| Downloads insgesamt | 691 |
| Downloads pro Woche | 1 |
| Preis | Free |
Beschreibung
Die optische Zeichenerkennung (OCR) ist die Übersetzung von optisch gescannten Bitmaps gedruckter oder geschriebener Textzeichen in Zeichencodes wie ASCII. Dies ist eine effiziente Möglichkeit, gedruckte Materialien in Datendateien umzuwandeln, die auf einem Computer bearbeitet und anderweitig manipuliert werden können. Dies ist die Technologie, die seit langem von Bibliotheken und Behörden verwendet wird, um umfangreiche Dokumente schnell elektronisch verfügbar zu machen. Fortschritte in der OCR-Technologie haben zu ihrer zunehmenden Nutzung durch Unternehmen geführt. Für viele Dokumenteneingabeaufgaben ist OCR die kostengünstigste und schnellste verfügbare Methode. Und jedes Jahr macht die Technologie mehrere Hektar Lagerfläche frei, die einst Aktenschränken und Kisten voller Papierdokumente gewichen war. Bevor OCR verwendet werden kann, muss das Ausgangsmaterial mit einem optischen Scanner (und manchmal einer speziellen Platine im PC) gescannt werden, um die Seite als Bitmap (ein Punktmuster) einzulesen. Eine Software zur Erkennung der Bilder ist ebenfalls erforderlich.
Unser Softwarepaket schlägt vor, die Klassifizierung von isolierten handschriftlichen Zeichen und Ziffern des UJI-Stiftzeichendatensatzes mithilfe neuronaler Netze zu lösen. Die Daten bestehen aus Proben von 26 Zeichen und 10 Ziffern, die von 11 Schreibern auf einem Tablet-PC geschrieben wurden. Die Zeichen (im Standard-UNIPEN-Format) werden sowohl in Groß- als auch in Kleinbuchstaben geschrieben, und es gibt einen ganzen Satz von zwei Zeichen pro Schreiber. Die Ausgabe sollte also in einer der 35 Klassen liegen. Das ultimative Ziel ist es, für jeden Charakter ein vom Autor unabhängiges Modell zu erstellen.
Die Auswahl wertvoller Merkmale ist bei der Zeichenerkennung entscheidend, daher wird ein neuer und sinnvoller Satz von Merkmalen übernommen, die von C. Agell eingeführten Uniform Differential Normalized Coordinates (UDNC). Es wird gezeigt, dass diese Funktionen die Erkennungsrate unter Verwendung einfacher Klassifizierungsalgorithmen verbessern, sodass sie zum Trainieren eines neuronalen Netzwerks und zum Testen seiner Leistung auf einem UJI-Stiftzeichendatensatz verwendet werden.
Indexbegriffe: Matlab, Quelle, Code, OCR, optische Zeichenerkennung, gescannter Text, geschriebener Text, ASCII, isoliertes Zeichen.
