Аннотация.

В работе описываются задачи создания обучающего множества образов символов в условиях ограничения времени работы операторов, проводящих проверку и разметку образов символов. Предложен метод формирования обучающего множества образов символов (как бинарные образы, так и образы серых и цветных), основанный на разделении процесса проверки результатов распознавания между операторами, контролирующими распознавание текстовых строк, и операторами, выполняющими окончательную разметку.

Ключевые слова:

изображение, распознавание символов, образ символа, обучающее множество, обучающий пример.

Стр. 73-79.

V. V. Arlazarov, N. V. Reshetnyak, O. A. Slavin

"Providing a set of graphic images of characters for the character classifier learning"

Abstract. In this paper we describe the task of creating a training set of images of characters in a time limit of operators carrying out the inspection and marking of images of characters. We propose a method of forming a training set of images of characters (as binary images and grayscale and color images), based on the separation process of checking the recognition results between operators, regulatory recognition of text strings, and operators that perform the final check and marking.

Keywords: image character recognition, character image, the training set, a training example.

Полная версия статьи в формате pdf.

 REFERENCES

1. Galushka V. V., Fatkhi V. A. Formirovanie obuchayushchey vyborki pri ispolzovanii iskusstvennykh neyronnykh setey v zadachakh poiska oshibok baz dannykh // [Elektronnyy  resurs],  Inzhenernyy  vestnik  Dona. 2013. № 2. http://www.ivdon.ru/magazine/archive/ n2y2013/
1597 (data obrashcheniya: 06.08.2013).
2. Huda Alamri, Javad Sadri, Ching Y. Suen, Nicola Nobile. A Novel Comprehensive Database for Arabic Off-Line Handwriting Recognition // Proc. of the 11th Int. Conference on Frontiers in Handwriting Recognition (ICFHR’ 2008). Montreal, Canada. 2008. P. 664–669.
3. Tonghua Su, Tianwen Zhang, Dejun Guan. HIT-MW data set for offline Chinese handwritten text recognition. In 10th IWFHR, La Baule, 2006.
4. Savchinskiy B. D., Olefirenko S. A.  Poisk razmerov etalonov pri raspoznavanii tekstovykh izobrazheniy // Sbornik trudov Mezhdunarodnogo nauchno-obuchayushchego tsentra informatsionnykh tekhnologiy i sistem NAN i MON Ukrainy «Perspektivnye tekhnologii obucheniya i uchebnykh tsentrov». K.: MNNTsITIS, 2009. Vyp. 2. C. 24–45.
5. Slavin O. A.  Sredstva  upravleniya  bazami  graficheskikh obrazov simvolov i ikh mesto v sistemakh raspoznavaniya // Sbornik trudov ISA RAN «Razvitie bez bumazhnykh  tekhnologiy  v  organizatsiyakh».  M.:  URSS, 1999. S. 277–289.
6. Levenshteyn V. I.  Dvoichnye  kody  s  ispravleniem vypadeniy, vstavok i zameshcheniy simvolov // Doklady Akademiy Nauk SSSR. 1965. T. 163. №. 4. S. 845–848.
7. Postnikov V. V.   Avtomaticheskaya   identifikatsiya   i raspoznavanie strukturirovannykh dokumentov // Diss. na soiskanie uch. st. kand. tekhn. nauk. 2001.
8. Yaglom A. M., Yaglom I. M. Veroyatnost i informatsiya. M.: KomKniga/URSS, 2007.
9. Wayne Niblack. An Introduction to Digital Image Processing. Englewood Cliffs, Prentice Hall, N. J., 1986. P. 115–116.
10. Arlazarov V. V., Postnikov V. V., Sholomov D. L. Cognitive Forms — sistema massovogo vvoda strukturirovannykh dokumentov // Sbornik trudov Instituta sistemnogo analiza RAN «Upravlenie informatsionnymi potokami». M.: URSS, 2002. S. 35–46.