Розробка модифікованого методу розпізнавання тексту на стандартизованому зображенні

Автор(и)

  • Константин Николаевич Касьян Запорізький національний технічний університет вул. Жуковського, 64, м. Запоріжжя, Україна, 69063, Україна
  • Владимир Владимирович Братчиков Запорьзький національний технічний університет вул. Жуковського, 64, м. Запоріжжя, Україна, 69063, Україна https://orcid.org/0000-0002-6070-7628
  • Вадим Викторович Шкарупило Запорізький національний технічний університет вул. Жуковського, 64, м. Запоріжжя, Україна, 69063, Україна https://orcid.org/0000-0002-0523-8910

DOI:

https://doi.org/10.15587/1729-4061.2015.43047

Ключові слова:

розпізнавання тексту, метод шаблонів, еталон, нейронна мережа, перцептрон, OpenCV

Анотація

Розроблено модифікований метод розпізнавання стандартизованого тексту на зображенні. Виділені етапи обробки зображення перед використанням методу: перетворення зображення в чорно-біле, виправлення спотворень символів, детектування окремих символів. Розпізнавання символів здійснено нейронною мережею за допомогою методу шаблонів. Представлені два варіанти рішення поставленої задачі – перший типовий, другий модифікований. В результаті проведених експериментів підтверджується ефективність модифікованого методу.

Біографії авторів

Константин Николаевич Касьян, Запорізький національний технічний університет вул. Жуковського, 64, м. Запоріжжя, Україна, 69063

Кандидат технічних наук, доцент

Кафедра комп’ютерних систем та мереж

Владимир Владимирович Братчиков, Запорьзький національний технічний університет вул. Жуковського, 64, м. Запоріжжя, Україна, 69063

Кафедра комп’ютерних систем та мереж

Вадим Викторович Шкарупило, Запорізький національний технічний університет вул. Жуковського, 64, м. Запоріжжя, Україна, 69063

Кандидат технічних наук

Кафедра комп’ютерних систем та мереж

Посилання

  1. Syuzev, V. (2012). Hybrid method OCR correction of recognition results. Engineering. Journal: science and innovation, 11, 12.
  2. Nguyen, Thi Khanh Tien (2014). Detection and recognition of texts in images of complex graphics scenes by using convolutional neural networks. Electrical and computer systems, 13, 125–130.
  3. Mokshin, V., Gabdrakhmanova, L. (2014). Developing character recognition system using neural network. Modern innovations in science and technology, 4, 223–225.
  4. Zelencov, I., Filipovic, Y. (2011). Pattern recognition based on structural frame-based descriptions in shorthand texts XVII century. Science and education: electronic science and technology publication, 12, 28.
  5. Kuchuganov, A., Shards, P. (2008). Recognition of Old Church Slavonic texts methods based on bioalgoritmah image analysis. Modern Information Technologies and Written Heritage: From ancient texts to electronic libraries. el'manuscript-08, 168–172.
  6. Kubrin, S., Mabuza, N., Isaev, A., Masters, S. (2005). Comparison of the geometric moments and Fourier descriptors method in problems of OCR. Mountain information-analytical bulletin (scientific and technical journal), 3, 106–108.
  7. Phan, Ngoc, Bui, Thi Thu Chang1, Spitcin, V. (2012). Hoang. Recognition of printed texts by applying the wavelet transform and principal component analysis. Bulletin of the Tomsk Polytechnic University, 5, 154–157.
  8. Yan, J., Gao, X. (2014). Detection and recognition of text superimposed in images base on layered method. Neurocomputing, 134, 3–14. doi: 10.1016/j.neucom.2012.12.070
  9. González, Á., Bergasa, L. M. (2013). A text reading algorithm for natural images. Image and Vision Computing, 31 (3), 255–274. doi: 10.1016/j.imavis.2013.01.003
  10. Ubozhenko, N. (2013). Analysis of the effectiveness of methods of character recognition tasks as part of the license plate recognition vehicle. Prospects of development of information technologies, 12, 41–45.
  11. Kachanovsky, Y., Yavtuhovich, A. (2007). Development license plate localization algorithm for use in a distributed hardware-software complex ANPR. Information Technology modeling and management, 39, 508–516.
  12. Petrov, S. (2013). Convolutional neural network for character recognition license plate of the car. System analysis in science and education, 21, 66–73.
  13. Gorban, A., Dunin-Barkovskii, V., Kardin, A. (1998). Neuroinformatics. RAS, Sib. Dep., Institute of calc. Simulation, 296.
  14. Uosserman, F. (1992). Neurocomputing equipment: Theory and Practice. Mir, 184.
  15. Fedotov, N. (1990). Methods of stochastic geometry in pattern recognition. Radio and Communications, 144.
  16. Yaser, S. (2012). Learning From Data. AMLBook, 213.
  17. Flanagan, C. (2013). OCR Psychology: AS Revision. Psychology Press, 88. doi: 10.4324/9780203796665
  18. Parker, J. R. (2010). Algorithms for Image Processing and Computer Vision. Wiley, 504.
  19. Bloch, J. (2008). Effective Java 2nd Edition. Sun Microsystems, Inc, Santa Clara, California 95054 USA, 369.
  20. Hominchenko, D. (2013). Configuring JavaCV for windows. Brest. Available at: http://habrahabr.ru/post/190104
  21. OpenCV – Documentation. Available at: http://docs.opencv.org/
  22. Bradski, G. R., Kaehler, A. (2011). Learning OpenCV. O'Reilly Media, Inc., 1005 Gravenstein Highway North, Sebastopol, CA 95472, 571.
  23. Forsyth, D. A., Ponce, J. (2011). Computer Vision: A Modern. Pearson, 792.
  24. Ubozhenko, N. Analysis methods for image pre-processing in the framework of the recognition problem of dirty and / or noisy license plates of vehicles. Prospects of development of information technologies, 18, 57–61.

##submission.downloads##

Опубліковано

2015-06-29

Як цитувати

Касьян, К. Н., Братчиков, В. В., & Шкарупило, В. В. (2015). Розробка модифікованого методу розпізнавання тексту на стандартизованому зображенні. Eastern-European Journal of Enterprise Technologies, 3(2(75), 11–17. https://doi.org/10.15587/1729-4061.2015.43047