Ứng dụng mạng noron nhân tạo SOM cho bài toán nhận dạng kí tự

Trong bài báo này chúng tôi đề xuất một cấu trúc trọng số mới của mạng noron SOM để biểu diễn các đặc trưng hình dạng của đối tượng, đồng thời xây dựng một hàm khoảng cách để đo độ phi tương tự giữa các đặc trưng dữ liệu và áp dụng cho bài toán nhận dạng ký tự. Kết quả thử nghiệm chỉ ra rằng mạng noron SOM có khả năng nhận dạng tốt hơn khi áp dụng giải pháp cải tiến.
Nội dung trích xuất từ tài liệu:
Ứng dụng mạng noron nhân tạo SOM cho bài toán nhận dạng kí tựLê Anh Tú và ĐtgTạp chí KHOA HỌC & CÔNG NGHỆ99(11): 55 - 60ỨNG DỤNG MẠNG NORON NHÂN TẠO SOMCHO BÀI TOÁN NHẬN DẠNG KÍ TỰLê Anh Tú1*, Nguyễn Quang Hoan2, Lê Sơn Thái11Trường Đại học Công nghệ thông tin và truyền thông – ĐH Thái Nguyên2Học viện Công nghệ Bưu chính Viễn thôngTÓM TẮTKhi áp dụng mạng noron SOM cho bài toán nhận dạng nói chung và nhận dạng ký tự nói riêng,chúng tôi nhận thấy mạng noron SOM có nhiều triển vọng trong vấn đề này. Tuy nhiên, với mỗidạng dữ liệu vào thì vector trọng số và hàm khoảng cách đánh giá độ phi tương tự của dữ liệu cầnđược thiết kế phù hợp để mạng hoạt động hiệu quả hơn. Trong bài báo này chúng tôi đề xuất mộtcấu trúc trọng số mới của mạng noron SOM để biểu diễn các đặc trưng hình dạng của đối tượng,đồng thời xây dựng một hàm khoảng cách để đo độ phi tương tự giữa các đặc trưng dữ liệu và ápdụng cho bài toán nhận dạng ký tự. Kết quả thử nghiệm chỉ ra rằng mạng noron SOM có khả năngnhận dạng tốt hơn khi áp dụng giải pháp cải tiến.Từ khóa: nhận dạng kí tự, mạng noron nhân tạo, mạng tự tổ chức, phân cụm dữ liệu, học cạnh tranh.GIỚI THIỆU*Trong những năm gần đây, lĩnh vực nhậndạng đối tượng sử dụng mạng noron nhân tạolà một hướng nghiên cứu được nhiều ngườiquan tâm [1,2,4,5]. Tùy từng kiểu đối tượngcần nhận dạng và mô hình mạng noron đượcáp dụng mà có các giải pháp khác nhau đãđược đưa ra. Trong phạm vi nghiên cứu củabài báo này, chúng tôi tập trung vào vấn đềnhận dạng đối tượng dựa trên các đặc trưnghình dạng sử dụng mạng noron nhân tạoSOM[7]. Với mỗi ảnh đối tượng huấn luyệnđầu vào (ví dụ ảnh ký tự, chữ kí,..), trích racác điểm đặc trưng mô tả đối tượng và sửdụng các thông tin này để huấn luyện mạngnoron SOM. Giải pháp này có thể áp dụngcho các bài toán nhận dạng kí tự, chữ ký, biểnsố xe… Hình 1 minh họa quy trình nhận dạngký tự sử dụng mạng noron nhân tạo SOM.Trong cả hai giai đoạn của quy trình trên đềuthực hiện tiền xử lý ảnh đầu vào để giảmnhiễu. Tuy nhiên, chỉ có giai đoạn 1 phải tríchchọn đặc trưng của ký tự sau bước tiền xử lý.Còn giai đoạn 2, ảnh sau khi tiền xử lý sẽđược đưa trực tiếp vào mạng để đối sánh.Hiện tại có nhiều giải pháp trích chọn đặctrưng có thể áp dụng cho tập dữ liệu ký tựnhư[3]: phương pháp trọng số vùng (zoning),biểu đồ chiếu (projection histograms), tríchchọn chu tuyến (contour profiles), wavelet*Tel: 0989 199088, Email: latu@ictu.edu.vnHaar[6]… mỗi phương pháp đều có nhữngưu, nhược điểm riêng.Thực tế, khi áp dụng mạng noron SOM chobài toán nhận dạng kí tự, chúng tôi thấy độchính xác của kết quả nhận dạng phụ thuộcnhiều vào phương pháp trích chọn đặc trưngvà hàm đánh giá độ phi tương tự của SOM(hàm khoảng cách). Hàm khoảng cách nàycần được xây dựng phù hợp với từng dạng dữliệu và đặc trưng cụ thể. Chúng tôi đã chiaảnh thành nhiều vùng tương tự phương pháptrọng số vùng (chia ảnh thành lưới kích thướcm x n, mỗi ô lưới là một đầu vào của mạngvới giá trị là số điểm đen trong ô lưới đó)[3]và xác định đặc trưng hình dạng của đốitượng dựa vào vị trí các điểm đen đặc trưngvà vị trí các điểm trắng đặc trưng. Trong đó,điểm đen (đặc trưng điểm đen) mô tả đườngnét của đối tượng, chỉ ra những vị trí bắt buộcphải có nét vẽ; ngược lại, điểm trắng (đặctrưng điểm trắng) mô tả các vị trí không cóđường nét (không được phép có nét vẽ).Những đặc trưng này là cơ sở để chúng tôithiết kế cấu trúc trọng số cho mạng noron SOM,từ đó xây dựng một hàm khoảng cách mới phùhợp với cách lựa chọn các đặc trưng này.Các phần tiếp theo của bài báo sẽ trình bàychi tiết hơn, trong đó: phần 2 trình bày giảithuật SOM, phần 3 mô tả cấu trúc trọng sốmới sử dụng đặc trưng điểm đen và đặc trưngđiểm trắng, phần 4 đưa ra công thức xác địnhđộ phi tương tự giữa trọng số của noron vàảnh đầu vào, phần 5 trình bày kết quả thựcnghiệm và cuối cùng là kết luận.55Lê Anh Tú và ĐtgTập ảnh kí tựhuấn luyệnTạp chí KHOA HỌC & CÔNG NGHỆTiềnxử lýTríchchọn đặctrưngGiai đoạn 1Giai đoạn 2Tập ảnh kí tựcần nhận dạngTiềnxử lý99(11): 55 - 60Huấn luyệnmạng noronSOMMạng noronSOM đã đượchuấn luyệnMạng noronSOM đã đượchuấn luyệnKết quả nhậndạngHình 1. Quy trình nhận dạng ký tự sử dụng mạng noron nhận tạoMẠNG NORON NHÂN TẠO SOMMạng noron SOM[7] gồm lớp tín hiệu vào vàlớp ra Kohonen. Lớp Kohonen thường đượctổ chức dưới dạng một ma trận 2 chiều cácnoron. Mỗi đơn vị i (noron) trong lớpKohonen được gắn một vector trọng số wi=[wi1, wi2, …,win], với n là kích thước vectorđầu vào (Hình 2); wij là trọng số của noron iứng với đầu vào j).Quá trình huấn luyện mạng được lặp nhiềulần, tại lần lặp thứ t thực hiện 3 bước:Bước 1- tìm noron chiến thắng (BMU- BestMatching Unit): chọn ngẫu nhiên một đầu vàov từ tập dữ liệu, duyệt ma trận Kohonen tìmnoron b có hàm khoảng cách dist nhỏ nhất(thường dùng hàm Euclidian, Manhattan hayVector Dot Product). Noron b được gọi làBMU.dist =|| v − w b ||= ...