문자 인식을 위한 팽창 윤곽선 특징 = The Characteristics of the Dilated Boundary Curve for Character Recognition

국문 초록 (Abstract)

본 연구에서는 문자 인식의 강인성을 마련하기 위하여 문자 패턴의 이동, 크기, 그리고 회전 변형에 불변인 팽창윤곽 특징에 의한 문자 인식 방법을 제안하고, 그 특성과 유효성을 영문 알파벳과 숫자에 대한 인식 실험을 통해서 평가한다. 팽창 윤곽선에 의한 특징벡터는 형상학적 팽창(morphological dilation) 처리에 의한 문자 패턴의 경계 형상의 푸리에 기술자(Fourier descriptor)로 표현된다. 이 특징벡터는 인식을 위해 최근접 분류기(nearest neighbor classifier) 혹은 최근접 이웃 평균 분류기(nearest neighbor mean classifier)에서 사용되며 처리시간 및 인식률의 관점에서 만족할 만한 결과를 제공하며, 패턴의 내부 잡음 및 부분적인 열화 변형에도 인식의 강인성을 가진다.
본 접근법은 불행히도 팽창처리와 회전변형의 몇몇 특성상 팽창 윤곽이 유사한 4개 문자쌍: (O, 0), (6, 9), (A, V), (M, H)에 대한 분류 능력이 없다. 그러나 이동, 크기, 그리고 회전 변형에도 불구하고 실험적인 문자 인식률은 모든 문자에 대해서 91.67% 그리고 팽창윤곽이 유사한 문자들을 제외한 나머지에 대해서는 97.02%로 매우 높았다. 이 사실은 본 접근법과 기존의 접근법을 함께 사용하면 강인하고 보다 고정도인 문자인식이 가능함을 시사한다.

다국어 초록 (Multilingual Abstract)

In this paper, to provide the robustness of character recognition, we propose a recognition method using the dilated boundary curve feature which has the invariance characteristics for the shift, scale, and rotation changes of character pattern. And its some characteristics and effectiveness are evaluated through the experiments for both the english alphabets and the numeral digits. The feature vector is represented by the Fourier descriptor for a boundary curve of the dilated character pattern which is generated by the morphological dilation, and is used for a nearest neighbor classifier(NNC) or a nearest neighbor mean classifier(NNMC). These classifiers provide a satisfiable result in view point of the processing time and the recognition rate, and take also the robustness of recognition for both some internal noise and partial corruption of an image pattern.
Unfortunately, because of the some characteristics of the dilation process and the rotational change, the proposed approach is unclassifiable for 4 character pairs with similar shape of the dilated boundary: (O. 0). (6. 9). (A. V ), and (H. M). But, in spite of the changes by shift, scale and rotation. the experimental recognition rate for all characters and the remainder excluding the similar characters was very high as 91.67% and 97.02% respectively. From this fact, if we use the proposed feature vector together with an existing approach, we can expect the higher precision as well as the robustness.