چکیده :
در تحقیق ارائه شده ، مساله بازشناسی حروف دستنویس فارسی به کمک شبکه های عصبی مورد بررسی و مطالعه قرار گرفته است. جهت انجام این پروژه، مراحلی تعیین و تعریف می شود که شامل انتخاب و تعیین خصوصیت منحصر به هر حرف بوده، به گونه ای که در مقابل مواردی از قبیل چرخش، تغییر اندازه و جابجایی مقاوم باشد. تبدیل فرمت ورودی به شکل قابل ارائه به شبکه و آنگاه آموزش شبکه عصبی از دیگر مراحل اجرای پروژه است. در این پروژه از یک خصوصیت مهم به نام Shape Context با توجه به استفاده از الگوریتم Otsu جهت انجام عملیات باینری کردن تصاویر نمونه و چندین خصوصیت تکمیلی دیگر در کنار آن به صورت ترکیبی استفاده شده است.استفاده از این خصوصیت مهم به ما در دستیابی به اهداف ذکر شده از قبیل قابلیت انعطاف بالای ویژگی های استخراج شده در برابر چرخش و همچنین محل قرار گرفتن حرفی که مورد پردازش قرار گرفته، کمک می کند. این خصوصیت به شیوه ی خاصی با محیط کردن یک دایره به دور حرف مورد نظر با عدم توجه به اینکه تصویر حرف مورد نظر در کدام قسمت از کادر قرار گرفته، اقدام به قسمت بندی داخل دایره مورد نظر در راستای شعاعی و همچنین در راستای قطر دایره کرده و با شمارش تعداد پیکسل های موجود در هرکدام از قسمت ها ماترس ویژگی حاصل از خصوصیت Shape Context را در خروجی نمایش می دهد. ماتریس حاصل شاکله اصلی ماتریس ویژگی ما را تشکیل خواهد داد که در کنار آن ویژگی هایی نظیر تعداد نقاط موجود در هر شکل و ویژگی هایی از این دست قرار داده می شود تا تشخیص به صورت دقیق تر صورت پذیرد. در انتهای عملیات، آموزش بر روی نه کلاس داده که از تصاویر استخراج شده تشکیل شده اند صورت گرفته و بر روی داده آزمون که داده ای است که در مجموعه داده های مورد آموزش توسط شبکه نمی باشد،امتحان می شود، که در 23/90% موارد، خروجی به درستی تشخیص داده می شود. در قسمت پایانی آزمایش ها سعی شد تا خروجی شبکه ای که توسط تمام داده ها آموزش دیده است مورد بررسی قرار گیرد، که با دادن کلماتی که شامل حروف مقطع از داخل خود مجموعه بودند در اکثریت کلمات خروجی صحیح را داشته باشیم