انجمن کامپیوتر ایران

روش‌های آماری مانند مدل مخفی مارکوف به خوبی در مسائل بازشناسی گفتار مورد استفاده قرار گرفته‌اند. اخیراً این متدها در بازشناسی دست نوشته نیز بکار گرفته شد ه‌اند. در این مقاله یک روش مبتنی بر گروه‌بندی، جهت بازشناسی حروف مجزای بر خط فارسی مستقل از نویسنده، ارائه می‌شود. مدل‌سازی با استفاده از مدل مخفی مارکوف انجام می‌پذیرد و ویژگی‌های متعددی از دنباله نقاط نمونه‌برداری شده از حروف دست نوشته، جهت تخمین پارامترها، استخراج شده است. آزمایشات مختلفی با ویژگی‌های متفاوت دنباله نقاط و توپولوژی‌های گوناگون مدل مخفی مارکوف با استفاده از روش مبتنی بر گروه‌بندی و روش مبتنی بر هر یک از حروف انجام گرفته و نتایج و تاثیر آنها بر دقت بازشناسی گزارش شده است. با گروه‌بندی حروفی که حرکات دست هنگام نوشتن آن‌ها مشابه است و مدل‌سازی هر گروه، درصد خطای بازشناسی نسبت به روشی که در آن برای هر یک از حروف، مدلی ایجاد می شود، 25,63 درصد کاهش یافته است. بهترین نتیجه با استفاده از ویژگی‌های مشتق زمانی مرتبه اول مولفه‌های افقی و عمودی نقاط روی محورهای مختصات و تفاضل زوایای نقاط پی در پی، به‌دست آمده است.