Arapça el yazısı harflerin örüntü tanıma yaklaşımları kullanılarak tanınması

Abstract

El yazısı ile yazılmış harflerin otomatik olarak tanınması; ofis otomasyonu, bankacılık ve güvenlik gibi birçok alanda insanlar ve makineler arasındaki etkileşimi geliştirmek için kullanılır ve insanlar tarafından yazılmış dokümanların makine ile kodlanmış hale dönüştürme sürecidir. Bu tezde, Arapca el yazısı karekterlerin tanınması için gri seviyeli eş oluşum matrisleri (GLCM), yerel ikili örüntü (LBP), yapay sinir ağı (ANN) ve odaklı gradient histogram (HOG) olarak adlandırılan ozellik çıkarma ve sınıflandırma yaklaşımları karşılaştırılmıştır. GLCM, LBP ve HOG özellik çıkarımı için kullanılan yöntemler olup çıkarılan özelliklerden sınıflandırma yapmak için K-en yakın komşu (KNN) sınıflandırma yaklaşımı kullanılmıştır. ANN'de ise sinir ağı girdisi için piksel değerlerinin yoğunlukları kullanılmıştır. Her yöntemin sonuçlarını değerlendirmek için karışıklık matrisi (CM) tekniği ve çapraz geçerleme yöntemleri izlenmiştir. Sonuçlar; HOG (odaklı gradient histogram)'un en yüksek doğruluğu verdiği, en az doğruluk performansının ise gri seviyeli eş oluşum matrisleri tarafından elde edildiği gözlemlenmiştir.Handwriting recognition is the process of detecting and converting letters written by humans into machine-encoded forms to improve the interaction between humans and machines in many fields like office automation, banking and business. In this thesis, we apply four recognition methods for Arabic letters recognition, namely gray level co-occurrence matrix (GLCM), local binary pattern recognition (LBP), artificial neural network (ANN) and histogram of oriented gradients (HOG). The three methods, GLCM, LBP and HOG are used for feature extraction. In ANN we use the intensity values of pixels for input of the neural network. For classification the K-Nearest Neighbor (KNN) is used for the LBP, GLCM and HOG. To evaluate the results of each method, Confusion Matrix (CM) technique is used. The results show that HOG have the highest accuracy, while the least accuracy is achieved by GLCM.