Advertisement

Invariante Erkennung handskizzierter Piktogramme mit Anwendungsmöglichkeiten in der inhaltsorientierten Bilddatenbankabfrage

  • Stefan Müller
  • Gerhard Rigoll
  • Denis Mazurenok
  • Daniel Willett
Conference paper
Part of the Informatik aktuell book series (INFORMAT)

Zusammenfassung

In diesem Bericht präsentieren wir ein neuartiges Merkmalsextraktionsverfahren sowie einen Hidden-Markov-Modell (HMM) basierten Klassifizierer für die rotations-, translations-, und skalierungsunabhängige Erkennung von handskizzierten Piktogrammen. Die Merkmalsvektoren werden dabei in einem festen Winkelabstand entlang der Verbindungslinie zwischen dem Schwerpunkt und einem das Piktogramm einschließenden Kreis entnommen. Für die Erkennung werden HMM-Techniken verwendet, die es ermöglichen, neben dem Klassifikationsergebnis auch einen Schätzwert für den Rotationswinkel anzugeben. Die Evaluierung der vorgestellten Methoden erfolgt mittels zweier großer Piktogramm-Datenbasen, die jeweils aus 20 Klassen bestehen und deren Klassenelemente durch die handschriftliche Eingabe große Formvariationen aufweisen. Die erzielten Erkennungsraten liegen über 99% und sind denen, die mit Momentenmethoden in Kombination mit neuronalen Netzen erzielt wurden, überlegen. Als Beispiel für eine mögliche Anwendung der vorgestellten Techniken wird ein experimentelles Bilddatenbanksystem vorgestellt, das intuitiv über Skizzen des Benutzers angefragt werden kann.

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literatur

  1. 1.
    J. Wood, „Invariant Pattern Recognition: A Review“, Pattern Recognition, Vol. 29, No. 1, 1996, pp. 1–17.CrossRefGoogle Scholar
  2. 2.
    Y. He and A. Kundu, „2-D Shape Classification Using Hidden Markov Model“, IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 13, No. 11, 1991, pp. 1172–1184.CrossRefGoogle Scholar
  3. 3.
    S. Lee and B. Lovell, „Modelling and Classification of Shapes in Two-Dimensions Using Vector Quantisation“, Proc. IEEE-ICASSP, Vol. 5, 1994, pp. 141–144.Google Scholar
  4. 4.
    L.R. Rabiner, „A Tutorial on Hidden Markov Models and Selected Applications in Speech Recognition“, Proc. IEEE, Vol. 77, No. 2, Feb. 1989, pp. 257–286.CrossRefGoogle Scholar
  5. 5.
    K. S. Nathan, J. R. Bellegarda, D. Nahamoo and E. J. Bellegarda, „On-line Handwriting Recognition Using Continuous Parameter Hidden Markov Models“,Proc. IEEE-ICASSP, Vol. 5, 1993, pp. 121–124.Google Scholar
  6. 6.
    H.-C. Lin, L.-L. Wang and S.-N. Yang, „Color Image Retrieval Based on Hidden Markov Models“, IEEE Transactions on Image Processing, Vol. 6, No. 2, Feb. 1997, pp. 332–339.CrossRefGoogle Scholar
  7. 7.
    S. Müller, G. Rigoll, A. Kosmala and D. Mazurenok, „Recognition of Hand-Drawn Pictograms Using HMMs with a Rotating Feature Extraction“, Intern. Workshop on Frontiers in Handwriting Recognition, Taejon, Korea, 1998.Google Scholar

Copyright information

© Springer-Verlag Berlin Heidelberg 1998

Authors and Affiliations

  • Stefan Müller
    • 1
    • 2
  • Gerhard Rigoll
    • 1
    • 2
  • Denis Mazurenok
    • 1
    • 2
  • Daniel Willett
    • 1
    • 2
  1. 1.Fachgebiet Technische InformatikGerhard-Mercator-Universität - GH DuisburgDuisburgGermany
  2. 2.Fachbereich ElektrotechnikGerhard-Mercator-Universität - GH DuisburgDuisburgGermany

Personalised recommendations