تشخیص جنسیت نویسنده مستقل از متن و زبان نوشتاری با استفاده از پالایش پویای نمادین مبتنی بر تبدیل رادن
محورهای موضوعی : مهندسی برق و کامپیوترکاظم نوری هفتچشمه 1 * , رضا خدادادي 2 , یونس اکبری 3 , سيدمحمد رضوي 4 , حسن احمدی ترشیزی 5
1 - دانشگاه سمنان
2 - دانشگاه آزاد اسلامی، واحد مشهد
3 - دانشگاه سمنان
4 - دانشگاه بیرجند
5 - دانشگاه آزاد اسلامی، واحد مشهد
کلید واژه: پالایش پویای نمادین تبدیل رادن تشخیص جنسیت نویسنده دستخط برونخط,
چکیده مقاله :
در این مقاله یک سیستم خودکار بر مبنای روشی جدید در استخراج ویژگی برای تشخیص جنسیت افراد از روی تصاویر اسکنشده نمونه دستخط ارائه شده است. در روش پیشنهادی به منظور نشاندادن تمایز بین نمونههای دستخط زنان و مردان، ابتدا از تصویر دستنوشته، تبدیل رادن گرفته میشود و سپس با استفاده از یک ابزار تحلیلی در سیستمهای دینامیکی با عنوان پالایش پویای نمادین، ویژگیهای هر نمونه دستخط استخراج میگردد. آموزش و طبقهبندی ویژگیهای استخراجشده از نمونههای دستخط با شبکه عصبی پرسپترون چندلایه انجام شده است. در پایان با هدف بررسی کارایی روش پیشنهادی، آزمایشهایی بر روی بانک اطلاعاتی MSHD صورت پذیرفت. علاوه بر آزمایش تشخیص جنسیت بر روی کل بانک اطلاعاتی، دو چالش جدید تشخیص جنسیت مستقل از متن و زبان نوشتاری نیز بررسی شده است. آزمایشهای انجامشده نشان میدهد روش پیشنهادی میزان دقت تشخیص را نسبت به کارهای قبلی که از روشهای جدیدی در تحلیل دستخط از قبیل فرکتالها، کدهای زنجیرهای و بافتها بهره میبرند، بهبود داده است. بهترین نرخ دقت به دست آمده در آزمایشها 9/84 درصد گزارش شده است.
In this paper an automated system based on feature extraction of new techniques is presented to detect the gender from the scanned images (off-line) handwriting samples. In order to show the difference between examples of handwriting, in the first step Radon transform is taken from the handwritten image, and then each handwriting sample features are extracted using symbolic dynamic filtering. Training and classification of extracted features from the samples are carried out by the multi-layer perceptron neural network. At the end, to determine the effectiveness of the proposed method, experiments are carried out on the Multi Script Handwritten Database (MSHD). In addition, two new challenges of text and script-independent gender detection are explored. Experiences show that the proposed method improves the detection rate compared to the previous works such as fractals, chain codes and textures. The best detection rate is able to achieve accuracy of 84.9% in experiences.