Un Système de Reconnaissance de Formes Basé sur une Approche Multi-Classifieurs

Thesis Type:

mastersDoctorat en sciences

Abstract:

Améliorer la performance d’un système de reconnaissance de formes fait l’objet de recherche dans de nombreuses disciplines. On obtient cette amélioration par l’optimisation dans les différents partis du système de reconnaissance de formes : les prétraitements, l’extraction des paramètres caractéristique (primitives), la classification. Les travaux de recherche présentés dans cette thèse abordent le problème de la reconnaissance des chiffres arabe imprimés et manuscrits. L’objectif principal de ce travail est l’amélioration de la performance en terme de taux de reconnaissance par l’application d’un système multi classificateur (MCS). Différents classifieurs sont utilisés (KPPV, PMC, SVM, LDA, Arbre de décision, Na{\"ıve Bayesien, Pseudo inverse), à l’aide de différents types de vecteurs de caractéristiques extraite de l’image. Enfin, comme les performances de MCS dépendent des performances des classifieurs appliquée (les performances individuelles des classifieurs), et comme la performance d’un classifieur dépend ainsi des caractéristiques utilisé l’optimisation de l’extractions des primitives pertinentes est également abordée dans la thèse. Nous avons réalisé plusieurs simulations pour éprouver les classifications, en introduisant des améliorations dans les paramètres caractéristiques et en faisant des combinaisons de classifieurs. Dans une première partie, nous montrons l’intérêt de l’utilisation des paramètres caractéristique pertinente, à l’aide des classifieur individuelle (séparé, indépendants) comme source d’inspiration pour la conception de nouveaux paramètres. Nous proposons en particulier une amélioration de primitives pour la caractérisation des chiffres. On montre qu’il est possible de développer une solution efficace, à moindre coût en terme de réduction de vecteur caractéristique et transformation géométrique. Donc, Le système développé s’articule autour de quatre modules distincts. Un module de prétraitements, un d’extraction des paramètres caractéristique, un module de reconnaissance (classification) et un module de combinaison de classifieurs. Ce dernier est chargé de fusionner les sorties (décisions) de chaque classifieur basant sur des méthodes (règles) de fusion. Les résultats obtenus sur les bases des chiffres imprimés et la base MNIST des chiffres manuscrits sont prometteurs. Cette thèse apporte quelques contributions pour faire avancer notre compréhension dans ce domaine de recherche en pleine expansion

Website