بازشناسی علامت‌های ساکن زبان اشاره‌ی فارسی با استفاده از یک توصیف‌گر شکلی جدید

در این مقاله یک سیستم برای بازشناسی علامت‌های ساکن زبان اشاره‌ی فارسی پیشنهاد شده است. این سیستم بر مبنای یک ویژگی شکلی جدید طراحی شده و قادر است با نرخ تشخیص بالایی، علامت‌های ساکن الفبای زبان اشاره‌ی فارسی را به طور خودکار بازشناسی کند. در این سیستم، ابتدا با استفاده از آنالیز مولفه‌ی اصلی (pca)، جهت‌های غالب دست را بدست می‌آوریم و تصاویر را در جهت غالب دست، به نحوی که سیستم مختصات جدید تصویر بر راستای جهت‌های غالب دست منطبق شود، می‌چرخانیم. سپس یک ویژگی در ارتباط با انواع شکل دست در این مقاله پیشنهاد می‌شود و این ویژگی بر روی تصاویر تنظیم شده اعمال می‌شود. در مرحله‌ی استخراج ویژگی،ابتدا مرکز ثقل شکل دست و منحنی پیرامونی آن را در هر تصویر بدست می‌آوریم و از منحنی پیرامونی بدست آمده در هر علامت،نمونه‌برداری می‌کنیم. سپس برای بدست آوردن اطلاعات شکلی مناسب از حالت دست،دوایری به مرکز نقطه وسط بین مرکز ثقل شکل دست و نقاط نمونه‌برداری شده و به شعاع نصف فاصله‌ی بین نقاط ذکر شده برازش می‌دهیم. از این دوایر،اطلاعاتی از شکل دست به عنوان بردار ویژگی برای هر علامت تهیه می‌شود. برای بازشناسی علامت‌ها با قابلیت اطمینان بالا، یک سیستم ترکیبی از دو کلاس بند ماشین‌ بردار پشتیبان (svm) و k نزدیکترین همسایه  (knn) را پیشنهاد می کنیم. نرخ بازشناسی و قابلیت اطمینان سیستم پیشنهادی بر روی مجموعه‌ی آزمایشی پایگاه داده pslبه ترتیب 93.33% و 98.73% می‌باشد که موید این مطلب است که عملکرد سیستم پیشنهادی تا حدود زیادی رضایت بخش و مطلوب می‌باشد.

New Visual Features for Farsi Handwriting Images based Graphology Study of Personality using Image Processing for Farsi Handwriting

In this paper, we propose a system for recognizing static signs of Persian sign language (PSL). This system, designed based on a novel geometric feature, can automatically recognize static signs of Persian sign language alphabet with high accuracy. In feature extraction stage, we first find the center of gravity and contour of the hand shape in images, and then sle from obtained hand contour points. Then we consider a circle for each point on the contour. For this purpose, we compute the distance between the center of gravity of hand shape and each point along the contour. We select half of the computed distance for each point and the point located in the middle of this distance as radius and center of circle respectively. The resulting circles contain valuable information about the shape of hand that they are organized as feature vector for each sign. To recognize signs with high reliability, we propose a system that combine support vector machine (SVM) with K nearest neighbor (KNN). Experiments are performed on PSL database. The accuracy and reliability of proposed system with the test data are 93.33% and 98.73% respectively. The obtained results show the performance of proposed system is satisfactory.