Erkennung handschriftlicher Ziffern und Buchstaben mittels hybrider DWT-DCT mit KNN- und SVM-Klassifikator

Die Erkennung handschriftlicher Ziffern und Buchstaben ist eines der ältesten und bedeutendsten Themen im Bereich der Mustererkennung. Die Erkennung handschriftlicher Ziffern und Buchstaben stellt aufgrund unterschiedlicher Schreibstile, struktureller Ähnlichkeiten und variabler Orientierungsrichtungen besondere Herausforderungen dar. Daher ist die Entwicklung effektiver Methoden zur Erkennung und Klassifikation von Ziffern und Buchstaben von großer Bedeutung. Die Erkennung handschriftlicher Zeichen findet vielfältige Anwendungen, beispielsweise in der Kennzeichenerkennung, der Extraktion von Informationen aus Visitenkarten, der Verarbeitung von Bankchecks, der Bearbeitung postalischer Adressen, der Verarbeitung von Reisepässen sowie der Signaturanalyse. In diesem Beitrag wird ein Verfahren zur Erkennung handschriftlicher Ziffern und Buchstaben vorgestellt, das auf einer Merkmalsextraktion basiert, die eine hybride Kombination aus diskreter Wavelet-Transformation (DWT) und diskreter Kosinustransformation (DCT) nutzt. Die gewonnenen Merkmale werden anschließend an K-Nearest-Neighbor-(KNN)- und Support-Vektor-Maschinen-(SVM)-Klassifikatoren zur Klassifikation weitergeleitet. Zur Durchführung der Experimente werden die Standard-Datensätze MNIST (Ziffern) und EMNIST (Buchstaben) verwendet. Zunächst werden die MNIST-Ziffern- und EMNIST-Buchstabendatensätze binarisiert, gefolgt von der Entfernung von Störimpulsen („stray pixels“). Die Merkmale werden mittels der hybriden DWT-DCT-Methode extrahiert. Für die Klassifikation werden KNN- und SVM-Klassifikatoren eingesetzt. Das vorgeschlagene Verfahren erreicht mit dem SVM-Klassifikator eine Höchstgenauigkeit von 97,74 % bei der Ziffernerkennung und 89,51 % bei der Buchstabenklassifikation.