Распознавание печатных символов

[Nuzhny 243]

Требуется готовая реализация с открытыми исходниками и обученной базой. Что-нибудь шрифтонезависимое. Исходные данные - вырезанные изображения символов (латиница + цифры) в хорошем качестве и достаточном разрешении. Можно (но не обязательно) и более сложный вариант - распознавание текста на странице.

Хотелось бы получить аналог такого: Neural Network for Recognition of Handwritten Digits

Есть на примете у кого-нибудь?

P.S. Самому вырезать символы и тренировать нейронку не хватает времени.

PP.S. Нейросети не обязательны. Необходимо любое готовое распознавание.

[Smorodov 578]

По готовым распознавалкам наткнулся на вот эту:ANNOCR.RAR

Вряд ли что то серьезное.

Из более менее серьезных открытых OCR знаю две:

http://code.google.com/p/ocropus/

http://code.google.com/p/tesseract-ocr/

Базы рукописных аннотированных данных:

http://www.iam.unibe.ch/fki/databases/iam-handwriting-database

http://ai.stanford.edu/~btaskar/ocr/

http://www.gavo.t.u-tokyo.ac.jp/~qiao/database.html

Тут еще кое что:

http://www.codeproject.com/KB/recipes/handwriting-kda.aspx

[Nuzhny 243]

О, спасибо за ссылки. Самым подходящим выглядит tesseract. Скомпилированная программа с базой символов распознаёт мой текст очень хорошо.

И скомпилировать удалось. Похоже, то что надо.

А есть личные впечатления от использования какой-нибудь библиотеки?

[Smorodov 578]

Личных впечатлений, пока нет. Собирался использовать OCR в одном из проектов, но потом проект завял а инфы немного осталось.

[mrgloom 242]

что если объекты разных масштабов? их придется нормировать каким то образом?

что если несколько объектов накладываются? применим ли метод нейронных сетей в таком случае?

[Nuzhny 243]

что если объекты разных масштабов? их придется нормировать каким то образом?

Я нормировал (пропорциональный scaling).

что если несколько объектов накладываются? применим ли метод нейронных сетей в таком случае?

Вот тут не подскажу.

[mrgloom 242]

http://yann.lecun.com/exdb/mnist/

довольно большая база данных+ результаты работы алгоритмов.

Convolutional net, cross-entropy [elastic distortions] -0.4 победили сверточные сети.(причем никакой предобработки, как я понял)

large conv. net, unsup pretraining [elastic distortions] -0.39 -что то не очень понятное, но даже лучше)

Я нормировал (пропорциональный scaling).

что значит пропорциональный скейлинг? а поворот учитывался?

и вообще не очень понятно зачем нейронные сети, если можно сказать, что у нас будет входов бинарных входов nxn и мы можем просто посчитать сколько совпало этих входов с шаблоном, или это я рассмотрел самый простой случай, а сеть умеет что то еще, например интерполировать?

p.s. я наверно говорил про linear classifier (1-layer NN).

надо бы почитать теорию.

[Nuzhny 243]

У меня были символы (только цифры) без поворота. И с кучей шума: различная освещённость, затёрты, замазаны, написаны зачастую различными шрифтами (краской), на облупившейся поверхности и т.п. Свёрточные нейросети (ссылка в первом сообщении) в таких условиях отрабатывали довольно хорошо.

tesseract использовал уже для сканированных документов. Качество так себе, но мне хватило.

[Smorodov 578]

Еще библиотека с открытым кодом попалась: http://www.gnu.org/s/ocrad/ocrad.html

[mrgloom 242]

http://www.cs.toronto.edu/~dmac/ShapeMatcher/index.html

вот наткнулся на интересный метод, не знаю подходит ли это для character recognition, но выглядит интересно и меня как раз интересуют больше фигуры с перекрытиями и нахождение подобий.

есть проблемы

Do shock graphs represent shape holes?

No. Holes within a shape are filled in. Two shapes with different number/kind of holes would look identical to the matcher.

нейросети какие то мутные с их обучением и выбором количества слоев, но можно попробовать.

вроде говорят сверточные сети лучше всего работают.

http://www.codeproject.com/KB/library/NeuralNetRecognition.aspx#Results

тоже самое только на куде

http://www.codeproject.com/KB/graphics/GPUNN.aspx

а насчет SVM не знаете может их легче настраивать? или там тоже свои какие то проблемы с выбором ядра или как то так.

и еще кроме MNIST может есть какие то базы букв или шейпов с ответами?

[kudukSweetone 3]

Добрый день!

Я занимаюсь анализом и распознаванием клеток крови.

На данный момент сформировал большую базу состоящую из 15 параметров описывающих объекты исследования и теперь есть необходимость всю эту базу обработать, а объекты классифицировать.

Уважаемый Smorodov, а не встречался ли вам на просторах сети открытых исходников нейронной сети обученной или готовой к обучению для распознавания различных биологических объектов (клеток)? Желательно написанную на С++

[mrgloom 242]

вам без разницы какой классификатор использовать, вы сами должны его обучить на ваших примерах с 15 параметрами.

[Smorodov 578]

Если хотите нейронку, то скорее всего подойдет FANN, но как сказал mrgloom, тут можно использовать любой классификатор.

ЗЫ: SVM с линейным ядром, думается, будет работать хорошо.

Можно заготовку взять отсюда http://www.compvision.ru/forum/index.php?showtopic=861

только там

params.kernel_type = CvSVM::POLY;

лучше поменять на

params.kernel_type = CvSVM::LINEAR;

[kudukSweetone 3]

Если хотите нейронку, то скорее всего подойдет FANN, но как сказал mrgloom, тут можно использовать любой классификатор.

За SVM спасибо интересная идея.

Хотелось просто с нейронкой разобраться, я как-то начитался про нее особенно про обратное распространением ошибки, вот и хотел попробовать.