Können diskrete Hidden-Markov-Modelle die Online-Handschrifterkennung revolutionieren? Dieser Artikel stellt einen schnellen HMM-Algorithmus vor, der auf die Online-Erkennung handgeschriebener Zeichen zugeschnitten ist. Er verbessert die Zeichenerkennung durch die Nutzung eines diskreten HMM. Eingabestriche werden diskretisiert, was zu einem vereinfachten Prozess für die Zuweisung von Anfangszustands- und Zustandsübergangswahrscheinlichkeiten führt. Der Schlüssel zu diesem Ansatz liegt in der Diskretisierung, die die Zustandszuweisung und Übergangswahrscheinlichkeiten vereinfacht. Die Trainingsphase vermeidet die vollständige Marginalisierung, und ein normalisiertes Maximum-Likelihood-Verhältnis-Kriterium leitet die Erstellung neuer Modelle, um Variationen in der Strichreihenfolge und -form zu bewältigen. Experimente mit der Kuchibue-Datenbank zeigen, dass der Algorithmus robust gegenüber Strichzahlvariationen ist und eine angemessene Robustheit gegenüber Strichreihenfolgen- und Formunterschieden aufweist. Während der Speicherverbrauch für große Zeichensätze ein Problem darstellt, wird Density Tying als Lösung vorgeschlagen, die den Weg für effizientere und genauere Handschrifterkennungssysteme ebnet. Die Arbeit legt nahe, dass der Algorithmus sehr robust gegen Strichzahlvariationen ist und eine angemessene Robustheit gegen Strichreihenfolgenvariationen und große Formvariationen aufweist.
Dieser Artikel über Handschrifterkennung steht im Einklang mit dem Fokus des International Journal of Pattern Recognition and Artificial Intelligence auf neuartige Algorithmen für intelligente Systeme. Der vorgeschlagene HMM-Algorithmus trägt zur laufenden Forschung im Bereich der Mustererkennung bei und befasst sich speziell mit Herausforderungen bei der Online-Erkennung handgeschriebener Zeichen. Der Schwerpunkt der Arbeit auf Robustheit und Effizienz ist für den Aufgabenbereich der Zeitschrift relevant.