Desenvolvimento de Sistema de Reconhecimento de Escrita a Mão - UNIP

...

Por fim, devemos ter a concepção do projeto como um cérebro humano, o que ele trata como objeto A e o que ele define que é diferente daquilo, todas as características, informações e experiências perante tal imagem fazem total diferença no resultado final, visto que o projeto deve ter uma margem de erro mínima e reconhecer com perfeição (ou o mais perto possível dela) a diferença ou igualdade entre duas escritas totalmente desiguais (um exemplo prático pode ser o modo da escrita, aqui no Brasil escrevemos “horizontalmente”, porém no Japão a escrita é “vertical”, fator predominante que obriga a definição de reconhecimento ser “letra a letra” e não por um conjunto de palavras).

---------------------------------------------------------------

- Fundamentos de Rede Neurais

As redes neurais, ou redes neurais artificiais, são modelos que têm como metáfora o

funcionamento do cérebro humano com suas redes neurais biológicas. Em geral,

sua estrutura básica é uma rede de unidades de processamento interconectadas.

Essas unidades, os neurônios, estão dispostos em camadas (uma de entrada, pelo

menos uma intermediária e uma de saída) responsáveis por garantir a memória e a

não linearidade da rede.

Assim como nos neurônios biológicos, é necessário que um determinado

valor de estímulo seja fornecido para que o impulso nervoso seja disparado. Esse

valor é representado entre as ligações da rede como pesos (w).

Diversos foram os tipos de redes neurais que surgiram desde a criação do

conceito. Uma importante distinção a ser feita é entre as redes que possuem

conexões cíclicas e as que não possuem. As primeiras são as redes com feedback,

com retropropagação, recursivas ou recorrentes. As redes neurais que não possuem ciclos são as redes neurais com feedforward ou com pré-alimentação.

4. Mapas de Kohonen

O algoritmo de Kohonen foi a técnica utilizada no sistema para a criação da rede neural, este algoritmo foi desenvolvido por Teuvo Kohonen em 1982, sendo considerado relativamente simples e com a capacidade de organizar dimensionalmente dados complexos em grupos (clusters), de acordo com suas relações. Este método solicita apenas os parâmetros de entrada, mostrando-se ideal para problemas onde os padrões são desconhecidos ou indeterminados.

Este algoritmo é considerado um mapa auto-organizável (da sigla SOM, Self-organized map, em inglês), capaz de diminuir a dimensão de um grupo de dados, conseguindo manter a representação real com relação as propriedades relevantes dos vetores de entrada, tendo-se como resultado um conjunto das características do espaço de entrada.

Além disso, possui a propriedade de transformar um mapa multidimensional em bidimensional, adicionando os elementos ao novo mapa de tal forma que os objetos similares sejam posicionados próximos uns dos outros.

Apresenta duas importantes características: utiliza aproximação dos pontos similares onde os mesmos são processados separadamente e permite ao mapa obter centros em um plano bidimensional disponibilizando uma visualização facilmente compreensível.

O algoritmo de Kohonen ordena os objetos i, frequentemente organizados em uma grade retangular, atribuindo-os ao vetor modelo, denominado mi, no espaço multidimensional. Cada item xk é mapeado para a unidade do mapa ck mais adequada, conforme a menor distância entre mi e xk definida pela fórmula [2]: ck = argmin i xk – mi

Este algoritmo utiliza o método de aprendizagem por competição (competitive learning), considerado o mais comum nas RNA auto-organizáveis, permitindo que aconteça o aprendizado dividindo-se os padrões de entrada dos dados em conjuntos inseparáveis. Este método avalia os neurônios de saída da rede de maneira que ocorra uma competição entre eles, tendo-se como resultado o neurônio que possui maior ativação. A rede neural de Kohonen é composta por duas camadas: a de entrada e de Kohonen. Cada nó da camada de entrada tem a função de distribuir os valores padrões para a de Kohonen, que é um conjunto de nodos organizados de forma tabular. O vetor de entrada possui seus elementos conectados com cada nó da camada Kohonen por meio de ligações, as quais são responsáveis por manterem atualizados os valores durante o processo de treinamento da RNA.

---------------------------------------------------------------

- Desenvolvimento

A didática utilizada para o desenvolvimento do projeto compõe a base de reconhecimento de escrita a mão, fazendo com que exista uma igualdade de forma e modos de escrever (pode ser aplicado em uma grande gama de segmentos, como por exemplo, se tratando de um único usuário, o modo individual de sua escrita para acesso ao sistema de um banco, feito isso, devemos possuir atenção nos quesitos de replicação ou qualquer outro meio de fraude).

A combinação de “imagens” para verificação de escrita deve ser alterada para este propósito, e mostrar ao indivíduo envolvido, o resultado obtido.

Existem muitos meios nos quais podemos nos basear para entender o processo de “validação” de “imagens”; colocar duas imagens lado a lado e definirmos um padrão que identifique uma imagem parecida, quando a própria estiver no mesmo cenário que o template anteriormente estabelecido, ela é validada e nos mostra o resultado.

O código utilizado para criação do template deve reconhecer diferenças nítidas entre “imagens” e quanto mais aperfeiçoado ele for, mais diferenças “irreconhecíveis” o mesmo deverá processar, elevando o nível de abrangência e também melhorando o padrão de pesquisa adotado pelo projeto.

O campo de pesquisa requisitado mostra ao indivíduo uma ampla gama de opções, cenários elegíveis ao projeto são vários, como por exemplo: uma paisagem (comparar padrões e verificar se a escrita em tal local influencia o reconhecimento), objeto (caso a imagem seja diferente por um simples objeto, o teste computacional e a provável visão