Show simple item record

dc.contributor.authorHaliche Noria
dc.contributor.authorAllouane Aniya
dc.contributor.otherAit Aider Malika
dc.date.accessioned2019-11-26T11:55:37Z
dc.date.available2019-11-26T11:55:37Z
dc.date.issued2011
dc.identifier.citationControle
dc.identifier.otherING.ELN.57-11en
dc.identifier.urihttps://www.ummto.dz/dspace/handle/ummto/8154
dc.description59 f. : ill. ; 30 cm. (+ CD-Rom)en
dc.description.abstractRésumé La reconnaissance de formes est une branche de l’intelligence artificielle qui a la capacité d’identifier ou de classer des formes ou des objets en se basant, essentiellement, sur l’étape de caractérisation que sur la technique de classification. C’est un domaine très vaste, car on trouve plusieurs applications à savoir : la reconnaissance des empreintes digitales, identification de personnes, reconnaissance des défauts de pièces (contrôle de qualité), la reconnaissance de caractères manuscrits, etc. Dans cette dernière application on distingue la reconnaissance de chiffres manuscrits qui fera l’objet de notre travail. On distingue deux volets dans la reconnaissance de chiffres manuscrits : reconnaissance en ligne et la reconnaissance hors ligne. Dans la première catégorie, la reconnaissance se fait en temps réel où le facteur temps de traitement est non négligeable. Par contre dans la deuxième, la reconnaissance est en temps différé. Dans ce travail, on s’est intéressé à la deuxième catégorie qui une tâche plus complexe que la précédente. La reconnaissance hors ligne reste à ce jour un thème de recherche ouvert. En effet, bien que le nombre de classes naturelles soit réduit à 10 (chiffres 0 à 9), on trouve à l’intérieur de chacune d’entre elles une très grande variabilité de l’écriture. De plus, les conditions, souvent précaires, du matériel utilisé (divers stylos, différentes qualités de papiers) tendent à rendre la reconnaissance plus complexe. Dans ces conditions, l’extraction des caractéristiques est une étape essentielle et délicate dans la construction d’un système de reconnaissance. Dans notre mémoire, l’extraction des caractéristiques est faite selon trois méthodes : la binarisation, la normalisation et la méthode d’ondelette. Les images ainsi traitées sont classifiées par le classifieur machine à vecteur de support (SVM). Les résultats de ces trois analyses sont comparés entre elles afin d’en déduire la plus performante.en
dc.language.isofren
dc.publisherUniversité Mouloud Mammerien
dc.subjectSVMen
dc.subjectReconnaissance de chiffres .en
dc.titleApplication de la méthode support vector machines (SVM) pour la reconnaissance des chiffres manuscritsen
dc.typeThesisen


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record