El Yazısı ile Yazılmış Kimlik Numarası Tanıma Yöntemi
Öz
El yazısı metin tanıma, çoğunlukla değişken yazı stilleri ve yazıların yer aldığı koşulsuz ortamlar nedeniyle hala zorlu bir problem olarak karşımıza çıkmaktadır. Literatürdeki çalışmalar, el yazısı örneklerin bulunduğu ortamların genellikle herhangi bir koşula sahip olmaması sebebiyle odaklandıkları el yazısı örneklerine ve ortamlarına göre özelleşmiştir. Bu yüzden farklı yazı tipleri ve ortamlar üzerinde uygulanabilirlikleri düşüktür. Önerilen çalışma, koşulsuz ortamlarda bulunan el yazısı Türkiye Cumhuriyeti Kimlik Numarası’nın (TCKN) tanınmasını hedeflemektedir. TCKN, her Türkiye vatandaşına verilen benzersiz bir kişisel kimlik numarasıdır. TCKN içerisindeki tek bir rakamı yanlış tahmin etmek bütün numaranın yanlış okunmasına yol açacağı için her rakamı doğru tahmin etmek oldukça önemlidir. Önerdiğimiz teknik, dokümanda TCKN yakalama, TCKN içerisinde rakam yakalama ve yakalanan rakamın sınıflandırılması olarak üç ana başlığa ayrılmaktadır. Rakam sınıflandırma aşamasında yakalanan rakamlar bir oto kodlayıcı yardımıyla taslak rakama dönüştürülürken oto kodlayıcıdan elde edilen özniteliklerle sınıflandırılmaktadırlar. Bu işlem, el yazısı rakamların sınıflarına ait en iyi temsile benzemesine çalışarak daha başarılı ayrışmalarını sağlamaktadır. Yapılan deneylerde oto kodlayıcı ile taslağa dönüştürme metodunun sınıflandırma başarımını önemli ölçüde artırdığı görülmüştür.
Anahtar Kelimeler
El yazısı, Türkiye Cumhuriyeti Kimlik Numarası, Oto kodlayıcı
Kaynakça
- Ahlawat S., Choudhary A., Nayyar A., Singh S., Yoon B. (2020). Improved handwritten digit recognition using convolutional neural networks (CNN), Sensors, 20(12):3344.
- An S., Lee M., Park S., Yang H., So J. (2020). An ensemble of simple convolutional neural network models for MNIST digit recognition, arXiv preprint arXiv:2008.10400.
- Basu S., Das N., Sarkar R., Kundu M., Nasipuri M., Basu DK. (2009). A hierarchical approach to recognition of handwritten Bangla characters, Pattern Recognition, 42(7):1467-84.
- Barua S., Malakar S., Bhowmik S., Sarkar R., Nasipuri M., Bangla (2017). Handwritten city name recognition using gradient-based feature, InProceedings of the 5th International Conference on Frontiers in Intelligent Computing: Theory and Applications: FICTA, Volume 1, 343-352.
- Boukharouba A., Bennia A. (2017). Novel feature extraction technique for the recognition of handwritten digits, Applied Computing and Informatics, 13(1):19-26.
- Busta M., Neumann L., Matas J. (2017). Deep textspotter: An end-to-end trainable scene text localization and recognition framework, InProceedings of the IEEE international conference on computer vision, 2204-2212.
- Byerly A., Kalganova T., Dear I. (2021). No routing needed between capsules, Neurocomputing, 463:545-53.
- Canny J. (1986). A computational approach to edge detection, IEEE Transactions on pattern analysis and machine intelligence, 679-98.
- Calonder M., Lepetit V., Strecha C., Fua P. (2010). Brief: Binary robust independent elementary features, In Computer Vision–ECCV 2010: 11th European Conference on Computer Vision, Heraklion, Crete, Greece, Proceedings, Part IV 11 2010, 778-792.
- Disc Bhowmik TK., Parui SK., Roy U. (2008). Discriminative HMM training with GA for handwritten word recognition, In 2008 19th International Conference on Pattern Recognition.
kapsamında lisanslanmıştır.