HMM如何用于手写识别？

Question

问题与传统的手写识别有点不同。我有一个数以千计的数据集。对于一个绘制的角色，我有几个顺序(x, y)坐标，其中笔被按下。所以，这是一个连续的（时间）问题。

我希望能够根据这些数据对手写字符进行分类，并希望实现HMM用于学习目的。但是，这是正确的方法吗？他们如何习惯这样做？

Answer 1

我认为HMM可以用于@jens提到的两个问题。我也在从事在线手写，HMM在很多文章中使用。最简单的方法是这样的：

1. 选择一项功能。
2. 如果所选要素连续转换为离散。
3. 选择HMM参数：拓扑和状态＃。
4. 使用HMM训练角色模型。每个班级一个模特。
5. 使用测试集进行测试。

每个项目：

1. 最简单的特征是连续连接的矢量角 点。您可以使用更复杂的功能，如矢量角度 道格拉斯和道格拉斯获得Peucker算法。
2. 最简单的离散化方法是使用Freeman代码，但是 也可以使用像k-means和GMM这样的聚类算法。
3. HMM拓扑：遍历，左右，Bakis和线性。国家数量 可以通过试用获得错误。 HMM参数可以是变量 每个型号。观察数量由离散化确定。 观察样本可以有不同的长度。
4. 我推荐Kevin Murphy HMM工具箱。
5. 祝你好运。

Answer 2

这个问题实际上是两个问题的混合：

1. 识别数据中的一个字符
2. 识别（嘈杂的）字符序列中的单词

HMM用于从噪声测量中找出有限数量离散状态的最可能序列。这正是问题2，因为离散状态a-z，0-9的噪声测量在序列中相互跟随。

对于问题1，HMM是无用的，因为您对基础序列不感兴趣。你想要的是用你如何写它的信息来增加你的手写数字。

就个人而言，我首先要实现已经非常好的常规最先进的手写识别（使用卷积神经网络或深度学习）。之后，您可以添加有关其编写方式的信息，例如顺时针/逆时针。