Trích chọn đặc trưng wavelet Haar kết hợp
với SVM cho việc nhận dạng
chữ viết tay tiếng Việt
Vietnamese Handwritten Character Recognition
By Combining SVM and Haar Wavelet Features
Phạm Anh Phương, Ngô Quốc Tạo, Lương Chi Mai
Abstract:
This paper proposes a recognition model for
isolated Vietnamese handwritten character recognition.
Based on connected regions of image we try to determine
character image that belongs to a group of characters
which has either diacritical mark or not. In our model,
character part and its diacritical mark part could be sepa-
rately defined and they come independently for recogni-
tion. Hence, we apply SVM (Support Vector Machines)
classification where Haar wavelet features from a mark
part and a character part are extracted independently.
Finally, we join classified results together to have recogni-
tion outcome. Our test results over Vietnamese handwrit-
ing with 50,000 character samples collecting from 655
individuals show that the accuracy of our recognition
model is over 88%.
Keywords: Vietnamese handwritten character recogni-
tion, SVM
.
I. GIỚI THIỆU
Nhận dạng chữ viết tay đang là vấn đề thách thức
lớn đối với các nhà nghiên cứu, bài toàn này chưa thể
giải quyết trọn vẹn được vì nó phụ thuộc quá nhiều
vào người viết và sự biến đổi quá đa dạng trong cách
viết và trạng thái tinh thần của từng người viết. Cho

lĩnh vực nhận dạng. Trong những thập niên gần đây,
SVM được đánh giá là một trong nh
ững phương pháp
phân lớp có độ chính xác rất cao và nó cũng đã được
áp dụng nhiều trong các bài toán nhận dạng chữ viết
tay [3,4,5,6]. Vì vậy chúng tôi đề xuất một mô hình
nhận dạng chữ Việt viết tay hạn chế trên cơ sở
phương pháp phân lớp SVM. Trích chọn đặc trưng
phục vụ cho công việc huấn luyện và nhận dạng là

1
một bước rất quan trọng trong một hệ thống nhận
dạng. Có rất nhiều phương pháp trích chọn đặc trưng
hiệu quả có thể áp dụng cho chữ viết tay như: ma trận
trọng số, toán tử Kirsch, các biểu đồ chiếu...[4,5,7],
trong bài báo này chúng tôi sử dụng ý tưởng của
phương pháp trích chọn đặc trưng wavelet Haar [8]
cho mô hình nhận dạng chữ viết tay tiếng Việt.
Dựa trên cơ sở các thành phầ
n liên thông của ảnh,
chúng tôi phân tập ký tự tiếng Việt thành 3 nhóm và
tách các ký tự có dấu thành các phần rời nhau. Sau đó
chúng tôi xây dựng các máy phân lớp SVM để nhận
dạng cho từng phần chữ và dấu. Các kết quả thực
nghiệm cho thấy mô hình nhận dạng của chúng tôi có
độ chính xác tương đối cao.
Phần còn lại của bài báo này có cấu trúc như sau:
Phần 2 tóm tắt những ý tưởng cơ bản của phương
pháp phân lớp SVM nhị phân. Ph
ần 3 phát họa kiến

N
,y
N
)} trong đó x
i
∈R
D
và
y
i
∈{±1}, mục tiêu của phương pháp phân lớp SVM là
tìm một siêu phẳng phân cách sao cho khoảng cách lề
(margin) giữa hai lớp đạt cực đại (Hình 1).

Hình 1. Siêu phẳng tách với khoảng cách lề cực đại.
Khoảng cách lề giữa hai lớp là
22
2
w.w
w
=
. Để nới
lỏng điều kiện phân lớp, thêm vào một số yếu tố cân
bằng và việc huấn luyện SVM chính là giải bài toán
tối ưu có ràng buộc:
N
i
w,b
i=1
1

(3)
thỏa mãn: 0≤α
i
≤C, ∀i và ,
i1
0
N
ii
y
=
α=
∑
trong đó α =[α
1
,..., α
N
]
T
và H là ma trận kích thước
N×N được gọi là ma trận nhân (kernel matrix) với mỗi
phần tử H(i,j) = y
i
y
j
Φ(x
i
).Φ(x
j
).
Giải bài toán QP (3) ta thu được:

+
Giả sử Φ(x
i
).Φ(x
j
) = K(x
i
,x
j
). Nghĩa là, tích vô
hướng trong không gian đặc trưng tương đương với
một hàm nhân K của không gian đầu vào. Vì vậy, ta
không cần phải tính trực tiếp các giá trị Φ(x
i
), Φ(x
j
)
mà chỉ cần tính tích vô hướng <Φ(x
i
).Φ(x
j
)> gián tiếp
thông qua hàm nhân K(x
i
,x
j
). Nếu sử dụng hàm nhân
là hàm tuyến tính thì SVM được gọi là SVM tuyến
tính, ngược lại thì gọi là SVM phi tuyến. Như vậy,
hàm mục tiêu cho bài toán phân lớp SVM nhị phân có

TAY HẠN CHẾ
Trong phần này, chúng tôi sẽ trình bày chi tiết kiến
trúc của mô hình nhận dạng chữ Việt viết tay hạn chế
(Hình 2).
1. Tiền xử lý
Mục đích của giai đoạn tiền xử lý nhằm tăng độ
chính xác của hệ thống nhận dạng. Khi quét ảnh
thường gặp các loại nhiễu, vì vậ
y chúng tôi sử dụng
một số kỹ thuật lọc nhiễu để khử các nhiễu đốm và
nhiễu vệt dài. Đối với nhiễu đốm, sử dụng các bộ lọc
trung bình và lọc trung vị, còn với các nhiễu vệt dài
thì chúng tôi sử dụng phương pháp khử các vùng liên
thông nhỏ (Hình 3).
Để thuận tiện cho việc xử lý sau này, chúng tôi
biến đổi ảnh đầu vào từ ảnh đa cấp xám thành ảnh nhị

phân.

Hình 2. Kiến trúc của mô hình nhận dạng

(a) Nhiễu đốm (b) Nhiễu vệt dài
Hình 3. Một số nhiễu thường gặp khi quét ảnh
Chuẩn hóa ảnh theo vùng liên thông
Chuẩn hóa ảnh nhằm mục đích tạo điều kiện thuận
tiện cho công đoạn tách ảnh thành từng phần chữ và
dấu.
Bước 1: Xác định các vùng liên thông trên ảnh (Hình
4).


thông. Chuẩn hóa các vùng liên thông 1 và 2 về kích
thước chuẩn 8×8 và chuẩn hóa vùng liên thông 3 về
kích thước chuẩn 16×16 (Hình 5c).
2. Phân nhóm sơ bộ
Dựa vào số thành phần liên thông chúng tôi tách
bộ ký tự tiếng Việt thành 3 nhóm:
 Nhóm 1: Nhóm có 1 vùng liên thông {A, B, C, D, Đ,
E, G, H, I, K, L, M, N, O, P, Q, R, S, T, U, V, X, Y,
Ơ, Ư}.

Nhóm 2: Nhóm có 2 vùng liên thông {Ă, Â, À, Ả, Ã,
Á, Ạ, Ê, È, Ẻ, Ẽ, É, Ẹ, Ì, Ỉ, Ĩ, Í, Ị, Ô, Ò, Ỏ, Õ, Ó, Ọ, Ờ,
Ở, Ỡ, Ớ, Ợ, Ù, Ủ, Ũ, Ú, Ụ, Ừ, Ử, Ữ, Ứ, Ự, Ỳ, Ỷ, Ỹ,
Ý, Ỵ}.
 Nhóm 3: Nhóm có 3 vùng liên thông { Ằ, Ẳ, Ẵ, Ắ, Ặ,
Ầ, Ẩ, Ẫ, Ấ, Ậ, Ề, Ể, Ễ, Ế, Ệ, Ồ, Ổ, Ỗ, Ố,
Ộ}
3. Trích chọn đặc trưng
Chúng tôi sử dụng ý tưởng của phương pháp trích
chọn đặc trưng wavelet Haar [8] để chọn tập đặc trưng
cho mỗi ảnh ký tự đầu vào.

Hình 6. Quá trình trích chọn đặc trưng
Từ ảnh nhị phân kích thước 2
n
×2
n
(Hình 6), quá
trình trích chọn đặc trưng được mô tả theo thuật toán
sau:

Chia ảnh thành 4 phần: A
1
, A
2
, A
3
, A
4
;
for (j=1; i ≤ 4; j++)
PUSH((A
j
,n), Queue);
}
- Gọi S, S1, S2, S3, S4 là tổng các điểm đen
tương ứng với các khối A, A
1
, A
2
, A
3
, A
4
;
- Tính F
i+1
= S1 + S2;
F
i+2
= S2 + S3;

23 2
44
3
x xxxS
x xSS
x xS
xS
+++=
⎧
⎪
+=+
⎪
⎨
+=+
⎪
⎪
=
⎩
S
và
1111
1100
10
0110
0001
= ≠

do đó hệ phương trình có nghiệm duy nhất. Vì vậy,
theo cách trích chọn đặc trưng của thuật toán Haar-
Feature thì ma trận A bất biến với n=1.

1
=S1, X
2
=S2, X
3
=S3, X
4
=S4 tương ứng với
các phần tử A
1
, A
2
, A
3
, A
4
. Mà mỗi khối A
i
, i=1..4 là
bất biến theo phương pháp trích chọn đặc trưng của
thuật toán HaarFeature nên ma trận A cũng bất biến
theo phương pháp trích chọn đặc trưng trên.
Trong thực nghiệm, với phần chữ chúng tôi chọn
n=4, như vậy ta có: 1 + 3 + 4×3 + 4×4×3 + 4×4×4×3 =
256 đặc trưng, còn với phần dấu chúng tôi chọn n=3,
như vậy có tất cả 64 đặc trưng.
Với phương pháp trích chọn
đặc trưng này thì sẽ tạo
ra một dãy số các đặc trưng giảm dần. Với cùng một
chữ thì các giá trị lớn ở đầu dãy tương đối ổn định, có