如何將HMM用於手寫識別？

Question

該問題與傳統手寫識別有點不同。我有一個數據集是成千上萬的以下。對於一個繪製的角色，我有幾個順序的(x, y)座標，筆被按下。所以，這是一個連續的（時間）問題。

我希望能夠根據這些數據對手寫字符進行分類，並且很樂意實現用於學習目的的HMM。但是，這是正確的方法嗎？他們如何被用來做到這一點？

Answer 1

這個問題實際上是兩個問題，一個組合：

1. 從數據
2. 從人物

的（如噪聲）序列識別字​​識別一個字符一個使用HMM用於從噪聲測量中找出有限數量的離散狀態的最可能的序列。這正是問題2，因爲離散狀態a-z的噪聲測量0-9在一個序列中跟隨彼此。

對於問題1，HMM是無用的，因爲您對底層序列不感興趣。你想要的是增加你的手寫數字與你如何寫它的信息。個人而言，我會從實施經常性的先進手寫識別開始，這已經非常好（使用卷積神經網絡或深度學習）。之後，您可以添加有關如何寫入的信息，例如順時針/逆時針。

Answer 2

我認爲HMM可以用於@jens提到的兩個問題。我正在從事在線手寫，並且HMM被用於許多文章。最簡單的方法是這樣的：

1. 選擇一項功能。
2. 如果選定的功能是連續轉換爲離散的。
3. 選擇HMM參數：拓撲和狀態數量。
4. 使用HMM訓練人物模型。每個班級有一個模型。
5. 使用測試集進行測試。

每個項目：

1. 最簡單的功能是連接連續 點矢量的角度。您可以使用更復雜的功能，如Douglas & Peucker算法獲得的矢量角度 。
2. 離散化的最簡單方法是使用Freeman代碼，但也可以使用像k-means和GMM這樣的聚類算法。
3. HMM拓撲：遍歷，左 - 右，巴基斯和線性。 ＃狀態 可以通過試用&錯誤獲得。對於每個型號的 ，HMM參數可以是可變的。觀測數量由離散化決定。觀察樣本可以有不同的長度。
4. 我推薦Kevin Murphy HMM工具箱。
5. 祝你好運。