Reconnaissance de formes

La reconnaissance de formes ou reconnaissance de motifs est un sous-domaine de l'apprentissage automatique et peut être défini comme l'action de prendre en entrée des données brutes afin de prendre une décision basée sur la catégorie de ces données Richard O. Duda, Peter E. Hart, David G. Stork (2001) Pattern classification (2nd edition), Wiley, New York, ISBN 0471056693..

Le but de la reconnaissance de formes est de classifier des données en se basant sur des connaissances a priori ou sur de l'information statistique puisée dans les motifs. Les motifs à classer sont habituellement des ensembles de mesures ou d'observations qui définissent des points dans un espace multidimensionnel approprié.

Méthodes

La reconnaissance de motifs peut être effectuée par:

• un réseau de neurones
• une analyse statistique
• l'utilisation de modèles de Markov cachés
• une recherche d'isomorphisme de graphes ou sous-graphes

Les formes recherchées sont souvent des formes géométriques, descriptibles par une formule mathématique, telles que :

• cercle ou ellipse
• courbes de Bézier, splines
• droite

Elle peuvent aussi être de nature plus complexe:

• lettre
• chiffre
• empreinte digitale

Les algorithmes de reconnaissance peuvent travailler sur des images en noir et blanc, avec en blanc les contours des objets se trouvant dans l'image. Ces images sont le fruit d'algorithmes de détection de contours. Ils peuvent aussi travailler sur des zones de l'image prédéfinies issues de la segmentation de l'image.

Méthodes de reconnaissance de formes :

• Mise en correspondance de graphes
• Méthode Bayesienne
• Estimation Paramétrique
• Classificateur Linéaire
• Réseau de neurones
• Local feature focus
• SVM : Support Vector Machine
• Polytôpes de contrainte
• Méthode des hypercubes

Un algorithme bien connu pour la détection de formes, la transformée de Hough, est une méthode d'estimation paramétrique.

La méthode globale

Cette méthode caractérise une forme et extrait des paramètres caractéristiques de l'objet et les comparent par une méthode de classification ou de mise en correspondance à une base d'apprentissage. Par cette méthode, il est impossible d'extraire plusieurs formes de la même image sans pré-traitement.

La méthode multiple à partir de point d'intérêt

Dans cette approche, on extrait des points caractéristiques d'objets comme les coins via les détecteurs de Harris puis on extrait des caractéristiques aux voisinage de ce point. Avec ces caractéristiques, il est possible d'extraire plusieurs objets et de faire la reconnaissance de ceux-ci via un classifieur.

Applications

• Jeu de go par ordinateur
• Reconnaissance vocale
• Analyse et reconnaissance d'images
• Classification de documents
• Reconnaissance de l'écriture manuscrite

References

• [2] Dietrich Paulus and Joachim Hornegger (1998) Applied Pattern Recognition (2nd edition), Vieweg. ISBN 3-528-15558-2
• [3] J. Schuermann: Pattern Classification: A Unified View of Statistical and Neural Approaches, Wiley&Sons, 1996, ISBN 0471135348
• [4] Sholom Weiss and Casimir Kulikowski (1991) Computer Systems That Learn, Morgan Kaufmann. ISBN 1-55860-065-5