Approches bio-inspirées pour la reconnaissance de formes

Abstract

Depuis plusieurs décennies, la reconnaissance de l’écriture manuscrite a attiré l’attention d’un grand nombre de chercheurs et reste un champ de recherche très actif dû à ses nombreuses applications comme la lecture automatique des formulaires, des adresses postales, des chèques bancaires, etc. La reconnaissance de l’écriture manuscrite est une tâche difficile en raison de la grande variabilité des styles d’écritures. La biologie permet d’offrir de nombreuses sources d’inspiration dans le domaine de l’intelligence artificielle et de la reconnaissance de formes. L’informatique bio inspirée exploite ces sources d’inspiration afin de développer des algorithmes et des systèmes informatiques qui sont capables de résoudre les problèmes de la reconnaissance de formes, et plus précisément la reconnaissance d’écritures manuscrite. Inspirés par les propriétés du système immunitaire, nous proposons un modèle qui permet de détecter et de reconnaître des formes complexes comme les chiffres et lettres manuscrits. L’objectif de ce travail de recherche est de proposer une nouvelle approche pour la reconnaissance de caractères manuscrits isolé (chiffres et lettres). Cette approche a pour but d’améliorer la qualité de la base de données et de traiter l’incertitude des caractères afin d’augmenter la performance de classification. Elle est basée sur une combinaison de deux principaux sous-systèmes : un système immunitaire artificiel (AIS) et un système à base des règles qualitatives (QRBS). L’AIS se considère comme un optimiseur. Il sélectionne les meilleurs candidats pour l’apprentissage. Le QRBS travail en tant qu’un système de reconnaissance qualitative. Il utilise des règles qualitatives pour reconnaître les caractères. Lors de la phase de décision, il gère à la fois l’imprécision et l’incertitude dans l’écriture qui rendent certains caractères illisibles et peuvent diminuer la prise de décision final. Les expériences sont menées sur les bases de données MNIST et lettres anglaises. Les comparaisons avec d’autres approches récentes utilisant la même base de données indiquent que notre approche est efficace.