Résumé:
La reconnaissance de l'écriture manuscrite est le vieux rêve de tous ceux qui ont eu besoin L d'insérer des données dans un ordinateur. Aujourd'hui, il existe plusieurs domaines dans lesquels la reconnaissance de l'écriture manuscrite est attendue avec impatience, par exemple dans le tri automatique du courrier, le traitement automatique de dossiers administratifs, des formulaires d'enquêtes, ou encore l'enregistrement des chèques bancaires. Dans ce cadre, la reconnaissance hors ligne des textes manuscrits cursifs écrits en arabe, reste cependant un problème ouvert. Ceci est dû aux difficultés inévitables auxquelles sont confrontés les auteurs des systèmes de reconnaissance automatique, tels que la normalisation de l’écriture, la segmentation des mots en éléments de base ainsi que la modélisation de ces éléments. L
Pour remédier à ce problème, plusieurs classifieurs ont été testés. Les Modèles de Markov Cachés ont eu beaucoup de succès avec le domaine de la reconnaissance de l’écriture manuscrite, ce succès vient de leur capacité d'intégration du contexte, d'absorption du bruit et le pouvoir de classifier les mots sans avoir le besoin de les segmenter en caractères. Cependant, les informations locales sont quelque peu négligées et ils souffrent d’un faible pouvoir discriminatif. Les classifieurs à base des Réseaux de Neurones ont prouvé leur puissance en ce qui concerne la reconnaissance de caractère ou chiffre isolé grâce à leur pouvoir de généralisation à partir d’un ensemble réduit d’échantillons d’apprentissage, mais la faiblesse des méthodes de segmentation influence sur la performance de ce classifieur.
Nous proposons une manière de coopérer des MMC et des réseaux neuronaux dans une architecture probabiliste en tirant avantage des deux outils : la génération d’une liste des N meilleures hypothèses de mots ainsi que leurs segmentations en caractères par un classifieur MMC et les propriétés de modélisation des réseaux neuronaux appliquées aux caractères. Le classifieur RN utilise la segmentation du classifieur MMC afin de retourner à l’image du mot et d’extraire les caractéristiques convenables à la reconnaissance de caractères isolés. Le classifieur RN réévalue chacune des N meilleures hypothèses des mots et les scores générés sont combinés avec ceux du classifieur MMC. Finalement, la liste des N meilleures hypothèses est réordonnée selon les nouveaux scores faisant ainsi ressortir la meilleure hypothèse.
Concevoir un système pour la reconnaissance de texte manuscrit hors ligne des 48 wilayas algériennes est l’objectif des travaux de recherche de ce mémoire. Avec un taux de réussite de 91,77 %, le système proposé a montré une bonne performance par rapport aux systèmes référencés dans l’état de l’art.
