如何将HMM用于手写识别？

Question

该问题与传统手写识别有点不同。我有一个数据集是成千上万的以下。对于一个绘制的角色，我有几个顺序的(x, y)坐标，笔被按下。所以，这是一个连续的（时间）问题。

我希望能够根据这些数据对手写字符进行分类，并且很乐意实现用于学习目的的HMM。但是，这是正确的方法吗？他们如何被用来做到这一点？

Answer 1

这个问题实际上是两个问题，一个组合：

1. 从数据
2. 从人物

的（如噪声）序列识别字​​识别一个字符一个使用HMM用于从噪声测量中找出有限数量的离散状态的最可能的序列。这正是问题2，因为离散状态a-z的噪声测量0-9在一个序列中跟随彼此。

对于问题1，HMM是无用的，因为您对底层序列不感兴趣。你想要的是增加你的手写数字与你如何写它的信息。个人而言，我会从实施经常性的先进手写识别开始，这已经非常好（使用卷积神经网络或深度学习）。之后，您可以添加有关如何写入的信息，例如顺时针/逆时针。

Answer 2

我认为HMM可以用于@jens提到的两个问题。我正在从事在线手写，并且HMM被用于许多文章。最简单的方法是这样的：

1. 选择一项功能。
2. 如果选定的功能是连续转换为离散的。
3. 选择HMM参数：拓扑和状态数量。
4. 使用HMM训练人物模型。每个班级有一个模型。
5. 使用测试集进行测试。

每个项目：

1. 最简单的功能是连接连续 点矢量的角度。您可以使用更复杂的功能，如Douglas & Peucker算法获得的矢量角度 。
2. 离散化的最简单方法是使用Freeman代码，但也可以使用像k-means和GMM这样的聚类算法。
3. HMM拓扑：遍历，左 - 右，巴基斯和线性。 ＃状态 可以通过试用&错误获得。对于每个型号的 ，HMM参数可以是可变的。观测数量由离散化决定。观察样本可以有不同的长度。
4. 我推荐Kevin Murphy HMM工具箱。
5. 祝你好运。