Trích chọn đặc trưng wavelet Haar kết hợp
với SVM cho việc nhận dạng
chữ viết tay tiếng Việt
Vietnamese Handwritten Character Recognition
By Combining SVM and Haar Wavelet Features
Phạm Anh Phương, Ngô Quốc Tạo, Lương Chi Mai
Abstract: This paper proposes a recognition model for
isolated Vietnamese handwritten character recognition.
Based on connected regions of image we try to determine
character image that belongs to a group of characters
which has either diacritical mark or not. In our model,
character part and its diacritical mark part could be sepa-
rately defined and they come independently for recogni-
tion. Hence, we apply SVM (Support Vector Machines)
classification where Haar wavelet features from a mark
part and a character part are extracted independently.
Finally, we join classified results together to have recogni-
tion outcome. Our test results over Vietnamese handwrit-
ing with 50,000 character samples collecting from 655
individuals show that the accuracy of our recognition
model is over 88%.
Keywords: Vietnamese handwritten character recogni-
tion, SVM.
I. GIỚI THIỆU
Nhận dạng chữ viết tay đang là vấn đề thách thức
lớn đối với các nhà nghiên cứu, bài toàn này chưa thể
giải quyết trọn vẹn được vì nó phụ thuộc quá nhiều
vào người viết và sự biến đổi quá đa dạng trong cách
viết và trạng thái tinh thần của từng người viết. Cho
đến nay, bài toán nhận dạng chữ viết tay cũng đã có
một số kết quả khả quan, yếu tập trung trên các tập dữ
liệu chữ số viết tay như USPS và MNIST [4,5,6], một
số kết quả khác mở rộng đối với các chữ cái hệ La
tinh, Hy lạp... [2,7]. Đặc biệt đối với việc nhận dạng
chữ viết tay tiếng Việt lại càng gặp nhiều khó khăn
1
hơn do bộ ký tự tiếng Việt có nhiều chữ có hình dáng
rất giống nhau, chỉ khác nhau chút ít về phần dấu. Do
đó có rất ít kết quả nghiên cứu về nhận dạng chữ viết
tay tiếng Việt và các kết quả nghiên cứu chủ yếu cũng
chỉ tập trung vào chữ viết tay online [9]. Bài toán
chúng tôi đặt ra ở đây là xây dựng một mô hình nhận
dạng chữ Việt viết tay hạn chế. Chúng tôi giới hạn
phạm vi của bài toán theo một số qui định như: các
chữ viết phải có một khoảng cách tương đối, giữa
phần chữ và phần dấu phải tách rời nhau. Bộ ký tự
tiếng Việt bao gồm tập ký tự không dấu {A, B, C, D,
Đ, E, G, H, I, K, L, M, N, O, P, Q, R, S, T, U, V, X,
Y} và các ký tự có dấu {Ă, Â, À, Ả, Ã, Á, Ạ, Ằ, Ẳ,
Ẵ, Ắ, Ặ, Ầ, Ẩ, Ẫ, Ấ, Ậ, Ê, È, Ẻ, Ẽ, É, Ẹ, Ề, Ể, Ễ, Ế, Ệ,
Ì, Ỉ, Ĩ, Í, Ị, Ô, Ơ, Ò, Ỏ, Õ, Ó, Ọ, Ồ, Ổ, Ỗ, Ố, Ộ, Ờ, Ở,
Ỡ, Ớ, Ợ, Ư, Ù, Ủ, Ũ, Ú, Ụ, Ừ, Ử, Ữ, Ứ, Ự, Ỳ, Ỷ, Ỹ,
Ý, Ỵ}.
SVM (Support Vector Machines) là một phương
pháp máy học tiên tiến đã có nhiều thành công không
chỉ trong các lĩnh vực khai phá dữ liệu mà còn trong
lĩnh vực nhận dạng. Trong những thập niên gần đây,
SVM được đánh giá là một trong những phương pháp
phân lớp có độ chính xác rất cao và nó cũng đã được
áp dụng nhiều trong các bài toán nhận dạng chữ viết
tay [3,4,5,6]. Vì vậy chúng tôi đề xuất một mô hình
nhận dạng chữ Việt viết tay hạn chế trên cơ sở
phương pháp phân lớp SVM. Trích chọn đặc trưng
phục vụ cho công việc huấn luyện và nhận dạng là
một bước rất quan trọng trong một hệ thống nhận
dạng. Có rất nhiều phương pháp trích chọn đặc trưng
hiệu quả có thể áp dụng cho chữ viết tay như: ma trận
trọng số, toán tử Kirsch, các biểu đồ chiếu...[4,5,7],
trong bài báo này chúng tôi sử dụng ý tưởng của
phương pháp trích chọn đặc trưng wavelet Haar [8]
cho mô hình nhận dạng chữ viết tay tiếng Việt.
Dựa trên cơ sở các thành phần liên thông của ảnh,
chúng tôi phân tập ký tự tiếng Việt thành 3 nhóm và Hình 1. Siêu phẳng tách với khoảng cách lề cực đại.
tách các ký tự có dấu thành các phần rời nhau. Sau đó
2 2
chúng tôi xây dựng các máy phân lớp SVM để nhận Khoảng cách lề giữa hai lớp là = . Để nới
w.w 2
dạng cho từng phần chữ và dấu. Các kết quả thực w
nghiệm cho thấy mô hình nhận dạng của chúng tôi có lỏng điều kiện phân lớp, thêm vào một số yếu tố cân
độ chính xác tương đối cao. bằng và việc huấn luyện SVM chính là giải bài toán
Phần còn lại của bài báo này có cấu trúc như sau: tối ưu có ràng buộc:
Phần 2 tóm tắt những ý tưởng cơ bản của phương 1 N

pháp phân lớp SVM nhị phân. Phần 3 phát họa kiến
min
w,b 2
w.w + C ∑ξ
i=1
i (2)

trúc của mô hình nhận dạng, thuật toán trích chọn đặc
sao cho:
trưng Haar wavelet và xây dựng các máy phân lớp
SVM phục vụ cho việc nhận dạng. Phần 4 là các kết yi(w. Φ(xi) + b) ≥ 1-ξi
quả thực nghiệm trên tập dữ liệu viết tay tiếng Việt ξi ≥ 0, ∀i, trong đó C là tham số nới lỏng
mà chúng tôi thu thập được. Cuối cùng là phần kết điều kiện phân lớp [1].
luận. Thay vì giải bài toán (2), ta giải bài toán đối ngẫu
II. PHƯƠNG PHÁP PHÂN LỚP SVM của nó bằng cách giải bài toán qui hoạch toàn phương
Hàm mục tiêu của một máy phân lớp SVM nhị phân (QP-Quadratic programming):
có thể được phát biểu như sau: ⎛ 1 ⎞
max ⎜ α1 − α T Hα ⎟ (3)
g(x) = w.Φ(x) + b (1) α
⎝ 2 ⎠
trong đó, véc tơ đầu vào x∈ R D , w là véc tơ chuẩn N

của siêu phẳng phân cách trong không gian đặc trưng
thỏa mãn: 0≤αi≤C, ∀i và ∑α y
i =1
i i = 0,

được sinh ra từ ánh xạ Φ(x): R D → R F (F > D, Φ(x) trong đó α =[α1,..., αN]T và H là ma trận kích thước
có thể tuyến tính hoặc phi tuyến) và b là độ lệch so N×N được gọi là ma trận nhân (kernel matrix) với mỗi
với gốc tọa độ. Ban đầu, SVM được thiết kế cho bài
phần tử H(i,j) = yiyjΦ(xi).Φ(xj).
toán phân lớp nhị phân, do đó dấu của g(x) cho biết
Giải bài toán QP (3) ta thu được:
véc tơ x thuộc lớp +1 hay lớp -1.
N
Cho tập mẫu {(x1,y1),...,(xN,yN)} trong đó xi∈RD và w= ∑ αi yi Φ(x i ) (4)
yi∈{±1}, mục tiêu của phương pháp phân lớp SVM là i =1

tìm một siêu phẳng phân cách sao cho khoảng cách lề Mỗi mẫu huấn luyện xi tương ứng với một hệ số
(margin) giữa hai lớp đạt cực đại (Hình 1). Lagrange αi. Sau khi huấn luyện, các mẫu có αi>0
được gọi là véc tơ hỗ trợ.

2
 Thế (4) vào (1), ta có : Để thuận tiện cho việc xử lý sau này, chúng tôi
N biến đổi ảnh đầu vào từ ảnh đa cấp xám thành ảnh nhị
g(x) = ∑ αi yi Φ (x i ).Φ (x) + b
i =1
(5) phân.

Giả sử Φ(xi).Φ(xj) = K(xi,xj). Nghĩa là, tích vô

hướng trong không gian đặc trưng tương đương với
một hàm nhân K của không gian đầu vào. Vì vậy, ta
không cần phải tính trực tiếp các giá trị Φ(xi), Φ(xj)
mà chỉ cần tính tích vô hướng <Φ(xi).Φ(xj)> gián tiếp
thông qua hàm nhân K(xi,xj). Nếu sử dụng hàm nhân
là hàm tuyến tính thì SVM được gọi là SVM tuyến
tính, ngược lại thì gọi là SVM phi tuyến. Như vậy,
hàm mục tiêu cho bài toán phân lớp SVM nhị phân có
dạng:
N
g(x) = ∑ α i yi K(x i , x) + b (6)
i =1

Chỉ có các véc tơ hỗ trợ tham gia vào việc xây

dựng siêu phẳng phân cách, do đó một mẫu x sẽ được
phân lớp theo hàm quyết định:

⎛ NSV ⎞
f (x) = sgn ⎜ ∑ αi yi K(x i , x) + b ⎟ (7)
Hình 2. Kiến trúc của mô hình nhận dạng
⎝ i =1 ⎠
trong đó, NSV là số véc tơ hỗ trợ.
III. MÔ HÌNH NHẬN DẠNG CHỮ VIỆT VIẾT
TAY HẠN CHẾ
Trong phần này, chúng tôi sẽ trình bày chi tiết kiến
trúc của mô hình nhận dạng chữ Việt viết tay hạn chế
(Hình 2).
1. Tiền xử lý (a) Nhiễu đốm (b) Nhiễu vệt dài
Hình 3. Một số nhiễu thường gặp khi quét ảnh
Mục đích của giai đoạn tiền xử lý nhằm tăng độ
chính xác của hệ thống nhận dạng. Khi quét ảnh Chuẩn hóa ảnh theo vùng liên thông
thường gặp các loại nhiễu, vì vậy chúng tôi sử dụng Chuẩn hóa ảnh nhằm mục đích tạo điều kiện thuận
một số kỹ thuật lọc nhiễu để khử các nhiễu đốm và tiện cho công đoạn tách ảnh thành từng phần chữ và
nhiễu vệt dài. Đối với nhiễu đốm, sử dụng các bộ lọc dấu.
trung bình và lọc trung vị, còn với các nhiễu vệt dài Bước 1: Xác định các vùng liên thông trên ảnh (Hình
thì chúng tôi sử dụng phương pháp khử các vùng liên 4).
thông nhỏ (Hình 3).

3
 thước chuẩn 8×8 và chuẩn hóa vùng liên thông 3 về
kích thước chuẩn 16×16 (Hình 5c).
2. Phân nhóm sơ bộ
Dựa vào số thành phần liên thông chúng tôi tách
(a) (b) bộ ký tự tiếng Việt thành 3 nhóm:

Hình 4. Chuẩn hóa ảnh. (a) Ảnh gốc (b) Xác định các vùngƒ Nhóm 1: Nhóm có 1 vùng liên thông {A, B, C, D, Đ,
liên thông và đánh thứ tự các vùng liên thông. E, G, H, I, K, L, M, N, O, P, Q, R, S, T, U, V, X, Y,
Bước 2: Sắp xếp các vùng liên thông theo thứ tự từ Ơ, Ư}.
trên xuống (Hình 4b). ƒ Nhóm 2: Nhóm có 2 vùng liên thông {Ă, Â, À, Ả, Ã,
Bước 3: Á, Ạ, Ê, È, Ẻ, Ẽ, É, Ẹ, Ì, Ỉ, Ĩ, Í, Ị, Ô, Ò, Ỏ, Õ, Ó, Ọ, Ờ,
Ở, Ỡ, Ớ, Ợ, Ù, Ủ, Ũ, Ú, Ụ, Ừ, Ử, Ữ, Ứ, Ự, Ỳ, Ỷ, Ỹ,
- Nếu ảnh chỉ có 1 vùng liên thông: Chuẩn hóa ảnh về
Ý, Ỵ}.
kích thước chuẩn 16×16 (Hình 5a).
ƒ Nhóm 3: Nhóm có 3 vùng liên thông { Ằ, Ẳ, Ẵ, Ắ, Ặ,
Ầ, Ẩ, Ẫ, Ấ, Ậ, Ề, Ể, Ễ, Ế, Ệ, Ồ, Ổ, Ỗ, Ố, Ộ}
3. Trích chọn đặc trưng
Chúng tôi sử dụng ý tưởng của phương pháp trích
chọn đặc trưng wavelet Haar [8] để chọn tập đặc trưng
cho mỗi ảnh ký tự đầu vào.

(a) (b) (c)

Hình 5. Chuẩn hóa các vùng liên thông.
- Nếu ảnh có 2 vùng liên thông: Gọi S(i) là diện tích
vùng liên thông thứ i.
Nếu S(1)>S(2) thì dấu của phần liên thông 2 là dấu
nặng (.) và chỉ cần chuẩn hóa vùng liên thông 1 về
kích thước chuẩn 16×16. Hình 6. Quá trình trích chọn đặc trưng
Ngược lại: Tách ảnh thành 2 phần: phần chữ và Từ ảnh nhị phân kích thước 2n×2n (Hình 6), quá
phần dấu. Chuẩn hóa phần chữ về kích thước chuẩn trình trích chọn đặc trưng được mô tả theo thuật toán
16×16 và phần dấu về kích thước chuẩn 8×8 (Hình sau:
5b).
- Nếu ảnh có 3 vùng liên thông:
Procedure HaarFeature
Nếu S(3) = Min{S(i)} thì dấu của phần liên thông
Input Ma trận vuông (A,n) cấp 2n.
này là dấu nặng (.). Do đó chỉ cần chuẩn hóa thành
phần liên thông 1 về kích thước chuẩn 8×8 và thành Output Tập các đặc trưng {F1, F2,..., F2n ×2n }.

phần liên thông 2 về kích thước chuẩn 16×16. Method

Ngược lại: Tách ảnh thành 3 phần từ các vùng liên 1. Khởi tạo: Queue = ∅;
thông. Chuẩn hóa các vùng liên thông 1 và 2 về kích i = 1;

4
2. - Tính Fi= Tổng các điểm đen trong toàn bộ ma do đó hệ phương trình có nghiệm duy nhất. Vì vậy,
trận (A,n); theo cách trích chọn đặc trưng của thuật toán Haar-
- PUSH((A,n), Queue); Feature thì ma trận A bất biến với n=1.
3. While Queue ≠∅ Do Giả sử mệnh đề đúng với n=k. Ta sẽ chứng minh
{ mệnh đề đúng với n=k+1.

- POP(Queue, (A,n)); Rõ ràng ma trận vuông cấp 2k+1 có kích thước gấp 4
lần ma trận vuông cấp 2k. Ta sẽ chứng minh rằng nếu
- if (n>1)
mỗi một phần tư của ma trận vuông A cấp 2k+1 bất
{
biến thì ma trận vuông A cũng bất biến theo phương
n = n DIV 2; pháp trích chọn đặc trưng của thuật toán HaarFeature.
Chia ảnh thành 4 phần: A1, A2, A3, A4;
Thật vậy, giả sử ma trận vuông A cấp 2k+1 được chia
for (j=1; i ≤ 4; j++) thành 4 khối con A1, A2, A3, A4 kích thước 2k có tổng
PUSH((Aj,n), Queue); các điểm đen tương ứng là S1, S2, S3, S4. Với cách
} chia thành 4 khối như vậy thì ma trận A sẽ có nghiệm
- Gọi S, S1, S2, S3, S4 là tổng các điểm đen duy nhất X1=S1, X2=S2, X3=S3, X4=S4 tương ứng với
tương ứng với các khối A, A1, A2, A3, A4; các phần tử A1, A2, A3, A4. Mà mỗi khối Ai, i=1..4 là
bất biến theo phương pháp trích chọn đặc trưng của
- Tính Fi+1 = S1 + S2;
thuật toán HaarFeature nên ma trận A cũng bất biến
Fi+2 = S2 + S3;
theo phương pháp trích chọn đặc trưng trên .
Fi+3 = S4;
Trong thực nghiệm, với phần chữ chúng tôi chọn
- i = i + 3;
n=4, như vậy ta có: 1 + 3 + 4×3 + 4×4×3 + 4×4×4×3 =
}
256 đặc trưng, còn với phần dấu chúng tôi chọn n=3,
Phương pháp tính nhanh tổng các điểm đen trong như vậy có tất cả 64 đặc trưng.
trong thuật toán trên có thể tham khảo trong [8].
Với phương pháp trích chọn đặc trưng này thì sẽ tạo
Mệnh đề (tính bất biến của đặc trưng): Cho ma trận ra một dãy số các đặc trưng giảm dần. Với cùng một
vuông A cấp 2n, n nguyên dương. Theo phương pháp chữ thì các giá trị lớn ở đầu dãy tương đối ổn định, có
trích chọn đặc trưng của thuật toán HaarFeature thì
thể đại diện cho hình dạng khái quát của chữ; còn các
ma trận A bất biến đối với các đặc trưng được trích
giá trị ở cuối dãy nhỏ dần và không ổn định, thể hiện
chọn.
sự đa dạng trong từng chi tiết của chữ.
Chứng minh
4. Xây dựng các máy phân lớp SVM
Dùng phương pháp quy nạp.
Trong phần này, chúng tôi sẽ xây dựng 3 máy phân
Ta chứng minh mệnh đề đúng với n=1. Thật vậy,
lớp SVM, sử dụng tập đặc trưng được trích chọn ở
giả sử x1, x2, x3, x4 là 4 phần tử của ma trận vuông cấp
trên để huấn luyện phân lớp và nhận dạng.
2. Theo phương pháp trích chọn đặc trưng trên ta có
hệ phương trình: Đối với phần chữ có kích thước 16×16, có tất cả
256 đặc trưng. Còn phần dấu với kích thước 8×8, như
⎧ x1 + x2 + x3 + x4 = S 1 1 1 1
⎪ x +x vậy có 64 đặc trưng được trích chọn.
⎪ 1 2 = S1 + S 2 1 1 0 0
⎨ và = 1 ≠ 0 ƒ SVM1: phân lớp đối với nhóm ký tự có 1 vùng liên
⎪ x2 + x3 = S 2 + S3 0 1 1 0
thông {A, B, C, D, Đ, E, G, H, I, K, L, M, N, O, P, Q,
⎪⎩ x4 = S 4 0 0 0 1
R, S, T, U, V, X, Y, Ơ, Ư}.

5
ƒ SVM2: đối với các ký tự có dấu thì phần chữ đều là • TestData 3: Tập các ký tự tiếng Việt có 3 vùng liên
các nguyên âm, vì vậy máy này chỉ phân lớp các thông, với 12219 mẫu.
nguyên âm {A, E, I, O, U, Y}. • TestData 4 = TestData 1 ∪ TestData 2 ∪ TestData3.
ƒ SVM3: phân lớp các dấu {/, \, ?, ~, ^, ∨} (sắc, huyền,
hỏi, ngã, dấu ô, dấu ă).
Các máy phân lớp SVM1, SVM2, SVM3 được xây
dựng từ các SVM nhị phân. Chúng tôi chọn thuật toán
SMO [1] để huấn luyện các máy phân lớp nhị phân
theo chiến lược một chống một (OVO – One verus
One) với các tham số C=100 và sử dụng hàm nhân là
hàm Gaussian với σ=0.5.
IV. KẾT QUẢ THỰC NGHIỆM
Các kết quả thực nghiệm của chúng tôi được tiến Hình 7. Các mẫu trích từ tập ký tự viết tay tiếng Việt.
hành cài đặt và chạy thử nghiệm trên máy PC Pentium
BẢNG 1. KẾT QUẢ NHẬN DẠNG TRÊN DỮ LIỆU
4 tốc độ 2.66 Ghz, 512Mb Ram.
TIẾNG VIỆT VIẾT TAY HẠN CHẾ.
Dữ liệu chữ viết tay tiếng Việt của chúng tôi được
Tập mẫu Số mẫu Độ chính xác
thu thập từ 655 người viết khác nhau, đối tượng chủ
yếu là sinh viên. Mỗi người viết khoảng 200 chữ in TestData 1 7143 82.24%
hoa, các ký tự được viết rời rạc. Chúng tôi chọn lọc ra TestData 2 16856 90.69%
50000 mẫu để tiến hành thực nghiệm (không kể các TestData 3 12219 87.78%
dấu), trong đó 13782 mẫu chữ không dấu được sử TestData 4 36218 88.04%
dụng để huấn luyện, phần còn lại phục vụ cho việc
nhận dạng. Các kết quả thực nghiệm ở bảng 1 cho thấy mô hình
Chúng tôi xây dựng 3 tập dữ liệu phục vụ cho việc nhận dạng chữ Việt viết tay hạn chế đạt độ chính xác
huấn luyện: tương đối cao.

ƒ TrainData1: Tập các dấu tiếng Việt {/, \, ?, ~, ^, ∨},
với 2485 mẫu.
ƒ TrainData2: Tập các chữ cái nguyên âm tiếng Việt
{A, E, I, O, U, Y}, với 4128 mẫu.
ƒ TrainData3: Tập các chữ cái tiếng Việt không dấu
{A, B, C, D, Đ, E, G, H, I, K, L, M, N, O, P, Q, R, S,
T, U, V, X, Y, Ơ, Ư}, với 13782 mẫu.
Chúng tôi xây dựng 4 tập dữ liệu phục vụ cho việc
nhận dạng, kết quả thực nghiệm thể hiện ở bảng 1:
• TestData 1: Tập các ký tự tiếng Việt có 1 vùng liên
thông, với 7143 mẫu.
• TestData 2: Tập các ký tự tiếng Việt có 2 vùng liên
thông, với 16856 mẫu.
V. KẾT LUẬN
Bài báo đã đề xuất một mô hình nhận dạng chữ Việt
viết tay hạn chế dựa trên cơ sở SVM kết hợp với
phương pháp trích chọn đặc trưng wavelet Haar.
Chúng tôi dựa vào tính liên thông của ảnh để xác định
xem ảnh ký tự thuộc nhóm ký tự có dấu hay không
dấu, trên cơ sở đó sẽ tiến hành tách ảnh thành phần
chữ và phần dấu để phân lớp độc lập, cuối cùng ghép
nối các kết quả phân lớp của phần chữ và phần dấu để
có được kết quả nhận dạng cuối cùng. Các kết quả
thực nghiệm của chúng tôi cho thấy việc áp dụng
phương pháp phân lớp SVM kết hợp với các đặc trưng
Haar vào bài toán nhận dạng chữ viết tay tiếng Việt
đạt độ chính xác tương đối khả quan và có triển vọng.

6
 Bài báo này được sự hỗ trợ của đề tài nghiên cứu
cơ bản: “Khai thác một số phương pháp tiêu biểu về
trích chọn đặc trưng và khả năng ứng dụng trong
nhận dạng chữ, tiếng nói, văn bản và hình ảnh”, mã
số 2.007.06.
TÀI LIỆU THAM KHẢO
[1] J. Platt, “Fast Training of Support Vector Machines
Using Sequential Minimal Optimization”, In Advences in
Kernel Methods - Support Vector Learning, pp. 185-208,
Cambridge, M.A, MIT Press, 1999.
[2] Lê Hoài Bắc, Lê Hoàng Thái, “Neural Network &
Genetic Algorithm in Application to Handwritten Character
Recognition”, Tạp chí Tin học và Điều khiển học, Tập 17,
số 4, tr. 57-65, 2001.
[3] Chih-Chung Chang and Chil-Jen Lin, “LIBSVM: a
Library for Support Vector Machines”, National Taiwan
University, 2004.
[4] Gorgevik D., Cakmakov D., “An Efficient Three-Stage
Classifier for Handwritten Digit Recognition”, Proceedings
of 17th Int. Conference on Pattern Recognition, ICPR2004,
Vol. 4, pp. 507-510, IEEE Computer Society, Cambridge,
UK, 23-26 August 2004.
SƠ LƯỢC TÁC GIẢ
PGS.TS. NGÔ QUỐC TẠO
Tốt nghiệp: Khoa Toán Đại học Bách
Khoa Hà Nội.
Bảo vệ Tiến sĩ: năm 1997 chuyên
ngành :" Đảm báo toán học cho các
hệ thống tính toán", được phong hàm
Phó Giáo sư năm 2002.
Nơi công tác: Viện Công nghệ thông tin Hà Nội.
Lĩnh vực nghiên cứu: Nhận dạng và Xử lý ảnh.
Email: nqtao@ioit.ncst.ac.vn
PGS.TS. LƯƠNG CHI MAI
Tốt nghiệp Đại học Kishinov, Liên
Xô cũ năm 1981, chuyên ngành Toán
ứng dụng. Nhận bằng Tiến sĩ chuyên
ngành Khoa học Máy tính tại viện
Công nghệ thông tin năm 1991.
Được phong hàm Phó Giáo sư năm 2005.
Nơi công tác: Viện Công nghệ thông tin Hà Nội.
Lĩnh vực nghiên cứu: Kỹ thuật nhận dạng, phân lớp
thống kê, mạng nơ ron, nhận dạng chữ quang học và
tiếng nói.
Email:lcmai@ioit.ncst.ac.vn
[5] Cakmakov D., Gorgevik D., “Handwritten Digit Rec-
ognition Using Classifier Cooperation Schemes”, Proceed-
ings of the 2nd Balkan Conference in Informatics, BCI
2005, pp. 23-30, Ohrid, November 17-19, 2005.
[6] Phạm Anh Phương, “Nhận dạng chữ viết tay hạn chế
với mô hình SVM”, Tạp chí khoa học Đại học Huế, tr. 157-
165, ISSN: 1859-1388, số 42, 2007.
[7] G. Vamvakas, B. Gatos, I. Pratikakis, N. Stamatopou-
los, A. Roniotis and S.J. Perantonis, "Hybrid Off-Line OCR
for Isolated Handwritten Greek Characters", The Fourth
IASTED International Conference on Signal Processing,
Pattern Recognition, and Applications (SPPRA 2007), pp.
197-202, ISBN: 978-0-88986-646-1, Innsbruck, Austria,
February 2007.
[8] Viola, P., Jones, M., “Rapid object detection using a
boosted cascade of simple features”, Proc. Intl. Conf. on
Computer Vision and Pattern Recognition (CVPR), Volume
1, pp. 511–518 , 2001.
[9] Ngo Quoc Tao, Pham Van Hung, “Online Continues
Vietnamese Handwritten Character Recognition based on
Microsoft Handwritten Character Recognition Library”,
IEEE Asia Pacific Conference on Circuits and Systems,
APCCAS 2006, Singapore, pp. 2024-2026.
Ngày nhận bài: 01/03/2008
PHẠM ANH PHƯƠNG
Sinh năm 1974.
Tốt nghiệp Đại học Sư phạm Huế
năm 1996, chuyên ngành Toán –Tin
học. Nhận bằng Thạc sỹ năm 2001,
chuyên ngành Công nghệ Thông tin
tại Đại học Bách Khoa Hà Nội.
Hiện đang làm nghiên cứu sinh tại Viện Công nghệ
Thông tin Hà Nội.
Nơi công tác: Khoa Công nghệ thông tin, trường Đại
học Khoa học Huế.
Lĩnh vực nghiên cứu: Đồ họa, Nhận dạng và Xử lý
ảnh.
Email: paphuong@yahoo.com