| Titre : | Analyse des documents manuscrits : Caractérisation de l’individualisation du scripteur |
| Auteurs : | BOUMAZA Wail Nadjib, Auteur ; MEGHERBI Aicha Ahlem, Auteur ; Bahram Tayeb, Directeur de thèse |
| Type de document : | texte manuscrit |
| Editeur : | Université de Saïda – Dr. Moulay Tahar – Faculté des Mathématiques, de l’Informatique et des Télécommunications, 2025/2026 |
| Format : | 48ض |
| Accompagnement : | CD |
| Langues: | Français |
| Index. décimale : | BUC-M 008692 |
| Catégories : |
Master en informatique Spécialité : Intelligence Artificielle Principe et application |
| Mots-clés: | التعرف على الكاتب و التحقق من هويته, نمط الحواف المحلي,أثرالحبروشكل الحرف,التعلم اآللي, التعرف على األنماط, المعالجة الشرعية للوثائق, الكتابة اليدوية : Identification et vérification de scripteurs, Modèle de Contour Local, IWSL: Epaisseur de trait Forme de Lettres, Apprentissage automatique, Examen légal des documents, Écriture manuscrite. Writer identification and verification, Local contour pattern, IWSL: Ink Trace-Width and Shape Letter, Machine Learning, Forensic science, Handwriting. |
| Résumé : |
Abstract
The work presented in this manuscript addresses the problem of offline writer recognition based on handwritten documents. The feature extraction stage is a crucial component of any writer recognition system, as its objective is to select the most discriminative information for the classification task. In this thesis, handwritten samples are represented using several attributes, including stroke orientation, curvature, stroke thickness, and handwriting size. The proposed method incorporates an innovative feature extraction technique that improves the accuracy of both writer identification and writer verification. Two key descriptors, LCP–IWSLB (black pixels) and LCP–IWSLC (outer contour pixels), are employed independently to characterize the individuality of each writer. Classification is performed using the k-Nearest Neighbors (k-NN) classifier in conjunction with the Chi-Square (χ²) distance measure. The proposed approach was evaluated on three handwritten document databases containing samples from 26, 250, and 310 writers, respectively, where promising results were obtained. The experimental results demonstrate the robustness of the proposed method in both single-script and multi-script scenarios, particularly in hybrid environments that simulate real-world multilingual handwriting conditions. The system exhibits stable and reliable performance even in the presence of greater data diversity. ملخص تتناول األعمال المقدَّمة في هذه الرسالة مشكلةالتعرّف اآللي على الكاتب من خالل الوثائق المكتوبة بخط اليد غير المتصلة)offline(.وتُعد مرحلةاستخراج السماتمن أهمالمراحل في أنظمة التعرّف على الكاتب، إذ تهدف إلى اختيار أكثر المعلومات تمييزًا ومالءمة ً لمهمة التصنيف. في هذه الرسالة، تُمثَّل عينات الكتابة اليدوية بمجموعة من السمات، تشمل اتجاه الضربات، واالنحناء، وسُمك الخطوط، وحجم الكتابة. وتعتمد المنهجية المقترحة علىتقنية مبتكرة الستخراج السمات، تسهم في تحسين دقة كل ٍّّ منتحديد هوية الكاتب)Writer Verification(والتحقق من هوية الكاتب)Writer Identification(.ويُستخدم واصفان أساسيان، هماBIWSL–LCP)البكسالت السوداء(وCIWSL–LCP)بكسالت المحيط الخارجي(،بصورة مستقلةلتمثيل الخصائص الفردية المميزة لكل كاتب. وتُنفَّذ عملية التصنيف باستخدام خوارزمية)NN-Nearest Neighbors, k-k(باالعتماد علىمسافة)²χSquare,-Chi(كمقياس للتشابه. وقد جرى تقييم المنهجية المقترحة باستخدام ثالث قواعد بيانات للوثائق المكتوبة بخط اليد تضم عينات تعود إلى26و250و310كاتبًا، حيث حققت نتائج واعدة. وتُظهر النتائج التجريبية متانة المنهجية المقترحة في كل ٍّّ من سيناريوهات الكتابة أحادية النص ومتعددة النصوص، وال سيما في البيئات الهجينة التي تحاكي ظروف الكتابة متعددة اللغات في التطبيقات الواقعية. كما يتميز النظام باستقرار أدائه وكفاءته حتى في ظل وجود تنوع أكبر في البيانات. .Résumé Les travaux présentés dans ce manuscrit abordent le problème de reconnaissance de scripteurs à partir de leur écriture manuscrite hors-ligne. La phase d’extraction de caractéristiques est une étape très importante pour un système de reconnaissance de scripteurs. L’objectif de cette étape est la sélection des informations les plus pertinentes pour la tâche de classification. Dans ce mémoire les échantillons d’écritures manuscrites sont représentés par des attributs comme l’orientation, la courbure, l’épaisseur des traits et la taille de l’écriture. La méthode proposée intègre une technique innovante d’extraction de caractéristiques qui améliore l’exactitude de l’identification et de la vérification. Deux descripteurs clés, LCP − IWSLB (pixels noirs) et LCP −IWSLC (pixels de contour externe), sont utilisés indépendamment pour caractériser l’individualité du scripteur. La classification est réalisée en utilisant les k plus proches voisins (k-NN) et la distance de Chi-Square (χ2). La méthode proposée a été évaluée en utilisant trois bases de documents de 26, 250 et 310 scripteurs où des résultats intéressants ont été enregistrés. Nos résultats montrent la robustesse de la méthode proposée dans les scénarios mono- et multi-script, en particulier dans les environnements hybrides qui simulent les conditions d’écriture multilingue dans le monde réel. Le système se montre stable et performant, même en présence d’une plus grande diversité de données. |
| Note de contenu : |
Contents
1 General Introduction 1 1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1.2 Motivation and Context . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 1.3 Objectives of the Research . . . . . . . . . . . . . . . . . . . . . . . . . . 3 1.4 Dissertation Organization . . . . . . . . . . . . . . . . . . . . . . . . . . 3 1.5 Methodology and Technologies . . . . . . . . . . . . . . . . . . . . . . . . 4 2 Individual Characterization 5 2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 2.2 Handwriting as a Behavioral Biometric Trait . . . . . . . . . . . . . . . . 6 2.3 Within-writer variance vs. Between-writer variation . . . . . . . . . . . . 6 2.4 Factors causing variability in handwriting . . . . . . . . . . . . . . . . . . 7 2.5 Writer identification vs. Writer verification . . . . . . . . . . . . . . . . . 7 2.6 Online and Offline Writer Recognition . . . . . . . . . . . . . . . . . . . 9 2.7 Text-dependent vs. Text-independent methods . . . . . . . . . . . . . . . 9 2.8 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 3 Writer Identification and Verification: State-of-the-Art 10 3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 3.2 Handcrafted features . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 3.2.1 Codebook-based methods . . . . . . . . . . . . . . . . . . . . . . 10 3.2.2 Texture-based methods . . . . . . . . . . . . . . . . . . . . . . . . 12 3.2.3 Contour-based methods . . . . . . . . . . . . . . . . . . . . . . . 14 3.3 Learned features . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 3.4 Comparative Analysis and Challenges . . . . . . . . . . . . . . . . . . . . 15 3.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 4 Proposed approach 17 4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 4.2 Preprocessing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 4.2.1 Binarization . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 4.2.2 Connected Components Extraction . . . . . . . . . . . . . . . . . 20 4.2.3 Removal of small connected components . . . . . . . . . . . . . . 21 4.2.4 Contour detection . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 4.3 Feature Extraction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 4.3.1 LBP operator . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 4.3.2 LCP-IWSL feature . . . . . . . . . . . . . . . . . . . . . . . . . . 24 4.4 Classification (writer recognition) . . . . . . . . . . . . . . . . . . . . . . 28 2 4.4.1 Dissimilarity measure . . . . . . . . . . . . . . . . . . . . . . . . . 28 4.4.2 Writer identification . . . . . . . . . . . . . . . . . . . . . . . . . 28 4.4.3 Writer verification . . . . . . . . . . . . . . . . . . . . . . . . . . 29 4.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 5 Results and analysis 31 5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 5.2 Experimental setup . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 5.2.1 ICDAR2011 database . . . . . . . . . . . . . . . . . . . . . . . . . 31 5.2.2 ICDAR2013 database . . . . . . . . . . . . . . . . . . . . . . . . . 32 5.2.3 CVL database . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 5.3 Experimental results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 5.3.1 Evaluation of mono-script performance . . . . . . . . . . . . . . . 34 5.3.2 Evaluation of multi-scripts performance . . . . . . . . . . . . . . . 35 5.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 6 Conclusions and perspectives 37 3 |
Exemplaires
| Code-barres | Cote | Support | Localisation | Section | Disponibilité |
|---|---|---|---|---|---|
| aucun exemplaire |
Documents numériques (1)
BUC-M 008692 Adobe Acrobat PDF |
