Stratégies de résolution en reconnaissance de l'écriture semi-cursive : application aux mots manuscrits arabes

Cette these developpe une strategie de reconnaissance de l'ecriture hors-ligne semi-cursive, et appliquee a des mots composes arabes decrivant un lexique de 232 noms de villes tunisiennes. Cette strategie repose sur 3 niveaux perceptifs inspires des caracteristiques de ce type d'ecriture. Le memoire de cette these est compose de 5 chapitres. Un premier chapitre introductif traite des caracteristiques calligraphiques de l'ecriture arabe, des phases de pretraitement et de segmentation des images ainsi que des modeles de Markov cachees (MMC), qui sont a la base des differentes modelisations abordees dans cette these, les aspects plus theoriques de ces modeles sont renvoyes en annexe. Le deuxieme chapitre est consacre a l'aspect visuel global de l'ecriture arabe. Il definit un ensemble d'indices visuels appropries a ce type d'ecriture et propose une etude de pertinence de ces indices par critere d'information (IC). Ces indices decrivent les formes a reconnaitre par des sequences d'observations permettant d'estimer un modele global par mot. Le troisieme chapitre traite d'une approche analytique. A ce niveau perceptif, le modele de mot est une fusion de modeles elementaires consacres aux caracteres et aux transitions inter et intra-pseudo-mots. Afin d'optimiser la description de mots, le choix du jeu d'observations est explicite. Parmi les alphabets d'observations etudies, on introduit un alphabet entropique selectionne par critere d'information de type bayesien (BIC). Le quatrieme chapitre degage un troisieme niveau perceptif fonde sur la notion de pseudo-mots. Entre autre, il introduit une modelisation de mots par concatenation de modeles de pseudo-mots et evoque ses limites. Apres avoir introduit les methodes de combinaison de classifieurs et les approches de fusion de donnees, le cinquieme et dernier chapitre expose une strategie de reconnaissance reposant sur une cooperation hierarchique des classifieurs, associes aux 3 niveaux perceptifs des chapitres precedents et une fusion des resultats de leurs expertises. Finalement, ce chapitre introduit des modeles multiplicatifs de type IC et propose une application de ces criteres pour l'optimisation d'un probleme de combinaison de classifieurs.