수기 방글라 문자 인식 MLP와 SVM 융합

초록

본 논문은 방글라어 기본 문자와 복합 문자(총 210여 클래스)를 인식하기 위해 다층 퍼셉트론(MLP)과 서포트 벡터 머신(SVM) 기반의 혼합 분류기를 제안한다. 특징 추출은 획의 방향·길이·위치 정보를 중심으로 설계했으며, 빈도 높은 복합 문자부터 단계적으로 학습하는 전략을 채택했다. 3‑fold 교차 검증 결과 평균 인식률은 79.25%를 기록했으며, 향후 데이터 확대와 특징 개선을 통해 성능 향상이 기대된다.

상세 분석

이 연구는 방글라어 손글씨 인식이라는 특수한 문제에 접근하기 위해 두 가지 주요 기법, 즉 다층 퍼셉트론(MLP)과 서포트 벡터 머신(SVM)을 결합한 하이브리드 분류 체계를 설계하였다. 방글라어는 50개의 기본 문자와 약 160개의 복합 문자로 구성되어 있어 클래스 수가 매우 많고, 복합 문자는 형태가 복잡하고 서로 유사한 패턴을 공유한다는 점에서 기존 로마자 기반 OCR 시스템을 그대로 적용하기 어렵다. 논문은 이러한 난점을 해결하기 위해 먼저 전처리 단계에서 이진화와 노이즈 제거를 수행하고, 획 기반 특징을 추출한다. 구체적으로는 각 문자 이미지에서 획의 시작·끝 좌표, 방향 벡터, 길이 비율 등을 정규화하여 1차원 피처 벡터로 변환한다. 이러한 피처는 MLP에 입력되어 비선형 변환을 거친 뒤, 중간 레이어에서 고차원 특징을 학습한다. 동시에, SVM은 RBF 커널을 사용해 피처 공간을 고차원으로 매핑하고, 마진을 최대화하는 초평면을 찾아 클래스를 구분한다. 두 모델의 출력은 확률 기반 가중 평균 방식으로 결합되어 최종 라벨을 결정한다.

특히 논문은 “빈도 기반 단계적 학습”이라는 전략을 도입하였다. 데이터셋 내에서 등장 빈도가 높은 복합 문자부터 학습하고, 이후 빈도가 낮은 클래스를 추가하는 방식으로 모델을 점진적으로 확장한다. 이는 초기 학습 단계에서 클래스 불균형 문제를 완화하고, 모델이 복잡한 형태를 점진적으로 습득하도록 돕는다. 실험에서는 전체 210여 클래스 중 150개 클래스를 대상으로 3‑fold 교차 검증을 수행했으며, 평균 인식률 79.25%를 달성하였다. 성능 분석 결과, 기본 문자에 대한 인식률은 92%에 육박했지만, 복합 문자에서는 65% 수준으로 낮아 특징 추출 및 분류기의 한계가 드러났다. 또한, 혼합 모델이 단일 MLP 또는 단일 SVM 대비 약 5~7%의 정확도 향상을 보였으며, 이는 두 모델이 서로 보완적인 역할을 수행함을 시사한다.

한계점으로는 데이터 양이 제한적이며, 복합 문자 간의 미세한 차이를 구분하기 위한 더 정교한 구조적 특징이 부족하다는 점을 들 수 있다. 향후 연구에서는 딥러닝 기반 컨볼루션 신경망(CNN)과 시퀀스 모델을 결합하거나, 획 추출을 자동화하는 엔드‑투‑엔드 학습 파이프라인을 구축함으로써 성능을 크게 개선할 가능성이 있다. 또한, 데이터 증강 기법과 전이 학습을 활용해 소수 클래스의 일반화 능력을 높이는 방안도 고려될 수 있다.