Pseudo-2D hidden Markov models (P2DHMMs) manage the assignment of observations to states quite well, whereas the calculation of probabilities is a great problem. To overcome some of the defects of P2DHMMs, we propose the inhomogeneous P2DHMM (IP2DHMM). In contrast to other approaches, it is consistently able to model state duration and observation matrices of fixed height at no additional cost in computational load and number of parameters. At the same time, it enables an efficient pruning mechanism and allows a considerable reduction in decoding time. In order to further reduce the computational load, a combination scheme is presented for multiple recognition stages, using lexical tree beam searching at different resolutions and with models of different complexities (IP2DHMM and 1DHMM). The resulting system is evaluated on three different databases from different application fields: cursive script recognition, recognition of German legal amounts and recognition of city names from live mail.

Bei der Verwendung von Pseudo 2-dimensionalen HMM (P2DHMM) zur Fließschrifterkennung hat sich gezeigt, daß die Zuordnung der Beobachtungen zu den Zuständen sehr wohl gelingt, die Bestimmung der Produktionswahrscheinlichkeiten aber ein großes Problem darstellt. Die hier vorgestellte Methode der inhomogenen P2DHMM (IP2DHMM) ist geeignet Zustands-Verweildauern in Verbindung mit Beobachtungsmatrizen konstanter Höhe in konsistenter Weise und ohne zusätzlichen Rechenaufwand zu modellieren. Darüber hinaus erlaubt ein wirkungsvolles Pruning bei IP2DHMM eine deutliche Reduktion des Rechenaufwands bei der Decodierung. Um eine weitere Reduktion des Aufwands zu erzielen, wird eine Kombination mehrerer Erkennerstufen vorgestellt, die sich auf unterschiedliche Auflösungen und unterschiedlich komplexe Modelle stützen. Die Untersuchungen wurden an drei unter-schiedlichen Datensätzen aus verschiedenen Bereichen der Fließschrifterkennung durchgeführt. Die Ergebnisse zeigen, daß IP2DHMM in allen drei Fällen bessere Ergebnisse liefern als es für eindimensionale HMM der Fall wäre. Der Einsatz des Pruning Verfahrens führt zudem zu einer Reduktion des Decodieraufwands um etwa 0,7 im Vergleich zu regulären P2DHMM. Durch den Einsatz der sequentiellen Kombination ließ sich der Decodieraufwand in zwei von drei Fällen bei gleichzeitiger Erhöhung der Erkennungsrate weiter reduzieren.

Bei der Erkennung von Handschrift unter Verwendung von Hidden Markov Modellen (1DHMM) kommt den Normierungsschritten zur Beseitigung eines möglichst großen Teiles der Schreibervariabilität entscheidende Bedeutung zu. Meist gewährleistet nur eine gute Normierung ausreichend konsistente Merkmalvektoren. Gleichzeitig erweist sich jedoch die Bestimmung einiger Normierungsparameter, namentlich die der Basislinien zur Höhennormierung, als sehr störanfällig. Aus diesem Grund stellen wir einen Ansatz vor, der pseudo zweidimensionale HMM (P2DHMM) verwendet, um eine lokale nichtlineare Anpassung der Spalten des Schriftzuges in vertikaler Richtung zu ermöglichen. Mit der Kombination der P2DHMM mit 1DHMM konnten die Ergebnisse, sowohl auf einer eigenen Stichprobe deutscher Geldbeträge als auch auf einer Stichprobe von 13000 Grundzahlwörtern der Uni Bern, deutlich verbessert werden.