Моделі представлення ключових елементів в задачі покомпонентного розпізнавання символів тексту
The stage of formation of key elements (nodes) for solving the problem of component recognition of the character is considered. The formation of the nodes is based on fuzzy models of primary visual cortex cells. The mathematical description of the node as fuzzy model and the degree of fuzzy similari...
Збережено в:
| Дата: | 2011 |
|---|---|
| Автори: | , |
| Формат: | Стаття |
| Мова: | Російська |
| Опубліковано: |
The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute"
2011
|
| Онлайн доступ: | https://journal.iasa.kpi.ua/article/view/106404 |
| Теги: |
Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
|
| Назва журналу: | System research and information technologies |
| Завантажити файл: |  |
Репозитарії
System research and information technologies| _version_ | 1866301844620312576 |
|---|---|
| author | Kargin, A. A. Pyatikop, E. E. |
| author_facet | Kargin, A. A. Pyatikop, E. E. |
| author_sort | Kargin, A. A. |
| baseUrl_str | http://journal.iasa.kpi.ua/oai |
| collection | OJS |
| datestamp_date | 2018-03-30T15:06:23Z |
| description | The stage of formation of key elements (nodes) for solving the problem of component recognition of the character is considered. The formation of the nodes is based on fuzzy models of primary visual cortex cells. The mathematical description of the node as fuzzy model and the degree of fuzzy similarity of nodes are described. Examples of comparison the nodes with nodes prototypes are shown. |
| first_indexed | 2025-07-17T10:21:05Z |
| format | Article |
| fulltext |
© А.А. Каргин, Е.Е. Пятикоп, 2011
48 ISSN 1681–6048 System Research & Information Technologies, 2011, № 3
УДК 004.93
МОДЕЛИ ПРЕДСТАВЛЕНИЯ КЛЮЧЕВЫХ ЭЛЕМЕНТОВ В
ЗАДАЧЕ ПОКОМПОНЕНТНОГО РАСПОЗНАВАНИЯ
СИМВОЛОВ ТЕКСТА
А.А. КАРГИН, Е.Е. ПЯТИКОП
Рассмотрен этап формирования ключевых элементов (узлов) для решения за-
дачи покомпонентного распознавания символов текста. Образование узлов ос-
новывается на нечетких моделях первичной зрительной коры. Введено мате-
матическое описание узла в виде нечеткой модели и степень нечеткой
похожести узлов. Приведены примеры сравнения узлов с прототипами узлов.
ВВЕДЕНИЕ
Одним из направлений в области создания искусственных систем обработки
и анализа зрительной информации является распознавание символов. На
сегодняшний день уже имеется опыт разработки методов распознавания пе-
чатных символов с применением различного вида классификаторов, ней-
ронных сетей [1–2]. Но объем цифровой визуальной информации увеличи-
вается, меняются условия распознавания, поэтому от современных систем
требуется более глубокий интеллектуальный анализ. Так одной из актуаль-
ных задач является борьба с «графическим спамом» [3, 4], в рамках которой
необходимо выполнять анализ изображения с целью обнаружения реклам-
ного текста. Изобретательность создателей спама требует совершенствова-
ние технологий распознавания [5]. Поэтому для обработки изображения ис-
следуется возможность применения знаний когнитивной психологии [6].
В когнитивной психологии на основе наблюдений за человеком за дли-
тельный период предложны и апробированы экспериментально модели ор-
ганизации практически всех когнитивных функций человека: восприятие
зрительной и звуковой информации, организация памяти разных уровней
[7–8]. Так в [8] описывается, что в основе идентификации символов лежит
задача распознавания паттернов, которая решается с помощью подетального
анализа. Способ рассмотрения знакомых объектов как конфигурацию про-
стых компонентов в своей работе предложил Д. Марр [9]. Также известна
теория Бидермана — распознавание по компонентам (по прототипу). Ос-
новное положение теории заключается в том, что любой объект может быть
разложен на ряд элементарных составляющих — геометрических модулей,
или компонентов, называемых геонами, комбинируя которые можно полу-
чить объект практически любой формы [8]. Геоны (компоненты) рассматри-
ваются как комбинации простейших деталей. Так деталями алфавита можно
считать различные виды линий (вертикальные, горизонтальные, диагональ-
ные), а геонами (компонентами) — ключевые признаки букв — узлы. Итак,
заглавная буква «А» может рассматриваться как состоящая из двух линий
под углом 30 и горизонтальной линии, которые в результате пересечения
образуют три характерных узла. Простейшие детали очень похожи на ре-
зультаты работы клеток первичной зрительной коры.
Модели представления ключевых элементов в задаче покомпонентного распознавания …
Системні дослідження та інформаційні технології, 2011, № 3 49
При этом схемы комбинаций деталей позволяют определить связи
между деталями, которые более важны, и отбросить менее существенные.
Так все буквы, показанные на рис. 1, являются буквой «А».
Таким образом, подетальный анализ включает в себя такие процессы:
• распознавание простейших деталей, которые составляют геон (узел);
• распознавание ключевых узлов;
• идентификация на основе сопоставления полученного набора клю-
чевых узлов с описанием прототипа из базы данных.
Первый этап — представление объекта на уровне простейших деталей с
помощью моделей клеток первичной зрительной коры (ПЗК) рассмотрен в
работе [10]. В данной работе рассматривается второй этап — формирование
и распознавание ключевых узлов.
ПОСТАНОВКА ЗАДАЧИ
Результатом работы первого этапа является нечеткое представление
изображения в виде >∈∀=< ]}17020,10,0[,{,)3( …αω α
ω СM , где =αС
}}{{ ,,
i
i
jG ωα= — ориентационная колонка, ,,ωαG — клетка первичной
зрительной коры, которая реагирует на линейные сегменты шириной ω,
ориентированные определенным образом и определенной длины , α —
угол ориентации. Модель этой клетки есть выражение:
><= )(,,,, ,,,,, ωααωα δωα GKG r , (1)
где ><= ⋅+++ RkrRkrRkrr kkkK 2,4,2,, *
, … αααα — совокупность смежных ак-
тивных ганглиозных клеток сетчатки, на основе которой формируется де-
тектор ><= )(,,,, ,*, ωααα δωα DKD r , а )( ,,ωαδ G — функция уверенно-
сти наличия детектора. Для выражения (1) )()( ,,, ωωα δδ aDG = .
Таким образом, в качестве базового множества простейших деталей
приняты элементы, полученные на этапе обработки изображения по модели
клеток ПЗК. На втором этапе, который рассматривается в данной работе,
необходимо выполнить представление изображения символа набором гео-
нов, т.е. его ключевых узлов, которые формируются из простейших деталей,
и отношениями между этими геонами.
Цель работы — разработка модели покомпонентного представления и
распознавания символов на основе нечеткого представления, полученного в
результате обработки изображения по модели клеток первичной зрительной
коры.
Рис. 1. Примеры написания буквы «А»
А.А. Каргин, Е.Е. Пятикоп
ISSN 1681–6048 System Research & Information Technologies, 2011, № 3 50
ПРЕДСТАВЛЕНИЕ ИЗОБРАЖЕНИЯ СИМВОЛА НАБОРОМ КЛЮЧЕВЫХ
УЗЛОВ
Из анализа символов латинского и русского алфавитов [11] автором было
выбрано 9 типов ключевых геонов (далее узлов). Это множество базовых
узлов выбрано с учетом входных данных — моделей клеток зрительной ко-
ры и является достаточным для формирования произвольных символов. По-
скольку клетки зрительной коры имеют определенную ориентацию, то эле-
менты узлов тоже ориентированы. На рис. 2 приведены предлагаемые типы
узлов.
а) тип № 1
б) тип № 3
в) тип № 2
г) тип № 7
д) тип № 9
е) тип № 8
ж) тип № 4
з) тип № 6
и) тип № 5
Рис. 2. Типы узлов
В базе данных хранятся прототипы символов, которые выражены через
прототипы приведенных узлов. Идентификация изображения проанализиро-
ванной области сводится к построению множества возможных моделей уз-
лов и сопоставление их с прототипами узла. Прототип — это обобщенное
представление, в котором воспроизведен набор общих и детализированных
признаков типичного объекта (действия), и которое выступает в качестве
основы для идентификации любого нового понятия. Введем модель узла-
прототипа.
МОДЕЛЬ УЗЛА-ПРОТОТИПА
Узел формируется из двух гиперсложных клеток G′ и G ′′ различной
ориентации, которые определяются, как было описано ранее, на множестве
}{ zkK = активных сопряженных ганглиозных клеток. Если некоторая ганг-
лиозная клетка zk влияет и на формирование гиперсложной клетки G′ , и на
формирование гиперсложной клетки G ′′ , то можно предположить о неко-
тором пересечении гиперсложных клеток. Множество таких общих клеток
опишем выражением:
KdnzkKd }{= , (2)
где Gkz ′∈ и Gkz ′′∈ .
Модели представления ключевых элементов в задаче покомпонентного распознавания …
Системні дослідження та інформаційні технології, 2011, № 3 51
В модели вместо точных координат пиксельной плоскости пересечение
гиперсложных клеток задается размытой областью. Для этого гиперсложная
клетка разбита на три окрестности (области):
• окрестность O′ с центром ),( yx ′′ в начале G ;
• окрестность O ′′ с центром ),( yx ′′′′ в середине G ;
• окрестность O ′′′ с центром ),( yx ′′′′′′ в конце G ,
где началом клетки G принимается центр ганглиозной клетки 0k или k в
зависимости от того, от какой из клеток меньше эвклидово расстояние от
центра до точки пиксельной плоскости )0,0( . Тогда центр другой клетки
принимается как конец клетки G . Середина определяется по формуле сере-
дины отрезка.
Радиус каждой окрестности определяется:
4
=oR , (3)
где — длина гипресложной клетки G , равная количеству активизировав-
ших ее ганглиозных клеток zk .
Для каждого элемента zk множества Kd необходимо определить
функцию принадлежности к каждой из окрестностей OOO ′′′′′′ ,, относи-
тельно каждой клетки G′ и .G ′′ Для этого введем функцию ),( Gz OKη , вы-
числяемую по формуле:
⎪
⎩
⎪
⎨
⎧
>
−
>
=
,),( если,
),(
,),( если0
),( o
Gzo
Gz
o
o
Gz
Gz ROkd
R
OkdR
ROkd
Okη (4)
где ),( Gz Okd — евклидово расстояние между центром zk клетки и некото-
рой окрестностью { }GGGG OOOO ′′′∈′′′′′′∈ ,},,{ .
Характеристика пересечения гиперсложных клеток в модели узла-
прототипа есть пара:
>=< )},({},{ Gzz OKkKd η , (5)
где Gkz ′∈ и Gkz ′′∈ , ),( Gz Okη вычисляется по формуле (4), а
),,(),,(),,({)},({ GzGzGzGz OkOkOkOK ′′′ ′′′′′′= ηηηη
)},(),,(),,( GzGzGz OkOkOk ′′′′′′ ′′′′′′ ηηη .
Модель узла-прототипа есть выражение:
>′′′=< β,},,{ KdGGUP , (6)
где }{, ,αGGG ∈′′′ и клетка G′ та, у которой угол α ближе к 90 ; Kd —
множество ганглиозных клеток, которые являются общими для гиперслож-
ных клеток G′ и G ′′ ; || GG ′′′ −= ααβ — угол пересечения между гипер-
сложными клетками, формирующими узел.
А.А. Каргин, Е.Е. Пятикоп
ISSN 1681–6048 System Research & Information Technologies, 2011, № 3 52
Угол β при описании прототипа не является конкретным значением,
т.к. согласно теории Бидермана, узлы не подвержены искажениям. Поэтому
к типу № 1 также будут относиться и узлы, показанные на рис. 3.
Аналогично, к типу № 7 будут относиться такие варианты, как показа-
но на рис. 4.
Поскольку типов узлов всего 9 будем иметь множество прототипов-
узлов .9,,1 }{ …∈jUPj Описание узлов-прототипов приведено в таблице.
Т а б л и ц а . Описание прототипов узлов
),( Gz OKη
область O′ (начало) область O ′′ (середина) область O ′′′ (конец) № Тип
G′ G ′′ G′ G ′′ G′ G ′′
1 1 1 0 0 0 0
2 1 0 0 0 1 0
3 1 0 0 1 0 0
4 0 1 0 0 1 0
5 0 0 0 0 1 1
6 0 0 0 1 1 0
7 0 1 1 0 0 0
8 0 0 1 0 0 1
9 0 0 1 1 0 0
МОДЕЛЬ УЗЛА
Модель произвольного узла U по аналогии с моделью узла-прототипа опи-
сывается выражением:
>′′′=< β,},,{ KdGGU . (7)
Рис. 3. Множество узлов типа № 1
Рис. 4. Множество узлов типа № 7
Модели представления ключевых элементов в задаче покомпонентного распознавания …
Системні дослідження та інформаційні технології, 2011, № 3 53
Кроме явного пересечения гиперсложных клеток при воздействии по-
мех возможны варианты условного пересечения, показанные на рис. 5, когда
общей для G′ и G ′′ клетки zk нет, но
есть некоторое множество клеток zk ,
которые попадают в окрестности
GGO ′′′′′′ ,, клеток G′ и G ′′ .
Для учета ситуаций, показанных
в примерах на рис. 5, введено множество dK ′ :
>=<′ )},({},{ Gzz OkkdK η , (8)
где Gkz ′∉ и Gkz ′′∈ , но Gz Ok ′∈ ; ),( Gz Okη вычисляется по формуле (4).
Тогда внесем изменения в выражение (7) и модель узла будет формаль-
но иметь описание:
>′′′′=< β,,},,{ dKKdGGU . (9)
На рис. 6 приведен пример узла iU , разбиение на окрестности гипер-
сложных клеток G′ и G ′′ и функции принадлежности ),( Gz OKη общей
ганглиозной клетки zk к каждой из окрестностей.
а) пример узла б) окрестности клетки G′ в) окрестности клетки G ′′
Рис. 6. Пример узла с разбиением на окрестности и значениями функции принад-
лежности к каждой из окрестностей О′, О′′, О′′′ относительно каждой клетки G′
и G′′, полученными по формулам (4)
МЕТОД РАСПОЗНАВАНИЯ КЛЮЧЕВЫХ УЗЛОВ
Пусть для данного фрагмента изображения на множестве выделенных
простейших деталей (клеток зрительной коры α
ωα }}{{ ,,
i
i
jG ) сформирова-
но множество узлов ui niUU ,,1 },{ …∈= , по формуле (9).
Для сравнения узла-прототипа jUP с узлами iU , найденным на изобра-
жении, введена степень нечеткой похожести ),( ij UUPξ , которая вычисляет-
ся по формуле:
⎪
⎪
⎪
⎩
⎪⎪
⎪
⎨
⎧
∅≠′∅=
∅≠
⎭
⎬
⎫
⎩
⎨
⎧ +
∅=′∅=
=
′ . и если )},,(),,({min
, если ,),()),,(1(
2
1min
, и если ,0
),(
iijUPiU
ijUPiU
ii
UUzKdzdK
UzKdzKd
UU
ij
dKKdOkOk
KdOkOk
dKKd
UUP
ηη
ηηξ (10)
Рис. 5. Пример условного пересечения
А.А. Каргин, Е.Е. Пятикоп
ISSN 1681–6048 System Research & Information Technologies, 2011, № 3 54
Для каждого iU узла вычисляется множество функций ,)},({ jij UUPξ
9,,1…∈j т.е. для каждого узла-прототипа. Например, на рис. 7, а показано
изображение буквы «М», а на рис. 7, б — полученные для нее детекторы.
а
б
в
Рис. 7. Изображение буквы «М»
Тогда эти детекторы образуют узлы, показные на рис. 8.
а
б
в
Рис. 8. Узлы для буквы «М»
Для узла показанного на рис. 8, а модель узла имеет вид:
>∅=′∅≠=′′=′<= 20,,},,{ 7090
1 dKKdGGGGU ,
где >=<= }0,0,1,0,0,1{)},({, Gzz OkkKd η .
Модель узла показанного на рис. 8, б имеет вид:
>∅=′∅≠=′′=′<= 40,,},,{ 70110
2 dKKdGGGGU ,
где >=<= }81.0,0,0,82.0,0,0{)},({, Gzz OkkKd η .
Модель узла показанного на рис. 8, в имеет вид:
>∅≠′∅==′′=′<= 20,,},,{ 11090
3 dKKdGGGGU ,
где >=<=′ }5.0,0,0,0,0,5.0{)},({, Gzz OkkdK η .
Тогда в результате сравнения с множеством прототипов }{ jUP
9,,1…∈j получено множество 9,,1 ,)},({ …∈jUUP jijξ :
• }0,0,0,0,0,0,0,0,1{)},({ 1 =jj UUPξ ,
• }0,0,0,0,81.0,0,0,0,0{)},({ 2 =jj UUPξ ,
• }0,0,0,0,0,0,0,5.0,0{)},({ 3 =jj UUPξ .
Таким образом, для буквы «М», показанной на рис. 7, а, на основе зна-
чений множества jij UUP )},({ξ , приведенных выше, получаем, что первый
узел близок к типу № 1 со степенью похожести равной 1, второй узел со сте-
пенью похожести равной 0,81 сходен на узел типа № 5, а третий узел со сте-
пенью похожести равной 0,5 — на тип № 2. Из этого следует
=
iUjij UUP })},({{ξ
}}0,0,0,0,0,0,0,5.0,0{},0,0,0,0,81.0,0,0,0,0{},0,0,0,0,0,0,0,0,1{{= .
Модели представления ключевых элементов в задаче покомпонентного распознавания …
Системні дослідження та інформаційні технології, 2011, № 3 55
Поскольку представление изображения символа выполнено в виде
множества ключевых узлов, то можно перейти к процессу их объединения.
ВЫВОДЫ
Формализована идея представления символа множеством узлов и отноше-
ниями между узлами. Представлены девять типов узлов, введена модель уз-
ла-прототипа с основными параметрами, модель узла и степень нечеткой
похожести, разработан метод распознавания ключевых узлов. Показано, что
множество узлов-прототипов достаточно для представления произвольного
символа из русского и латинского алфавитов. Эксперименты показали, что
на этом наборе символы устойчиво различимы.
На основе описанных моделей и метода авторами представлен символ
двухуровневой моделью: множеством узлов и отношениями между узлами
на верхнем уровне; множеством гиперсложных клеток и отношениями меж-
ду ними на нижнем уровне. Эксперименты подтвердили возможность ин-
терпретации символа с помощью множества ключевых компонентов
(узлов). В отличии от других методов предлагаемый подход имеет преиму-
щества, поскольку не требует предварительного обучения и позволяет вы-
полнять дальнейшее распознавание по ключевым узлам символов. Это
позволяет исключить процесс предварительного масштабирования симво-
лов и выполнять шрифтонезависимое распознавание. Таким образом, пока-
зано использование результатов формализации когнитивных функций по
обработке визуальной информации на разных уровнях.
ЛИТЕРАТУРА
1. Арлазаров В.Л. Адаптивное распознавание символов. — http://www.cuneiform.
ru/tech/adaptive.html.
2. Васюра А.С. Моделирование нейросети для решения задачи идентификации
символов // Наук. пр. ВНТУ. — 2007. — № 1. — www.nbuv.gov.ua/e-
journals/VNTU/2007-1/ru/07vasosi_ru.pdf.
3. Рецидив графического спама. Спамтест. — http://www.spamtest.ru/news?id= 207509462.
4. Яфизов Р. Проактивные антиспам-технологии // Information Security «Инфор-
мационная безопасность». — 2008. — № 4. — http://www.itsec.ru/articles2/
Oborandteh/proaktivn_antispam_tehnologii.
5. Академики обсудили новые методы борьбы со спамом // Бизнес. — http://
www.cnews.ru/news/line/index.shtml?2007/04/05/244199.
6. Ярмошевич Е.И. Функциональная спектральная пространственно-временная мо-
дель формирования изображений объектов зрительной системой человека //
Вестн. ВГУ. Сер. Системный анализ и информационные технологии. — 2008.
— № 1. — С. 74–78. — www.vestnik.vsu.ru/pdf/analiz/2008/ 01/yarmoshevich.pdf.
7. Шиффман Х.Р. Ощущение и восприятие / Пер. с анг. З. Замчук. — 5-е изд. —
СПб.: Питер, 2003. — 928с. — (Мастера психологии).
8. Андерсон Дж. Когнитивная психология / Пер. с англ. С. Комаров. — 5-е изд. —
СПб.: Питер, 2002. — 496 с. — (Мастера психологии).
9. Марр Д. Зрение. Информационный подход к изучению представления и
обработки зрительных образов / Пер. с англ. Н.Г. Гуревич. — М.: Радио и
связь, 1987. — 440 с.
10. Каргин А.А., Пятикоп Е.Е. Применение нечетких моделей когнитивных знаний
восприятия изображения в задаче локализации строк текста // Искус-
ственный интеллект. — 2009. — № 2. — Р. 161–167.
11. Гордон Ю. Книга про буквы от Аа до Яя. — М.: Студия «Артемия Лебедева»,
2006. — 384 с.
Поступила 01.06.2009
|
| id | journaliasakpiua-article-106404 |
| institution | System research and information technologies |
| keywords_txt_mv | keywords |
| language | Russian |
| last_indexed | 2025-07-17T10:21:05Z |
| publishDate | 2011 |
| publisher | The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute" |
| record_format | ojs |
| resource_txt_mv | journaliasakpiua/99/71a887253988f3a40627d43e382a9e99.pdf |
| spelling | journaliasakpiua-article-1064042018-03-30T15:06:23Z Models of key elements representation in the problem of component recognition of the character of text Модели представления ключевых элементов в задаче покомпонентного распознавания символов текста Моделі представлення ключових елементів в задачі покомпонентного розпізнавання символів тексту Kargin, A. A. Pyatikop, E. E. The stage of formation of key elements (nodes) for solving the problem of component recognition of the character is considered. The formation of the nodes is based on fuzzy models of primary visual cortex cells. The mathematical description of the node as fuzzy model and the degree of fuzzy similarity of nodes are described. Examples of comparison the nodes with nodes prototypes are shown. Рассмотрен этап формирования ключевых элементов (узлов) для решения задачи покомпонентного распознавания символов текста. Образование узлов основывается на нечетких моделях первичной зрительной коры. Введено математическое описание узла в виде нечеткой модели и степень нечеткой похожести узлов. Приведены примеры сравнения узлов с прототипами узлов. Розглянуто етап формування ключових елементів (вузлів) для вирішення задачі покомпонентного розпізнавання символів тексту. Утворення вузлів ґрунтується на нечітких моделях клітин первинної зорової кори. Введено математичний опис вузла у вигляді нечіткої моделі і ступінь нечіткої схожість вузлів. Наведено приклади порівняння вузлів з прототипами вузлів. The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute" 2011-09-16 Article Article application/pdf https://journal.iasa.kpi.ua/article/view/106404 System research and information technologies; No. 3 (2011); 48-55 Системные исследования и информационные технологии; № 3 (2011); 48-55 Системні дослідження та інформаційні технології; № 3 (2011); 48-55 2308-8893 1681-6048 ru https://journal.iasa.kpi.ua/article/view/106404/101522 Copyright (c) 2021 System research and information technologies |
| spellingShingle | Kargin, A. A. Pyatikop, E. E. Моделі представлення ключових елементів в задачі покомпонентного розпізнавання символів тексту |
| title | Моделі представлення ключових елементів в задачі покомпонентного розпізнавання символів тексту |
| title_alt | Models of key elements representation in the problem of component recognition of the character of text Модели представления ключевых элементов в задаче покомпонентного распознавания символов текста |
| title_full | Моделі представлення ключових елементів в задачі покомпонентного розпізнавання символів тексту |
| title_fullStr | Моделі представлення ключових елементів в задачі покомпонентного розпізнавання символів тексту |
| title_full_unstemmed | Моделі представлення ключових елементів в задачі покомпонентного розпізнавання символів тексту |
| title_short | Моделі представлення ключових елементів в задачі покомпонентного розпізнавання символів тексту |
| title_sort | моделі представлення ключових елементів в задачі покомпонентного розпізнавання символів тексту |
| url | https://journal.iasa.kpi.ua/article/view/106404 |
| work_keys_str_mv | AT karginaa modelsofkeyelementsrepresentationintheproblemofcomponentrecognitionofthecharacteroftext AT pyatikopee modelsofkeyelementsrepresentationintheproblemofcomponentrecognitionofthecharacteroftext AT karginaa modelipredstavleniâklûčevyhélementovvzadačepokomponentnogoraspoznavaniâsimvolovteksta AT pyatikopee modelipredstavleniâklûčevyhélementovvzadačepokomponentnogoraspoznavaniâsimvolovteksta AT karginaa modelípredstavlennâklûčovihelementívvzadačípokomponentnogorozpíznavannâsimvolívtekstu AT pyatikopee modelípredstavlennâklûčovihelementívvzadačípokomponentnogorozpíznavannâsimvolívtekstu |