Indonesi an  Journa l  of El ect ri cal Engineer ing  an d  Comp ut er  Scie nce   Vo l.   1 3 ,  No.   2 ,  Feb r uar y   201 9 , pp.  5 98 ~ 605   IS S N: 25 02 - 4752, DO I: 10 .11 591/ijeecs .v1 3 .i 2 .pp 598 - 605          598       Journ al h om e page :  http: // ia es core.c om/j ourn als/i ndex. ph p/ij eecs   Handw ritten tifin ag h  char acter  recogniti on u sing si mp le  geom etr i c s h apes and gra ph s       Y.   Ou ad id,  B.  El ba la ou i,  M.  Bouta ou n te, M. Fa kir, B.  Minaoui   Sulta n  Moul a y   S li m ane   Univ ersity ,   Facu lty   of  Sci enc e   and   T ec hni ques,   Ben i - Mel l al ,   Morocc o       Art ic le  In f o     ABSTR A CT   Art ic le  history:   Re cei ved   M ay   8 , 2 018   Re vised  Oct   11 , 2 018   Accepte d  Nov   2 1 , 201 8       In  thi s  pape r ,   a   g rap h  base d  h and writt en  Ti fin agh   cha ra cter  re cogn it ion  s y s te m  is  pre sen te d.   In   pre proc essing   Z hang  Suen   a lgor it hm   is  enha n ced.  In   fe at ur es  ext ra ct ion ,   a   nov el  ke y   poin t  ext r a ct ion   a lgori thm   i s  pre sent ed.  Im a ges  ar e   the n   rep rese nt ed  b y   adj a ce nc y   m at ri ce s  def ini ng  g ra phs  where   nod e s  rep res ent  fea tur e  poin ts  ex tra c te d  b y   a  nov e l  al gor it hm .   Th es e  gra phs  ar e  cl as sifie d  using  a  gra ph   m at ch i ng  m et hod.   Ex per imental  r esul ts  are  obt ai ned   using  two   dat ab ase s  to   te st   the  eff ec t ive n ess.  The  s y s te m   show s  good  r esult s   i n  t erms   of   rec ogni ti on  r ate.   Ke yw or d s :   Am azi gh   Gr a ph m at ching   OCR   O ptica l C ha rac te r  Re co gn it io n   Tifinag h  C ha ra ct ers   Copyright   ©   201 9   Instit ut e  o f Ad vanc ed   Engi n ee r ing  and  S cienc e .     Al l   rights re serv ed .   Corres pond in g  Aut h or :   Y.   O uad i d ,   Faculty  of S ci e nce a nd Tec hn i qu e s ,   Su lt an  M oula y Sl i m ane Univ ersit y ,   Be ni - Me ll al , Mo r occo .   Em a il :  yo.o ua di d@gm ail.co m       1.   INTROD U CTION   Op ti cal   C har ac te r  Re c ogniti on  ( OCR)   is  a   branc h  of   patte r n  rec ogniti on  a nd  a rtific ia l  int el li gen ce.   It   con t rib utes  en or m ou sly   to  hum an - m achine  com m un ic at i on.  It  is  the  c om pu ta ti on al   process  of   c on ver ti ng  i m ages  of   pr i nt ed  or  ha ndw ritt en  te xt  into  m achine - r eada ble  te xt  that  is  easi ly   rep r oducible  by  a  c om pu te r   syst e m   (su ch  a s  Mi cro s of t  W ord).    OCR  is  m or e  sp eci fica ll y  con cer ne d  with  f orm s  of   inf or m at ion   acqu i red  from   a  pr i nted  pap e r  docum ent,  su c h  as  i nvoi ces,  c om pu te rized  receipts,   pa ssport  docum ents,  ba nk  sta te m ents,   le tt ers,   bo oks  or  a ny  a ppr opria te   docum entat ion.  T he   reali za ti on   of  s uc h  a   proces s  is   ve ry  c om plica te d  bec ause   there   is  a n  i nf i nity   of  represe ntati on s   o f   w riti ng .   I ndeed ,  e ach  pe rson   has   a  uniq ue  wr it ing  sty le   an d  th ere  a r e   m any  sty le s  and   f onts  in  pri nt ed  cha racters.   Th us ,  c har act er  rec ogniti on  syst e m s  are  ad apted  to   the  ty pe  of   wr it in g  e nv isa ged ( pr i nted, m anuscript  or c ursive ).   Tha nk s   to   r ece nt  a dv a nce s   in   com pu te r  sci e nc e,  m any  te chni qu es   of  ha ndw riti ng  rec ogniti on  hav e   al s o  been  im pr oved ,  es pecial ly   f or  Lat in   an d  A ra bic  wr it in g  [1,   2].   T hus,   in   r ecent  ye ars ,   wi th  the   gro wth  of  the   m eans  of  c omm un ic at ion ,  ot her  al pha bets  su c h  a s  t he   Tifina gh  al pha be t  o f   the   Am azi gh  la ng uag e   have   integrate d  in  th e  inform at ion   syst e m s.  This  ha s  le d  to  the  a ppeara nce  of   othe r  ty pes  of  doc um ents  wh ere  wr it in g  is  not  ye t  ha ndle d  a nd  the refore   m or e  dif ficul t  to  rec ognize .  Text  r eco gnit ion   of  su c h  doc um ents  re qu ire s  m or e  sp eci fic  proces sing t ech nique s.   In  this   pa pe r,  the  ai m   is  to  app ly   a n  OCR   syst em   on   t he   Am azi gh   ha ndwr it in g  (Tif inag h).  T he   Am azi gh   la ng uag e   is  s poke n  tod ay   by  a  la r ge  nu m ber   of  popula ti on s   al l  over   the  w or l d,   m ai nly  in  th e  N or t h   Africa .  It  is  no r m al l y  wr it te n  f ro m   le ft  to  right  and   ver ti cal ly   from   top   to  bo tt o m .  The  Am azi gh   wr it in g  is  non - cur si ve  w hich  si m plifie s  the  segm entat i F on  of   c har act er s  in  a  te xt  i m age.  Fig ur e  1  il lustrate s  the  Ti fina gh  char act e rs  a dopted by  IRCA M.   Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       Han dwrit te n  ti fi nagh char acte r recog niti on   usi ng sim ple g e om et ric  s hape s  and gra phs   ( Y . Ou ad i d )   599   Com par ing   with  Rom an,   Ar a bic  or  Chi nese ,   researc h  on  th e  recog niti on   of  Am azi gh   wr i ti ng   has  not   reache d  perfect ion .  As  far   as  a uthors  know,  ve ry  few   at te m pts  hav e  bee n m ade  on  t he rec ogniti on  of  Am a zi gh  hand wr it in g.   Am ro uc h  et   al .  [ 3]  desc ribe d  a  global  ap pr oach  f or   t he  r ecognit ion  of  hand wr it t en  Ti fina gh  char act e r  i n  w hich   they   use d  H ough   tra ns f or m   as  featu re   ext racti on  m et hod  an d  Hi dden  Ma rko v  Mod el s   (H MM )  for  cl a ssific at ion .  T he   syst e m   pr oduc ed  pr om is ing  r esult, h owe ve r  the  disc rim in at ion   of  this  m od el   is   no t  good  en ou gh   due  to  le ar ning  ste p  wh e n  a  sin gle  i m a ge  is  us e d  f or   ever y  ch aracte r.   El  Ayac hi  et   al .  [4 ]   pr ese nted   a  s ol ution  of  ro ta ti on  a nd  noise   prob le m s  by  us i ng  dy nam ic   pr ogram m ing ,  i nvaria nt  m o m ents  an d  Walsh   tra nsfo r m .  The  syst em   pro du ce d  go od  res ults   ho wever  c om bin ing  m ul ti ple  desc r ipto rs   m ake  the   syst e m   slow e r.   El  Kes sab  et   al .   [ 5]  co m bin ed  Mult i - Lay er  Pe rcep t r on  an d  HMM  f or  m or e  discri m inati ve  syst em   wh ic h  pro ven  to   be   r e li able  in  te rm   of  rec ogniti on  rate  but  slo wer  in   te rm   of   C P U  ti m e.  Gou na ne  et   al .  [6 ]   pr opos e d  a  hybri d  a ppr oach   by  c om bin ing  ne ural   ne tworks   an d  b - gram .  The  sy stem   pr od uced  sat isfact or y  r esults,   howe ver   rec ogniti on   rate  ca n  be  im pr oved   usi ng   bigge r  c orpu s .  Es - saa dy  et   al .  [ 7]  pr e se nted  a   syst em   wh e re   the  horizo ntal  and  ver ti cal   ba sel ine  po sit io ns  are   th e  featu r es  o f   the   c har a ct er.  T he   syst e m   sh ow e d  bett er  res ults   wh e n baseli nes  are replace d b y ce nterli ne.       ya   ⴰ   a   y aḥ   ⵃ   ḥ   y aṛ   ⵕ   ṛ   y ab   ⴱ   b   y aƐ   ⵄ   Ɛ   y aɣ   ⵖ   ɣ   y ag   ⴳ   g   y ax   ⵅ   x   y as   ⵙ   s   y agᵂ   ⴳⵯ   g ᵂ   y aq   ⵇ   q   y aṣ   ⵚ   ṣ   y ad   ⴷ   d   yi   ⵉ   i   y a c   ⵛ   c   y aḍ   ⴹ   ḍ   y a j   ⵊ   j   y a t   ⵜ   t   y e y   ⴻ   e   y a l   ⵍ   l   y a ṭ   ⵟ   ṭ   y af   ⴼ   f   y am   ⵎ   m   y aw   ⵡ   w   y ak   ⴽ   k   y an   ⵏ   n   y a y   ⵢ   y   y akᵂ   ⴽⵯ   kᵂ   yu   ⵓ   u   y a z   ⵣ   z   y ah   ⵀ   h   y ar   ⵔ   r   y a ẓ   ⵥ   ẓ     Figure  1.    Tifinag h  c ha ra ct ers       Com par ing   with  E ng li s h,   Ar a bic  or  Chi nese,   researc h  on  th e  recog niti on   of  Am azi gh   wr it ing   has  no t   reache d  perfect ion .  As  far   as  a uthors  know,  ve ry  few   at te m pts  hav e  bee n m ade  on  t he rec ogniti on  of  Am a zi gh  hand wr it in g.   Am ro uc h  et   al .  [ 3]  desc ribe d  a  global  ap pr oach  f or   t he  r ecognit ion  of  hand wr it te n  Ti fina gh  char act e r  i n  w hich   they   use d  H ough   tra ns f or m   as  featu re   ext racti on  m et hod  an d  Hi dden  Ma rko v  Mod el s   (H MM )  for  cl a ssific at ion .  T he   syst e m   pr oduc ed  pr om is ing  r esult, h owe ve r  the  disc rim in at ion   of  this  m od el   is   no t  g oo d  en ou gh   due  to  le ar ning  ste p  wh e n  a  sin gle  i m a ge  is  us e d  f or   ever y  ch aracte r.   El  Ayac hi  et   al .  [4 ]   pr ese nted   a  s ol ution  of  ro ta ti on  a nd  noise   prob le m s  by  us i ng  dy nam ic   pr ogram m ing ,  i nvaria nt  m o m ents  an d  Walsh   tra nsfo r m .  The  syst em   pro du ce d  go od  res ults   ho wever  c om bin ing  m ul ti ple  desc riptors   m ake  the   syst e m   slow e r.   El  Kes sab  et   al .   [ 5]  co m bin ed  Mult i - Lay er  Pe rcep t r on  an d  HMM  f or  m or e  discri m inati ve  syst em   wh ic h  pro ven  to   be   r e li able  in  te rm   of  rec ogniti on  rate  but  slo wer  in   te rm   of   C P U  ti m e.  Gou na ne  et   al .  [6 ]   pr opos e d  a  hybri d  a ppr oach  by  c om bin ing  ne ural   ne tworks   an d  b - gram .  The  sy stem   pr od uced  sat isfact or y  r esults,   howe ver   rec ogniti on   rate  ca n  be  im pr oved   usi ng   bigge r  c orpu s .  Es - saa dy  et   al .  [ 7]  pr e se nted  a   syst em   wh e re   the  horizo ntal  and  ver ti cal   ba sel ine  po sit io ns  are   th e  featu r es  of  the   c har a ct er.  T he   syst e m   sh ow e d  bett er  res ults   wh e n baseli nes  are replace d b y ce nterli ne.   To   su m m arize ,  al l  resea rch  pro po se d  f or  t he  rec ogniti on  of   Am azi gh  hand wr it in g  use d  sta ti sti cal   appr oach,  w here  feat ur es   a re   r epr es e nted   as   a   dim ension al   point  in   the   c or re sp on ding   vect or  s pa ce ,   w hich   al lo w   the use  of   vect or sp ace  pr op e rtie s to resol ve c la ssific at ion   pro blem s.    In   t his  w ork,  a  hand wr it te n  c ha racter  re co gnit ion   syst em   based   on   a   str uctur al   a ppr oach   i s  pro posed .   In  this   ap proac h  t he  patte r ns  are  de vised   int o  seve ral  par ts   the n  re pr ese nt ed  by  a   gr a ph.   This  grap h  des cribes   the pr op e rtie s  and s patia l po s it ion  of t ho se  parts i nclu di ng their  relat ion s hi p betwee n  eac h othe r.     Th is  pa per  is  organize d  as   f ollows:  in  s ect io n  2,  t he  pr e pro cessi ng   phase  i s  descr i be d.   Se ct ion   3  deal s   with  the   str uctur al   featu res  e xtracti on  ph as e.  Sect io n  4  de al s  with  the   cl assifi cat ion   ph ase  an d  finall y,  in  t he   la st sect ion  e xperim ental  r esults are  disc us s ed.       Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   1 3 , N o.   2 ,  Fe bru ary  201 9   :   5 98   –   605   600   2.   PREP ROCES SIN G   The  purpose  of  prep r ocessi ng  is  to  produce   a  cl ean  ve rsion  of  the  i nput  i m age  by  keepi ng   releva nt   inf or m at ion  which  dif fer e ntiat e the p at te r n  i n  the  f eat ur e  spac e.   In   t his  ste p,  T he   RGB  im age  is  co nv e rted   int o  a  bin a ry  im a ge.   In  fact,   the  well - kn own  Ot su   Me th od  [13]  is  ap plied   to  t he  Re d,  G reen   a nd  bl ue  channels  of   th e  input  i m age.   Gathe rin g  th ose   three  m on oc hrom e   i m ages  giv e s  us  a  bin a ry  im a ge  with  t he  m axim u m   relevant   inf or m at ion   of  the   patte rn .   T his  ste p  al lo we d  t o  rem ov e lo w  to   m edium  level of n oise  from  t he  im age.   Ba sed  on   t he  m on ochro m e  ver si on  of  the  input  im age,  the  unwa nted  a reas  are   rem oved  f r om   the   i m age.  It  co ns i sts  of   sca nnin g  the  ve rtic al   histogram   ho riz on t al ly   and   the  hor iz on ta l  histo gr a m   ver ti cal ly   t o  fi nd   char act e r borde rs.   The  sp ace   betwee n  th os e   bor der s  and t he  i m a ge  bor de r s is r em ov e d.   To   sim plify  the  ext racti on  st ru ct ur al   featu r e;   the   norm al i zed  m onoc hro m e  i m age  is  t hinned   us in g  Zha ng - S uen algori thm  [ 8]. Fo r  a  bette r  t hinning res ults, t his  al gorithm  is u sed  as  foll ow :   1.     Apply  thi nn i ng  on   co nnect ed   com po ne nts  i nst ead   of  a pp ly ing  it   to   the   e ntire  im age.  T his  al lows  us  to   tre at   the case  of r em ov e d  c om po ne nts.   2.     Sm oo th the sk el et on   by eli m i nating pi xels t hat do  not af fe ct  the con necti vity  an d t opol ogy o f  t he  c har a ct er   Figure  2  s umm arize t he  ste ps   of prep r ocessin g of a  hand wr it te n  Tifin ag h  c ha racter.         (a)     (b)   Figure  2.    Thinnin g res ult exam ple: (a) S ta nd a rd thin ning  Algorithm , ( b)  En ha nced th inn in g  al gorith m       Figure  3 ,  il lustrate s  the  exec ut ion   tim e  of   th e  process  of   pre - proce ssin g  of  the  Tifina gh   hand wr it te n  char act e rs  an d  tho se  of   t he   pr i nted  c har a ct ers  us e d  in  pr e vious  wor k  [11].  T he  pr eprocessi ng   ti m e  of   hand wr it in g  is   ob viously   gre at er  tha n  that  of  the   pri nte d  w riti ng  be cau se  the   la tt er  r equ i res  m uch  m or e   pr e processi ng.           Figure  3.    Pr e - proces sin g  tim e o f han dw ritt en  an d pr i nt ed  c har act e rs     0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 Ya Yag Yad Yey Yak Yah Ya ᶓ Yaq Yaj Yam Yu Yaṛ Yas Yac Yaṭ Yay Yaẓ CPU TIME   (S) han d w ri t ti ng Printed Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       Han dwrit te n  ti fi nagh char acte r recog niti on   usi ng sim ple g e om et ric  s hape s  and gra phs   ( Y . Ou ad i d )   601   3.   STRUCT URAL FEAT U R E E X T R AC T ION   The  str uctu ral  descr i ptions  c on sist   of   e xtra ct ing   the  to polog ic al   an d  geom et rical   pr ope rtie s  of   th e   char act e r  with  a  high   tolera nc e  to  disto rtion s   and  va riat ions  of  sty le .  This   ty pe  o f   re pr e sent at ion   ca n  al s o  e ncode   so m e  kn owle dge  ab out  the  s tructu re  of  the   obj ect   or  can   prov i de  so m e  knowle dge  ab ou t  the  c om ponen ts   const it uting  t his ob j ect .   Gr a ph  represe nt at ion   is  one  of  the  m os t  ade quat e  ways  t o  e nc od e   the   str uctu re  in f or m at ion   of  a  pa tt ern  (in  our  case   T ifinag h  c har ac te r) .  It  is  a  form al   m at he m a ti cal   rep rese nt at ion   of   a   set   of   obj e ct s  an d  their   relat ion s hip s .  Each  obj ect   is  cal le d  ve rtic es.   The   relat io nsh ips  betwee n  ob j ect s  a re  cal le d  edg e s.  M or e   f orm ally,   a  gra ph    is  defi ned  as   an   o r de red  pair    =   ( , )   whe re    is  a   set   of   ver ti ces  an d    is  a   set   of  e dg e s  that  def i ne  the  con necti vity  b et we en  a  pair  of  vert ic es.   The  a dj ac ency   m a trix  is  a  w ay   to  re pr ese nt   the  gra ph s .  It  is  a  bin a ry  squ are  m at rix     where  the   nu m ber   of  ver t ic es  |     |   is  it s  siz e.   The  ent ry  in  r ow   i  a nd   c olum n  j   is  no nze r o  if  an d  on ly   if   the  ed ge  ( , )   is  in  the gra ph whic h  m eans:     {  ( , ) = 1 ,                                          ( , ) = 0 ,                                                                                   ( 1 )     In  this   case,   a uthors  wor ked  on   un directed   gra ph s   whose   ed ges   directi on  is   not  im po rta nt.  Th i s   represe ntati on  is  fast  an d  c om pact.  Howe ver,  there   is  a  redu nd a ncy  of  inf orm ation   since  the  m at rix  is  sy m m e tric .   To  re prese nt  Tifina gh   c ha racters  by  gr a phs,  ke y  po i nts  are  e xtracted  first.  They  will   ser ve   as  delim i te r   for  ch aracte r  se gm entat ion   into  li ne  se gm ents  and  no des  in  grap h  represe ntati on .  In   a  pe rf e ct   char act er  sk e le ton,   a  f or e gro und  pix el   is   c on si der e d  as  a   ke y  point  by  l ooki ng  to   th e  nu m ber  of  f oregro und  pi xels  in   it s   neig hborh ood  as  show n  in  F i gure  4.  I f  the  num ber   of   neig hbors  is  one  th en  that  pi xel  is  con si der e d  as  an  en d  po i nt  (as   s how n  i n  F ig ure  4. a ).  I f  t he   num ber   of  neig hbors   is  m or e  tha n  t wo  th en   that   pix el   is   a n  i nters ect ion  po i nt ( see   F ig ure 4.b).   H owev er,   a sk el et on   is  ra rely  p er fect   no   m at te r  wh a t  thin ning   al go rithm   is  us e d,  t wo o r   m or e - pix el   wi dth  pa rt  a re  of t en  fou nd  in   th e  sk el et on .  T o  rem edy  to  this  issue,   the  num ber  of  t he  t ransi ti ons   from   a  backg r ound  pix el   t o  a   f or e gro und  pi xel  is  c onside r ed  i ns te ad   of  t he  nu m ber   of  f or e gro und  pi xe ls  (see   F igure  4.c) .  Wh ic h m eans  tha t  a  pix el   is  cl assifi ed a s  a  pri m ary  key  point  if   the  num ber   of   transiti ons  is  one  or   m or e than  t wo.         0   1   0   0   1   0   0   0   0     0   1   0   0   1   1   0   1   0     0   1   0     1   0   0   1   1   (a)   (b)   (c)     Figure  4.    Exam ple o f pi xel n ei ghbor ho od, (a): e nd poi nt, (b ): inters ec ti on   po i nt, (c):  none key   po i nt p ixel  since the  num ber   of  t ran sact i ons  from  w hite  pix el  to  b la c k pixel is t wo       En d  a nd   inters ect ion  points   a r e  no t   en ough   to   div ide   the   c ha r act er  s kelet on   into   se ver al   li ne   segm ents.  Seco nd a ry  key  points   are   nee ded  betwee n  s egm ents  that  a re  c urvier   the n  strai ght.   To   do  s o,  a n  al gorithm   is  pro po se d w hic h  is  sim il ar to  t he  alg or it hm  au th or s   pro po s e d  i n [ 14]  that  a ll ow s  to   div ide  a  cur vy se gm e nt i nto  sever al   li ne  se gm ents.  It  is  ba sed  on  the   fac t  that  the   sm all est   distance   be tween   tw o  po i nts  (i n  our   cas e  th ose   two  points   are   the  e nd  of  se gme nts  e xtracted   base d  on  e nd  a nd  inter sect ion  po i nts)  is  the   st raig ht  li ne  c on necti ng  them .    The   al gorithm   sta rts   by   e xtr act ing  segm ents  bet ween  pr i m ary  key  points  (end   a nd  i ntersecti on     po i nts).  Ev ery  segm ent  is  cl assifi ed  int o  a  st r ai gh t  li ne  or  c urvy  li ne.   This   is  done   us i ng  a  thres hold  w hi ch  is   the  le ngth   of  s egm ent    div i de d  by  the   E uclidia n  distance     it s  end.  T he  va lue  of   t he  t hr e sh ol d,  cal culat ed   e m pirical ly ,  is  0.2.   T he  e xam ple  for  “y a h”  c har act er   key  points   extracti on  us in g  aut hor s  pr opos e d  al gorithm   sh ow n  in  Fi gur e 5 .     { d D ≥ 0 . 2   t he   seg men t   is   an   ar c           d D < 0 . 2   t he   seg men t   is   a     li g ne       ( 2 )   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   1 3 , N o.   2 ,  Fe bru ary  201 9   :   5 98   –   605   602     Figure  5.    “y ah” ch a racte r key  points e xt racti on   us i ng  auth or s  pr opose d  al go rithm       Wh e n  a n  a rc   is   detect e d,  the   ort hogo nal  distance   bet ween  th e  se gm ent  el em ents  an d  the   strai gh t   li ne   is  cal culat ed.   The  el em ent  that  has  the  m axi m u m   per pe nd i cular  dista nce  is  desig nated  a s  an  inflect io n  po i nt.   Ever y  ti m e  a  po int  is  a dd e d  t o  a  se gm ent,  two  n e w  se gm e nts  re place  the   form er  segm e nt  in  t he  se gme nt  li st.   The  al gorithm  u se d  f or the  ext racti on   of the   key points  is as  foll ow s:    1.     Extract  pr im ary key points .   2.     Extract se gm e nts  based o n  t he se points.   3.     Fo r  e ver y se gm ents, ch ec ks  i f  it  is an  arc .   4.     Fo r  e ver y a r c,  m ake th e  po i nt  that ha ve  t he b igg est   or t hogo nal d ist a nce as   a k ey   po i nt.   5.     Divid e  arc  segm ent into  t wo  segm ents w he r e the  new k ey   po i nts  beco m e an  e nd of t he n ew  se gm ents.   6.     Update the  li st of segm ents.   7.     Re peat ste p 3  to 6  un ti l n o  a rc  seg m ent is d et ect ed.   T o  e valu at e  th e  pe rfor m ance  of  the   pro pose d  al gorithm ,  for  eac h  Tifina gh  ha ndwr it te n  char act e r,   t he   nu m ber   of  key   points  e xtract ed  by  this  al gorithm   is  com par e d  t o  that  e xtracted   by  t he   well - known  Harris   al gorithm   [1 5]   an d  t he  op ti m al   nu m ber   of  po i nts  (calc ulate d  em pirical ly )  necessa r y  for  t he  gr a ph ic al   represe ntati on ;   an d  on  the   ot he r  hand,  the   ex ecuti on  ti m es  of   these   al gorit hm s.  T his  com par iso n,   il lust rated  in   F igure 6   an d  7,  shows  that  ou r   al gorithm   is  m or e  e ff ic ie nt  t ha n  Ha rr is  i n  te r m s  of   the  sp ee d  an d   t he  ext ra ct ion   of the  key  po i nt s.     Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       Han dwrit te n  ti fi nagh char acte r recog niti on   usi ng sim ple g e om et ric  s hape s  and gra phs   ( Y . Ou ad i d )   603       Figure  6.    Com par ison o f  the  nu m ber   of  po i nts  ob ta ine d by the  H a rr is   m et ho d, the  pr opos e d  al gorithm  an d  the opti m al  n um ber  o f p oin ts           Figure  7.    Exec ution t i m e  of the  H a rr is a lgorit hm  an d  t he pr opos e d  al gorithm , case of  hand wr it te n  Tifinag h  char act e rs       Now  t hat  th e  char act e r  s kele ton  is  div ide d  into  se ve ral  li ne  se gm ents  a nd  key  points ,   a  gr a phic al  represe ntati on  can  be  a pp li ed  wh e re  the   nodes  re pr ese nt  the  key  po ints  an d  e dg e s  re pr ese nt  se gm ents  connecti ng t he se points i n pairs. Th e  grap h  c on st ru ct io n  al gorithm  is p r oce eded as  fo ll ow s:   1.   Let       be  a n  ×   ad ja cency m at rix  wh e re  n  is t he nu m ber   of k ey   po i nts.   2.   Fo r   e ve ry  se gm ent,  f our   in f orm ation   a re   ext racted:  first   ke y  point,   sec ond  key   po i nt,  seg m ent  ori entat io n   ,  segm ent leng th   .   3.   Ba sed on t his i nfor m at ion , t he  adjace ncy m at rix  is c onstruc te d  as  fo ll ow:      { AM ( i , j ) = ω ,       key   po in t   i   is   con ne cte d   to   key   p oint   j AM ( i , j ) = 0 ,       el se                                                                                                                                     (3)     Wh e re,       ω = 2 × L + O   (4)   0 10 20 30 40 50 60 Ya Yab Yag Yag ᵂ Yad Yaḍ Yey Yef Yak Yakᵂ Yah Yaḥ Ya ᶓ Yax Yaq Yi Yaj Yal Yam Yan Yu Yar Yaṛ Yaᵹ Yas Yaṣ Yac Yat Yaṭ Yaw Yay Yaz Yaẓ Optima l  nu m be r of key p oin ts H ar ri s  algorithm Propos e d a l gorith m 0 0.005 0.01 0.015 0.02 0.025 0.03 Ya Yag Yad Yey Yak Yah Ya ᶓ Yaq Yaj Yam Yu Yaṛ Yas Yac Yaṭ Yay Yaẓ CPU TIME   (S) CHARAC TE R   NAME Propos e d a l gorith m H ar ri s  algorithm Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   1 3 , N o.   2 ,  Fe bru ary  201 9   :   5 98   –   605   604   This  represe ntati on   is  faster   than  i n  t he  cas e  of  the   use   of  key  points   e xtracted   by  Ha rr is.   This   is  il lustrate d  in  F i gure  8,   w hic h  giv es  t he  exec ut ion   tim e  of   the   al gorithm   of   the  gra ph ic al   re pr ese ntati on   f or  each   char act e r.           Figure  8.    Exec ution t i m e  of the  grap h re pr ese ntati on al gorithm  ch arac te rs  pe r key   points extracte d b y t he  al gorithm  an d Har ris alg or it hm       4.   CLASSIFI C A TION   The  use d  s pect ral  m et ho d [9 ]   aim s at find ing a coh e ren t a gree m ent b et wee n  tw o  grap hs . T his is don e   by  cal culat in g  Eigen   values   a nd  Ei gen  vecto rs  of  the   gr a ph   pro duct   (or  Sim il arity  m at rix)   of  the   tw o  gr aphs.  the  biggest  Eig en val ue o f  t he  gra ph  pro du ct   desig ns t he   de gr ee   of sim il ari ty  b et wee n t he   two g ra ph s .  Readers   are in vited t o  c heck the  ori gina l pap e r  t hat is  ci te d  f or  m or e  detai ls.       5.   E X PERI MEN TAL RES UL TS   To  e valuate  t he   overall   perf or m ance  of  t he   pro posed   sy stem ,  auth or s   us e d  tw o  data base  set s   of   hand wr it te n  Ti fina gh   cha racters.  T he  first  database   [ 10 ]   i s  com po se d  of  1376  im ages;  43  im ages  for   each   char act e r.   It  wa s  create d  wit h  t he  help  of  30  pe op le   a nd  oth e r   13  to   ta ke   in  c on si der at io n  i nc li nation  iss ues .  T he   seco nd  da ta bas e  [ 12 ] ,   is  c ompo s ed   of   25 740  im ages;  78 0  i m ages  f or  eac h  c harac te r.  It   was  c reated   with  th e   help   of   60  p ers on w it h  de fer e nt  a ges. Durin g  te sts,  80% (1 100  im ages  f or  the   f i rst d at ab ase  a nd 2 05 92 i m ages   for  the   sec ond  databa se)  of  t hese  databas es   are  us e d  as   re fer e nce  im ages  an d  20%  ( 276  i m ages  f or  th e  first   database   a nd 5148   im ages  for   the   sec ond  dat abase)   a re u se d  as   te st  im ages.  T hese  e xperi m ents  are   do ne   us i ng  a lapto p w it h 2 .6   G Hz  s pee d  i 7 du al  c ore  pro cesso r,   8 GB R AM and M AT LAB s of t war e .   The   rec ogniti on  rate  res ults  obta ined   a re  il lu strat ed  i n  T abl e  1.  A   rec ognit ion  rate   of   94 %  is  obta ine d  on  the   fi rst  database  a nd  85 %  f or  the   sec ond  database.   T he  decr e ased   r ecognit ion   rate  f ro m   the  first   to  t he   seco nd   data bas e  is  due  to  t he i ncr easi ng  of  ba dly  wr it te n c ha racters,  t he i nc reasin g  of   nois e  le vel  or  the   loss  of  i m po rtant i nform at ion  in  t he  a cqu isi ti on  ph as e.       Table  1.  c om par iso n of rec ogniti on  a nd e rro r  rate  of the  pr opos e d  syst em  w it h othe r  syst e m s        First datab ase [ 1 0 ]   Seco n d  datab ase [ 1 2 ]   Local Dat ab ase   Au th o rs pro p o sed   syste m   Reco g n itio n  r ate (% )   94   85   -   Erro r rate  ( % )   6   15   -   A m rou ch  et  al.  [ 3 ]   Reco g n itio n  r ate (% )   -   -   9 0 .4   Erro r rate  ( % )   -   -   9 .6   El  Kess ab   et  al.  [ 5 ]   Reco g n itio n  r ate (% )   -   -   9 2 .3   Erro r rate  ( % )   -   -   7 .7   Es - saad y  et  al .  [ 7 ]   Reco g n itio n  r ate (% )   -   9 4 .96   -   Erro r rate  ( % )   -   5 .04   -       0 0.005 0.01 0.015 0.02 0.025 0.03 0.035 0.04 0.045 Ya Yag Yad Yey Yak Yah Ya ᶓ Yaq Yaj Yam Yu Yaṛ Yas Yac Yaṭ Yay Yaẓ CPU TIME   (S) CHARAC TE R   NAME Propos e d a l gorith m H ar ri s  algorithm Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       Han dwrit te n  ti fi nagh char acte r recog niti on   usi ng sim ple g e om et ric  s hape s  and gra phs   ( Y . Ou ad i d )   605   6.   CONCL US I O N   In   t his  pa per,   recently ,  pro po s ed  O ptica l  Characte r   Re cogniti on  ( O CR )  syst e m   i s  ap plied  to   hand wr it te n  Tifina gh  cha ract ers.   The   m ai n  con t rib ution  of   this  pap e r  is  t he  a pp li cat io n  of  a  novel  key  point   extracti on  te ch nique  a nd  gra ph  m at ching   on  hand wr it te n  T ifinag h  c ha ra ct ers.   T his  te c hn i qu e   sho we d  gr e at   resu lt s  i n  te rm   of  patte r n  de sc riptio n  a nd  s pe ed  c om par ed   t o  t he  well - known   Harris  m eth od.   E xperim e ntati on   on  tw o  diff e re nt  data bases  pro ve d  the   go od  perform ance  of  the   syst em .  H oweve r,  m a ny  en ha ncem e nts  are   require d,   e sp ec ia ll y  in  the  cl assifi cat ion   proc ess.  A  bette r  cl assifi cat ion   te c hn i qu e   will   be   pro po se d  i n  the   fu t ure   work.       REFERE NCE S   [1]   Mansi  S,   Jeth ava  G  B .   A  Li t eratur e  R evi ew   On   Ha nd  W rit t en   chara ct er   Re cognition .   Ind ian   Streams  Re search   Journa l .  2013;  3(2).   [2]   Lori go  M  L ,   Gov inda ra ju  V.  Offl i ne  Arabi c  handw rit ing  r ec ogn it io n:  a  surve y .   I EEE  Tr ansacti ons  o n  Pat t ern  Analysis  and  Mac hin e  In t el li g ence ;   2006.   [3]   Am rouc h  M,  Rac hidi   A ,   El  Yass a  M,  Mam m ass  D.  Handwrit t en  Am az igh  Charac te r  Re cognition  Based  On  Hidde n  Markov  Models.   Dec ember   2010 ;  ICGST - GVIP   J ournal ,   10(5) .   [4]   El   A y ac h i  R,   Mo ro  K,  Fakir  M,  B ouikha l ene   B .   On  The   R ec ogni tion  of  Ti fin aghe   Script s.  Journal   of  Theoretical  a nd   Appl ie d   Informa ti on  Te chnol ogy .   2010.   [5]   El   Kess ab  B,   D a oui  C,   Moro  K,  Bouikha le n e  B ,   Fak ir  M.  Re cog nit ion  of  Han dwritt en   Ti f ina gh  C har acte rs  Us ing  a  Multi lay e r  Neur al   Networks  an d  Hidden  Mark ov  Model.   Glob al  Journal  of   C omputer  Sci en ce  and  Technol og y .   Septe m ber   2011;   11(15).   [6]   Gounane   S ,   Fa kir  M,   Bou ikhalen   B.   Handwri tt en   T ifi nagh   T ext  Rec ogn it ion   Us ing  Fuz z y   K - NN   and  B i - g ram  La nguag e  Mode l.   IJ ACSA   Sp ec i al  Iss ue  on  Selec t ed  Pape rs   fr om  Thir d  int ernati onal  sympos i um  on  Aut omati c  Amazigh  proce ss ing  ( SITACAM’ 13) .   Beni   Me ll a l ,   2013 .   [7]   Es - Saad y   Y,   Am rouc h  M,   R ac hid i  A,   E l   Yass a  M,   Mam m ass  D.  H andwri tt en  Ti fin agh  R ec ogni ti on   Us ing  B ase li n es   Dete c ti on  Fe at ur es.   Int ernati onal   Journal  o f  S ci en ti fic  &   Engi nee ri ng  Re search .   20 14;  5(4).   [8]   Zha ng  T  Y,  Sue n  C  Y.  A  Fast - P ara l le l   Algorit h m   for  Thi nning   Digit al  Patterns.  Comm unic ati ons  of  th e  ACM .   19 84 ;   27(3).   [9]   Le orde anu  M,   Hebe rt   M.  A sp ec t ral   te chn ique for   cor responde n ce  proble m s using pairwise constrai nts.  Int ernati ona l  Confe renc e  of   C omputer  Vi sion .   2005.   [10]   Benc har ef   O,   C hiha b   Y,   Mous aid  N,   Oujaour a   N.  Dat a   set   for   Ti fin agh  h andwr it ing   ch aract er   r ec ogni ti on.   Data   in  Brie f .   2015;   4:11 - 13.   [11]   Ouadid  Y,   Fa kir  M,   Minao ui  B.   T ifi n ag h  Printe d   Cha rac t er  R ec ogni t ion  through   S truc tur al  Feat ur e  Ext ra ct ion .   In te r nati onal Journal   of  Comput er  V ision  and  Imag e  P roce ss ing  ( IJCV IP) .   2016;  6(2) :  4 2 - 53.   [12]   Es  Saad y   Y ,   Ra chi di   A,   El  Yas sa  M,   Mam m ass  D.   AM HCD :  A  Dat aba se   for   Am az igh  Hand writt en   Ch ara c ter  Rec ognition R ese arc h .   In te rnatio nal  Journal   of   C omputer  Applica ti ons .   Augus t  20 11;  27(4):   44 - 48.   [13]   Otsu  N.  A  Thres hold  Sele c ti on  Method  from   Gre y - le v el   Histog rams .   IEE E  Tr a nsacti ons  on  sy stems,  M an  and   Cybe rnet ic s .   197 9;  SM C - 9:  pp.   6 2 - 66.   [14]   Bouta ounte  M,   Ouadid  Y.   Ti f in agh  Char acte rs  Rec ognition  Us i ng  Sim ple   Geo m et ric   Shap es.   I ndonesia n  Journ al   of   El e ct ri ca l   Eng in ee ring   and   Com pute r  Sc ie nc e. 2 016  Jul 1; 3(1) :2 35 - 9.   [15]   Harri s  C,   Stephens   M.  A  combined  co rne r  and  e dge  detec tor .   Pr oce ed ings  of  the  Fourth  Alve y  V ision  Confe ren c e,  Unive rs it y   of   Sh ef field   Printing  Unit,   Man che st e r .   1988;  pp . 147 - 151.     Evaluation Warning : The document was created with Spire.PDF for Python.