Int ern at i onal  Journ al of Inf orm at ic s  and  Co m munic at i on  Tec hn olog y (IJ - I CT)   Vo l. 7 ,  No. 2 ,  A ugus t   201 8 ,  pp .  96 ~ 104   IS S N:  22 52 - 8776 , DO I: 10 .11 591/ijict . v7 i 2 . pp96 - 104       96       Journ al h om e page :  http: // ia escore.c om/j ourn als/i ndex. ph p/IJI C T   Angula r Symm etric A xis Const ell atio n  M odel fo r  O ff - lin e  Odia  Han dw ritten  Charact ers Re cognit ion       Py ari Moh an  Jena 1 , S oumy a Ranj an   N ayak 2 *   1   Depa rt m ent of   Com pute r  Scie n ce   and  Engi ne ering,   C ol le ge   of   E ngine er ing  an d  Te chno log y ,   Bh ubane sw ar,  Indi a   2   Depa rt m ent of   Com pute r  Scie n ce   and  Engi ne ering ,  K  L  Univ ersi t y ,   Andhra   Prade sh,  India       Art ic le  In f o     ABSTR A CT   Art ic le  history:   Re cei ved  May   03, 201 8   Re vised Ju n 2 6, 20 18   Accepte d  J u l  10, 2 018     Optic a l  cha r ac t e r  rec ognition  is  one  of  the   emer ging  rese ar ch  to pic s  in  the  fie ld  of  image  p roc essing,   and  it  has  ext ensive   a rea   of  applic at io n  in  pat t ern   rec ogni ti on.   Od ia   handwri t te n  script   is  the   m ost  rese arc h  co nce rn  ar ea  bec ause   it   h as  eldest  and  m ost  likable   la nguag e  i n  the   sta te   of  od isha,   Indi a .   Odia  cha r acte r  i s  a  usually   han dwritt en ,   which   was  gene ra lly   occ upi ed   b y   sca nner   int o  m ac hin e  rea d abl e   form .   In  thi s  reg ard   seve ra l   rec ognition   te chn ique   hav e  bee n  evo lve d  f or  var ia n ce   kin d  of   la nguag es  but  writi n g   pat t ern   of  od ia   cha ra cter  is  just  li ke   as  cur ve  a ppea ran ce;  Henc e  it  is  m or e   diffi cu lt   for   re co gnit ion.  In  thi s  a rti cle  we   hav e  pr ese nte d   the  nove l  appr o ac h   for  Odia  cha ra cter  rec ogni ti on  b ase d  on  the   diff ere nt  ang le   base d  sy m m et ric  axi s  feature   ex tr ac t ion  technique  which  give s  hi gh  ac cur acy   of  rec ogni ti on   pat t ern .   Thi s  e m piri ca l  m odel  gene r at es  a  u nique   ang le   b ase d  bound a r y   point s  on  ever y   skel et on ised   cha ra ct e r  images.   Th ese   point s  are  int er conne c te d  with  each  othe r  i n  orde r  to  ex tr act  row  and  col um n  s y m m et r y   axi s.  W e  ex tract ed  feature   m atri x  havi ng  m ea n  dista nc e  of  row,   m ea n  angle   of  row,  m ea n  dista nce   of  co lumn  and  m ea n  angl e  of  col um n  from   ce ntre   o f   the   imag e  to   m idpoi nt  of   the  s y m m et ric   axi s  r espe ctively .   The   s y stem  uses   a   10  fol d  val idatio n  to  the   ran dom   fore st  (RF)  cl assifie r  and  SV M  for  fea tur e   m at rix.   W e  h av e  consid ere d  th e  stand ard   da tabase  on  200  images  hav ing  ea ch  of  47  Odia   cha ra ct er  and  10  Odia  num eri c  for  sim ula ti on.   As   we  have  note d  out come  of  sim ula ti on  o f  SV M  and  RF   y ie lds  96 . 3%  and  98. 2%   ac cur acy   r ate  o n  NIT  Rourkela  Odia  cha r ac t e r  dat ab ase   and  88. 9%  and   93. 6%  from   ISI  Kolkat a   Odia   nu m eri ca l   da ta base .   Ke yw or d s :   Op ti cal   char a ct er  recogn it io n  featur e  v e ct or   Patt ern   recog ni ti on   Ra ndom  f or est     SV M     Copyright   ©   201 8   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 :   Soum ya  Ranj an Nay ak ,    Dep a rt m ent o f  Com pu te r   Scie nce a nd   E ng i ne erin g ,     K  L  Unive rsity ,   Gr ee nf ie ld s, V add e swa ram ,  Guntur,  An dhr a Pr a des h,   I nd i a 5225 02 .   Em a il :  nayak.s ou m ya @ kluniversity .in       1.   INTROD U CTION   In   t he  era  of   di gital   i m age  processin g,   t he  c har act er  rec ogniti on   is  on e  of  the  sig nifica nt   and   us ef ul  e m erg in g  re se arch   t opic s  is  the  area  of  patte rn   recog niti on .  T he  m ai n  inten d  of   c ha ra ct er  rec ogniti on  is  to   translat e  hum a n  rea da ble  cha racter  to  m achine  rea dab le   c od e  s o  that  m a chine  ca n  ef fici ently   reco gniz e  the   char act e r.   T here  are  m ai nly  t wo   broa d  cat e gory  of  cha ract er  rec ogniti on  syst e m   are  fo und  s uc h  as  offli ne  an d  on li ne  recog niti on   pro cess.  I n  case  of   on li ne   char act er  rec ogniti on  proces s ,  it   rep rese nts  the  two  dim ens ion al   co - ordinates  of  su cce ssive  points  of   the  ha ndw riti ng   as  a  functi on  of  tim e  are  stored   in  par ti cula r   order  descr i bed  by  [ 1].where  a s  in   case  of  the  offli ne  ha ndw riti ng,  only   the  c om plete d   wr it ing   is  a vaila ble   as  a n  i m age  descr i be   by  [ 2].   In   t his  pa pe r,   our   researc h  i nte nd  co nf i ne d  with  offli ne  ha ndw ritt en  ch aracte r  recog niti on .   O ur   recog niti on   sta ge  com pr ise s  of   t hr ee  broa d  sta ges  i nclu di ng   ac qu isi ti on ,  featu re  ext ra ct ion   and   cl as sific at io n  ste p.   Be si de  that  a  rec ogniti on  syst em   m os tl y  dep ends  up on   a   well - de fine d  f eat ur e   Evaluation Warning : The document was created with Spire.PDF for Python.
IJ - ICT     IS S N:  22 52 - 8776     An gu l ar   Symm et ric  Axis Co nst el lati on  M od el  for Off - li ne. . .   ( Soumya  R an j an N aya k )   97   extracti on  pro cedure  al ong  with  a  good   c la ssifie r,   i n  order  to  ac hieve   high  su cces s  rate  [ 3].  In  or der  to   achieve  a  good  rec ogniti on   syst e m   fo r  handwrit te n  form a t  is  qu it e  still   chall eng i ng  be cause  of  va riat ion   i n  wr it in g  sk il ls,  sh a pes  an d  or i entat ion .  Va rio us   ap proac hes  are  f ollow e d  up  by  diff e re nt  researc her   t o  va rio us  scripts  li ke  Arabic,  Chinese ,   and   En glish  et c  are  rep ort e d  [4 ] .  Ba sic al ly   od ia   script  la ngua ge  is  one  th e  la nguag e  w hic h  is  de rive d  f r om   de vangiri  s cripts.  It  is  on e   of   t he  re giona l  la ng ua ges  of   India,  m os tl y  s poke n  at   east ern   pa rt  (Odisha )  an d  s om e  so uth ,  nor th  par t  of   Indi a.  To  ac hieve  a  good  accu ra cy   of   rec ogniti on   for   hand wr it te n  ch aracte rs  of  o dia  char a ct er  is  qu it e  i m pr essi ve.   T hough  a  good  num ber   of   w orks  has  done  for   Indian  reg i on a l  la ng ua ges  but  a  le ss  in  num ber   relat ed  to  O d ia   script.  In   the se  past  r ecent  ye ars  dif fer e nt   auth or s   m ake  an  at te m pt  fo r  analy sis  with  r espect  to  O dia  scripts  a re  repor te d  in  [ 5].  T he  feat ur e   ext r act ion  te chn iq ue  f or   recog niti on   of  ha ndw ritt en  c har act er   is  a  chall eng i ng  ta sk   i n  the   rese arch  fiel d  of  patte r n  recog niti on .  I n  this  reg ar d  a  la rg e  nu m ber   of  featu re  extra ct ion   te chn i qu e  and   cl assifi c at ion   al gorith m   hav e  been   pr e se nte d  in  recent  ye ar  descr i bed   by  [ 6].  Seve ral  cha racter  rec ogniti on   te c hn i qu e  of  dif fer e nt  la ng uag e   is  found  in  m any  li te ratur es   [7 - 9].  In   li ne  to  cha racter  re cogniti on   t he  extensi ve  sur ve y  has  bee n  re ported   base d  on   diff e ren t  kinds  of   f eat ur e  extracti on   t ech nique  [ 10 ] .   I n  this  sur vey  pap e r,   aut hor  re ported  di ff e ren t   featur e   e xtract ion   te c hniq ue  app li ed   on  te m pla te   m at chi ng,  pro j ect ion  histo gram s,  def orm able  templa te s ,   con t our  pro file s,  un it ary  im age  trans form s,  zon i ng,  gr a ph   descr i ption,  zern ike  m ome nts,  s pline   cur ve   appr ox im at ion   and   f ourier  de scripto rs  ha s  been   a pp li e d  on  gray   le vel  char act er ,  bi nary   char act er,  c ha racter  con t our  ,  cha ra ct er s kelet on  a nd  c har act er  graph  im age r eprese ntati on  fo r m  in  the p re p r ocessin g  ste ps.  A s the  Indian  la ng uage  is  con cer ne d,  the  op ti cal   ch aracte r  rec ogni ti on   play s  a  vital   ro le   now  da ys.  In   this  pa pe r  we   hav e  m ade  an  at tem pt  to  desig n  a  nove l  app r oac h  that  eff ic ie ntly   recogn iz e  th e  od ia   cha rac te r  by  i m ple m enting  angular  m easur em ent  and   e uc li dian  distanc e  by  ta kin g  the   m idp oin t  fro m   the  axis,  whic h  was   gen e rated  by  ta king  the  m idpoint  of  tw o  bounda ry  ed ge  of   row  sym m et ri c  axis  as  well   as  colum n  sy m m et ric  axis  to  the  ce nt re  of   t he  im ages.  O dish a  sta te ,  so   far   has  be en  able  t o  up ho l d  the  pr i de  of   ha ving  the  l arg est   nu m ber   of  p al m   le af  m anu scripts  ( ov e r  20, 000  m anu scri pt s)  in  the  w or l d.   [ 11] .  Mi ll ion   books  would  hav e   been   pr i nted  f r om  start ing  wh ere “N e w  Test a m ent” that got  p rinted  in  1809   was  first pu blishe d. [ 12] . Odia g ot   cl assic al   sta tus  excep t  5  ot her  Indian  la ng ua ges  on  the   basi s  of   it s  li te rar y  her it age  fo ll owin g  ap pro val  of   th e   Un i on cabi net.       2.   RELATE D  BACKG ROUN D  W ORK   Od ia   sc ript  ha s  bee n  e xtracte d  us in g  B hr am i  scripts  a nd  one  of   t he  m os t  ancient  la ngua ges  am ong  Indian  re giona l  la ng ua ge  m os t  sp oken  east ern   par t  of  Ind ia   ba sic al ly   in  sta te   Od isha,  West - Be ng al ,  Guja rat  et c.  The  m os t  i m po rtant  sce na rio  of   this  la ngua ge  that  it   has  no   l ow e r  and   uppe r  cas e  form at .  Her e  in  the   script  is  has  no  uppe r  case  lowe r  struct ure.  A  certai n  well - de fine d  appr oach es  a re   adopted  by  di ff ere nt   researc hers  to  achieve  hi gh   r ecognit ion   rate.  Re cogniti on   is  the  pr oce ss  of  acce ptin g  the  unknown  sam ples  of   hand wr it te n  c har act er  im age  or   w ords  a nd   then  pr oceeds  into  a  patte r n  rec ogniti on   pro blem   fo r  te sti ng .   Re cogniti on  pr ocess  ca n  be  a chieve d  ei the r  i n  three   im po rtant  way,  w hich   is  desc ribe d  a s  tem plate   m atch in g,  sta ti sti cal   te ch nique  a nd  ne ur al   netw ork  te c hn i qu e s.  T hese   cha racter  recogn it io n  a ppr oa ches  us es   ei the r  to p  dow n  ap proac hes  or  analy ti cal   strat egies  for  recog niti on .  Tem plate  m a tch in g  is  the  s i m plest  form   of   t rainin g  and   rec ogniti on.  He re  is  the  i dea  is  to  m at c h  the  store d  pr edef i ned   proto ty pe  with  the  unknow n  ha ndwr it te n  char act e rs.   I n  this  m a tc hin g  t echn i qu e  only   sel ect ed  pix el   are  com par ed  with  data  sam ples  an d  r uled  base d  decisi on  tree   a nal ysi s.  Rule  ba sed  decisi on  t echn i qu e   w ere   us e d  by  c haudhu ri  et .  at   i n  2002  [13].  Stat ist ic al  te chn iq ue  co nsi der e d  as  m or e   eff ect ive  w hile  recogn it io n  of   O dia  cha rac te rs.   In   this  re gard  obai dull ah  et   al   [14]  in  2014  us es  t he  li nea r   log ist ic   re gre ssion  m od el   by   us in g  higher   orde r  sta ti sti cal   decisi on  m od el   t o  pro vid e  bette r  perform ance  rather   tha n  the  li near   m od el   in  perform ance.  I n  20 07   pal  et   al   [1 5]  use d  qu a dr at ic   functi on  f or   cl assifi cat ion   is  base d  on  Ba ye sia n  est im a ti on .  I n  20 09   a nd  2005  a  sim i la r  te chn i ques  of  ps e udo  Ba ye sia n  est i m at ion   te ch niqu e  was  ad opte d  by  wa xab ya s hi  et   al   [1 5]  ,  an d  r oy  at   al   [1 6]   for  odia   ha nd wr it te n  nu m erical   reco gnit ion.  They   us ed  c onve ntion al   quad rati c  discrim inant   functi on.  In   2006  Hidde n  Ma rko v  Mod el   ( HMM)   was  purpose d  by  Bho wm ik  et   al   [1 7].  This  is  us ed  non  ho m og e neous  qu a drat ic   m et h od   f or  trai ning  an d  recog niti on   of  ha ndwr it te n  nu m erical .  In  2014  Dash  et   al   [18 ] - [ 19]   hav e  a dopt ed  a   Discrim inati ve  Lear ning  Ba s ed  Q ua dr at ic   Discrim inant  Cl assifi er  ( DL QDF)  a nd  N on - redu nd a nt  St oc kwel l   trans form  b ased f eat ur e  ex tra ct ion  fo r  ha nd wr it te n digit  r e cogniti on. Neu ral n et w ork  is  the  par al le l p rocessi ng   m et ho d  ha ving   interco nnect io n  of  neurons  i ns ide  t his  te ch nique.  It  pe rfo rm   co m pu ta ti on   at   hi gh e r  s pe ed  in  com par ison   with  sta ti sti cal  and   tem plate   m a t chin g.   Ne ural   netw ork  can  be   per f orm ed  either   in  tw o  wa ys  li ke  feed  f orward  ne twork   (FFN A )  a nd  bac k  pro pag at io n  net w ork  (BPNN ).   I n  2013  m ishra  et   al   [20]   pe rfo rm   the   cl assifi cat ion   with  BPN N  an d  got  a  hig h  ac cur acy   of  90. 44  pe rcen ta ge.   I n  2011  Ma jhi  et   al   [2 1]  auth or s  have   pro po se d  a   no nlinear   ne ural   netw ork  cl assi fier  it   is  a n  a na log y  of  f un ct ion al   li nk  a rtif ic ia l  neu ral  ne twork  (F L ANN)  cl as sifie r.   In  2012  C handa  et   al   [22]  propos e  a  m et ho d  f or  w rite r  ide nt ific at ion   f ro m   O dia  hand wr it in gs   wh ic h   us es  the   SV M  for  cl as sific at ion .  I n  2015  kaly an  et   al   [23]  pur pos ed  BES AC  sy m m e tric   axis  const el la tio n  m od el   us in g  cl assifi er  SVM ,  n earest  nei ghbour  an d  r a ndom   fo rest  ha ving  accu racy   98.90,   Evaluation Warning : The document was created with Spire.PDF for Python.
                    IS S N :   2252 - 8776   IJ - ICT   Vo l.   7 , No .  2 ,   A ugus t   201 8   :   96   –   104   98   99.48,   96. 76  per ce ntage  res pectf ully .  The   detai ls  com par iso n  of   r eco gn it io n  acc ur a ci es  are  de scri bed  in   belo w  T a ble.  1.       Table  1.   List   of  All  Feat ur e s i n  Re c ogniti on  of Odia  Cha rac te rs  with  A cc uracy   Metho d   Featu res   Clas sif ier   Databas e   Accurac y  ( %)   Pal et  al .  (20 0 7 a)   Gradien t  +   cu rvatu re    MQDF   Od ia  b asic  ch ara cters  o n   II TBBS   9 4 .60     W ak ab ay ash i et  al .  ( 2 0 0 9 )   W eig h ted  grad ien t   MQDF   Od ia  b asic  ch ara cters   o n   II TBBS   9 5 .14     Ro y  et  al .  (20 0 5 )    Direction al   Qu ad ratic   Od ia nu m erals  on  I IT BB S   9 4 .12     Bh o w m ik  e t al.  ( 2 0 0 6 )    Scalar   HMM   Od ia  n u m e rals  o n   ISI   Ko lk ata   9 0 .50     Bh o w m ik  e t al.  ( 2 0 0 6 )    Scalar   HMM   Od ia nu m erals  on  I IT BB S   9 1 .26     Mish ra  et  al.   (20 1 3 )    DCT   BP NN   Od ia  n u m e rals  o n   ISI   Ko lk ata   9 2 .00     Mish ra  et  al.   (20 1 3 )    DCT   BP NN   Od ia nu m erals  on  I IT BB S   9 0 .44     Dash  et  al.  ( 2 0 1 4 b )      Hy b rid to p o lo g y   DLQDF   Od ia  n u m e rals   o n   ISI   Ko lk ata   9 8 .50   Dash  et  al.  ( 2 0 1 4 a)   Sto ck well  trans f o r m   k - Near est   n eig h b o r   Od ia  n u m e rals  o n   ISI   Ko lk ata   9 8 .80     Dash  et  al.  ( 2 0 1 4 b )    Hy b rid to p o lo g y   DLQDF   Od ia nu m erals  on  I IT BB S   9 8 .28     Dash  et  al.  ( 2 0 1 4 a)    Sto ck well  trans f o r m   k - NN   Od ia nu m erals  on   II TBBS   9 9 .00         Kal y an   S  Dash   et  al.   (20 1 6 )     BESAC   Ran d o m  f o rest   SVM   Near est n eig h b o r       Od ia  n u m e rals  o n   ISI   Ko lk ata   9 8 .44   9 9 .02   9 9 .35     Kaly an  S  Dash  et  a l.  (20 1 6 )   BESAC   Ran d o m  f o rest   SVM   Near est n eig h b o r       Od ia nu m erals  on  I IT BB S   9 7 .30   9 8 .56   9 8 .90       3.   PROP OSE D HA NDWRIT TE N  C HAR A CTER  REC O GNI TI ON SY STE M   In  this  sect io n,  we   ha ve  m ade  a  novel  te ch nique  t hat  ef fici ently   recogn i zes  the  o dia  c har act er .  T he   com plete   pr op os e d  m et ho d  is  desc ribe d  gra ph ic al ly   in  Fig ure .  1 .  Thes e  pro posed   syst em s  are  carried   ou t  by   includi ng   t he   certai n  ste ps  li ke  Im age  l ike  Im age  acqu isi ti on,  pr e - processi ng,  fe at ur e  e xtracti on,  a nd   cl assifi cat ion .  The  detai ls   dis cussion ca n be  m ade in  se vera l su b - c hap te rs   i n  s ubseq ue nt s ect ion .           Figure  1.  Sc he m itic  M od el   of Rec ogniti on  Mod el       3.1.     Im ag e  A c quisi tion   As  per  our  pro po s ed   m et ho dolog y  desc ribe d  ab ove  we  ha ve   co ns ide r  t he  sta nd a rd  datab ase  of  odiy a  char act e r  nam e d  as   Nit  R ourkel a  Od ia   data ba se, w hic h  was   de velo pe d  at  N IT ,  R ourk el a  b y  Mi shra  et   al .  [ 20] .  In   this  data bas e  they   had   co m po sed  of   va ri ou s  15040  num ber s  of   i m ages  of   both  cha r act er  and   num erals.  In  this researc h  analy sis, w e h a ve  co ns ide red   47  c har act er s havin g  200 nu m ber s  of  sam ples f or   our  ex perim ental  stud y.   The   m od er n  O dia  scri pt  co ns ist s  of  12  vowels,   3  vo wel  m od ifie rs,  37  sim ple  con s on a nts,   10  nu m erical  dig it s  an d  a bout  159  c om po s it e  char act ers  ( j ukta s) .   O dia  s cript  is  a  cu rv e d  ap pea ran ce  of  w riti ng   patte r ns   on   Evaluation Warning : The document was created with Spire.PDF for Python.
IJ - ICT     IS S N:  22 52 - 8776     An gu l ar   Symm et ric  Axis Co nst el lati on  M od el  for Off - li ne. . .   ( Soumya  R an j an N aya k )   99   p al m   le aves  wh ic h  ha ve  bee n  secur e  f ro m   tear   if  wr it er  use s  too   m any  str ai gh t  li nes.   Ta ble.  2  de scribe s  about   o dia c ha racters  w it h  t heir  p honetic s.       Table  1.   List   of A ll   Feat ur e s i n  Re c ogniti on  of Odia  Cha rac te rs  with  A cc uracy   Phonetics   Letter   Phonetics   lett er   Phonetics   Letter   Phonetics   lett er   Phonetics   lett er   a     Ka     Da     Ma     Ek     Aa     Kh a     Dh a     Ja     Du e     E     Ga     Na     Ra     Tini     Ee     Gh a     Ta     La     Ch ari     U     Un a     Tha     Laa     Paan ch     Uu     Ch a     Da     Ya     Ch h a     Ru     Ch h a     Dh a     Sh a     Saath     Ru u     Ja     Na     Sh a     Aath     A     Jh a     Pa     Sa     Na     Ae     Ny a     Ph a     Ha     Sh u n     O     Ta     Ba     Kh y a         Ou     Tha     Bh a                 3.2 .     Im ag e  Pr e Proces sing   Pr e - proces sin g  is  an   im po rtant  ste p  du rin g  the  im age  acqu isi ti on  proc ess  in  orde r  t o  get  higher   accuracy  re su lt   by  m eans  pro du ci ng   noise   f ree  i m ages  as  well   as  fr ee  of  sk ew nes .  I n  this  analy sis  ste p,   our   pre - pr ocessin g  ste ps   are  do ne   by  us in g  dif fer e nt  pha ses  li ke  no ise   redu ct ion ,  n orm ali zat ion ,  s kew   or  sla nt   adjustm ent  and   segm entat ion .  T he  detai ls  descr i ption   of   these  pre - proc essing  ste ps   ar e  su m m arised  in  the   fo ll owin g  s ub  sect ion s.     3. 3 .     N oise  Re duct i on   No ise   is  the  un wan te d  outp ut  com es  with  the  pix el   intensit y  value  in  the  sc ann e d  doc um e nt  wh e rea s   reducti on  of   no ise  is the  proce ss of eli m inatin g sp uri ous  po ints d ue  t o  the   poor sam pling   rate o f  the  sca nner .     3. 4 .     N orm alizati on   Norm al iz a ti on   is  the  pr ocess  of   se par at in g  wh at   data  we  get  and   w hat  da ta   we  req ui re d.   W e  ad opt  bin a rizat ion   a s   the  inte ns it y  norm al iz ation   in   the  pr e - pr oces sing   ste p.  T he n  we  a dju st  t he   siz e  of  eac h  s a m ple   as 81 *81 dim e ns io ns   for  siz e   norm al iz a ti on .     3. 5 .     Skew  or Sl an t  Adj ustm ent     Sk e w ness  in  the  i m age  unde rgoes  s om e  r otati on   of   sca nn e d  im age.  This  is  ver y  i m po rtant  to  el i m inate   ro ta ti on   i n  the  pr e - proces sin g  ste p.  Rotat ion   ca n  be  el i m inate d  by  i m ple m entin g  t he  el im inati on   of   degree  of ti lt  an gle a nd  ro ta ti on of  opposit e  directi on.     3. 6 .     Se gmen t at i on   Segm entat ion   is  the  process   of   se par at i on  of   te xt  a nd  non  te xt  area  i n  the  sca nned   hand wr it te n  do c um ent.  It  is   the  c halle ngin g  par t  f or  pre - proces sin g  the re   are  2  ty pes  of  segm entat ion s  can  ha ve  in   the   pre - processi ng   ste ps ,  e xte rn al   se gm entat ion   per f or m   se par at ion   of   pa ra gr a ph,  w ords  or  se ntence  f ro m   s cann e d  do c um ents wh ereas inte rn al   s egm entat ion  is  the pr ocess of   separ at io n  c ha r act er fro m  each wo rd.      3. 7 .     Fe at ure   Extr act i on   Feat ur e  e xtract ion   te c hn i qu es   are  us e d  t o  eva luate   the  uniq ue ness  of   eac h  c har ac te r   im age   by  w hic h  they   diff e rs  f r om   the  rest  ch aracte r  im ages .  In   this  sect io n  we  ha ve  im plem ented  a  un iq ue  al gorith m   fo r   evaluati on  of  f eat ur e  vect or   by   con side rin g  the  m ean  distance  of   row,   m e an  an gle  of   r ow,  m ean  dista nce  of  colum n  an d  m ean  a ng le   of   c o lum n  from   ce ntre  of   t he  im a ge  to  m idp oi nt  of   t he  sym m etr ic   axis  re sp ect ively .   All  the  operati on s   wer e   pe rfo rm ed  ov e r  s kel et on iz ed   im age  of  hand wr it te n  c har act e rs.  O ur  feat ur e   extr act ion  i m ple m entat io n  is  m ai nly  fo c us es  on  five   un iqu e   ste ps,  a nd  this  is  c on side red  as  t he  key  featur e   values   of  ou r   pro po se d  syst e m . Th e d et ai ls  of the  five st ep s ar e  desc ribe d as f ollo ws:   Evaluation Warning : The document was created with Spire.PDF for Python.
                    IS S N :   2252 - 8776   IJ - ICT   Vo l.   7 , No .  2 ,   A ugus t   201 8   :   96   –   104   100   1.   This  un i qu e   te chn i qu e   ext rac te d  the  featu re   of  im age  accord i ng   t o  bin a ry  i m age  point  pa ssing  thr ough   the  an gle  of  45°,   135°,   18 0° ,   225°,   270°,   31 5° ,   360°   resp ect ively   from   the  centre  of  the  im a ge    represe nted  i n F ig ure   3 .   2.   Extract  the  point  posit io ns  of   t he  sam pl e  i m age  hav i ng   passe s  thr ough  these  a ngle s  re pr ese nt ed     in F ig ure   4 .   3.   Plott ing  all  t he po i nts cr eat e  a  un i qu e  poly go n  s ha ped im ag e f or   eac h sam ple   re pr e sente d i n   F i gure   5 .   4.   Find r ow sym m et ry axis and  colum n  sym m e try  ax is  base d   on Fig ure   6  &   9 resp ect ively .   5.   Estim at e  m ean  angle an d dist ance  of both  th e sym m et ry axis b ase d on Fig ure   8 &  11 r e s pecti vely .     Fo r  the  a bove  al l  e m pirical  c al culat ion   of  our  im ple m entation   m et ho do l ogy,  we  ha ve  de velo ped   tw o  al gorithm s w hich were  d e picte d  in   A l gorith m . I  an d Al gor it h m . I I res pect ively .                 The  pro posed  char act e r  recogn it io n  m e thod  are  div i ded   t he  i m ages  into  two  par ts  of  operati on  an d  the  first  par t  operati on  inclu de d  a  chor d  that  is  dr aw n  from   each  bounda r y  pix el   to  strai gh t  of  boun dary   pix el   in  row  wise  a nd   t he  seco nd   par t  co ns ist in g  a  ch o r d  that   is  dr aw n  f r om   each  bounda ry  to  strai ght  of   it s  Evaluation Warning : The document was created with Spire.PDF for Python.
IJ - ICT     IS S N:  22 52 - 8776     An gu l ar   Symm et ric  Axis Co nst el lati on  M od el  for Off - li ne. . .   ( Soumya  R an j an N aya k )   101   bounda ry  pix el s  in  colum n  wise  and   t he  com plete   descr i ption   of   t hese  tw o  ste ps   a re  disc us se d  in  Al gori thm   1   and   Algorithm   2  respec ti vely .  For  N  no  of  bounda ry  pix el   and   K  no  of   boun dar ie s;  the  nu m ber   o f  ava il able   cord  is  ( N/2)* k  in  row  wise  a nd  col um n  wis e.  H oweve r,  w e  discar d  th os e   boun dar y  c hor ds   w hich  ha ving  le ss   than  3  pi xels  in  that  co rds.  T he  rem ai nin g  c ord  is  cal le d  r ow  ch ords  a nd   c olu m n  chords  because   these  chor ds   are  pr e sent  in  the  sam e   ro w  and   sam e  colum n.   These  chord s  are  par al le l  pr esent  in  r ow  ch ords,   wh i ch  is  pr ese nted   in   Fi gure   6  a nd  t he  cord  a re  ver ti c al ly   pr ese nt  in  colum n  ch ords   presente d  i n  F igure   9  resp ect ively .   In  our   s ubseq ue nt  ste p  we  ha ve  gro up  the   r ow  ch ords   a nd  col um n  chor ds,  in   or der  to   f ind  sym m et ry  axis   from   par al le l  r ow  ch ords   a nd  ve rtic al ly   colu m n  cho r ds .   T he   m idp oin t  of  the  par al le l  r ow   ch ords   an d  ve rtic al  colum n  ch ords   co uld   ge ner at e  a  num ber   of  row  sym m e try   axes  a s  w el l  as  colum n  sym m et ry  axes  w hi ch  are   pr ese nted  i n  Fi gur e   7  a nd  Fig ur e   10   res pecti vely .  In   orde r  to  fin d  the  acc urat e  sy m m e try   axes  to  represe nt  the   per ce ptu al   pa rts, w e  pr opos e   m idp oin t c rite r ia  o f  the  res pec ti ve  ch ords  t o be  ver ifie d  i n  t he follo wing m et hod .   Mi dpoin t  of   r ow c hor ds =  Y r − X r 2       Wh e re  r=(1, 2,3,... . n) No  of  boun dar ie s          Y r  =Y  poi nt of  r   ’th r ow bo undar y  point                           (1)         X r  =X  poi nt of  r   ’th r ow bo undar y  point     Mi dpoin t  of  c ol um n  chord s=   Y c − X c 2       Wh e re c= (1,2, 3, . ...n )  N o o f b oundaries          Y c  =Y  poi nt of  c ’ t h  c olu m n  boun dar y  point                           (2)       X c  =X  point  of  c ’th col um n  boun dar y  point     Af te r  s uccess f ully   analy sed  of   a bove  im pl e m entat ion   m o del,  we  ha ve  obta ined  t he  fin al   set   of   r ow   and  col um n  sy m m et ry  axis.  The n  w e  ha ve   de velo ped   t he  c on ste ll at io n  m od el   acco r ding  to  t heir  r el a ti ve   sy m m e tric   axis  pix el   posit io n  an d  m idp oint   pix el   an gle  from   centre  of   the  im age.  This  con ste ll at ion   m od el   gen e rates  tw o  set   of   pa ram et e r  for  each r ow sy m m e try   axis  and   c olu m n  sym m e try   axis.  Wh e re  one  pa r a m et er  sh ow  m ean  val ue  of  relat ive  distance  of   e ve ry  sy m m e try   axis  pi xel  posit ion   t o  ce ntre  of   the  im age  and  oth e r  par am et er  sh ows  the  a ngle   be tween  t he  m id po i nts  of  the  s ymm et ry  axis  to  the  ce ntre  of   the  im age.  The reafte r   we  f ound  fou r   par am et er  of   each  im age  hav in g  two  par a m et er  each  fo r   row  sy m m e try   axis  and   col um n  sy m m e try  ax is  pr ese nted  in  Figure   8  a nd  Fi gure   11  res pecti vely .                     Fig ure   2. Sam ple I m age   Figure   3. S kelet on iz ed  I m ages   Figure   4. A ngle  Pixel    P oin t  Extra ct io n                           Figure   5. Plott ing  Pixel  Po i nt   Figure   6. Ro w  Sy m m e try  A xi s   Fig ure   7. Mi dpoin t  of  Ro w  Sy m m e try  A xi s   Evaluation Warning : The document was created with Spire.PDF for Python.
                    IS S N :   2252 - 8776   IJ - ICT   Vo l.   7 , No .  2 ,   A ugus t   201 8   :   96   –   104   102               Figure   8. A ngle  and  Dist ance    from   C entre   Figure   9. Colu m n  Sy m m et ry  Ax is     Figure   10. Mid po i nt of  Co lum n  to  M id po i nt in  Row   Sym m et r y                   Figure   11.  A ngle   and D ist a nc e from  Centre t o   Mi dp oin t i n  Colum n  Sym metry  Axis       3. 8 .     Cl as sific ati on   Cl assifi cat ion   is  on e  of  the   i m po rtant  phases  of  any   recogn it io n  m od el .  Acco r ding  to  ou r   i m ple m entat io n  m od el   we   ha ve  a dopted   a  two  way  strat e gy  f or  rec ognit ion .   I n  t his  re ga rd  we   ha ve  c ho s e n  two  well   li ked  cl assifi er  nam el y  su pport   ve ct or   m achine  ( SV M)  [ 24 ]   an d  ra ndom   fo re st  tree  (RFT )  [ 25 ]   f or   recog niti on  o f  h an dwrit te n  c ha racters. After ev al uatin g  the  d esi re d  key  fea ture  values  we  process  t hese vect or   to  cl assifi er  se par at el y  and   note d  down   t he   ov e rall   recog niti on   acc ur ac y.  We  ha ve  fir st  evaluated  th e  SV M  [16]  cl assifi ers   wh ic h  are  m ulti - cl ass  cl assifi er  an d  s up e r vised  one. Secon dl y  ran dom   fo re st  tree  [25]  w hich  is   work   base d  on  the  idea  of   baggin g  an d  rando m   sel ec ti on   of  featu r es.  All  the  pe rfor m ance  wa s  li ste d   dep e ndin g upo n  the  v al ue of  the m ean square err or.  A nd tel ls ab ou t  w hich cl assifi er is the  b est   one.       4.   RESU LT   A N D DIS CUSSI ON   All  the  im plem entat ion   of   our  pro posed   m e tho d  were  carrie d  out  with   the  sy stem   hav i ng   sp eci ficat io n  w it h  windows  8 ,   64   bit  operati ng   syst em ,  and  In te l  (R)  i 7  –   4770  CPU  @  3.40   G Hz,   a nd  al l  the  si m ulati on   is  do ne  th r ough  m at la b1 4  (a)   ov e r  a  sta nd a rd   da ta base.  As  per   sta nd a rd   Datab ase  con ta ini ng   20 0  sam ples  fr om   each  of  the  47   cat ego ries  na m ed  as  NI T  R our kela  Od ia   datab ase  a nd   consi der i ng   nu m eri c   database  f r om  IS I  K ol kata  ha ving  16  sam pl es  fr om   each  of   the  10  cat egorised .  Af te r  getti ng   the  f our  key   featur e  vect or   values  from   e ach  data base  a s  m ean  distan ce  of   row,   m ean  an gle  of  r ow,  m ean  distance  of   colum n  and   m ean  an gle  of  colum n  from   ce ntre  of  the  im age  to  m idp oin t  of   the  sym m et ric  axis  fr om   each   i m age.  Hence   total   siz e  of   i nput  f or   Od ia   c ha racter  be com es  4*9400  a nd   num eric  char act er  bec om es  4*9400   and   m akes  the se  as  input  to  well   def i ned   cl assifi er  su c h  a s  SV M  an d  ra ndo m   fo rest  a nd   al s o  pe rfo r m ed  the   validat io n  by  im ple m enting  10   f old - cr os s  validat io ns   to  the  syst e m .   C on s eq ue ntly   all  the  ob ser vation  w as  counted  to  ce rtai n  as  75 ,  25   r at io  as  trai nin g  and   te sti ng.  A t  first  SV M  cl assifi er  is  i m ple m ented  fo ll ow ed  up   by r an do m  f or est  classi fier.  We h a ve  al so   m ade a  com par ison  a naly ses am on g  these tw o  cl assifi ers,  a nd  li ste d  93.6%  as  the  r ecognit ion   rate   for  SV M  a nd  98.2%  f or   the  r andom   fo rest  f or   NI T  O dia  char act er ,  sim i l arly   for   IS I  nu m eric  char act er  the  r ecognit ion   rate  fo r  bo t h  S VM  and   rand om   fo rest  as  88.91%  a nd   96.3%   resp ect ively .   Evaluation Warning : The document was created with Spire.PDF for Python.
IJ - ICT     IS S N:  22 52 - 8776     An gu l ar   Symm et ric  Axis Co nst el lati on  M od el  for Off - li ne. . .   ( Soumya  R an j an N aya k )   103   5.   CONCL US I O N   In   t his  pa per,  we  ha ve  pr ese nted  a n  a ngul ar  sym m et ric  const el la ti on   te chn i qu e  f or   offli ne  O dia   char act e rs  rec ogniti on.  T his   syst e m   us es  r ow   a nd  c olu m n  sym m et ric  a xis  f or   ge ner at ing   four  key  f eat ur e   vecto r  val ues  f ro m   each  data base  as  m ean  di sta nce  of  r ow,   m ean  an gle  of   row,   m ean  dis ta nce  of  col umn  an d  m ean  an gle  of  colum n  f r om   centre  of  the   im age  to  m idpoint  of  the   sym m e tric   axis  f ro m   each  im a ge.   F or   cl assifi cat ion   pur po se ,  SV M   and   R F  m od el   is  us ed.   A n  ex per im ental   resu lt   fr om   this  researc h  giv es   sat isfact or y  re cogniti on   res ult  ov er  t he  sta ndar d  dataset ,  but  sti ll   the  devel op m ent  is  in  it s  infan cy .  F ur t her ,   oth e r  te ch niqu es are t o be e xplo red f or b et t er r ec ogniti on  accuracy.         REFERE NCE S   [1]   H.  Sw et hal aksh m i ,   et   al. ,  “ Onli ne  handwri tten  cha ra cter  rec ogn it ion  of  deva n a gar i  and  te lu gu  cha ra cters  using   support  vector  m ac hin es, ”   2006   I nte rnational   Wo rkshop on  Frontiers   in  Handwr it i ng  Recogni t ion.   2006.   [2]   U.  Pal ,   et  al . ,  “ A  sy stem  for   off - li ne   Ori y a  h andwri tten  ch ar ac t er  re cognitio n  using  cur v at u re  fe at ur e, ”   200 7   int ernati ona l co nfe renc e  on   inf o rm ati on  technol ogy,   Ind ia,   pp.   2 27 - 229 ,   2007 .   [3]   V. K.  Govindan . ,   A. P .   Shivapr asa d,   “ Char ac t e r  rec ogn it ion  a   rev ie w , ”  Pat t ern  Recogni t io n,   vol .   23,   pp .     671 - 683,   1990 .   [4]   J.  Manta s ,   “ An o ver vie w of   ch aract er   re cogni t ion m et hodologi es, ”   Pattern  R ec ogn i ti on,   vol. 19 ,   pp .   425 - 430,   1986.   [5]   U.  Pal.,   B.   B.   C haudhur i,   “ Indi a n  script   ch aract e r  rec ogni ti on:  a  surve y , ”  Pa ttern  Re cogn it ion ,   vo l.   37,   pp .   1887 - 1899,   2004 .   [6]   R.   Plamondon,  S.  N.  Srihari,  “ On - Li ne  and  o f f - li ne  h andwri tten  rec ogn it ion :  A  comprehe nsive  surve y , ”  IEEE   Tr ans on  PA MI,   vol. 22,   pp. 62 - 84 ,   2000 .   [7]   N.  Aric a   and  F.  Vural ,   '' An  Overvi ew  of  C har acte r  R ec ogn it ion  Focused  o n  Off - Li ne  Han dwriti ng, ''   I E E E   Tr ansacti ons on System  Man   Cyb erne tics - Part  C:   Appl ic a ti ons and   Revie ws ,   vol . 31,   pp.   216 - 233,   20 01.   [8]   L.   M.  Lor igo  an d  V.  Govindar aju,  '' Off li ne  Arab ic   Handwrit ing  Rec ognition:  A  Surve y , ''   IEEE  Tr ansacti ons  on  Pat te rn   Analysis and  Mac h ine In te lligen ce ,   vol .   2 2,   pp .   712 - 724 ,   2006.   [9]   G.  Nag y ,   '' Chin e se  Chara c te r  R e cogni ti on ,   A  twe nt y   f ive   y e ars  re trospec t ive , ''   19 9 8  IEE E  int ernat i onal  conf er ence   on  pattern rec og nit ion,   It aly ,   pp . 109 - 114 ,   1988 .   [10]   A.  K.  Jain ,   T .   T axt ,   '' Fe at ur e  Ex tra c ti on  Me thod s  for  Chara c te r   Rec ognition - A  Surve y , ”  Pat t ern  Re cogn it ion ,   v ol.  29,   pp .   641 - 662 ,   1996.   [11]   htt p://ww w.odi sham useum . nic . i n/ ? q=d ept /manu script s   [12]   P.  Patt n ai k ,   “ Pre sentat ion   on  dig i ti zation  o f  Odia   books”   in  Utka l U nive rsit y   (2 1   Februa r y   2014 ).   [13]   B.   B.   Chaudhur i ,   et al . ,  “ Autom at ic   r ec ogni ti on   of   printed  Ori y a   sc ript , ”  Sadhana ,   vol.   27 ,   pp .   23 - 3 4,   2002 .   [14]   M.  Obaidul l ah ,   et   al . ,  “ Struct ur al   fe at ur e  base d   appr oac h  o r  scr ipt   ide n ti f ic a ti on   from   print ed  in dia n  document , ”   2014   IEEE inte r nati onal conf ere nce   on   signal   proce ss ing  and  integrated  n et work s,  India ,   pp .   120 - 124 ,   2014 .   [15]   T.   W aka b a y ashi ,   et   a l. ,  “F - rat io   base d  weighted   fea tur e  extrac tion  for  sim il ar  shape   ch aract er  r ec ogni ti on, ”  200 9   IEE E   internatio nal  con fe renc e  o n  docume nt   anal ysis   and  rec ogni ti on,   Spain ,   pp .   196 - 200 ,   2009 .   [16]   K.  Ro y ,   et  al. ,  “ Oriy a  handwri t te n  num era l  r ecogniti on  s y s te m , ”  2005   IE EE   8 th  int ernat ional  conf ere n ce   o n   docume nt  ana ly s is and   rec ogn it io n,   South   Korea,   pp.   770 - 774 ,   20 05 .   [17]   T.   K.  Bhowm ik ,   et   al. ,  “ An  HM M  base d  rec o gnit ion  sch eme  for  handwri tte n  Ori y a  num erals,”   2006   I EE E   int ernati ona l co nfe renc e  on   inf o rm ati on  technol ogy,   Ind ia,   pp.   1 05 - 110 ,   2006 .   [18]   K.  S.  Dash ,   et   al. ,  “ A  h y brid  f ea tur e  and  discr iminant   class ifi e r  for  high  ac cur acy   Odia  hand writt en  n um er a l   rec ogni ti on, ”  20 14  IEEE tec hn ical  sympos ium,   M alay sia,   pp.   531 - 535 ,   2014 .   [19]   K.  S.  Dash ,   et   al . , ,   “ Non - red undant   Stockwel l  tr a nsform   base d  fea ture   ex tracti on  for  handwri tt en  digi t  re cogni t ion , ”  2014  IEEE  sign al  proce ss ing  an d  communic at io n,   India ,   pp .   1 - 4 ,   2014 .   [20]   T.   K.  Mishra ,   et   al. ,  “ A  compara ti ve  ana l y sis  of  image  tra nsform at ions  for  handwri tt en  Odia   num e ral   rec ogn it ion , ”   2013  IEE E  int er nati onal  co nfe re nce   on  advan ce s   in  computi ng ,   c omm unic ati ons  and  inf orm ati cs,   India,   pp .   790 – 793 ,   2013 .    [21]   B.   Majhi ,  et   al. ,  “ Eff ic ie nt  r ec o gnit ion  of  Odi y a  num era ls  using  low  complexi t y   neu ral   c la ss if ie r,”  2011  IEEE   int ernati ona l co nfe renc e  on   en ergy ,   au tomati on ,   and  signal, Indi a ,   pp .   1 - 4 ,   2011   [22]   S.  Chanda ,   e t  al . , ,   “ Te x t  ind epe n dent   writ er  id entificat ion  fo r  Ori y a   scrip t , ”   2012   IEE E  int ernat io nal  workshop  on  docume nt  ana ly s is sy stems, Australia ,   pp.   369 - 37 3 ,   2012 .   [23]   K.  S.  Dash ,   et   al . ,  “ BESAC :  Bin ar y   Externa l  S y m m et ry   Axis  Constel lation  for   u nconstra in ed  han dwritt en  cha r ac t e r   rec ogni ti on, ”  Pa tt ern  Re cogn it io n  Letters ,   vol .   38 ,   pp .   413 - 422 ,   2 016.     [24]   B.   Xu   ,   et   a l. ,  “ An  improved   ran dom   fore st   class ifi er   for  image  c la ss ifica ti on, ”  2012   IE EE   In te rnation a l   Confe renc e  on   I nformation  and  Aut omation ,   Chi na,   pp .   795 - 800 ,   2012.   [25]   C.   Mitra  and  A.  K.  Pujar i,   “ Mining  Intelli g e nce   and  Know l edge   Expl ora ti o n. Editor. Mining   Inte l li gen ce  an d  K nowledge   Exp l ora ti on , ”   2009  S pringer  Lect ure   Note s in   Comput er  Scienc e, I ndia ,   pp .   82 - 84 ,   201 3 .   Evaluation Warning : The document was created with Spire.PDF for Python.
                    IS S N :   2252 - 8776   IJ - ICT   Vo l.   7 , No .  2 ,   A ugus t   201 8   :   96   –   104   104   BIOGR AP HI ES   OF  A UTH ORS         P y ari  Mohan  J ena   Com pleted   his  BS C  and   MS C  in  computer   sc ie nc e  f rom   Rave nshaw  Univer sit y , cut t a ck  which  is  a  rep ute d  and  Oldest  insti tute   of  India   aft er   He   recei ved  hi s   exc e ll en c y   M.T ec h  degr ee   in  c om pute r  scie nc e   and  engi ne eri n g  from   CET ,   BBS R  under   Bij u  P at nai k  Unive rsi t y   of  Technol og y ,   Odish a,   Indi a   in  2017.   His  re sea rch   in te rest  is  in  the   fi el d  of  Im age s proc essi ng,   ch aracter  r ecogniti on  and  p att ern   re cognition.               Soum y a  R anj an  Na y ak   r ec e ive d  his  exc ellen c y   in   bat chelor  degr e e  in  2009  and  m aste r  degr ee   in  2012  of  comput er  scie nc e  and  e ngine er ing  from   Bij u  Patna ik  Uni ver sit y   of  T ec hn olog y ,   Odisha,   India .   BP UT,   R ourke la   is  one  of   la rge st  and  old e st  Univer sit y   in  India .   Curr entl y ,   he  is  working  as  As sistia nt  Profess or  in  K  L  U nive rsit y ,   Andhr a  Prade s h .   His  rese arc h   ar ea   of  i nte rest  includes  image  an aly sis b y   m e ans  of  fr act al   g eometr y ,   co l or  and te x ture feature s.         Evaluation Warning : The document was created with Spire.PDF for Python.