Journal of Research in Computer Science and Applications – Vol. 2, No. 1, Januari 2013
ISSN: 2301-8488
PENGENALAN POLA BIOMIMETIK UNTUK IDENTIFIKASI KEPEMILIKAN TULISAN TANGAN Samsuryadi1,3), Siti Mariyam Shamsuddin2,4), Jurusan Teknik Informatika Fakultas Ilmu Komputer Universitas Sriwijaya 2 Soft Computing Research Group Universiti Teknologi Malaysia 3
[email protected],
[email protected]
1
ABSTRACT This paper proposes biomimetic pattern recognition (BPR) based on hyper sausage neuron (HSN) network to identify the ownership of handwriting. HSN network is used to train and identify the handwriting word samples. Each handwritten word image is extracted by Zernike aspect united moment invariants (ZAUMI). Learning and testing samples are independent to each other called writer identification with textindependent. Experiment results show that the system performance achieved 94.93% based on 434 testing samples and 1010 learning samples.
Keywords: biomimetic pattern recognition, hyper sausage neuron network, handwriting word, writer identification, text-independent.
I. PENDAHULUAN Identifikasi pembuat tulisan (writer identification) berdasarkan tulisan tangan merupakan bidang riset menarik dan aktif diteliti. Dewasa ini, banyak peneliti telah mengembangkan pendekatan atau teknik baru untuk mendapatkan hasil identifikasi optimal berdasarkan k-nearest neighbor [1], weighted Euclidean distance [2], distance [3,4], multilayer perceptron [5], SOM cluster [6], Bayesian classifier [7], Gaussian Mixture Model [8], support vector machine [9,10], dan Hidden Mixture Model [11,12]. Secara umum, metode pengenalan pola untuk identifikasi pembuat tulisan tangan menggunakan seluruh informasi sampel yang terdapat pada kumpulan sampel pelatihan dan tidak terdapat pengetahuan awal (prior knowledge) antar kelas sampel sama. Hal ini berbeda dengan manusia dalam mengenali sesuatu: seseorang mengidentifikasi sesuatu melalui pengelompokkan dan pengalokasian hubungan antara objek sejenis secara signifikan [13, 14]. Oleh karena itu, pengenalan pola statistik memiliki kelemahan berikut ini: Pertama, Seluruh teknik di atas memiliki akurasi rendah terhadap sampel belum terlatih. Sistem identifikasi pembuat tulisan tangan klasik menggunakan pelatihan terhadap berbagai jenis sampel tulisan tangan untuk memisahkan berbagai jenis sampel [9, 10]. Bila suatu sampel tulisan tangan tidak terlatih, maka sistem dapat membagi suatu sampel tersebut
dalam suatu sub kelas namun hasil identifikasi tidak tepat. Kedua, berdasarkan prinsif pemisahan optimal pada pengenalan pola klasik, bila suatu sampel baru ditambahkan ke suatu sistem identifikasi pembuat tulisan, maka seluruh sampel dilakukan pelatihan ulang. Pengulangan pelatihan akan menyebabkan waktu pelatihan lebih lama, sehingga sistem tersebut tidak cocok untuk sampel berukuran besar. Artikel ini menerapkan pengenalan pola biomimetik (PPB) untuk mengidentifikasi kepemilikan citra tulisan tangan seseorang memadukan metode ekstrasi ciri Zernike aspect united moment invariant (ZAUMI) dan jaringan syaraf hyper sausage. Akurasi hasil diperoleh sebesar 94,93% untuk sampel latih dan sampel uji masing-masing data sebanyak 1010 dan 434, sedangkan akurasi hasil 93,33% untuk 600 sampel latih dan 300 sampel uji. Selanjutnya artikel dibahas menggunakan sistematika sebagai berikut: pembahasan konsep pengenalan pola biomimetik (PPB) secara singkat pada bagian 2, menyajikan metode ZAUMI untuk mengekstraksi ciri tulisan tangan pada bagian 3 dan deskripsi model identifikasi pembuat tulisan berdasarkan PPB pada bagian 4. Selanjutnya, bagian 5 memaparkan hasil-hasil eksperimen dan pembahasan. Pada bagian 6 membuat simpulan hasil penelitian ini dan rekomendasi penelitian selanjutnya.
18
Journal of Research in Computer Science and Applications – Vol. 2, No. 1, Januari 2013
sampel itu sendiri [21]. Lagi pula, pembentukan sub ruang dari suatu jenis sampel tertentu tergantung pada analisis relasi antar jenis sampel latih dan penggunaan metode dari pelingkupan objek dengan bentuk geometrik yang rumit pada ruang multi-dimensi [22].
II. PENGENALAN POLA BIOMIMETIK Pengenalan pola biomimetik (PPB) memakai kognisi (pengetahuan) sebagai pengganti dari klasifikasi pada pengenalan pola statistik (PPS) [15]. PPS menganggap semua informasi terdapat pada kumpulan sampel. Setiap sampel terpisah dan tidak memiliki relasi satu sama lainnya. Sebaliknya, PPB beranggapan bahwa dua objek dari suatu sampel sama memiliki kelas sama. Terdapat sekurang-kurangnya satu perubahan secara setahap demi setahap pada kedua objek tersebut dan semua objek dalam perubahan ini termuat pada kelas sama [16]. Oleh karena itu, tujuan PPB adalah pelingkup sampel terbaik pada ruang ciri sebagai pengganti pemisahan terbaik dalam PPS. Pada PPB, struktur sub ruang sampel hanya tergantung pada jenis sampel tersebut. Hal ini didasari oleh konsep manifold dimensi tinggi pada kumpulan titik di ruang topologi, studi karakteristik topologis sampel berjenis sama, dan kelayakan pelingkup distribusi jenis sampel dalam ruang ciri pada ruang geometrik berdimensi tinggi [17, 18]. Selain itu, PPB memiliki suatu prinsip dasar pada ruang ciri, yaitu: bila dua sampel berkelas sama tidak eksak sama, maka perbedaan antara keduanya harus berubah secara bertahap. Barisan perubahan bertahap harus ada antara kedua sampel tersebut, dan setiap sampel dalam barisan tersebut memiliki kelas sama. Proses perlakuan ciri ini harus dipetakan secara kontinu. Prinsip kontinuitas antar sampel sejenis pada ruang ciri ini dinamakan prinsip homogen berkelanjutan [19, 20]. Prinsip homogen berkelanjutan (PHB) dapat dirumuskan secara matematis berikut ini. Andaikan adalah suatu kumpulan (set) sampel sejenis pada kelas . Bila dan adalah dua titik termuat pada dan terdapat bilangan kecil ( ), maka memenuhi Persamaan (1),
III. EKSTRAKSI CIRI TULISAN TANGAN Hasil ekstraksi ciri digunakan sebagai masukkan pada proses identifikasi tulisan tangan. Oleh karena itu, ciri yang baik dan handal akan menjadi penentu hasil identifikasi. Secara umum, hasil ekstraksi ciri langsung digunakan pada proses pengklasifikasian. Artikel ini menggunakan kombinasi Zernike momen, aspek momen dan united moment invariant dinamakan Zernike aspect united moment invariant (ZAUMI). Sehingga ZAUMI memiliki karateristik, seperti: Zernike dan aspek momen berikut ini, yaitu: pelingkup batas, daerah, skala dan rotasi citra [23]. Artikel ini menjelaskan secara ringkas proses perumusan fungsi momen. Persamaan skala standar berdasarkan varian momen geometris [24] seperti Persamaan (2), bentuk diskrit [25] pada Persamaan (3), dan pengembangan invarian momen [26] pada Persamaan (4) adalah: pq
' pq
pq ( p q 2) / 2
pq
00 ( p q 2) / 2
,
pq ,
.
00
' ' pq
pq
00 p q 1
Setiap bagian pada Persamaan (2), (3), dan (4) mempunyai parameter pq . Berdasarkan pada [25], bila pengaruh parameter 00 dapat dihindari secara sejalan, maka kesatuan rumusan dapat terwujud. Oleh karena itu, rumusan 8 ciri metode united moment invariants (UMI) ditampilkan pada Persamaan (5) berikut ini.
B {x1 x, x2 ,...,xn1 , xn y ( xm , xm1 ) , m [1, n 1], m N } A
ISSN: 2301-8488
(1)
Dengan ( xm , xm 1 ) adalah jarak antara xm dan xm 1 pada ruang ciri. Persamaan (1) adalah suatu pengetahuan awal dari distribusi sampel pada PPB dan setiap sampel homogen pada kelas A harus terdistribusi dalam daerah terhubung pada ruang ciri. Pada PPB, sub ruang sampel dari setiap jenis sampel dibentuk hanya berdasarkan pada jenis
1 2 1 ,
19
3 5 4 ,
2 6 14 , 4 5 3 ,
5 16 23 , 6 1 2 3 6 , 7 15 36 , 8 (3 4 ) 5 .
Journal of Research in Computer Science and Applications – Vol. 2, No. 1, Januari 2013
Pada integrasi, nilai-nilai disubstitusikan menggunakan momen Zernike pada Persamaan (6). ZM 1
3
f7 f8
9 ZM 2 20 02 2 4112 , 2 16 ZM 3 03 321 2 30 3122 , 2 144 ZM 4 03 321 2 30 12 2 , 2 13824 ZM 5 (03 321 )(03 21 ) 4 [(03 21 ) 2 3(30 12 ) 2 ]
(03 312 )(30 3(03
A. Pemodelan Identifikasi Penulis Pada artikel ini dibahas identifikasi penulis berdasarkan citra kata tulisan tangan dengan teks bebas. Sistem teks bebas tidak memerlukan kata sama tetapi mengekstrak ciri citra tulisan tangan mempertimbangkan perbedaan tekstur [2]. Dewasa ini, banyak penelitian identifikasi penulis menggunakan model keputusan statistik, seperti: Bayesian Classifier [7], GMM [8], SVM Classifier [9, 10], dan HMM [12]. Klasifikasi pengenalan pola ini digunakan untuk menentukan pola tanpa menggunakan pengetahuan awal terhadap relasi antar sampel pada kelas sama. Berbeda halnya manusia dalam mengenali objek menggunakan keumuman antara objek pada kelas sama tersebut [19]. Hal ini dilakukan dengan asumsi bahwa titik sampel pada kelas sama dalam ruang ciri akan kontinu dan karakternya dapat terkenali. Oleh karena itu, pengenalan suatu kelas objek tertentu adalah penting, analisis dan kognisi bentuk kumpulan titik terbatas ditentukan oleh seluruh objek dalam ruang ciri. Sementara itu citra kata tulisan tangan seseorang memiliki variasi tegak lurus dan miring. Variasi citra kata tulisan tangan (7) dibentuk oleh pemetaan tulisan tangan pada (2.7) ini ruang dimensi tinggi secara kontinu. Situasi mengikuti prinsip kontinuitas PPB bahwa keseluruhan sampel berkategori sama berada dalam ruang ciri [20]. Oleh karena itu, kami mengadopsi variasi khusus tulisan tangan dibatasi oleh taraf horizontal sehingga terdapat hanya satu peubah. Akibatnya, distribusi kumpulan titik ciri dalam ruang dimensi tinggi haruslah manifold berdimesi satu. Untuk itu, artikel ini merujuk beberapa persamaan berikut [13, 28]. Andaikan bentuk pelingkup suatu jenis sampel tertentu terdapat dalam ruang ciri harus produk topologis dari suatu manifold dimensi satu dengan garis putus-putus dan bola hyper berdimensi d dan terbentuk sub ruang tertutup dari jenis sampel tersebut. Misalkan garis putus-putus adalah A, dan jari-jari bola hyper
12 )[(30 12 ) 2
21 ) 2 ]},
864
{(02 20 )[(30 12 ) 2 3 (03 21 ) 2 ] 411 (03 21 )(30 12 )}
ZM 6
Prosedur integrasi triplet dari momen Zernike, united moment dan aspek momen serupa dengan penurunan di atas menggunakan faktor standar skala (2), diskrit (3) dan batas (4). Namun, pada intergrasi ini, faktor skala standar diubah menjadi faktor skala aspek dengan Persamaan (7) [27]. Oleh karena itu, delapan rumusan pada united moment (5) dan nilai-nilai disubstitusikan juga dengan momen Zernike (6).
pq
pq 1 2 00 p 1 q 1 2 2 20 02
pq .
(7)
Berdasarkan penurunan rumus, diketahui bahwa Zernike aspects united moment invariants (ZAUMI) mempunyai delapan ciri seperti united moment. Contoh hasil ekstraksi ciri citra kata “been” seorang penulis diperlihatkan pada Tabel 1. Tabel 1: Contoh Hasil Ekstraksi Ciri Kata “been”
Ciri f1 f2 f3 f4 f5 f6
1.076757610109 0.212792789106 0.420524215801 0.397738272775 1.497412272285 0.691051968674
0.593917054704 0.208162221407
IV. IDENTIFIKASI PENULIS DENGAN PPB Pada bagian ini membahas pemodelan sistem identifikasi penulis menggunakan pengenalan pola biomimetik (PPB), pelatihan sampel dan identifikasi sampel.
2 20 02 00 ,
0.610531061881 0.156427416304
ISSN: 2301-8488
1.047625295520 0.171873363641 0.546080957027 0.422043691063 1.253259004407 0.879264166037
20
Journal of Research in Computer Science and Applications – Vol. 2, No. 1, Januari 2013
dengan Dij merupakan jarak antara S i dan
adalah k, sub ruang dari jenis sampel Pa dapat dinyatakan dengan Persamaan (8) berikut ini:
S j.
ditentukan oleh cross-validation dan biasanya terletak pada interval (0, 0.5] [29].
Pa {x min( ( x, y)) k , y A, x R d }
Pelingkup Pi mengadopsi struktur syaraf Persamaan (13) berikut ini.
Dengan k adalah jarak suatu nilai ambang. Kumpulan pelingkup Pa mempunyai bentuk kompleks berdimensi d, yang memisahkan seluruh ruang menjadi 2 bagian, satu adalah kelas A dilingkupi oleh kumpulan Pa dan lainnya tidak terlingkupi. Oleh karena itu, pengenalan pola dengan PPB adalah memutuskan apakah pemetaan pada ruang ciri suatu sampel milik kumpulan pelingkup Pa atau sebaliknya. Misalkan S {S1 , S 2 ,..., S N } adalah sampel kata tulisan tangan dalam kumpulan pelatihan dan setiap citra kata tulisan tangan dapat dinyatakan sebagai S i ( S i1 , S i 2 ,..., S id ), dengan i 1,2,...,N , N adalah jumlah sampel pelatihan dari setiap orang (penulis) dan d adalah dimensi suatu ruang sampel atau jumlah ciri tulisan tangan. Sub ruang Pa dapat dilingkupi dengan syaraf terbatas pada jaringan syaraf, gunakan beberapa garis untuk mengaproksimasi garis putus-putus A, dan kemudian dapatkan suatu garis putus-putus baru B. Selanjutnya, diperoleh Pb , produk topologis suatu bola hyper berdimensi d dan B, yang mengaproksimasi Pa , dan diperoleh sub ruang terakhir. Karena ada N sampel latih, maka terbentuk N-1 garis, setiap kelas dipresentasikan oleh Bi (i = 1, 2, ..., N-1), untuk mengaproksimasi A, sehingga:
yi f [( Si , Si 1, x)].
dimana (S i , S i 1 , x) adalah vektor ciri dari sampel latih ke-i dan ke-(i+1), x adalah vektor ciri sampel untuk diidentifikasi, dan yi adalah keluaran syaraf ke-i. adalah suatu fungsi dengan masukkan multi-vektor, satu keluaran skalar dan ditentukan oleh syaraf vektor multi bobot dapat ditulis sebagai berikut. [( Si , Si 1, x)] min( ( x, y)), y {z z Si (1 )Si 1, [0,1]}.
Dan sub ruang sampel memuat pelingkup keseluruhan (N-l) syaraf adalah: N 1
Pb
P i
i 1
B. Pelatihan Sampel Berdasarkan prinsip PPB, penentuan sub ruang suatu jenis sampel ditentukan oleh jenis sampel itu sendiri dan pelatihan jenis sampel hanya memerlukan jenis sampel tersebut saja. Bila suatu jenis sampel baru ditambahkan, maka sampel tersebut tidak perlu seluruhnya dilatih cukup sampel baru saja. Prosedur pelatihan tulisan tangan seseorang dinyatakan dengan tahapan sebagai berikut: Langkah 1: mengekstrak ciri citra tulisan tangan menggunakan metode ZAUMI seperti digambarkan pada bagian III artikel ini dan setiap kata menghasilkan 8 ciri; Langkah 2: melatih syaraf pada ruang pelingkupan P1, P2, …, PN-1 secara sekuensial; Langkah 3: menyimpan parameter N-l syaraf, dan pelatihan selesai.
Bi {x x Si (1 )Si 1, [0,1], Si S , x R d }, N 1
B
ISSN: 2301-8488
B . i
i 1
Pelingkup setiap syaraf adalah: Pb {x min( ( x, y)) k , y Bi , x Rd }.
Dalam artikel ini, k adalah suatu nilai relatif menggantikan nilai tetap dipresentasikan pada Persamaan (12) berikut ini.
C. Identifikasi Sampel Merujuk pada penjelasan bagian A, hal ini dapat disimpulkan bahwa ruang ciri setiap tulisan tangan memiliki syaraf (N-1) seperti dinyatakan pada Persamaan (13) dan apakah sampel X dikenali pada pelingkupan penulis i atau tidak dengan fungsi diskriminan,
k Dij .
21
Journal of Research in Computer Science and Applications – Vol. 2, No. 1, Januari 2013
selanjutnya lakukan identifikasi lebih lanjut dengan penulis yang diterima (umpamakan banyaknya K), yang memiliki jarak ke X minimum, maka dikategorikan sebagai sampel X. Artikel ini menggunakan metode diskriminan seperti berikut [30].
Hasil percobaan memperlihatkan bahwa banyaknya data latih dapat meningkatkan akurasi hasil yang lebih tinggi. VI. KESIMPULAN DAN SARAN Pengenalan pola biomimetik (PPB) dapat menentukan identifikasi pembuat tulisan tulisan tangan dengan teks bebas memiliki akurasi hasil lebih dari 90%. Selain itu, PPB memiliki kelebihan terhadap penambahan data baru yang tidak memerlukan pelatihan ulang terhadap seluruh data. Beberapa saran untuk penelitian lebih lanjut adalah membuat studi komperatif terhadap metode pengenalan pola statistik (PPS) dan jaringan syaraf tiruan, serta menggunakan ekstraksi ciri global dan lokal.
class min iK1 i , i 1,2,...K .
Dengan i adalah jarak X dan ruang pelingkup class i, merupakan jarak terkecil antara X dan HSN dari class i. M i min j i1 ij , i 1,2,...C.
dengan M i adalah jumlah jaringan HSN pada class i, C adalah total kelas dan ij adalah jarak
DAFTAR PUSTAKA
antara suatu sampel yang diidentifikasi dan pelingkup syaraf j dari jaringan HSN pada class i.
[1]
V. HASIL DAN PEMBAHASAN Penelitian ini mengembangkan identifikasi penulis dengan teks bebas menggunakan citra kata tulisan tangan berdasarkan basis data IAM [31] diperlihatkan pada Tabel 2. Kami memilih 30 penulis atau 1444 sampel kata tulisan tangan dengan jumlah kata berbeda. Oleh karena itu, jumlah sampel antar penulis akan berbeda pada basis data. Penulis harus teridentifikasi menurut jenis kata berbeda yang terakumulasi pada media penyimpan data. Selanjutnya, kami menggunakan dua data set untuk mengukur kinerja model pengenalan pola biomimetik (PPB). Data set pertama (A), setiap penulis memiliki 30 citra tulisan tangan (900 sampel untuk 30 penulis), sampel latih dan sampel uji adalah masing-masing sebanyak 600 dan 300. Data set kedua (B) memuat 1444 sampel terbagi dua bagian, yaitu: 1010 sampel untuk pelatihan dan sampel lainnya untuk pengujian. Hasil pengujian diperlihatkan pada Tabel 3.
[2]
[3]
[4]
[5]
[6]
Tabel 3: Hasil Identifikasi 2 Data Set
Metode
HSN-BPR
Pelatihan data set A (600 sampel) Pengujian data set A (300 sampel) 93,33%
ISSN: 2301-8488
Pelatihan data set B (1010 sampel) Pengujian data set B (434 sampel) 94,93%
[7]
[8]
22
B. Zhang, S. Srihari, S. Lee, “Individuality of Handwritten Characters”, Proc. Seventh International Conference on Document Analysis and Recognition (ICDAR 03), pp. 1086-1090, 2003. Z. He, Y. Y. Tang, and X. You, “A contourletbased method for writer identification”, IEEE International Conference on Systems, Man and Cybernetics, Vol. 1, pp. 364 – 368, 10-12 Oct. 2005. M. Bulacu, and L. Schomaker, “Textindependent writer identification and verification using textural and allographic features”, IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 29, No. 4 pages: 701 – 716, April 2007. F. Shahabi, and M. Rahmati, “A New Method for Writer Identification of Handwritten Farsi Documents”, 10th International Conference on Document Analysis and Recognition, 2009. S. S. Ram, M. E. Moghaddam, “A Persian writer identification method based on gradient features and neural networks”, in: Second International Conference on Image and Signal Processing (CISP 09), China, 2009. S. Marinai, B. Miotti, and G. Soda, “Bag of characters and SOM clustering for script recognition and writer identification”, International Conference on Pattern Recognition, 2010. I. M. Siddiqi, N. Vincent, “Writer identification in handwritten documents”, 9th International Conference on Document Analysis and Recognition (ICDAR 2007), Brasil. vol. 1, pp. 108–112, 2007. A. Schlapbach, L. Marcus, H. Bunke, “A writer identification system for on-line whiteboard
Journal of Research in Computer Science and Applications – Vol. 2, No. 1, Januari 2013
[9]
[10] [12] [13]
[14]
[15]
[16]
[17]
[18]
[19]
[20]
[21]
[22]
ISSN: 2301-8488
script”, 10th IAPR International Workshop on Document Analysis Systems, pp.: 369-373, 2012. [11] A. Schlapbach, and H. Bunke, “A writer identification and verification system using HMM
data”, Pattern Recognition Journal 41, pp. 23821–23897, 2008. O. Santana, C. M. Travieso, J. B. Alonso, M. A. Ferrer, “Writer identification based on graphology techniques”, ICCST. pp: 167-173, 2008. S. Chanda, K. Franke, and U. Pal, “Text independent writer identification for Oriya based recognizers”, Pattern Anal. Appl. 10, pp. 33–43, 2007. H. Cao, R. Prasad, and P. Natarajan, “OCRDriven writer identification and adaptation in an HMM handwriting recognition system”, International Conference on Document Analysis and Recognition, pp. 739-743, 2011. W. Zhi-hai, M. Hua-yi, L. Hua-xiang, and W. Shoujue, "A method of biomimetic pattern recognition for face recognition", Proc. of the International Joint Conference on Neural Networks, No. 3, pp. 2216-2221, Jul. 20-24, 2003. Z. You-zheng, F. Hao, and D. Li-jun, “Face recognition based on biomimetic pattern recognition by high-dimensional geometry”, 2nd International Workshop on Database Technology and Applications (DBTA 2010), Wuhan, 27-28 Nov. 2010. W. Shoujue, and C. Xu, "Biomimetic (topological) pattern recognition - a new model of pattern recognition theory and its application", Proc. of the International Joint Conference on Neural Networks. No. 3, pp. 2258-2262, Jul. 20-24, 2003. W. Shoujue, "A new development on ANN in China – biomimetic pattern recognition and multi weight vector neurons", Lecture Notes in Computer Science. Springer, pp. 35-43, 2003. W. Shou-jue, and Z. Guliang, “A novel recognition method based on hyper sausage neuron networks”, Chinese Journal of Electronics, 15(4A) pp. 899-902, 2006. W. Shou-jue, and L. Xingxing, “Mathematical symbols and computing methods in high dimensional biomimetic informatics and their applications”, Chinese Journal of Electronics, Vol. 17, No. 1, Jan 2008. W. Shoujue, and Z. Xingtao, “Biomimetic pattern recognition theory and its applications”, Chinese Journal of Electronics. Vo1.13, No. 3, pp. 373-377, July 2004. W. Shou-jue, and L. Jiangliang, “High dimensional imagery geomtery and it’s applications”, Chinese Journal of Electronics, Vol. 15, No. 4A, Oct 2006. H. Qin, W. Shoujue, and H. Sun, "Biomimetic pattern recognition for speaker-independent speech recognition", Proc. of International
[23]
[24]
[25]
[26]
[27]
[28]
[29]
[30]
[31]
[32]
23
Conference on Neural Networks and Brain, No. 2, pp. 1290-1294, Oct. 13-15, 2005. W. Shou-jue, and W. Bainan, “Analysis and theory of high-dimension space geometry for artificial neural networks”, Acta Electronics Sinica, Vo.30, No.1, pp.1-4, Jan, 2001. N. A. Bakar, “Integrated Zernike formulation for features granularity in pattern recognition”, Master Thesis, Universiti Teknologi Malaysia, 2011, unpublished. M.–K. Hu, “Visual pattern recognition by moment invariants”, IRE transaction on Information Theory, Vol. 8, No. 2, pp. 179-187, 1962. S. Yinan, L. Weijun, and W. Yuechao, “United moment invariants for shape discrimination ”, IEEE International Conference on Robotics, Intelligenece Systems and Signal Processing, pp. 88-93, 2003. C. C. Chen, and T. I. Tsai, “Improved moment invariants for shape discrimination”. Applications of Digital Image Processing XV, Proc. SPIE, 1771, pp.270-280, 1993. P. Feng, and M. Keane, “A new set of moment invariant for handwritten numeral recognition”, IEEE Intern. Conf. on Image Processing, pp. 154-158, 1994. H.-T. Shi, Y.-H. Yu, and Q.-Q. Kong, “Status recognition for electrical parameters of ESPCP based on biomimetic pattern recognition”, 2th Int. Workshop on Intelligent System and Applications, pp. 1-3, 22-23 May, 2010. K. Xu, and Y. Wu, “Motor imagery EEG Recognition based on biomimetic pattern recognition”, 3rd Int. Conference on Biomedical Engineering and Informatics (BMEI 2010), pp. 955-959, 2010. X. Xu, and J. Jiang, “Study of head recognition based on biomimetic pattern recognition in complicated traffic environment”, 7th Int. Conference on Natural Computation (ICNC), pp. 242-246, 2011. U.-V. Marti, and H. Bunke, “The IAMdatabase: an English Sentence Database for offline handwriting recognition”, Int. Journal Document Analysis and Recognition, vol. 5, pp. 39-46, 2002.