ಕನ್ನಡ ಲಿಪಿಗುರುತಿಸುವಿಕೆ: ಬೆಳವಣಿಗೆಗಳು ಮತ್ತು ಅಡಚಣೆಗಳು

– ಶ್ರೀಹರ‍್ಶ ಸಾಲಿಮಟ.

ತಿಟ್ಟರೂಪದ ಲಿಪಿಗುರುತಿಸುವಿಕೆ (Optical Character Recognition – OCR):

ಲಿಪಿಯನ್ನು ಕಾಗದದ ಮೇಲೆ ಬರೆದಾಗ ಅತವಾ ಲಿಪಿಯು ತಿಟ್ಟದ ರೂಪದಲ್ಲಿದ್ದಾಗ ಅದನ್ನು ಎಣುಕದಲ್ಲಿ ಗುರುತಿಸಿ ಅದನ್ನು  ಸಂಪಾದಿಸಬಹುದಾದ ಅಕ್ಶರ ರೂಪದಲ್ಲಿ ಉಳಿಸುವುದನ್ನು ಲಿಪಿಗುರುತಿಸುವಿಕೆ ಎನ್ನುತ್ತಾರೆ ಎಂಬುದು ಎಲ್ಲರಿಗೂ ತಿಳಿದ ವಿಚಾರವೇ. ಇಂಗ್ಲೀಶ್ ಅಂದರೆ ಲ್ಯಾಟಿನ್ ಲಿಪಿ, ಜಪಾನೀಸ್ ಚಯ್ನೀಸ್ ಕೊರಿಯನ್ ಲಿಪಿಗಳಲ್ಲಿ ಲಿಪಿಗುರುತಿಸುವಿಕೆ ಸಾಕಶ್ಟು ಬೆಳವಣಿಗೆಯನ್ನು ಕಂಡಿದೆಯಾದರೂ ಕನ್ನಡದಲ್ಲಿ ಇನ್ನೂ ಇದು ಅಂಬೆಗಾಲಿಡುತ್ತಿದೆ. ಇದಕ್ಕೆ ಬೇಕಾದ ತಂತ್ರಗ್ನಾನದ ಅರಿವಿನ ಕೊರತೆ ಇರುವುದೂ ಹಾಗೂ ಅರಿವಿರುವವರಿಗೆ ಈ ಬೆಳವಣಿಗೆ ಬಗ್ಗೆ  ಹೆಚ್ಚಿನ ಆಸಕ್ತಿ ಇಲ್ಲದಿರುವುದೂ ಇದಕ್ಕೆ ಕಾರಣಗಳು.

ಇಲ್ಲಿಯವರೆಗೆ ಕೆಲ ಆಸಕ್ತರು ಈ ಬಗ್ಗೆ ಕೆಲಸ ಮಾಡಿದ್ದು ಈ ಕೆಲಸವನ್ನು ಅಂತಾರ್‍ರಾಶ್ಟ್ರೀಯ ಮಟ್ಟದ ಸಮಾವೇಶಗಳಲ್ಲಿ ಚರ್‍ಚೆಗೆ ಮತ್ತು ಡಿಗ್ರೀ ಪಡೆಯಲು ಮಾತ್ರ ಸೀಮಿತಗೊಳಿಸಿದ್ದು ವಿಶಾದದ ಸಂಗತಿ. ಆದರೆ ಈ ಸಂಶೋದನೆಗಳು ಮುಂದೆ ಕನ್ನಡದ ಬೆಳವಣಿಗೆಗೆ ಸಾಕಶ್ಟು ಸಹಕಾರಿಯಾಗಬಲ್ಲವು ಎಂಬುದನ್ನು ತಳ್ಳಿಹಾಕುವಂತಿಲ್ಲ.

ಕನ್ನಡದ ಲಿಪಿಗುರುತಿಸುವಿಕೆಯ ಬಗ್ಗೆ ಮೊದಲ ಸಂಶೋದನೆ ಪ್ರಕಟವಾಗಿದ್ದು ಬಹುಶಹ 2002 ರಲ್ಲಿ  ಟಿ.ವಿ. ಅಶ್ವಿನ್ ಮತ್ತು ಪಿ.ವಿ.ಶಾಸ್ತ್ರಿಯವರದು. ಪಾಂಟ್ ಮತ್ತು ಅಕ್ಶರದ ಗಾತ್ರಗಳ ಹಂಗಿಲ್ಲದೇ ಒಂದು ಲಿಪಿಯನ್ನು ಗುರುತಿಸುವುದು ಹೇಗೆ ಎಂಬುದರ ಬಗ್ಗೆ ಮೊದಲು ಬೆಳಕು ಚೆಲ್ಲಿದರು. ಇದಾದ ನಂತರ 2008 ರಲ್ಲಿ ಕನ್ನಡ ಅಂಕಿಗಳನ್ನು ಗುರುತಿಸಲು ಕುವೆಂಪು ವಿವಿ ಯ ಸುಬ್ಬಾರೆಡ್ಡಿ, ದಿನೇಶ್ ಆಚಾರ್‍ಯ, ಕ್ರುಶ್ಣಮೂರ್‍ತಿ ಮಕ್ಕಿತಾಯ ಹಾಗೂ 2010 ರಲ್ಲಿ ಗುಲಬರ್‍ಗಾ ವಿ ವಿಯ ಜಿ.ಜಿ.ರಾಜಪೂತ್, ರಾಜೇಶ್ವರಿ ಹೊರಕೇರಿಯವರು ಕೆಲ ಸಂಶೋದನಾ ಪ್ರಕಟಣೆಗಳನ್ನು ಪ್ರಸ್ತುತ ಪಡಿಸಿದರು.

ಸ್ವರಗಳನ್ನು 2013 ರಲ್ಲಿ ಗುರುತಿಸಲು ಬೆಂಗಳೂರು ವಿವಿಯ ಪ್ರಸನ್ನ ಕುಮಾರ್‍ ಒಂದು ಪ್ರಕಟಣೆಯನ್ನು ಹೊರತಂದರು. ಕೊಂಚ ಹೆಚ್ಚಿನ ಮುನ್ನಡೆಯಾಗಿ ಮಯ್ಸೂರಿನ ಸಂಜೀವ್ ಕುಂಟೆ, ಸುದಾಕರ ಸ್ಯಾಮ್ಯುಯೆಲ್ 2008 ರಲ್ಲಿ ನ್ಯೂರಲ್ ನೆಟ್ ವರ್‍ಕ್ ತಂತ್ರಗ್ನಾನವನ್ನು ಬಳಸಿ ಒಂದು ಪ್ರಕಟಣೆಯನ್ನು ಹೊರತಂದರು.

ಇವೆಲ್ಲ ಕೆಲಸಗಳು ಪತ್ರಿಕೆಗಳ ರೂಪದಲ್ಲಿಯೇ ಇವೆಯೇ ಹೊರತು ಪ್ರಾಯೋಗಿಕವಾಗಿ ಸಾಪ್ಟ್ ವೇರ್‍ ರೂಪದಲ್ಲಿಲ್ಲ. ತಮ್ಮ ಸಂಶೋದನೆಗೆ ಬೇಕಾದಶ್ಟು ಕೋಡ್ ಮಾಡಿಕೊಂಡು ಕೆಲ ಎತ್ತುಗೆಗಳ ಮೇಲೆ ತಮ್ಮ ಸಂಶೋದನೆಯನ್ನು ಪ್ರಕಟಿಸಲಾಗಿದೆ. ಇವರಲ್ಲಿ ಸಂಜೀವ್ ಕುಂಟೆ ಮತ್ತು ಸುದಾಕರ ಸ್ಯಾಮ್ಯುಯೆಲ್ ಶೇ.80 ರಶ್ಟು ನಿಕರತೆಯನ್ನು ಸಾದಿಸಿರುವುದಾಗಿ ಹೇಳಿಕೊಂಡಿದ್ದಾರೆ.

ಪ್ರಾಯೋಗಿಕವಾಗಿ ‘ತೆಸರಾಟ್’ ಎಂಬ ಸಾಪ್ಟ್ ವೇರನ್ನು ಕನ್ನಡಕ್ಕೆ ಒಗ್ಗಿಸಿಕೊಂಡು ಕೆಲ ತಪ್ಪುಗಳನ್ನು ತಿದ್ದುವ ಹಿನ್ನೆಲೆ ಕೋಡ್ ಅನ್ನು ಅರವಿಂದ್ ವಿ.ಕೆ. ಬರೆದಿದ್ದಾರೆ. ಇದನ್ನು ಎಮ್.ಎಸ್.ಎನ್.ರಾವ್ ಬಳಸಿ ಕೆಲ ತಿಟ್ಟಗಳನ್ನು ಕನ್ನಡಕ್ಕೆ ತಂದಿದ್ದಾರೆ. ಇದರಲ್ಲಿ ಶೇ. 70 ರಶ್ಟು ನಿಕರತೆ ಸಾದಿಸಲಾಗಿದೆ. ಇದಲ್ಲದೇ ಆನ್ ಲಯ್ನ್ ನಲ್ಲಿ ಕೆಲ ಸಾಪ್ಟ್ ವೇರ್‍ ಗಳು ಲಬ್ಯವಿವೆಯಾದರೂ ಶೇ.70 ಕ್ಕಿಂದ ಹೆಚ್ಚಿನ ನಿಕರತೆ ಸಾದಿಸಲಾಗಿಲ್ಲ. (ಕೆಲ ಕೊಂಡಿಗಳು ಇಲ್ಲಿವೆ)

ಅಡೆತಡೆಗಳು ಮತ್ತು ಸವಾಲಗಳು:

1. ಕನ್ನಡ ಗುಂಪು ಅಕ್ಶರಗಳ ಲಿಪಿ:
ಕನ್ನಡದ ಲಿಪಿಗುರುತಿಸುವಿಕೆಯನ್ನು ಸಾದ್ಯಗೊಳಿಸಲು ಮೊದಲ ತಡೆಯೆಂದರೆ ಕನ್ನಡದ ನುಡಿ ಸ್ವರೂಪ! ಲ್ಯಾಟಿನ್ ನಂತೆ 26 ಅಕ್ಶರಗಳನ್ನು ಗುರುತಿಸಿದರೆ ಕೆಲಸ ಮುಗಿಯುವುದಿಲ್ಲ! ಕನ್ನಡ ಗುಂಪು ಅಕ್ಶರಗಳ ಲಿಪಿಯಾಗಿದ್ದು ಒಂದಕ್ಕಿಂತ ಹೆಚ್ಚು ಅಕ್ಶರಗಳು ಸೇರಿ ಒಂದಕ್ಶರವಾಗುತ್ತದೆ. ಉದಾ ಒಂದು ಅತವಾ ಹೆಚ್ಚು ವ್ಯಂಜನ ಮತ್ತು ಒಂದು ಸ್ವರ ಸೇರಿ ಒಂದಕ್ಶರವಾಗುತ್ತದೆ. ಉದಾ ಕ, ಕಾ, ಕ್ರೀ ಇತ್ಯಾದಿ. ಒಂದು ವ್ಯಂಜನದ ಕಾಗುಣಿತದಲ್ಲಿ 14 ಅಕ್ಶರಗಳಿವೆ.

ಹಾಗಾಗಿ ಈ ಹದಿನಾಲ್ಕು ಅಕ್ಶರಗಳೂ ಸಹ ಒಂದೇ ವಿನ್ಯಾಸದ ಅಡಿಯಲ್ಲಿ ಬರುತ್ತವೆ. ನಾವು ವ್ಯಂಜನವನ್ನು ಒಂದು ಹಂತದಲ್ಲಿ ಗುರುತಿಸುತ್ತೇವಾದರೂ ಅದರೊಡನೆ ಒಳಗೊಂಡ ಸ್ವರವನ್ನು ಗುರುತಿಸುವುದು ಸವಾಲೆನಿಸುತ್ತದೆ. ಎತ್ತುಗೆಗೆ: ಕಿ, ಕೆ, ಕೊ, ಕೈ ಗಳು ‘ಕ’ ಅತವಾ ‘ಕಿ’ ಆಗಿ ಗುರುತಿಸಲ್ಪಟ್ಟು ನಿಕರತೆ ಕಡಿಮೆಯಾಗುತ್ತದೆ.

2.  ಒತ್ತಕ್ಶರಗಳು:
ಒತ್ತಕ್ಶರಗಳು ಎಲ್ಲ ಅಕ್ಶರಗಳನ್ನು ಮೂಡಿಸಿದ ಮೇಲುಸಾಲಿನಲ್ಲಿ ಬರದೆ ಕೆಳ ಸಾಲಿನಲ್ಲಿ ಬರುತ್ತದೆ ಮತ್ತು ಆ ಸಾಲು ಬೇರೆ ಅಕ್ಶರಗಳನ್ನು ಒಳಗೊಂಡಿರುವುದಿಲ್ಲ. ಒಂದು ಅಕ್ಶರವನ್ನು ಗುರುತಿಸಿದ ನಂತರ ಅದರ ಕೆಳ ಸಾಲಿನಲ್ಲೇ ಬರುವ ಒತ್ತನ್ನು ಗುರುತಿಸಿ ತಕ್ಕ ಅಕ್ಶರಗಳನ್ನು ಮೂಡಿಬೇಕು.  ಇದಲ್ಲದೇ ಕೆಲ ಒತ್ತುಗಳು ಅಕ್ಶರಗಳ ಸಾಲಿನಲ್ಲಿ ಚಾಚಿಕೊಳ್ಳುತ್ತವೆ. ಉದಾ: ಬ್ಯ, ಕ್ರ, ಕೈ ಇತ್ಯಾದಿ.

3. ಮಹಾಪ್ರಾಣಗಳು:
ಅಲ್ಪಪ್ರಾಣ ಮತ್ತು ಮಹಾಪ್ರಾಣಗಳು ನೋಡಲು ಒಂದೇ ತೆರನಾಗಿರುತ್ತವೆ. ಮಹಾಪ್ರಾಣಗಳ ಕೆಳಗೆ ಬರುವ ಹೊಟ್ಟೆ ಸೀಳನ್ನು ಗುರುತಿಸುವುದಲ್ಲದೇ ಇದನ್ನು ಒತ್ತಕ್ಶರಗಳು ಮಹಾಪ್ರಾಣಗಳ ನಡುವಿನ ಬೇರೆತನವನ್ನು ಕಾಪಾಡಿಕೊಳ್ಳುವುದು ಒಂದು ದೊಡ್ಡ ತೊಂದರೆ.

4. ಒಂದೇ ರೀತಿಯ ದುಂಡಕ್ಶರಗಳು:
ಕನ್ನಡದ ಲಿಪಿಯ  ಎಲ್ಲ ಅಕ್ಶರಗಳು ದುಂಡಗಿವೆ. ದೇವನಾಗರಿ, ತಮಿಳಿನಂತೆ ಚೂಪುಮೊನೆಗಳು ಕನ್ನಡದ ಅಕ್ಶರಗಳಲ್ಲಿಲ್ಲ. ಚೂಪುಮೊನೆಗಳಿಲ್ಲದಿರುವುದು ಲಿಪಿಗುರುತಿಸುವಿಕೆಗೆ ಅತ್ಯಂತ ಸಹಕಾರಿಯೇ ಆದರೂ ಕನ್ನಡದ ಬಹುತೇಕ ಅಕ್ಶರಗಳ ವಿನ್ಯಾಸ ಒಂದೇ ರೀತಿಯಲ್ಲಿದೆ. ಎತ್ತುಗೆಗೆ ಒಂದೇ ರೂಪದ ಅಕ್ಶರಗಳನ್ನು ಕೆಳಗಿನಂತೆ ಗುಂಪುಗಳನ್ನಾಗಿ ಮಾಡಬಹುದು.

ರ ಠ ಈ ಕ
ಲ ಅ ಆ ಉ ಊ
ವ ಛ ಮ ಪ
ಒ ಜ  ಓ

ಲಿಪಿಯನ್ನು ಗುರುತಿಸುವಾಗ ‘ಈ’ ಅಕ್ಶರವು ರ ಅತವಾ ಠ ಎಂದು ಗುರುತಿಸಲ್ಪಡುತ್ತದೆ ಅತವಾ ‘ಅ’ ವು ‘ಆ’ ಆಗಿಯೋ ‘ಲ’ ಗಿಯೋ ಗುರುತಿಸಲ್ಪಡುತ್ತದೆ. ಇದು ಗುರುತಿಸುವಿಕೆಯ ನಿಕರತೆಯನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ. ಆದುದರಿಂದ ವಿನ್ಯಾಸ ಗುರುತಿಸುವಿಕೆಯು ಲ್ಯಾಟಿನ್ ಗಿಂತ ಕನ್ನಡದಲ್ಲಿ ಹೆಚ್ಚು ಶ್ರಮವನ್ನು ಬೇಡುತ್ತದೆ.

5. ಒಂದೇ ಅಕ್ಶರದ ಅಸಮಾನ ಅಗಲಗಳು: 

ಒಂದು ಎತ್ತುಗೆ ನೋಡುವುದಾದರೆ ‘ಕೊ’ ಮತ್ತು ‘ಕಿ’  ಎರಡೂ ಅಕ್ಶರಗಳ ಅಗಲದಲ್ಲಿ ವ್ಯತ್ಯಾಸವಿದೆ. ಇದರಿಂದಾಗಿ ತಿಟ್ಟವನ್ನು ಅತವಾ ತಿಟ್ಟವಿನ್ಯಾಸವನ್ನು ಗುರುತಿಸುವಾಗ ಎಶ್ಟು ಅಗಲದ ವರೆಗೆ ಅಳೆಯಬೇಕು ಗೊಂದಲ ಹುಟ್ಟಿಕೊಳ್ಳುತ್ತದೆ. ಇದರಿಂದಾಗಿ ಒಂದು ವಿನ್ಯಾಸವನ್ನು ಗುರುತಿಸುವಾಗ ಅಕ್ಶರದ ತಿಟ್ಟವನ್ನು ಎತ್ತರಕ್ಕೆ ಮತ್ತು ಅಗಲಕ್ಕೆ ಎಶ್ಟು ಬಾಗಗಳಾಗಿ ವಿಂಗಡಿಸಿ ಗುರುತಿಸಬೇಕೆಂಬ ಕೇಳ್ಮೆ ತಲೆದೋರುತ್ತದೆ. (ವಿಂಗಡಿಸುವುದರ ಮಹತ್ವದ ಬಗ್ಗೆ ಹೆಚ್ಚಿನ ಮಾಹಿತಿ ಮುಂದಿನ ಲೇಕನದಲ್ಲಿ ಕೊಡುತ್ತೇನೆ)

ಮಹಾಪ್ರಾಣಗಳು ಮತ್ತು ಎಲ್ಲ ಒತ್ತಕ್ಶರಗಳು ನಮ್ಮವಲ್ಲ ಎಂದುಕೊಂಡರೂ  ಈಗಾಗಲೇ ಮುದ್ರಣವಾಗಿರುವ ಹೊತ್ತಗೆಗಳನ್ನು ಎಣುಕದಲ್ಲಿ ಅಕ್ಶರರೂಪಕ್ಕೆ ತರಲು ಇವುಗಳನ್ನು ಗುರುತಿಸುವುದು ಮುಕ್ಯವಾಗುತ್ತದೆ.

ಇವೆಲ್ಲ ಅಡೆತಡೆಗಳನ್ನು ದಾಟಿ ಕನ್ನಡಕ್ಕೊಂದು ಲಿಪಿ ಗುರುತಿಸುವ ಸಲಕರಣೆಯೊಂದು ತಯಾರಾಗಬೇಕೆಂದರೆ ಕೊಂಚ ಹೆಚ್ಚೇ ಪರಿಶ್ರಮ ಹಾಗೂ ಸಮಯ ಬೇಕಾಗುತ್ತದೆ. ಈ ನಿಟ್ಟಿನಲ್ಲಿ ಕೆಲಸ ಮಾಡುವುದು ಹವ್ಯಾಸಿಗಳಿಗೆ ತುಸು ಕಶ್ಟವೇ ಆಗುತ್ತದೆ. ಒಂದು ತಜ್ನರ ತಂಡವು ಈ ಕಡೆ ಗಮನ ಹರಿಸಿ ಕೆಲಸ ಮಾಡಿದಲ್ಲಿ ನೂರಕ್ಕೆ ಹತ್ತಿರದ ನಿಕರತೆ ತರುವಲ್ಲಿ ಒಂದು ದಿನ ಸಪಲತೆ ಕಾಣಬಹುದು.