JP3027321B2

JP3027321B2 - 拘束のない手書き英数字のオンライン認識の方法及び装置

Info

Publication number: JP3027321B2
Application number: JP7249837A
Authority: JP
Inventors: トゥロ−ティン
Original assignee: Industrial Technology Research Institute ITRI
Current assignee: Industrial Technology Research Institute ITRI
Priority date: 1994-09-27
Filing date: 1995-09-27
Publication date: 2000-04-04
Anticipated expiration: 2015-09-27
Also published as: US5841902A; JPH08180139A

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、文字認識に係り、
特に、（機械印刷文字と共に）手書き文字のオンライン
認識、即ち、認識されるべき文字が手書きされるときに
認識するため十分に高速である認識装置及び方法に関す
る。

【０００２】

【従来の技術】文字認識は、電子的なディジタル形式で
はなく、人間が読解できる形式（即ち、機械印刷又は手
書きの形式）である情報を入力するため屡々使用される
ことがある。例えば、殆どのコンピュータ装置は、キー
パンチ入力を受けるためのキーボードを有し、一方、他
のコンピュータ装置は書類の入力を受けるための光学ス
キャナを有する。更に別のコンピュータ装置は、手書き
の入力を受けるためのペン状のスタイラスとタブレット
形のディジタイザを有する。上記手書き入力装置が設け
られる理由は多数ある。例えば、多くのユーザは、キー
パンチよりも手書きによるデータ入力の方に慣れてい
る。その上、キーボードには、パーソナルディジタルア
シスタント又はＰＤＡのような小さい携帯形コンピュー
タには収容し得ない大きい空間が必要とされる。

【０００３】図１には従来の手書き文字認識装置１０が
示されている。手書き文字認識装置には、手書き入力を
受けるためのタブレット及びスタイラス１２が含まれて
いる。ユーザはタブレットの表面でスタイラスを動か
す。スタイラス及びタブレット１２は、ユーザのタブレ
ットに対するスタイラスの動きをディジタル的な２進デ
ータに変換する。上記ディジタル的な２進データはその
スタイラスの動きをグラフィック的に表わす。即ち、ユ
ーザがペンと紙を使用するならば、ペンの動きによって
紙の上に線が得られる。上記スタイラス及びタブレット
は、上記線の画素化された画像をディジタルデータの形
式で生成する。

【０００４】スタイラス及びタブレット１２は上記デー
タをインタフェース１４に送る。次いで、インタフェー
ス１４は上記データをシステムバス１６に送る。手書き
認識装置１０は、プロセッサ又はＣＰＵ２２と、主記憶
装置１８と、ディスク記憶装置２０と、陰極線管及びス
ピーカーのようなオーディオ／ビデオ出力装置２４とを
有する。上記装置１８、２０、２２及び２４の各々は、
何れか他の装置又はインタフェース１４との間でデータ
の送信及び受信を行うためシステムバス１６に接続され
ている。オーディオ／ビデオ出力装置２４は、画像及び
音声の形式で情報をユーザに搬送するためにある。主記
憶装置１８及びディスク記憶装置２０は、データ及びプ
ログラムを記憶するためにある。ＣＰＵ２２はデータを
処理するためにある。特に、他の装置１２、１４、１
６、１８、２０及び２４と組み合わされたＣＰＵ２２
は、入力された手書き文字データから文字を認識する段
階を実行する。

【０００５】図２には、図１の装置１０と類似したアー
キテクチャを有する他の文字認識装置１０’が示されて
いる。しかし、光学スキャナ１３’がスタイラス及びタ
ブレット１２の代わりに設けられている。書類は文字の
画素化された画像をディジタルデータの形式で生成する
光学スキャナに供給される。図３は図１の手書き認識装
置１０により行われる従来の手書き文字認識方法を示し
ている。第１のステップ３２において、入力手書きデー
タが受けられる。例えば、スタイラス及びタブレット１
２（図１）を使用して、ユーザは少なくとも一つの文字
を書く。スタイラス及びタブレット１２は、書かれた文
字がグラフィック的に表わされた文字データをインタフ
ェース１４に送る。インタフェース１４は、入力文字デ
ータをシステムバス１６を介して、例えば、主記憶装置
１８に送る。次のステップ３４において、ＣＰＵ２２
は、主記憶装置１８内の入力文字データに前処理を施
す。例えば、ＣＰＵ２２は、最小の閾値よりも小さい面
積を有する連結された画素のクラスタを捨てることによ
りノイズを除去する。更に、ＣＰＵ２２は、入力文字の
グラフィック的な画像を平滑化する。次いで、ステップ
３６において、ＣＰＵ２２は、文字のスケルトン画像を
選択的に形成し、スケルトン画像を輪郭の拡張された画
像に変換する（即ち、スケルトン画像の線を太くす
る）。ステップ３８において、ＣＰＵは文字の画像を区
分する（即ち、画像を副画像に分割する）。このセグメ
ンテーションは抽出されるべき特徴に依存している。次
のステップ４０において、ＣＰＵ２２は文字の特徴値を
抽出する。（以下、特徴とは、少なくとも一文字の画像
を他の画像と識別するため有用である定量化可能な画像
のグラフィック的な特性を意味する。）ステップ４２に
おいて、ＣＰＵ２２は、抽出された特徴値を、文字認識
データベースの中から手書き文字認識装置１０によって
認識される対応するモデル文字の特徴値と比較する。文
字認識データベースは、例えば、ディスク記憶装置２０
に記憶される。ステップ４２において実行された比較に
基づいて、ＣＰＵ２２は、文字認識データベースの中か
ら手書き文字の画像に最も良く一致するモデル文字を定
める。ステップ４４において、ＣＰＵは最も良くマッチ
ングするモデル文字を出力する。

【０００６】図３の手書き文字認識処理は、かなり抽象
的であり、基本的である。多数の変形及び改良が機械印
刷及び手書き文字を認識するため提案されている。米国
特許第5,151,950 号、第5,050,219 号、第5,034,989
号、第4,903,312 号、第4,731,857 号、第4,718,103
号、第4,685,142 号及び第4,284,975 号明細書と、リー
(D. Lee)とスリハリ(N. Srihari)による「手書き印刷の
ディジタル認識：アルゴリズムの比較(Handprinted Dig
ital Recognition: A comparison of Algorithms)」、
手書き認識の新領域の第３回ワークショップ(THIRD INT
ERNATIONAL WORKSHOP ON FRONTIERS IN HANDWRITING RE
COGNITION)、153-162 ページ、1993年発行と、スリカン
タン(G. Srikantan)による「手書き文字認識の勾配表現
(Gradient Representation for Handwritten Character
Recognition) 」、手書き認識の新領域の第３回ワーク
ショップ、318-323 ページ、1993年発行と、ツウ(L. T
u) 、リン(W. Lin)、チャン(Y. Chan) 及びシュー(I. S
hyu) による「ＰＣベースの手書き漢字認識装置(A PC B
ased Handwritten Chinese Character Recognition Sys
tem) 」、手書き認識の新領域の第３回ワークショッ
プ、349-354 ページ、1993年発行とを参照のこと。殆ど
の装置は、各文字を構成するストロークを識別し、かく
して識別されたストロークを文字認識データベース内の
モデル文字のストロークと比較することにより手書き文
字を認識する。個々のストロークを使用する認識は、手
書き文字のオンライン認識に非常に役立つ。しかし、ス
トロークの識別には、ＣＰＵ２２が各ストロークに属し
ている画素を明瞭に判定できるよう光学スキャナではな
くスタイラス及びタブレット形の入力装置が屡々必要と
される。従って、ストロークの検出は手書き文字のオフ
ライン認識又は機械印刷文字認識には使用されない。

【０００７】上記引用文献の中には、ストロークの検出
／認識を使用するのではなく、文字自体の画素化された
画像から輪郭の特徴値を抽出する装置も開示されてい
る。従って、このような装置は、手書きのオフライン認
識及び機械印刷文字認識に使用することが可能である。
特に、米国特許第4,903,312 号（サトウ）明細書には、
図４に示す如く、入力文字の各画像が境界を定める矩形
状の画素配列５０内に収められる文字認識装置が開示さ
れている。入力文字の画像は、図５に示す如く、ゾーン
と呼ばれるより小さい矩形５１−６６に区分される。上
記引例によれば、境界を定める矩形のゾーン５１−６６
への分割は可変的である。即ち、区分されたゾーン５１
−６６の間の分割線の位置は、境界を定める矩形内の文
字の画素の分布に基づいて決められる。

【０００８】典型的な文字認識装置において、入力文字
と比較されるモデル文字の文字認識データベースは、認
識を行う前に構築されることが必要である。文字認識デ
ータベースは多数の方法で構造化することが可能であ
る。例えば、米国特許第5,050,219 号（マウリイ(Maur
y) ）明細書には、木構造に従って構造化された文字認
識データベースが開示されている。木構造中の葉以外の
ノードの各々には、入力文字の特徴値に対し行われるべ
き複数の所定の特徴の比較の中の特定の一つが含まれて
いる。かかる葉以外のノードにおける比較の結果に基づ
いて、データベースは、特定の付属した子ノードの方へ
探索される。比較段階において、木は葉ノードに達する
まで探索される。次いで、上記文字は葉ノードに対応す
る文字として認識される。

【０００９】他の文字認識データベースはフラットな構
造である。かかる文字認識データベースは、認識される
べき各モデル文字に対し一組の特徴値を含む。入力文字
の特徴値は各々の特徴値の組と比較される。入力文字
は、入力文字の特徴値に最も良く一致する特徴値の組に
対応するモデル文字として認識される。上記の如く使用
されるフラットな文字認識データベースは、従来以下の
ように作られる。認識され得る各モデル文字用の多数の
見本が図１の装置１０に入力される。特徴値は各モデル
文字の見本に対し抽出される。各モデル文字に対し、一
組の平均特徴値を形成するため特徴値が見本の全体に亘
って平均化される。即ち、各モデル文字に対し入力され
た全部でＰ個の見本の中のｐ番目の見本毎にＬ個の特徴
値Ａ_1p、Ａ_2p、．．．、Ａ_Lpが抽出されると想定する。
式中、Ｌ及びＰは正の整数を表わし、ｌは１乃至Ｌのイ
ンデックスを表わし、ｐは１乃至Ｐのインデックスを表
わす。従って、特定のモデル文字に対するｌ番目の平均
特徴値

【００１０】

【外１】

【００１１】は：

【００１２】

【数６】

【００１３】によって得られる。

【００１４】

【発明が解決しようとする課題】見本の特徴値データの
分散に関連する従来技術のフラットなデータベースの構
築技術には問題点がある。所定の入力文字にＰ個の見本
が与えられ、各特徴値に対しＬ個の特徴値が得られる上
記の例の場合を想定する。各ｐ番目の見本は、Ｌ個の特
徴値Ａ_pのベクトルによって表わされる。かかるベクト
ルはＬ次元の超空間にプロットすることが可能である。
図６は上記のようなグラフィック的な描画の一例を示す
図であり、各点はＰ個の見本の中の一つを表わし、各軸
はＬ個の特徴値の中の別々の一つに対応している。図６
のグラフは一般的なＬ次元超空間に当てはまる原理を実
証する目的のため２次元空間に描画されている。

【００１５】同図に示す如く、見本はかなり不均一に分
布している。ここに、一つの平均特徴値ベクトルを用い
て文字を認識する場合の問題点がある。三角形によって
示された点１０００は、Ｐ個の見本の全体に亘る平均特
徴値ベクトルを表わしている。Ｐ個の分布の境界の近く
にあり、星印によって示された特徴値ベクトル１０１０
を有する入力文字を考慮する。同図により分かる如く、
入力文字の特徴値ベクトル１０１０は、平均特徴値ベク
トル１０００から「離れて」いる。そのため、上記の如
く形成されたような平均特徴値ベクトルを利用する従来
の技術は、入力文字を正しいモデル文字として認識する
ことが難しい。

【００１６】本発明の目的は上記従来技術の問題点を解
決することである。

【００１７】

【課題を解決するための手段】上記及び他の目的は、改
良された文字認識の方法及び装置を提供する本発明によ
って達成される。本発明の一実施例によれば、文字認識
データベースは以下の如く作成される。モデル文字の見
本は、例えば、スタイラス及びライティングタブレッ
ト、又は、光学スキャナのような文字入力装置を介して
文字認識装置に入力される。文字認識装置のプロセッサ
を使用して、各モデル文字の見本は多数のクラスに分類
される。

【００１８】プロセッサは、例えば、以下のように各モ
デル文字の見本を分類する。最初に、文字認識装置のプ
ロセッサを使用して、所定のモデル文字の入力文字の見
本は区分され、区分されたモデル文字から特徴値が抽出
される。初期条件として、プロセッサは、未分類、即
ち、未だ何れのクラスにも構造化（即ち分類）されてい
ない見本の個数ｐが第１の閾値Ｐ₁以上であるかどうか
を判定する。もし、ｐが閾値以上である場合、プロセッ
サは、例えば、未だ何れのクラスにも構造化されていな
い残りの見本の平均を定めることにより新しいクラスの
中心を定める。次いで、プロセッサは、新しいクラスの
中心に関して半径Ｈを定める。例えば、半径Ｈは、残り
の見本の標準偏差の関数である。例えば、各見本に対し
全部でＬ個の特徴があると仮定するならば、Ｈを計算す
るため以下の式を使用し得る：

【００１９】

【数７】

【００２０】式中、Ｖ_lはｌ番目の特徴の標準偏差であ
る。従って、プロセッサは新しいクラス内の新しい中心
に関して半径Ｈの範囲内にある残りの見本を全て集め
る。例えば、プロセッサは新しいクラスに集められた見
本の数ｕを第２の閾値Ｐ₂と比較する。見本の数ｕがＰ
₂よりも小さい場合、新しいクラスは非常に小さい。こ
のような場合、プロセッサは、半径Ｈを調整、即ち、拡
大し、残りの特徴値をそのクラスにもう一度集める。プ
ロセッサは、（未だ何れのクラスにも構造化されていな
い残りの見本を分類するため）未だ何れのクラスにも構
造化されていない残りの見本の数ｐが第１の閾値Ｐ₁よ
りも小さくなるまで上記の分類処理を繰り返す。従っ
て、プロセッサは残りの分類されていない見本を最も近
いクラスに集める。

【００２１】クラスの作成後、プロセッサは各クラスの
平均を定める。即ち、各クラスに対し、プロセッサは、
そのクラス内の全ての見本に亘り平均特徴値ベクトルを
定める。かかる方法により、プロセッサは各モデル文字
に対し多数の平均特徴値ベクトルを生成する。次いで、
プロセッサは、例えば、認識用の分類を安定させるため
クラスの境界の近くにある見本を再分類することにより
分類を調整する周知のＫ平均化処理を実行する。デビ
ジバー(DEVIJVER)とキトラー(KITTKER) 著の「パターン
認識：統計的アプローチ(PATTERN RECOGNITION: A STAT
ISTICAL APPROACH) 」、409 ページ、1982年発行を参照
のこと。

【００２２】本発明の他の実施例によれば、文字は以下
の如く認識される。少なくとも一文字が、例えば、スタ
イラス及びタブレット、又は、光学スキャナのような文
字入力装置を使用して文字認識装置に入力される。プロ
セッサは、各入力文字の画像を表わすデータを受け、受
けられた文字を区分する。次いで、プロセッサは、例え
ば、区分された文字データから特徴値を抽出する。プロ
セッサは、入力文字を、文字認識データベースに構造化
されている各モデル文字の各クラスと比較する。即ち、
プロセッサは、例えば、入力文字の特徴値ベクトルを文
字認識データベース内のモデル文字の各クラスの平均特
徴値ベクトルと比較する。上記の如く、文字認識データ
ベースは各モデル文字に対する多数のクラスを含む。上
記比較に基づいて、プロセッサは入力文字に最も良く一
致するモデル文字を定める。このため、プロセッサは、
例えば、入力文字の特徴値ベクトルに最も良く一致する
平均特徴値ベクトルを有するクラスを定める。例えば、
プロセッサは、入力文字の特徴値ベクトルをデータベー
スに記憶されたモデル文字の平均特徴値ベクトルと比較
する際に以下の判別関数：

【００２３】

【数８】

【００２４】を評価し、式中：ｑは入力された文字を識別するインデックスを表わし、ｒ及びｃは特定のクラスを示す独立したインデックスで
あり、１乃至Ｃの範囲で定義され、ｌは特定の特徴を示すインデックスであり、１乃至Ｌの
範囲で定義され、Ｌは特徴の総数を表わし、Ｃはモデル文字のデータベース全体に亘るクラスの総数
を表わし、Ａ_qlはｑ番目の入力文字のｌ番目の特徴値を表わし、Ｂ_rlはｒ番目のクラスのｌ番目の平均特徴値を表わし、Ａ_qは、１乃至Ｌ番目の各特徴に対する一つの特徴値
（Ａ_q1，Ａ_q2，．．．，Ａ_qL）を含むｑ番目の入力文字
の特徴値ベクトルを表わし、Ｂ_rは、１乃至Ｌ番目の各特徴に対する一つの平均特徴
値（Ｂ_r1，Ｂ_r2，．．．，Ｂ_rL）を含むｒ番目のクラス
の平均特徴値ベクトルを表わし、Ｖ_lcは所定のｃ番目のクラスのｌ番目の特徴の標準偏差
を表わし、Ｓ_lはＣ個のクラス全体のｌ番目の特徴の平均標準偏差
を表わしている。次いで、プロセッサはｑ番目に入力さ
れた文字を、上記判別関数Ｄｉｓ（Ａ_q，Ｂ_r）の出力
を最小化する平均特徴値ベクトルＢ_rを有するｒ番目の
クラスのモデル文字として認識する。

【００２５】即ち、文字認識データベースのモデル文字
の見本を多数のクラスに分類する装置及び方法が提供さ
れる。その結果として、文字認識データベースは、モデ
ル文字の見本の実際の不均一な分布をより良く表わす。
これにより、入力文字の認識の際、入力文字とモデル文
字との間の不一致の数が低減される。

【００２６】

【発明の実施の形態】図６には、特定のモデル文字に対
するＰ個の見本のサンプル空間が示されている。同図に
示す如く、見本はサンプル空間の全体にかなり不均一に
分布している。従って、全部の見本の特徴の単に平均と
して定められた生の平均特徴値ベクトルは、見本を表わ
すには不十分である。

【００２７】本発明によれば、モデル文字のサンプル空
間は、図７に示す如く、多数のクラスに分類される。同
図において、各円は見本が分類される別個のクラスを表
わしている。平均特徴値ベクトルが各クラスに定められ
る。見本の分類と、各クラスの平均特徴値ベクトルの判
定は、以下に詳しく説明される。図８には、本発明の一
実施例の文字認識装置１００が示されている。例えば、
文字認識装置１００は手書き文字のオンライン認識に適
用される。「オンライン」とは、「文字が書かれるのに
つれて」という意味である。文字認識装置１００は、手
書きの形式で入力された文字を受けるスタイラス及びタ
ブレット１１２を有する。スタイラス及びライティング
タブレットは、各入力手書き文字を、入力手書き文字を
グラフィック的に表わす画素の矩形状の配列の形式でデ
ィジタル画像に変換する。このディジタル画像には、入
力文字データとしての役割がある。入力文字データはイ
ンタフェース１１４に送られる。インタフェース１１４
はシステムバス１１６上に入力文字データを送出する。
システムバス１１６には、主記憶装置１１８と、ディス
ク記憶装置１２０と、ＣＰＵ又はプロセッサ１２２と、
オーディオ／ビデオ出力装置１２４が接続されている。
例えば、入力文字は処理中の一時記憶用の主記憶装置１
１８で受けられる。ＣＰＵ１２２は、主記憶装置１１８
内の入力文字データに文字認識処理を実行する。文字認
識処理の実行中に、ＣＰＵ１２２は、主記憶装置１１８
又はディスク記憶装置１２０に記憶されたモデル文字を
有する文字認識データベースをアクセスする。

【００２８】装置１００によって実行される文字認識処
理は、文字認識データベースが最初に構築されることを
必要とする。図９には、かかるデータベースを構築する
処理が概略的に示されている。ステップ２０２におい
て、入力モデル文字の見本が受けられる。例えば、この
ステップにおいて、ユーザがスタイラス及びタブレット
１１２（図８）を用いて文字を書くことに応じてモデル
文字を表わす文字データがスタイラス及びタブレット１
１２によって生成される。入力文字データは、インタフ
ェース１１４とシステムバス１１６を介して主記憶装置
１１８に送られる。ステップ２０４において、ＣＰＵ１
２２は入力文字データを前処理する。例えば、ＣＰＵ１
２２は入力文字データからノイズを除去する。その上、
ＣＰＵ１２２は文字の画像の線を平滑化する。例えば、
手書き文字の「８」のノイズ除去と平滑化がなされた文
字の画像が図１０に示されている。

【００２９】図１０に示す如く、文字の線の画像は不連
続の場合がある。即ち、連続的な線を形成する隣接して
書き込まれた画素だけを含む画像の一部２５０に、書き
込まれた画素（例えば、書き込まれた画素２５２及び２
５３）を分離する黒の画素（例えば、画素２５１）が含
まれる場合がある。この不連続性は前処理ステップ２０
４により生じる。この問題を改善するため、ステップ２
０６において、ＣＰＵ１２２は、図１０の画像を図１１
に示されているようなスケルトン画像に変換する。例え
ば、ＣＰＵ１２２は近くに書き込まれた画素の間を内挿
することにより上記変換を行う。

【００３０】更に、ＣＰＵ１２２は、図１２に示されて
いるようにスケルトン画像を拡張された輪郭画像に変換
する。例えば、拡張された輪郭画像は、図１１のスケル
トン画像の画素を単に３倍に拡幅した画像である。次の
ステップ２０８において、拡張された輪郭画像は区分さ
れる。例えば、ＣＰＵ１２２は画像を可変的な寸法を定
められたゾーンに区分される。上記ゾーンの寸法が図１
２の画像内の画素の分布に依存する利点が得られる。か
かる可変的なセグメンテーション処理は図１３に示され
ている。ｋ番目の各画素が、図１３に示されたような画
像の左上隅にある原点に対し測定された水平方向の座標
ｘ_kと垂直方向の座標ｙ_Kを有する場合を想定する。ｋ
番目の各画素は値ｆ（ｘ_k，ｙ_K）を有し、黒色画素の
場合、ｆ（ｘ_k，ｙ_k）＝０であり、書き込まれた画素
の場合、ｆ（ｘ_k，ｙ_k）＝１である。水平方向の重心
の関数Ｇ_xと垂直方向の重心の関数Ｇ_yを：

【００３１】

【数９】

【００３２】のように定義し、式中、ｋは文字の画像内
の画素の総数を表わしている。ＣＰＵ１２２は以下のよ
うに文字の画像を区分する。ＣＰＵ１２２は垂直方向又
は水平方向に分割するかどうかを判定する。例えば、予
め選択された計画に従って判定してもよい。ＣＰＵ１２
２は、画像を水平方向に分割するため、水平方向の分割
線が垂直方向の軸と交差する位置を定める垂直方向の重
心の関数Ｇ_yを評価する。同様に、画像を垂直方向に分
割するため、ＣＰＵは、垂直方向の分割線が水平方向の
軸と交差する位置を定める水平方向の重心の関数Ｇ_yを
評価する。次いで、ＣＰＵ１２２は画像を上記の形で存
在する分割線で二つのゾーンに区分する。例えば、図１
３に示すように、文字の画像は二つのゾーン３２０及び
３４０に水平方向に分割される。ＣＰＵは、区分された
ゾーン３２０と３４０の各々に対しセグメンテーション
処理を繰り返す。このセグメンテーションは、水平方向
及び垂直方向に分割するかどうか、及び、何れのゾーン
に分割するかについて予め定められた計画に従って行っ
てもよい。例えば、図１４に示す如く、ゾーン３２０
は、垂直方向にゾーン３２４と３４８に分割され、ゾー
ン３４０は、垂直方向にゾーン３４４と３４８に分割さ
れる等の如くである。ステップ２０８において、ＣＰＵ
が図１４、１５及び１６に示す如く、三つの区分された
画像３００、３０２及び３０４を生成することに利点が
ある。

【００３３】次のステップ２１０において、ＣＰＵ１２
２は区分された文字の画像３００及び３０２から特徴値
を抽出する。多数の特徴の値が抽出される。以下に説明
する特定の特徴に対し抽出された値（及び、以下に説明
する認識処理において入力文字に対し抽出された値）を
文字認識データベースを構築するため利用することが有
利である。

【００３４】図１７には、ストロークの密度関数（ＳＤ
Ｆ）の特徴値の抽出が示されている。ＳＤＦを評価する
場合、ＣＰＵ１２２は、ＳＤＦを評価する各ゾーンに多
数の検査ラインを投影する。次いで、ＣＰＵ１２２は、
文字のグラフィック的な画像がゾーンの範囲内の検査ラ
インと交差する回数を計数する。ＳＤＦ関数の結果（Ｓ
ＤＦの特徴値）を得るため、交差の総数は検査ラインの
総数によって除算される。例えば、ＣＰＵ１２２は全て
のゾーンのＳＤＦを評価する訳ではない。逆に、ＣＰＵ
１２２は、例えば、１２個の特徴値を得るため８個の垂
直方向のゾーン３２１、３２２、３２６、３２７、３４
１、３４２、３４６及び３４７と、４個の水平方向のゾ
ーン３３２、３３４、３３６及び３３８のＳＤＦを評価
する。

【００３５】図１８には周辺の背景領域（ＰＢＡ）の特
徴値の抽出が記載されている。ＰＢＡを判定する場合、
ＣＰＵ１２２は次の関数：

【００３６】

【数１０】

【００３７】を評価する。式中、ｎは、１からその軸に
関する文字の画像の矩形の最大の次数Ｎまでの値を連続
的にとる水平方向（ｘ）又は垂直方向（ｙ）の何れかの
軸上の点のインデックスを表わす。λ_nは、ｎ番目の位
置から文字の画像の書き込まれた画素までの画素間距離
である。図１８に示す如く、ＣＰＵ１２２は、対応する
軸から垂直方向にλ_nを測定する。変数ｍはＰＢＡ関数
が評価される特定の領域を示す値をとる。Ｘ_mはｍ番目
のゾーンの水平方向の幅を表わし、Ｙ_mはｍ番目のゾー
ンの垂直方向の高さを表わす。

【００３８】ＣＰＵ１２２は、ゾーン３２１、３２２、
３２６、３２７、３４１、３４２、３４６及び３４７の
各々の垂直方向にＰＢＡを評価する。ＰＢＡは、ゾーン
３５２、３５４、３５６、３５８、３７２、３７４、３
７６及び３７８の水平方向に評価される。かくして、１
６個の特徴値が抽出される。図１９には、輪郭線の長さ
（ＣＬＬ）の特徴値の抽出が記載されている。ＣＬＬ特
徴値を定める場合、ＣＰＵは以下の式：

【００３９】

【数１１】

【００４０】を評価する。変数ｍ、ｎ、Ｘ_m、Ｙ_m及び
λ_nは、上記の通りである。ＣＰＵ１２２は、垂直方向
及び水平方向の両方のゾーン３２４、３２８、３４４及
び３４８に対し二つのＣＬＬ特徴値、即ち、ＣＬＬ₁と
ＣＬＬ₂を得る。これにより、１６個の特徴値が得られ
る。

【００４１】図２０において勾配特徴値が抽出される。
最初に、ＣＰＵ１２２は方向コードＤｉｒ_i,jを文字の
画像のｉ番目の列とｊ番目の行の文字の画像の各画素に
割り当てる。変数ｉ及びｊは、夫々水平（ｘ）及び垂直
（ｙ）方向のインデックスを表わす。方向コードは、画
素の接線に垂直な方向に対応する。図２０に示す如く、
各々が４５°の角度の方向に対応する８個の方向コー
ド、即ち、３３７．５°から２２．５°に対する「０」
と、２２．５°から６７．５°に対する「１」と、６
７．５°から１１２．５°に対する「２」と、１１２．
５°から１５７．５°に対する「３」と、１５７．５°
から２０２．５°に対する「４」と、２０２．５°から
２４７．５°に対する「５」と、２４７．５°から２９
２．５°に対する「６」と、２９２．５°から３３７．
５°に対する「７」を割り当てることが可能である。次
いで，ＣＰＵ１２２は、以下の式を使用して各ゾーンに
対し長さのベクトルＬｅｎ（Ｄｉｒ_i,j）を生成する：

【００４２】

【数１２】

【００４３】式中、Ｂｄｄ_m（Ｄｉｒ_i,j）は、方向が
（Ｄｉｒ_i,j）に垂直であるｍ番目のゾーンの境界の幅
を表わし、Ｘ及びＹは以下のカーネル：

【００４４】

【表２】

【００４５】を使用して作成される。ＣＰＵ１２２は、
適当な方向Ｄｉｒ_i,j内の長さＬｅｎを定める前に文字
の画像の各画素にカーネルを適用する。次いで、長さＬ
ｅｎは、８個の方向Ｄｉｒ_i,jの各々に対し一つの値を
生成するため式（７ｃ）に従って結合される。かくし
て、ＣＰＵ１２２は、各ゾーンに対し８個の勾配の特徴
値を生成する。例えば、勾配の特徴値は８個のゾーン３
５２、３５４、３５６、３５８、３７２、３７４、３７
６及び３７８の各々から抽出され、これにより、６４個
の特徴値が作成される。

【００４６】例えば、ＣＰＵ１２２は、装置１００に入
力された各見本のモデル文字に対し全部で１０８個の特
徴値を抽出する。もう一度図９を参照するに、入力され
た見本のモデル文字を抽出した後、ＣＰＵ１２２は、ス
テップ２１２において各モデル文字の見本のモデル文字
を分類する。この分類段階は、各モデル文字に対し個別
に行われる。例えば、英数字のモデルの各々に対しＰ個
の見本が入力された場合を想定する。ＣＰＵはモデル文
字“Ａ”の見本を分類し、次に、モデル文字“Ｂ”等の
見本を分類する。

【００４７】図２１にはＣＰＵ１２２によって実行され
る分類処理が概略的に示されている。例えば、ＣＰＵ１
２２は、モデル文字毎に基づいて見本に対し図２１の分
類処理を実行する。ステップ４０２において、ＣＰＵは
処理すべき別のモデル文字ｚがあるかどうか（即ち、モ
デル文字ｚのインデックスがモデル文字の総数Ｚよりも
小さいかどうか）を判定する。もしｚ≧Ｚならば、分類
段階の実行は終了する。ｚ＜Ｚならば、処理はステップ
４０４に進み、ＣＰＵ１２２はクラスのインデックスｒ
を１つずつ増加させ、変数ｐを分類されていない見本の
数、即ち、モデル文字ｚに対し入力された見本の総数Ｐ
と同一に設定する。

【００４８】次いで、ステップ４０６において、ＣＰＵ
１２２は、未だ分類されずに残されている見本の数が多
すぎるかどうかを判定する。ＣＰＵ１２２は、未だ分類
されていない残りの見本の数ｐを第１の閾値Ｐ₁と比較
するだけでよいことが利点である。もしｐ＜Ｐ₁なら
ば、モデル文字ｚに対し入力された見本は、既に十分な
数が分類されているので、処理はステップ４１８に分岐
する。ステップ４１８については以下に詳細に説明す
る。ｐ≧Ｐ₁の場合、非常に多数の見本が未分類のまま
の状態にあり、処理の実行はステップ４０８に分岐す
る。ステップ４０８において、ＣＰＵ１２２は形成され
るべき新しいクラスの中心の位置を定める。例えば、新
しいクラスの中心を何れのクラスにも未だ構造化されて
いない残りの見本ｐ個の全ての平均特徴値ベクトルと同
じに設定することにより行われる。例えば、半径Ｈは新
しいクラスの標準偏差の関数を使用することにより以下
の式：

【００４９】

【数１３】

【００５０】のように定められ、式中：ｌは特定の特徴を示すインデックスであり１乃至Ｌの範
囲に亘り定義され、Ｌは特徴の総数であり、Ｖ_lはｌ番目の特徴の標準偏差である。

【００５１】次のステップ４１２において、ＣＰＵ１２
２は、何れのクラスにも未だ構造化されることなく、新
しいクラスの中心から半径Ｈに等しい距離の範囲内にあ
る残りの全ての見本を新しいクラスに集める。新しいク
ラスに集められる見本の数ｕも定められる。次いで、ス
テップ４１４において、ＣＰＵ１２２は、新しいクラス
が値の最低限の個数の閾値Ｐ₂を含むかどうかを判定す
る。ｕ≧Ｐ₂の場合、新しいクラスは値の最低限の個数
を越えているので、処理はステップ４０６に進む。ｕ＜
Ｐ₂の場合、クラスは未だ小さすぎる。この場合、ＣＰ
Ｕ１２２はステップ４１６を実行する。ステップ４１６
において、半径Ｈを調整、即ち、拡大する。次いで、処
理はステップ４１２に戻り、ＣＰＵ１２２は、未分類の
ままの見本を新しいクラスにもう一度集める。従って、
ステップ４１２乃至４１６は、新しいクラスに集められ
た見本の数ｕが第２の閾値Ｐ₂を越えるまで繰り返し実
行される。

【００５２】ステップ４０６に処理が戻ると、ＣＰＵ１
２２は、未分類のままの見本の数が大きすぎるかどう
か、即ち、ｐ≧Ｐ₁であるかどうかをもう一度判定す
る。大きすぎる場合には、未分類のままの見本が集めら
れる別のクラスを作成するためステップ４０８乃至４１
６が繰り返される。かくして、ＣＰＵ１２２は、何れの
クラスにも構造化されないままの文字ｚの見本の数がＰ
₁よりも小さくなるまでステップ４０６乃至４１６を十
分な回数繰り返す。次いで、処理はステップ４１８に進
む。ステップ４１８において、ＣＰＵ１２２は未だ何れ
のクラスにも入っていないままの状態の見本を最も近い
クラスに集める。全ての見本がクラスに構造化された
後、ＣＰＵ１２２は各クラスの平均、即ち、各クラス内
の見本の特徴値の平均特徴値ベクトルを計算する。これ
により、各クラスに対し一つの平均特徴値を含むモデル
文字ｚに対し多数の平均特徴値ベクトルが得られる。

【００５３】例えば、ＣＰＵ１２２はステップ４２０を
実行する。ステップ４２０において、ＣＰＵ１２２は周
知のＫ平均化処理が行われる。上記デビジバーとキト
ラー著の「パターン認識：統計的アプローチ」、409 ペ
ージ、1982年発行を参照のこと。ステップ４０６乃至４
１６の実行中に、ＣＰＵ１２２は、モデル文字ｚに対す
るＰ個の見本の任意の“クラスタリング”を生成する。
しかし、見本の中にはクラスの境界の近くに存在するも
のがある。Ｋ平均化処理は、認識のために分類が確定
するよう再分類、即ち、クラスの境界の近くにある見本
を別のクラスに移動させることにより分類を調整する。
Ｋ平均化処理を以下に説明する。ＣＰＵ１２２は同時
に各見本を選択し、選択された見本を最も近いクラス
（平均特徴値ベクトルが選択された見本の特徴ベクトル
に最も近いクラス）に割り当てる。最も近いクラスが見
本が分類された最初のクラスとは異なる場合、分類が変
更された旨を示すセマフォーが送出される。次いで、Ｃ
ＰＵ１２２は各クラスの平均特徴値ベクトルを再計算す
る。ＣＰＵ１２２は、セマフォーが通知されない反復が
行われるまで見本の全体に亘り上記反復を連続的に繰り
返す。

【００５４】ステップ４２０の実行後、処理はステップ
４２０に戻る。このように、ＣＰＵ１２２は、各モデル
文字ｚに対しステップ４０２乃至４２０を繰り返す。Ｚ
個のモデル文字の全ての見本を分類した後、ＣＰＵ１２
２は、次の式：

【００５５】

【数１４】

【００５６】に従って、データベース内の全てのクラス
Ｃ（即ち、Ｚ個のモデル文字の全て）の各特徴値に対し
平均標準偏差Ｓ_lを定める利点が得られる。式中、Ｖ_lc
は所定のｃ番目のクラスのｌ番目の特徴の標準偏差を表
わす。図９を再度参照するに、全ての見本のモデル文字
が分類され、全ての平均特徴値ベクトル（及び平均標準
偏差）が定められた後、ＣＰＵ１２２は文字認識データ
ベースを構築し、その文字認識データベースを例えばデ
ィスク記憶装置１２０に格納する。例えば、ＣＰＵ１２
２はフラットな文字認識データベースを構築する。

【００５７】図２２には、例えば、手書き文字のオンラ
イン認識のための文字認識処理が概略的に示されてい
る。ステップ５０２において、文字データは、例えば、
スタイラス及びタブレット１１２と、インタフェース１
１４と、バス１１６と、主記憶装置１１８を用いて受け
取られる。次いで、ＣＰＵ１２２はステップ５０４にお
いて文字データを前処理する。次のステップ５０６にお
いて、ＣＰＵ１２２は、スケルトン文字の画像を形成
し、スケルトン文字の画像から輪郭が拡張された文字の
画像を形成する。ステップ５０８において、ＣＰＵ１２
２は輪郭が拡張された文字の画像を区分する。例えば、
ＣＰＵ１２２は、上記文字認識データベースを作成する
際に使用されたセグメンテーション処理と同一の処理を
実行する。上記セグメンテーション処理は、区分された
ゾーンの寸法は輪郭の拡張された文字の画像に書き込ま
れた画素の実際の分布に依存する点で可変的なセグメン
テーション処理であることに注意が必要である。しか
し、文字の画像が垂直方向及び水平方向に区分されるオ
ーダーは予め定められており、データベース構築と文字
認識の両方に関し同一である。ＣＰＵ１２２は、ステッ
プ５１０において、区分された文字の画像から特徴値を
抽出する。ＣＰＵ１２２は、例えば、上記特徴値と同一
の特徴値を抽出する。

【００５８】ステップ５１２において、ＣＰＵ１２２は
入力された文字に最も良く一致するモデル文字を判定す
る。このため、ＣＰＵ１２２は、例えば、入力文字の抽
出された特徴値ベクトルを文字認識データベースに格納
された各モデル文字の各クラスの各平均特徴値ベクトル
と比較する。例えば、最も良く一致するモデル文字を判
定する際、ＣＰＵ１２２は以下の判別関数Ｄｉｓ
（Ａ_q，Ｂ_r）：

【００５９】

【数１５】

【００６０】を評価し、式中：ｑは入力された文字を識別するインデックスを表わし、ｒ及びｃは特定のクラスを示す独立したインデックスで
あり、１乃至Ｃの範囲で定義され、ｌは特定の特徴を示すインデックスであり、１乃至Ｌの
範囲で定義され、Ｌは特徴の総数を表わし、Ｃはモデル文字のデータベース全体に亘るクラスの総数
を表わし、Ａ_qlはｑ番目の入力文字のｌ番目の特徴値を
表わし、Ｂ_rlはｒ番目のクラスのｌ番目の平均特徴値を表わし、Ａ_qは、１乃至Ｌ番目の各特徴に対する一つの特徴値
（Ａ_q1，Ａ_q2，．．．，Ａ_qL）を含むｑ番目の入力文字
の特徴値ベクトルを表わし、Ｂ_rは、１乃至Ｌ番目の各特徴に対する一つの平均特徴
値（Ｂ_r1，Ｂ_r2，．．．，Ｂ_rL）を含むｒ番目のクラス
の平均特徴値ベクトルを表わし、Ｖ_lcは所定のｃ番目のクラスのｌ番目の特徴の標準偏差
を表わし、Ｓ_lはＣ個のクラス全体のｌ番目の特徴の平均標準偏差
を表わしている。

【００６１】各ｌ番目の特徴に対する平均標準偏差Ｓ_l
は予め定められ、データベースの構築中に記憶されるこ
とに利点がある。上記比較の結果として、ＣＰＵ１２２
はｑ番目の入力文字を、上記判別関数Ｄｉｓ（Ａ_q，Ｂ
_r）の出力を最小化する平均特徴値ベクトルＢ_rを有す
るｒ番目のクラスのモデル文字ｚとして認識する。ステ
ップ５１４において、ＣＰＵ１２２は、ｑ番目の入力文
字に最も良く一致するモデル文字の表示を出力する。例
えば、ＣＰＵ１２２は、入力文字に最も良く一致するモ
デル文字のＡＳＣＩＩコード、機械的に作成されたモデ
ル文字の画像、或いは、それらの両方を出力する。

【００６２】図２３には、本発明の文字認識装置１０
０’の他の一実施例が示されている。装置１００’は、
光学スキャナ１１３がスタイラス及びタブレット１１２
の代わりに文字入力装置として用いられている点を除い
て、図１０の装置１００と同一である。装置１００’
は、図９、２０及び２１に示された処理と同様の処理を
用いて手書き文字のオフライン認識と、機械印刷された
文字の認識を実行することが可能である。機械印刷され
た文字の認識に装置１００’を使用する場合、文字認識
データベースは機械印刷されたモデル文字の見本を入力
することにより構築される。例えば、上記セグメンテー
ション及び特徴抽出の処理は、手書き文字の場合に典型
的であり、機械印刷された文字の場合には典型的ではな
い右上から左下への文字の傾きを想定している。しか
し、上記分類処理は同一である。

【００６３】上記文字認識処理は、英語のアルファベッ
トとアラビア数字のような英数字に使用することができ
る。或いは、上記文字認識装置は、中国語の音標文字の
ような別の種類の文字にも使用し得る。上記文字の処理
により文字認識に著しい改良が得られる。例えば、実験
的な解析によると、分類のない典型的な文字認識処理の
精度は約９２．５４％である。一方、分類を伴う上記文
字認識処理の精度は約９６．６２％である。従って、誤
認識の数は約半分に削減される。

【００６４】要約すると、本発明によれば、各モデル文
字の見本が複数のクラスに分類される文字認識方法及び
装置が提供される。その結果として、見本の不均一な分
布に良い影響を与える複数の平均特徴値ベクトルが各モ
デル文字に与えられる。従って、認識処理中に不適当な
マッチングは著しく減少する。最後に、上記の説明は本
発明の実施例を説明することだけを意図している。当業
者は、特許請求の範囲の記載の精神と目的を逸脱するこ
となく、本発明の多数の他の実施例を考え得る。

【図面の簡単な説明】

【図１】スタイラス及びタブレット形の文字入力装置を
有する従来の文字認識装置を示す図である。

【図２】光学スキャナ形の文字入力装置を有する従来の
文字認識装置を示す図である。

【図３】図１の装置によって実行される手書き文字認識
処理を概略的に示すフローチャートである。

【図４】従来の入力文字の画素化された画像を示す図で
ある。

【図５】図４の画素化された画像の可変的なゾーンのセ
グメンテーションを示す図である。

【図６】典型的な従来の見本のモデル文字の特徴値の分
布を示す図である。

【図７】本発明による図６の見本のモデル文字の特徴値
の分類を示す図である。

【図８】本発明の一実施例の文字認識装置を示す図であ
る。

【図９】本発明の一実施例のデータベース作成処理を概
略的に示すフローチャートである。

【図１０】平滑化されノイズ除去された文字画像を示す
図である。

【図１１】スケルトン文字の画像を示す図である。

【図１２】輪郭の拡張されたスケルトン文字の画像を示
す図である。

【図１３】文字画像のゾーンへの区分を示す図である。

【図１４】文字画像のゾーンへの区分を示す図である。

【図１５】文字画像のゾーンへの区分を示す図である。

【図１６】文字画像のゾーンへの区分を示す図である。

【図１７】ストロークの密度関数の特徴値の抽出の説明
図である。

【図１８】輪郭線の長さの特徴値の抽出の説明図であ
る。

【図１９】周辺の背景領域の特徴値の抽出の説明図であ
る。

【図２０】勾配の特徴値の抽出の説明図である。

【図２１】本発明の一実施例の分類処理を概略的に示す
フローチャートである。

【図２２】本発明の一実施例の文字認識処理を概略的に
示すフローチャートである。

【図２３】本発明の他の実施例の文字認識装置を示すフ
ローチャートである。

【符号の説明】

１０，１０’，１００，１００’ 文字認識装置１２，１１２スタイラス及びタブレット１３’，１１３光学スキャナ１４，１４’，１１４，１１４’ インタフェース１６，１６’，１１６，１１６’ システムバス１８，１８’，１１８，１１８’ 主記憶装置２０，２０’，１２０，１２０’ ディスク記憶装置２２，２２’，１２２，１２２’ ＣＰＵ２４，２４’，１２４，１２４’ オーディオ／ビデ
オ出力装置５０矩形状の画素配列５１，．．．，６６ゾーン２５０画像の一部２５１画素１０００平均特徴値ベクトル１０１０特徴値ベクトル

Claims

(57)【特許請求の範囲】

【請求項１】文字認識データベースを用いて認識され
るべき文字を認識する方法において、認識されるべき各モデル文字に対する複数の文字見本を
入力する段階と、入力された各モデル文字に対し、いずれかのクラスに分類されるべき残りの文字見本の個
数が第１の閾値未満であるか否かを判定し、上記各文字見本について複数の特徴値を格納する特徴値
ベクトルを生成するため、上記入力された各文字見本に
ついて複数の特徴を格納する特徴ベクトルの値を抽出
し、上記個数が上記第１の閾値未満になるまで、上記残りの
文字見本の上記特徴値ベクトルから新しいクラスの中心
を決定し、上記新しいクラスの標準偏差に基づいて上記
新しいクラスの上記中心の周りの半径を決定し、上記新
しいクラスの上記中心から上記半径の範囲内に収まる特
徴値ベクトルを有する上記残りの各文字見本を集めるこ
とにより、上記見本を少なくとも一つのクラスに分類し、少なくと
も１個のモデル文字の上記文字見本を多数のクラスに分
類する段階と、上記各クラスに対し、平均特徴値ベクトルが特徴値ベク
トルと一致しなくても構わないように、上記夫々のクラ
スの上記文字見本の上記特徴値ベクトルの単純平均とし
て、多数の平均特徴値を格納する平均特徴値ベクトルを
形成する段階と、認識されるべき文字の抽出された特徴値ベクトルに最も
良く一致する平均特徴値ベクトルを上記記憶された平均
特徴値ベクトルの中から選択することにより上記認識さ
れるべき文字を夫々の文字として認識するため、上記少
なくとも１個のモデル文字に対する多数の平均特徴値ベ
クトルを含む上記多数の平均特徴値ベクトルを上記文字
認識データベースとして記憶する段階と、少なくとも１個のモデル文字に対し、文字認識用の上記
クラスを安定化させるため、１個以上の文字見本を上記
夫々のモデル文字の異なるクラスに再割当てすることに
より上記文字見本の上記クラスを調整し、上記調整され
たクラスの上記平均特徴値ベクトルを形成する段階を繰
り返すクラス調整段階とを実行することにより、上記文
字認識データベースを構築する段階からなる方法。
【請求項２】同じ特徴ベクトルを用いて上記認識され
るべき文字について特徴ベクトルの値を抽出し、最も良く一致する特徴値ベクトルを決定するため、上記
認識されるべき文字の特徴値ベクトルを上記文字認識デ
ータベースの上記平均特徴値ベクトルの少なくとも一部
と比較し、上記認識されるべき文字を上記最も良く一致する特徴値
ベクトルを有するクラスに対応するモデル文字として認
識することにより、上記認識されるべき文字を上記モデ
ル文字の中の一つとして認識する段階を更に有する請求
項１記載の方法。
【請求項３】上記クラス調整段階は、Ｋ平均化処理
を実行する段階を更に有する請求項１記載の方法。
【請求項４】該見本を分類する段階は、該新しいクラスに集められた該残りの見本の数を第２の
閾値と比較する段階と、比較の結果に依存して、該半径を調整し、該新しいクラ
スの該中心から該調整された半径の範囲内にある該残り
の見本の各々を該新しいクラスに集める段階とを更に有
する請求項１記載の方法。
【請求項５】該新しいクラスの該中心は、該残りの文
字見本の該特徴値ベクトルの平均を定めることにより定
められる請求項１記載の方法。
【請求項６】該半径を定める段階において定められた
該半径は、該残りの文字見本の該特徴の標準偏差の関数
である請求項５記載の方法。
【請求項７】該入力された文字見本の各々の画像を複
数のゾーンに区分する段階を更に有する請求項１記載の
方法。
【請求項８】該区分する段階は、該入力された文字見
本毎に複数の区分された文字画像を作成する請求項７記
載の方法。
【請求項９】上記特徴ベクトルの値の抽出は、予め定められた計画に従って該文字見本の各々の該区分
された特定の文字画像の中の特定のゾーンから該特徴値
を得ることにより行われる請求項７記載の方法。
【請求項１０】該画像は可変的な寸法が定められるゾ
ーンに区分される請求項７記載の方法。
【請求項１１】該特徴値ベクトルは、文字見本の上記一つのゾーンを横切る複数の検査ライン
を射影し、上記検査ラインが上記ゾーンと交差する総回数をカウン
トし、上記検査ラインが上記ゾーンと交差する総回数を上記射
影された検査ラインの本数により除算することによりス
トロークの密度関数の特徴値を得る段階によって生成さ
れる請求項７記載の方法。
【請求項１２】該特徴値ベクトルは、ｍが上記文字見本の上記画像が区分された上記ゾーンの
インデックスを表し、ｎが１からＮまでの値をとり、上記ゾーンの中のｍ番目
のゾーンに対する軸上の点のインデックスを表し、Ｎが上記軸上の最大の次数を表し、 λ _n が上記軸上のｎ番目の点から上記ｍ番目のゾーンの
画像の書き込まれた画素までの画素単位の距離を表し、Ｘ _m が上記ｍ番目のゾーンの水平方向の幅を表わし、Ｙ _m が上記ｍ番目のゾーンの垂直方向の高さを表わすと
き、【数１】を評価することにより周辺の背景領域の特徴値を得る段
階によって生成される請求項７記載の方法。
【請求項１３】該特徴値ベクトルは、ｍが上記文字見本の上記画像が区分された上記ゾーンの
インデックスを表し、ｎが１からＮまでの値を連続的にとり、上記ゾーンの中
のｍ番目のゾーンに対する軸上の点のインデックスを表
し、Ｎが上記軸上の最大の次数を表し、 λ _n が上記軸上のｎ番目の点から上記ｍ番目のゾーンの
画像の書き込まれた画素までの画素単位の距離を表し、Ｘ _m が上記ｍ番目のゾーンの水平方向の幅を表わし、Ｙ _m が上記ｍ番目のゾーンの垂直方向の高さを表わすと
き、【数２】を評価することにより輪郭線の長さの特徴値を得る段階
によって生成される請求項７記載の方法。
【請求項１４】該特徴値ベクトルは、ｍが上記文字見本の画像が分割されるゾーンのインデッ
クスを表し、ｉが上記ゾーンの中のｍ番目のゾーンの列インデックス
を表し、ｊが上記ｍ番目のゾーンの行インデックスを表し、Ｌｅｎ _ij が上記ｍ番目のゾーンのｉ番目の行及びｊ番目
の列の画素に対し、以下の式（７ａ）を用いて生成され
た各方向コード（Ｄｉｒ _i,j ）毎に１個の値を含む値Ｌ
ｅｎのベクトルを表し、（Ｄｉｒ _i,j ）が上記ｍ番目のゾーンのｉ番目の行及び
ｊ番目の列の画素の方向コードを表し、Ｂｄｄ _m （Ｄｉｒ _i,j ）は（Ｄｉｒ _i,j ）によって指定
された方向と直交した方向についての上記ｍ番目のゾー
ンの境界の幅を表し、Ｘ及びＹが以下のカーネル【表１】を用いて生成された値である場合に、【数３】を評価することにより勾配の特徴値を得る段階によって
生成される請求項７記載の方法。
【請求項１５】上記認識されるべき文字の特徴値ベク
トルを上記文字認識データベースの上記平均特徴値ベク
トルの少なくとも一部と比較する段階は、【数４】の場合に、判別関数：【数５】を評価する段階からなり、式中、ｑは入力された文字を識別するインデックスを表わし、ｒ及びｃは特定のクラスを示す独立したインデックスで
あり、１乃至Ｃの範囲で定義され、ｌは特定の特徴を示すインデックスであり、１乃至Ｌの
範囲で定義され、Ｌは特徴の総数を表わし、Ｃはモデル文字のデータベース全体に亘るクラスの総数
を表わし、Ａ_qlはｑ番目の入力文字のｌ番目の特徴値を表わし、Ｂ_rlはｒ番目のクラスのｌ番目の平均特徴値を表わし、Ａ_qは、１乃至Ｌ番目の各特徴の一つの特徴値（Ａ_q1，
Ａ_q2，．．．，Ａ_qL）を含むｑ番目の入力文字の特徴値
ベクトルを表わし、Ｂ_rは、１乃至Ｌ番目の各特徴の一つの平均特徴値（Ｂ
_r1，Ｂ_r2，．．．，Ｂ_rL）を含むｒ番目のクラスの平均
特徴値ベクトルを表わし、Ｖ_lcは所定のｃ番目のクラスのｌ番目の特徴の標準偏差
を表わし、Ｓ_lはＣ個のクラス全体のｌ番目の特徴の平均標準偏差
を表わす、請求項２記載の方法。
【請求項１６】該ｑ番目に入力された文字は、Ｄｉｓ
（Ａ_q，Ｂ_r）を最小化するｑ及びｒの特定の値に対し
ｒ番目のクラスに対応するモデル文字として認識される
請求項１５記載の方法。
【請求項１７】該文字認識データベースはモデル音標
シンボルを含む請求項２記載の方法。
【請求項１８】該文字認識データベースは英数字を含
む請求項２記載の方法。
【請求項１９】該入力された文字はオンライン入力さ
れる請求項２記載の方法。
【請求項２０】該入力された文字はオフライン入力さ
れる請求項２記載の方法。
【請求項２１】該入力された文字は手書き文字である
請求項２記載の方法。
【請求項２２】該入力された文字は機械印刷文字であ
る請求項２記載の方法。
【請求項２３】文字認識データベースを用いて認識さ
れるべき文字を認識するシステムにおいて、データベースを構築する際に認識されるべき各モデル文
字に対し入力された複数の文字見本を電気的に受ける文
字入力装置と、上記文字入力装置に接続され、上記文字見本を複数のク
ラスに電気的に分類することにより、少なくとも１個の
モデル文字の上記文字見本が多数のクラスに分類されて
いるデータベースを電気的に構築するプロセッサとによ
り構成され、上記プロセッサは、いずれかのクラスに分類されるべき残りの文字見本の個
数が第１の閾値未満であるか否かを判定し、上記文字見
本毎に多数の特徴値を含む特徴値ベクトルを生成するた
め、上記入力された文字見本毎に複数の特徴を含む特徴
ベクトルの値を電気的に抽出し、上記残りの文字見本の
個数が上記第１の閾値未満になるまで、上記残りの文字
見本の上記特徴値ベクトルから新しいクラスの中心を決
定し、上記新しいクラスの標準偏差に基づいて上記新し
いクラスの上記中心の周りの半径を決定し、上記新しい
クラスの上記中心から上記半径の範囲内に収まる特徴値
ベクトルを有する各文字見本を上記残りの文字見本の中
から集め、上記各クラスに対し、平均特徴値が特徴値ベクトルと一
致しなくても構わないように、上記各クラスの上記文字
見本の上記特徴値ベクトルの単純平均として、多数の平
均特徴値を含む平均特徴値ベクトルを形成し、上記認識されるべき文字の抽出された特徴値ベクトルに
最も良く一致する平均特徴値ベクトルを上記記憶された
平均特徴値ベクトルの中から選択することにより上記認
識されるべき文字を夫々の文字として認識するため、上
記少なくとも１個のモデル文字に対する多数の平均特徴
値ベクトルを含む上記多数の平均特徴値ベクトルを上記
文字認識データベースとして記憶し、少なくとも１個のモデル文字に対し、文字認識用の上記
クラスを安定化させるため、１個以上の文字見本を上記
夫々のモデル文字の異なるクラスに再割当てすることに
より上記文字見本の上記クラスを調整し、上記調整され
たクラスの上記平均特徴値ベクトルを繰り返し形成す
る、文字認識システム。
【請求項２４】上記文字入力装置は認識されるべき文
字を電気的に受け、上記プロセッサは、上記認識されるべき文字に対し特徴値ベクトルを生成す
るため、同じ特徴ベクトルを用いて上記認識されるべき
文字について特徴ベクトルの値を抽出し、最も良く一致する特徴値ベクトルを決定するため、上記
認識されるべき文字の特徴値ベクトルを上記文字認識デ
ータベースの上記平均特徴値ベクトルの少なくとも一部
と比較し、上記認識されるべき文字を上記最も良く一致する特徴値
ベクトルを有するクラスに対応するモデル文字として認
識する、請求項２３記載の文字認識システム。
【請求項２５】該文字認識データベースを電気的に記
憶するメモリを更に有する請求項２３記載の文字認識シ
ステム。
【請求項２６】該文字入力装置はスタイラス及びタブ
レットである請求項２３記載の文字認識システム。
【請求項２７】該文字入力装置は光学スキャナである
請求項２３記載の文字認識システム。