JP2001092924A - パターン認識方法および装置 - Google Patents
パターン認識方法および装置Info
- Publication number
- JP2001092924A JP2001092924A JP27058699A JP27058699A JP2001092924A JP 2001092924 A JP2001092924 A JP 2001092924A JP 27058699 A JP27058699 A JP 27058699A JP 27058699 A JP27058699 A JP 27058699A JP 2001092924 A JP2001092924 A JP 2001092924A
- Authority
- JP
- Japan
- Prior art keywords
- feature
- class
- recognition
- pattern recognition
- recognition target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Character Discrimination (AREA)
- Image Analysis (AREA)
Abstract
(57)【要約】
【課題】手書き文字に対しても高い認識能力を有するパ
ターン認識方法および装置を提供する。 【解決手段】特徴選択部５で入力データの近傍を考慮し
て特徴選択を行い、判定処理部６で特徴選択された空間
にフィッシャーの線形判別法を適用してカテゴリーの決
定を行う。
ターン認識方法および装置を提供する。 【解決手段】特徴選択部５で入力データの近傍を考慮し
て特徴選択を行い、判定処理部６で特徴選択された空間
にフィッシャーの線形判別法を適用してカテゴリーの決
定を行う。
Description
【０００１】
【発明の属する技術分野】この発明は、パターン認識方
法および装置に関し、特に、手書き文字等を高い認識率
で認識することのできるパターン認識方法および装置に
関する。
法および装置に関し、特に、手書き文字等を高い認識率
で認識することのできるパターン認識方法および装置に
関する。
【０００２】
【従来の技術】近年、パターン認識技術を利用した文字
認識装置は、技術の向上とともにその対象が活字文字か
ら手書き文字にまで広がり、需要も増大している。
認識装置は、技術の向上とともにその対象が活字文字か
ら手書き文字にまで広がり、需要も増大している。
【０００３】文字認識装置は、入力された画像に対し、
前処理として２値化と文字の切り出しを行った後、当該
文字の特徴抽出を行う。特徴抽出は、例えば、文字の輪
郭方向に関する特徴量を抽出するもので、図１１（ａ）
に示すように対象となる文字を５×５に分割し、分割し
たそれぞれの領域に対して図１１（ｂ）に示すような８
方向の特徴量を抽出する。つまり、ここで抽出した特徴
量は、５×５×８の２００次元のベクトルとして表すこ
とができる。なお、この２００次元の空間を特徴空間と
呼ぶ。
前処理として２値化と文字の切り出しを行った後、当該
文字の特徴抽出を行う。特徴抽出は、例えば、文字の輪
郭方向に関する特徴量を抽出するもので、図１１（ａ）
に示すように対象となる文字を５×５に分割し、分割し
たそれぞれの領域に対して図１１（ｂ）に示すような８
方向の特徴量を抽出する。つまり、ここで抽出した特徴
量は、５×５×８の２００次元のベクトルとして表すこ
とができる。なお、この２００次元の空間を特徴空間と
呼ぶ。
【０００４】認識対象文字の特徴量を抽出すると、この
特徴量に基づいて候補パターンの選出を行う。候補パタ
ーンの選出は、抽出した特徴量を標本辞書を用いて全パ
ターンマッチングを行い、ユークリッド距離の近いもの
を１５個とり、これを入力に対する近傍パターンとする
ことにより行う。
特徴量に基づいて候補パターンの選出を行う。候補パタ
ーンの選出は、抽出した特徴量を標本辞書を用いて全パ
ターンマッチングを行い、ユークリッド距離の近いもの
を１５個とり、これを入力に対する近傍パターンとする
ことにより行う。
【０００５】続いて、近傍パターンから上位の２カテゴ
リー（クラス、文字の種類）を選択し、これを候補カテ
ゴリーとして、詳細判定を行う。
リー（クラス、文字の種類）を選択し、これを候補カテ
ゴリーとして、詳細判定を行う。
【０００６】詳細判定は、フィッシャーの方法（石井健
一郎・上田修功・前田英作・村瀬洋：パターン認識，オ
ーム社，１９９８参照）により行う。フィッシャーの方
法とは、特徴空間をより次元の小さい部分空間に変換す
る方法の一つであり、特徴空間上のクラス（カテゴリ
ー）のパターンの分布から、このクラスを識別するのに
最適な１次元軸を求める手法である。
一郎・上田修功・前田英作・村瀬洋：パターン認識，オ
ーム社，１９９８参照）により行う。フィッシャーの方
法とは、特徴空間をより次元の小さい部分空間に変換す
る方法の一つであり、特徴空間上のクラス（カテゴリ
ー）のパターンの分布から、このクラスを識別するのに
最適な１次元軸を求める手法である。
【０００７】例えば、図１２に示すクラスＣ１とＣ２の
パターンを判別する場合、フィッシャー比と呼ばれる
（クラス間分散／クラス内分散）を最大とするような座
標変換を行って最適なＹ１軸を求め、このＹ１軸に射影
を行うと（Ｘ１、Ｘ２は、変換前の軸）、クラスＣ１、
Ｃ２を最適に分離することのできる境界（図中、破線で
示す）を定めることができる。これに対して、フィッシ
ャー比を最大としない座標変換を行った場合には、Ｙ２
軸への射影のようにクラスＣ１、Ｃ２を分離する境界を
定めることはできない。つまり、フィッシャーの方法で
は、異なるクラスのパターンを離し、同一クラスのパタ
ーンが固まって分布するように射影することのできる射
影軸を決定している。
パターンを判別する場合、フィッシャー比と呼ばれる
（クラス間分散／クラス内分散）を最大とするような座
標変換を行って最適なＹ１軸を求め、このＹ１軸に射影
を行うと（Ｘ１、Ｘ２は、変換前の軸）、クラスＣ１、
Ｃ２を最適に分離することのできる境界（図中、破線で
示す）を定めることができる。これに対して、フィッシ
ャー比を最大としない座標変換を行った場合には、Ｙ２
軸への射影のようにクラスＣ１、Ｃ２を分離する境界を
定めることはできない。つまり、フィッシャーの方法で
は、異なるクラスのパターンを離し、同一クラスのパタ
ーンが固まって分布するように射影することのできる射
影軸を決定している。
【０００８】ところが、上述した方法では、図１３
（ａ）に示す「フ」という文字が入力された場合、図１
３（ｂ）に示す「ヲ」と図１３（ｃ）に示す「フ」が候
補パターンとして選出され、詳細判定により図１３
（ｂ）に示す「ヲ」と認識されてしまう場合がある。同
様に、図１３（ｄ）に示す「ハ」という文字が入力され
た場合、図１３（ｅ）に示す「ヘ」と図１３（ｆ）に示
す「ハ」が候補パターンとして選出され、詳細判定によ
り図１３（ｅ）に示す「ヘ」と認識されてしまう場合が
ある。
（ａ）に示す「フ」という文字が入力された場合、図１
３（ｂ）に示す「ヲ」と図１３（ｃ）に示す「フ」が候
補パターンとして選出され、詳細判定により図１３
（ｂ）に示す「ヲ」と認識されてしまう場合がある。同
様に、図１３（ｄ）に示す「ハ」という文字が入力され
た場合、図１３（ｅ）に示す「ヘ」と図１３（ｆ）に示
す「ハ」が候補パターンとして選出され、詳細判定によ
り図１３（ｅ）に示す「ヘ」と認識されてしまう場合が
ある。
【０００９】これは、候補として選択されたパターンが
類似している場合に起こり得る。例えば、図１３（ｄ）
に示した「ハ」の場合、図１３（ｅ）に示した「ヘ」と
図１３（ｆ）に示した「ハ」のそれぞれと重ね合わせる
と、図１４（ａ）、（ｂ）に示すような結果が得られ
る。この重ね合わせの結果、つまり、距離によるパター
ンマッチングの結果は、図１３（ｅ）に示した「ヘ」が
図１３（ｄ）に示した「ハ」に最も近いことを示してい
る。このような場合、フィッシャーの方法により詳細判
定を行っても、図１５に示したようにクラスＡとクラス
Ｂとを完全に分離することはできず、結果として誤認識
が生じてしまうことになる。
類似している場合に起こり得る。例えば、図１３（ｄ）
に示した「ハ」の場合、図１３（ｅ）に示した「ヘ」と
図１３（ｆ）に示した「ハ」のそれぞれと重ね合わせる
と、図１４（ａ）、（ｂ）に示すような結果が得られ
る。この重ね合わせの結果、つまり、距離によるパター
ンマッチングの結果は、図１３（ｅ）に示した「ヘ」が
図１３（ｄ）に示した「ハ」に最も近いことを示してい
る。このような場合、フィッシャーの方法により詳細判
定を行っても、図１５に示したようにクラスＡとクラス
Ｂとを完全に分離することはできず、結果として誤認識
が生じてしまうことになる。
【００１０】また、上述した方法の他にも、特開平６−
２８５２５号公報に記載されている「文字認識方法」の
ようなものも提案されている。この方法では、文字見本
の原始特徴ベクトルの集合分布が最適となる特徴空間を
求め、特徴抽出対象文字の原始特徴ベクトルをその特徴
空間に投影して二次特徴ベクトルを得ることにより文字
認識を行うものである。
２８５２５号公報に記載されている「文字認識方法」の
ようなものも提案されている。この方法では、文字見本
の原始特徴ベクトルの集合分布が最適となる特徴空間を
求め、特徴抽出対象文字の原始特徴ベクトルをその特徴
空間に投影して二次特徴ベクトルを得ることにより文字
認識を行うものである。
【００１１】しかし、この方法では、求めた特徴空間
は、文字見本において原始特徴ベクトルの集合分布が最
適となる特徴空間であり、入力データに対してこの特徴
空間が最適であるかどうかは分からない。このため、変
化の小さい活字では高い認識能力を有するが、手書き文
字に対しては、高い認識能力を持つとは限らない。
は、文字見本において原始特徴ベクトルの集合分布が最
適となる特徴空間であり、入力データに対してこの特徴
空間が最適であるかどうかは分からない。このため、変
化の小さい活字では高い認識能力を有するが、手書き文
字に対しては、高い認識能力を持つとは限らない。
【００１２】
【発明が解決しようとする課題】上述したように、従来
の文字認識方法では、活字文字に対しては高い認識能力
を有するが、手書き文字に対しては高い認識能力を有す
るとは言い難かった。
の文字認識方法では、活字文字に対しては高い認識能力
を有するが、手書き文字に対しては高い認識能力を有す
るとは言い難かった。
【００１３】そこで、この発明は、手書き文字に対して
も高い認識能力を有するパターン認識方法および装置を
提供することを目的とする。
も高い認識能力を有するパターン認識方法および装置を
提供することを目的とする。
【００１４】
【課題を解決するための手段】上述した目的を達成する
ため、請求項１の発明は、所定の識別関数を用いて認識
対象の特徴量を評価することにより該識別対象を２つの
クラスのいずれに属するかを識別するパターン認識方法
において、前記認識対象の特徴量に基づいて前記クラス
に属する候補の特徴量の中から注目すべき成分を抽出
し、該抽出した成分に基づいて識別関数を決定し、該決
定した識別関数に基づいて前記認識対象の識別を行うこ
とを特徴とする。
ため、請求項１の発明は、所定の識別関数を用いて認識
対象の特徴量を評価することにより該識別対象を２つの
クラスのいずれに属するかを識別するパターン認識方法
において、前記認識対象の特徴量に基づいて前記クラス
に属する候補の特徴量の中から注目すべき成分を抽出
し、該抽出した成分に基づいて識別関数を決定し、該決
定した識別関数に基づいて前記認識対象の識別を行うこ
とを特徴とする。
【００１５】また、請求項２の発明は、請求項１の発明
において、前記成分は、前記クラスに属する候補の全体
の特徴量と、前記クラスに属する候補のうち前記認識対
象との距離の近い候補の特徴量とに基づいて抽出される
ことを特徴とする。
において、前記成分は、前記クラスに属する候補の全体
の特徴量と、前記クラスに属する候補のうち前記認識対
象との距離の近い候補の特徴量とに基づいて抽出される
ことを特徴とする。
【００１６】また、請求項３の発明は、請求項１の発明
において、前記識別関数は、フィッシャーの線形判別法
を適用して決定されることを特徴とする。
において、前記識別関数は、フィッシャーの線形判別法
を適用して決定されることを特徴とする。
【００１７】また、請求項４の発明は、請求項１の発明
において、前記認識対象は、文字であることを特徴とす
る。
において、前記認識対象は、文字であることを特徴とす
る。
【００１８】また、請求項５の発明は、所定の識別関数
を用いて認識対象の特徴量を評価することにより該識別
対象を２つのクラスのいずれに属するかを識別するパタ
ーン認識装置において、前記認識対象の特徴量を抽出す
る特徴量抽出手段と、前記クラスに属する候補の特徴量
を格納する辞書手段と、前記特徴量抽出手段が抽出した
前記認識対象の特徴量に基づいて前記辞書手段に格納さ
れた前記クラスの特徴量から注目すべき成分を選択する
特徴選択手段と、前記特徴選択手段が選択した成分に基
づいて識別関数を決定し、該決定した識別関数に基づい
て前記認識対象の識別を行う識別処理手段とを具備する
ことを特徴とする。
を用いて認識対象の特徴量を評価することにより該識別
対象を２つのクラスのいずれに属するかを識別するパタ
ーン認識装置において、前記認識対象の特徴量を抽出す
る特徴量抽出手段と、前記クラスに属する候補の特徴量
を格納する辞書手段と、前記特徴量抽出手段が抽出した
前記認識対象の特徴量に基づいて前記辞書手段に格納さ
れた前記クラスの特徴量から注目すべき成分を選択する
特徴選択手段と、前記特徴選択手段が選択した成分に基
づいて識別関数を決定し、該決定した識別関数に基づい
て前記認識対象の識別を行う識別処理手段とを具備する
ことを特徴とする。
【００１９】また、請求項６の発明は、請求項５の発明
において、前記特徴選択手段は、前記クラスに属する候
補の全体の特徴量と、前記クラスに属する候補のうち前
記認識対象との距離の近い候補の特徴量とに基づいて前
記成分を選択することを特徴とする。
において、前記特徴選択手段は、前記クラスに属する候
補の全体の特徴量と、前記クラスに属する候補のうち前
記認識対象との距離の近い候補の特徴量とに基づいて前
記成分を選択することを特徴とする。
【００２０】また、請求項７の発明は、請求項５の発明
において、前記識別処理手段は、フィッシャーの線形判
別法を適用して前記識別関数を決定することを特徴とす
る。
において、前記識別処理手段は、フィッシャーの線形判
別法を適用して前記識別関数を決定することを特徴とす
る。
【００２１】また、請求項８の発明は、請求項５の発明
において、前記認識対象は、文字であることを特徴とす
る。
において、前記認識対象は、文字であることを特徴とす
る。
【００２２】
【発明の実施の形態】以下、この発明に係るパターン認
識方法および装置の一実施例について、添付図面を参照
して詳細に説明する。
識方法および装置の一実施例について、添付図面を参照
して詳細に説明する。
【００２３】図１は、この発明を適用した文字認識装置
の概略構成を示す機能ブロック図である。同図に示すよ
うに、文字認識装置１０は、画像入力部１と前処理部
２、特徴抽出部３、候補選出部４、特徴選択部５、判定
処理部６、辞書部７、結果出力部８を具備して構成され
る。
の概略構成を示す機能ブロック図である。同図に示すよ
うに、文字認識装置１０は、画像入力部１と前処理部
２、特徴抽出部３、候補選出部４、特徴選択部５、判定
処理部６、辞書部７、結果出力部８を具備して構成され
る。
【００２４】画像入力部１は、認識対象となる文字
（列）の画像を入力し、前処理部２は、認識の前処理と
して画像入力部１より入力された画像の２値化と文字の
切り出しなどを行う。特徴抽出部３は、前処理部２で前
処理が施された文字画像から特徴ベクトルを生成する。
特徴ベクトルの生成は、従来と同様に行い、例えば、文
字画像を５×５に分割し、分割した各々で８方向の特徴
量を抽出する。候補選出部４は、特徴抽出部３で生成さ
れた特徴ベクトルと辞書部７に格納されている全標本パ
ターンとのユークリッド距離を求め、候補カテゴリー
（クラス）を選出する。特徴選択部５は、特徴抽出部３
が生成した特徴ベクトルと候補選出部４が選出した候補
カテゴリーに基づいて、注目すべき成分を選択し、判定
処理部６は、特徴選択部５が選択した成分を参酌してフ
ィッシャーの方法により識別判定を行う。結果出力部６
は、判定処理部６が識別判定したカテゴリーを認識結果
として出力する。
（列）の画像を入力し、前処理部２は、認識の前処理と
して画像入力部１より入力された画像の２値化と文字の
切り出しなどを行う。特徴抽出部３は、前処理部２で前
処理が施された文字画像から特徴ベクトルを生成する。
特徴ベクトルの生成は、従来と同様に行い、例えば、文
字画像を５×５に分割し、分割した各々で８方向の特徴
量を抽出する。候補選出部４は、特徴抽出部３で生成さ
れた特徴ベクトルと辞書部７に格納されている全標本パ
ターンとのユークリッド距離を求め、候補カテゴリー
（クラス）を選出する。特徴選択部５は、特徴抽出部３
が生成した特徴ベクトルと候補選出部４が選出した候補
カテゴリーに基づいて、注目すべき成分を選択し、判定
処理部６は、特徴選択部５が選択した成分を参酌してフ
ィッシャーの方法により識別判定を行う。結果出力部６
は、判定処理部６が識別判定したカテゴリーを認識結果
として出力する。
【００２５】次に、図２を参照して文字認識装置１０の
動作を説明する。図２は、文字認識装置１０の動作の流
れを示すフローチャートである。
動作を説明する。図２は、文字認識装置１０の動作の流
れを示すフローチャートである。
【００２６】文字認識装置１０は、動作を開始すると、
まず、画像入力部１から認識対象の文字画像を入力し
（ステップ１０１）、前処理部２が画像入力部１から入
力された文字画像に対する前処理を行う（ステップ１０
２）。続いて、特徴抽出部３が前処理が施された文字画
像から特徴の抽出、つまり、特徴ベクトルを生成し（ス
テップ１０３）、候補選出部４が、特徴ベクトルと辞書
部７に格納されている全標本パターンとのパターンマッ
チング（距離計算）を行い、その結果の上位の所定数
（例えば１５個）を近傍パターンとし、この近傍パター
ンに基づいて候補カテゴリーを２つ決定する（ステップ
１０４）。
まず、画像入力部１から認識対象の文字画像を入力し
（ステップ１０１）、前処理部２が画像入力部１から入
力された文字画像に対する前処理を行う（ステップ１０
２）。続いて、特徴抽出部３が前処理が施された文字画
像から特徴の抽出、つまり、特徴ベクトルを生成し（ス
テップ１０３）、候補選出部４が、特徴ベクトルと辞書
部７に格納されている全標本パターンとのパターンマッ
チング（距離計算）を行い、その結果の上位の所定数
（例えば１５個）を近傍パターンとし、この近傍パター
ンに基づいて候補カテゴリーを２つ決定する（ステップ
１０４）。
【００２７】続いて、特徴選択部５が後述する特徴選択
処理を行い（ステップ１０５）、判定処理部６が後述す
る詳細判定処理を行い（ステップ１０６）、結果出力部
８が認識結果を出力して（ステップ１０７）、処理を終
了する。
処理を行い（ステップ１０５）、判定処理部６が後述す
る詳細判定処理を行い（ステップ１０６）、結果出力部
８が認識結果を出力して（ステップ１０７）、処理を終
了する。
【００２８】次に、特徴選択部５が行う特徴選択処理に
ついて説明する。特徴選択処理は、２つの候補カテゴリ
ーから認識結果としてのカテゴリーを決定する際に、注
目すべき成分を決定する処理である。例えば、図３
（ａ）に示す代表的な「ユ」と図３（ｂ）に示す代表的
な「コ」を識別する際には、図３（ｃ）に示すように、
文字の左上、右上、右下の順に重点を置くことで、その
識別が容易となる。しかしながら、図３（ｄ）に示すよ
うな「コ」が入力された場合、文字の左上や右上に注目
しても「ユ」との違いは少なく（図３（ｅ）参照）、図
３（ｆ）に示すように文字の右下にのみ注目すれば、
「ユ」との識別が容易となる。
ついて説明する。特徴選択処理は、２つの候補カテゴリ
ーから認識結果としてのカテゴリーを決定する際に、注
目すべき成分を決定する処理である。例えば、図３
（ａ）に示す代表的な「ユ」と図３（ｂ）に示す代表的
な「コ」を識別する際には、図３（ｃ）に示すように、
文字の左上、右上、右下の順に重点を置くことで、その
識別が容易となる。しかしながら、図３（ｄ）に示すよ
うな「コ」が入力された場合、文字の左上や右上に注目
しても「ユ」との違いは少なく（図３（ｅ）参照）、図
３（ｆ）に示すように文字の右下にのみ注目すれば、
「ユ」との識別が容易となる。
【００２９】ここで、図４を参照して特徴選択処理の流
れを説明する。図４は、特徴選択処理の流れを示すフロ
ーチャートである。
れを説明する。図４は、特徴選択処理の流れを示すフロ
ーチャートである。
【００３０】特徴選択処理では、まず、全特徴成分に対
してフィッシャーの方法を適用して射影を行う行列Ａを
求める（ステップ１５１）。続いて、式１に示す候補カ
テゴリーの全標本辞書平均と、式２に示す近傍パターン
の平均を求める（ステップ１５２）。
してフィッシャーの方法を適用して射影を行う行列Ａを
求める（ステップ１５１）。続いて、式１に示す候補カ
テゴリーの全標本辞書平均と、式２に示す近傍パターン
の平均を求める（ステップ１５２）。
【００３１】
【式１】
【式２】 次に、フィッシャーの方法適用時に安定して射影軸が求
まるようにする処理を行うが、これは候補カテゴリーの
近傍平均の成分u'i、v'iが０または１であるようなもの
を除く処理であり、具体的には、式３を満たす成分ｉを
抽出する（ステップ１５３）。
まるようにする処理を行うが、これは候補カテゴリーの
近傍平均の成分u'i、v'iが０または１であるようなもの
を除く処理であり、具体的には、式３を満たす成分ｉを
抽出する（ステップ１５３）。
【００３２】
【式３】 続いて、以下に定義する局所累積寄与度を算出する（ス
テップ１５４）。ここで、局所累積寄与度について説明
する。まず、式４に示すようにｉ成分の寄与度κiを定
義する。次に、入力データの近傍パターンを考慮する
と、式４から各成分の寄与度は式５に示すように定義で
きる。
テップ１５４）。ここで、局所累積寄与度について説明
する。まず、式４に示すようにｉ成分の寄与度κiを定
義する。次に、入力データの近傍パターンを考慮する
と、式４から各成分の寄与度は式５に示すように定義で
きる。
【００３３】
【式４】
【式５】 なお、式５において、αは近傍パターンの影響度を示し
ており、αが大きい程近傍情報を重視していることにな
る。
ており、αが大きい程近傍情報を重視していることにな
る。
【００３４】局所累積寄与度は、(κi local)N i=1から任
意にｍ個取り出したものの総和として定義し、Κ
local(m)で表す。
意にｍ個取り出したものの総和として定義し、Κ
local(m)で表す。
【００３５】次に、局所累積寄与度Κlocal(m)を最大に
する最大局所累積寄与度Κ* local(m)を用いて最大化す
る成分を選択し（ステップ１５５）、特徴選択処理を終
了する。
する最大局所累積寄与度Κ* local(m)を用いて最大化す
る成分を選択し（ステップ１５５）、特徴選択処理を終
了する。
【００３６】なお、ここで説明した特徴選択処理を図３
（ｄ）に示した「コ」を入力パターンとした場合に適用
すると、各方向（方向については、図１１（ｂ）を参
照）、各成分における寄与度κi localは、図５に示すよ
うになり、文字の下部の値が大きいことがわかる。
（ｄ）に示した「コ」を入力パターンとした場合に適用
すると、各方向（方向については、図１１（ｂ）を参
照）、各成分における寄与度κi localは、図５に示すよ
うになり、文字の下部の値が大きいことがわかる。
【００３７】次に、判定処理部６における詳細判定処理
（図２のステップ１０６）について説明する。図６は、
詳細判定処理の流れを示すフローチャートである。
（図２のステップ１０６）について説明する。図６は、
詳細判定処理の流れを示すフローチャートである。
【００３８】判定処理部６は、詳細判定処理を開始する
と、特徴選択部５により特徴選択された空間で候補カテ
ゴリーにおける近傍平均、標本辞書平均、クラス内変動
行列を求め（ステップ１６１）、フィッシャーの線形判
別法を適用して一次元への射影行列Asを得て（ステップ
１６２）、カテゴリーを決定し（ステップ１６３）、詳
細判定処理を終了する。
と、特徴選択部５により特徴選択された空間で候補カテ
ゴリーにおける近傍平均、標本辞書平均、クラス内変動
行列を求め（ステップ１６１）、フィッシャーの線形判
別法を適用して一次元への射影行列Asを得て（ステップ
１６２）、カテゴリーを決定し（ステップ１６３）、詳
細判定処理を終了する。
【００３９】なお、入力データの特徴ベクトルをx、特
徴選択された特徴ベクトルをxs、候補カテゴリーの全標
本全体の平均において特徴選択されたものをus、vs、近
傍パターンのうち候補カテゴリーであるものの平均にお
いて特徴選択されたものをu' s、v'sとすれば、識別関数
は、式６で表され、その識別規則は式７で表せる。
徴選択された特徴ベクトルをxs、候補カテゴリーの全標
本全体の平均において特徴選択されたものをus、vs、近
傍パターンのうち候補カテゴリーであるものの平均にお
いて特徴選択されたものをu' s、v'sとすれば、識別関数
は、式６で表され、その識別規則は式７で表せる。
【００４０】
【式６】
【式７】 また、図７は、図３（ｄ）に示した「コ」を入力パター
ンとした場合にステップ１６２で得られる射影行列Asの
各成分を示したものであり、０となっている成分は、選
択されなかった成分である。この各成分を図８に示す特
徴選択を行わなかった場合の射影行列A（従来と同様の
方法で得たもの）と比較すると、射影行列Asは、文字の
下部の値が大きく、重み付けされていることがわかる。
ンとした場合にステップ１６２で得られる射影行列Asの
各成分を示したものであり、０となっている成分は、選
択されなかった成分である。この各成分を図８に示す特
徴選択を行わなかった場合の射影行列A（従来と同様の
方法で得たもの）と比較すると、射影行列Asは、文字の
下部の値が大きく、重み付けされていることがわかる。
【００４１】このように特徴選択をして射影軸への射影
を行うと、例えば、図９に示すようなデータＸ１（カテ
ゴリーＢに属する）が入力されると、従来の方法で得ら
れる射影軸１へのＸ１の射影Ｙ１はカテゴリーＡに属す
ることになるが（Ｙ１ＹＡ１＜Ｙ１ＹＢ１）、特徴選択
により得られる射影軸２へのＸ１の射影Ｙ２は、カテゴ
リーＢに属することになる（Ｙ２ＹＡ２＞Ｙ２ＹＢ
２）。ただし、同図中の実線の楕円は、各カテゴリー
（Ａ、Ｂ）の平均パターンm1、m2から等密度となる線で
あり、破線の楕円は、入力データＸ１の近傍パターンの
うちカテゴリーＡであるものの領域（領域ａ）と、カテ
ゴリーＢであるものの領域（領域ｂ）を示している。
を行うと、例えば、図９に示すようなデータＸ１（カテ
ゴリーＢに属する）が入力されると、従来の方法で得ら
れる射影軸１へのＸ１の射影Ｙ１はカテゴリーＡに属す
ることになるが（Ｙ１ＹＡ１＜Ｙ１ＹＢ１）、特徴選択
により得られる射影軸２へのＸ１の射影Ｙ２は、カテゴ
リーＢに属することになる（Ｙ２ＹＡ２＞Ｙ２ＹＢ
２）。ただし、同図中の実線の楕円は、各カテゴリー
（Ａ、Ｂ）の平均パターンm1、m2から等密度となる線で
あり、破線の楕円は、入力データＸ１の近傍パターンの
うちカテゴリーＡであるものの領域（領域ａ）と、カテ
ゴリーＢであるものの領域（領域ｂ）を示している。
【００４２】また、図１０は、ある入力データに対して
特徴選択を行わなかった場合（従来法）と、特徴選択を
行った場合（本手法）に決定されたカテゴリーの例を示
したもので（候補カテゴリーは、従来法と本手法で同
一）、特徴選択を行うことにより、高い認識能力を有す
るパターン認識を行えることが分かる。
特徴選択を行わなかった場合（従来法）と、特徴選択を
行った場合（本手法）に決定されたカテゴリーの例を示
したもので（候補カテゴリーは、従来法と本手法で同
一）、特徴選択を行うことにより、高い認識能力を有す
るパターン認識を行えることが分かる。
【００４３】なお、この実施例では、文字認識を例とし
て説明したが、音声認識などの他のパターン認識であっ
ても、フィッシャーの方法を適用するパターン認識であ
れば特徴選択を行って認識率を向上させることができ
る。
て説明したが、音声認識などの他のパターン認識であっ
ても、フィッシャーの方法を適用するパターン認識であ
れば特徴選択を行って認識率を向上させることができ
る。
【００４４】
【発明の効果】以上説明したように、この発明によれ
ば、入力データの近傍を考慮して特徴選択を行い、特徴
選択された空間でフィッシャーの線形判別法を適用する
ように構成したので、手書き文字などの変化の大きい入
力に対しても高い認識能力を得ることができる。
ば、入力データの近傍を考慮して特徴選択を行い、特徴
選択された空間でフィッシャーの線形判別法を適用する
ように構成したので、手書き文字などの変化の大きい入
力に対しても高い認識能力を得ることができる。
【図１】この発明を適用した文字認識装置の概略構成を
示す機能ブロック図である。
示す機能ブロック図である。
【図２】文字認識装置１０の動作の流れを示すフローチ
ャートである。
ャートである。
【図３】特徴選択処理を説明するための図である。
【図４】特徴選択処理の流れを示すフローチャートであ
る。
る。
【図５】寄与度の算出結果を示した図である。
【図６】詳細判定処理の流れを示すフローチャートであ
る。
る。
【図７】射影行列Asの各成分を示した図である。
【図８】射影行列Aの各成分を示した図である。
【図９】特徴選択をした射影軸への射影を説明するため
の図である。
の図である。
【図１０】識別結果例を示した図である。
【図１１】特徴量の抽出を説明するための図である。
【図１２】フィッシャーの方法による射影を説明するた
めの図である。
めの図である。
【図１３】誤認識を説明するための図である。
【図１４】重ね合わせの結果を示した図である。
【図１５】線形分離できないカテゴリーの特徴空間での
分布を示した図である。
分布を示した図である。
１ 画像入力部 ２ 前処理部 ３ 特徴抽出部 ４ 候補選出部 ５ 特徴選択部 ６ 判定処理部 ７ 辞書部 ８ 結果出力部
フロントページの続き Ｆターム(参考） 5B064 AA01 BA01 DA05 DA06 DA09 DC07 DC19 DC27 DC37 DC39 DC40 DC42 EA34 5L096 BA16 BA17 FA67 HA09 JA11 JA14
Claims (8)
- 【請求項１】 所定の識別関数を用いて認識対象の特徴
量を評価することにより該識別対象を２つのクラスのい
ずれに属するかを識別するパターン認識方法において、 前記認識対象の特徴量に基づいて前記クラスに属する候
補の特徴量の中から注目すべき成分を抽出し、該抽出し
た成分に基づいて識別関数を決定し、該決定した識別関
数に基づいて前記認識対象の識別を行うことを特徴とす
るパターン認識方法。 - 【請求項２】 前記成分は、 前記クラスに属する候補の全体の特徴量と、前記クラス
に属する候補のうち前記認識対象との距離の近い候補の
特徴量とに基づいて抽出されることを特徴とする請求項
１記載のパターン認識方法。 - 【請求項３】 前記識別関数は、 フィッシャーの線形判別法を適用して決定されることを
特徴とする請求項１記載のパターン認識方法。 - 【請求項４】 前記認識対象は、 文字であることを特徴とする請求項１記載のパターン認
識方法。 - 【請求項５】 所定の識別関数を用いて認識対象の特徴
量を評価することにより該識別対象を２つのクラスのい
ずれに属するかを識別するパターン認識装置において、 前記認識対象の特徴量を抽出する特徴量抽出手段と、 前記クラスに属する候補の特徴量を格納する辞書手段
と、 前記特徴量抽出手段が抽出した前記認識対象の特徴量に
基づいて前記辞書手段に格納された前記クラスの特徴量
から注目すべき成分を選択する特徴選択手段と、 前記特徴選択手段が選択した成分に基づいて識別関数を
決定し、該決定した識別関数に基づいて前記認識対象の
識別を行う識別処理手段とを具備することを特徴とする
パターン認識装置。 - 【請求項６】 前記特徴選択手段は、 前記クラスに属する候補の全体の特徴量と、前記クラス
に属する候補のうち前記認識対象との距離の近い候補の
特徴量とに基づいて前記成分を選択することを特徴とす
る請求項５記載のパターン認識装置。 - 【請求項７】 前記識別処理手段は、 フィッシャーの線形判別法を適用して前記識別関数を決
定することを特徴とする請求項５記載のパターン認識装
置。 - 【請求項８】 前記認識対象は、 文字であることを特徴とする請求項５記載のパターン認
識装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP27058699A JP4350228B2 (ja) | 1999-09-24 | 1999-09-24 | パターン認識方法および装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP27058699A JP4350228B2 (ja) | 1999-09-24 | 1999-09-24 | パターン認識方法および装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2001092924A true JP2001092924A (ja) | 2001-04-06 |
| JP4350228B2 JP4350228B2 (ja) | 2009-10-21 |
Family
ID=17488196
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP27058699A Expired - Fee Related JP4350228B2 (ja) | 1999-09-24 | 1999-09-24 | パターン認識方法および装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP4350228B2 (ja) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006251596A (ja) * | 2005-03-14 | 2006-09-21 | Kyoto Institute Of Technology | 視覚障害者支援装置 |
| JP2008158776A (ja) * | 2006-12-22 | 2008-07-10 | Canon Inc | 特徴検出方法及び装置、プログラム、記憶媒体 |
| JP2019515382A (ja) * | 2016-05-04 | 2019-06-06 | コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． | 医療アトラス登録 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102359188B (zh) * | 2011-07-27 | 2014-04-30 | 福州大学 | 钢管混凝土桁式结构内栓钉节点及其施工方法 |
-
1999
- 1999-09-24 JP JP27058699A patent/JP4350228B2/ja not_active Expired - Fee Related
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006251596A (ja) * | 2005-03-14 | 2006-09-21 | Kyoto Institute Of Technology | 視覚障害者支援装置 |
| JP2008158776A (ja) * | 2006-12-22 | 2008-07-10 | Canon Inc | 特徴検出方法及び装置、プログラム、記憶媒体 |
| US8072612B2 (en) | 2006-12-22 | 2011-12-06 | Canon Kabushiki Kaisha | Method and apparatus for detecting a feature of an input pattern using a plurality of feature detectors, each of which corresponds to a respective specific variation type and outputs a higher value when variation received by the input pattern roughly matches the respective specific variation type |
| JP2019515382A (ja) * | 2016-05-04 | 2019-06-06 | コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． | 医療アトラス登録 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP4350228B2 (ja) | 2009-10-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US5067165A (en) | Character recognition method | |
| US8345978B2 (en) | Detecting position of word breaks in a textual line image | |
| US7233697B2 (en) | Character recognition device and a method therefor | |
| Singh et al. | Offline script identification from multilingual indic-script documents: a state-of-the-art | |
| Zeki | The segmentation problem in arabic character recognition the state of the art | |
| CN112818951A (zh) | 一种票证识别的方法 | |
| JP2001175811A (ja) | 単語大分類装置及びその単語大分類方法並びにその制御プログラムを記録した記録媒体 | |
| Batista et al. | Improving performance of HMM-based off-line signature verification systems through a multi-hypothesis approach | |
| JP3917349B2 (ja) | 文字認識結果を利用して情報を検索する検索装置および方法 | |
| JP2008225695A (ja) | 文字認識誤り修正装置およびプログラム | |
| Chandra et al. | Optical character recognition-A review | |
| JP2004178569A (ja) | データ分類装置、物体認識装置、データ分類方法及び物体認識方法 | |
| Elaiwat | Holistic word descriptor for lexicon reduction in handwritten arabic documents | |
| JP2001092924A (ja) | パターン認識方法および装置 | |
| Wan et al. | On-line Chinese character recognition system for overlapping samples | |
| Oliveira et al. | A synthetic database to assess segmentation algorithms | |
| Nguyen-Trong | An End-to-End Method to Extract Information from Vietnamese ID Card Images | |
| JP2009259190A (ja) | 文字認識プログラムおよび文字認識装置 | |
| JP2004094644A (ja) | 画像処理装置、画像処理方法、記憶媒体及びプログラム | |
| Srihari | Recent advances in off-line handwriting recognition at CEDAR | |
| JP3209197B2 (ja) | 文字認識装置及び文字認識プログラムを記録した記録媒体 | |
| Deepa et al. | Amultiset APPROACH FOR RECOGNITION OF HANDWRITTEN CHARACTERS USING PUZZLE PIECES | |
| Gatos et al. | A segmentation-free recognition technique to assist old Greek handwritten manuscript OCR | |
| Batista et al. | A Multi-Hypothesis approach for Off-Line signature verification with HMMs | |
| Graf et al. | Analysis of complex and noisy check images |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20060725 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20090106 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20090306 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20090407 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20090605 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20090721 |
|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20090722 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120731 Year of fee payment: 3 |
|
| R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120731 Year of fee payment: 3 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130731 Year of fee payment: 4 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130731 Year of fee payment: 4 |
|
| LAPS | Cancellation because of no payment of annual fees |