JP2003115028A

JP2003115028A - 帳票識別辞書自動生成方法及び帳票処理システム

Info

Publication number: JP2003115028A
Application number: JP2001307050A
Authority: JP
Inventors: Masakazu Fujio; 正和藤尾; Naohiro Furukawa; 直広古川; Yutaka Sako; 裕酒匂
Original assignee: Hitachi Ltd
Current assignee: Hitachi Ltd
Priority date: 2001-10-03
Filing date: 2001-10-03
Publication date: 2003-04-18

Abstract

(57)【要約】【課題】帳票識別処理で用いる、文字列の配置パターン
を記録した知識辞書を、帳票画像サンプルを用いて、自
動生成する。【解決手段】文字列抽出部102は、帳票識別システムの
文字列認識手法を流用して、帳票画像から文字列を自動
抽出する。安定度計算部103は、抽出した文字列の出現
頻度を調べて、各文字列の安定度を計算する。固有度計
算部104は、103の出力である文字列データBについて、
各文字列の出現した帳票種の数を調べて固有度を計算す
る。文字列優先度計算部105は、103で計算した固有度の
値や、文字列のその他の特徴を基に、登録優先度を計算
する。帳票識別辞書出力部106は、文字列の登録優先度
に従って、帳票識別辞書15を生成する。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、振込み領収書発行
等の業務を自動化する帳票処理システムに関し、特に、
高精度に帳票種を識別する手段を備えた帳票処理システ
ムに関する。

【０００２】

【従来の技術】金融機関における振込み業務等の自動化
を目的とした帳票処理システムにおいて、処理対象の帳
票の種類を識別する帳票識別は必須である。帳票の識別
手法としては、帳票にその種類を示す文字列や帳票情報
を持つバーコードを印刷しておき、機械で読み取る手法
と、識別させたい帳票種の画像特徴(罫線・枠位置など
のレイアウトや、記載文字や文字列等)をあらかじめ登
録しておき、照合を行い、最も類似している帳票種を決
定する手法とが一般的に知られている。但し前者の手法
では、帳票種情報の付与されていない帳票を扱うことが
できない。後者の手法の１つとしては、例えば、特開平
７−１５２８５６号公報で開示されている技術がある。
これは、処理対象とする用紙イメージから、用紙の種類
を規定できる部分的な画像を用紙の種類を識別するため
の識別画像（ＩＤ画像）として登録すると共に、文字読
取りに用いられる用紙の種類に応じた情報を登録し、登
録された識別画像に基づいて、文字読取の対象とする用
紙の種類を識別することにより、用紙の種類に応じた帳
票情報を用いて文字の読取りを行なうものであり、光学
的文字読取装置用として設計されていない複数の既存帳
票や文書を混在させて扱うことを目的としている。ま
た、別な手法としては、例えば、特開平１１−１８４９
６５号公報で開示されている技術がある。これは、帳票
のディジタル画像データから識別候補の構成要素の帳票
領域を得る帳票画像入力部と、帳票領域の中から構成要
素を抽出する構成要素抽出部と、複数の構成要素の中か
ら文字パターン等の条件を満たす構成要素を選択する第
１の構成要素選択部と、上記第１の構成要素から特徴部
分を抽出した後、これと登録済帳票データとを照合する
照合部と、第１の構成要素の中から登録済帳票データの
構成要素と明確に識別可能な第２の構成要素を選択する
第２の構成要素選択部と、第２の構成要素等を登録デー
タとして帳票識別辞書部に登録する登録部とを備えるこ
とにより、ＩＤ文字が記載されていない帳票であっても
識別するとともに、簡易に帳票登録を行う技術が開示さ
れている。この特開平１１−１８４９６５号公報で開示
されている技術では、帳票画像から文字、矩形欄等の構
成要素を抽出し、文字パターン、配置の規則性に関する
幾つかの条件を満たすものを第１の構成要素として選択
する。次に第１の構成要素の中から、登録済帳票データ
の構成要素と明確に識別可能な第2の構成要素を選択す
る。たとえば未登録帳票データの第１の構成要素の中
に、「入金伝票」という文字列があり、登録済帳票デー
タの対応する領域に「基金込扱」という文字列がある
と、2番目の「金」という文字が重なっているので、そ
れを省いた「入伝票」と領域情報が文字単位で登録され
る。さらに、特開２００１−２０２４６６号公報には、
登録構成要素を文字単位ではなく、文字列単位とするこ
とで、より精度を向上し、扱える帳票種数を増やした帳
票識別システムが開示されている。

【０００３】

【発明が解決しようとする課題】上記特開平７−１５２
８５６号公報で開示されている技術では、登録対象とす
る帳票について、取得した帳票イメージを表示部に表示
することにより、利用者に対して、表示された帳票イメ
ージ中からＩＤ画像とすべき領域を指示させている。従
ってこの場合、帳票種数が多いと登録に多大な労力がか
かるとともに、識別領域が有効であるかどうかを登録時
に確認できないため、当該帳票の識別精度が低いという
問題があった。

【０００４】また、特開平１１−１８４９６５号公報で
開示されている技術では、一部でも重なった文字がある
とその文字は登録対象から外れるため、登録すべき帳票
種が増加するに従い登録できる文字数が少なくなり、帳
票識別精度が低下するという問題が発生する。その上、
登録済み帳票種の構成要素と明確に区別できる文字がな
くなり、扱える帳票種が減少する。また、登録済み帳票
種の登録内容は一度登録されると変更できない点も識別
精度を保証する上で問題がある。

【０００５】さらに、特開２００１−２０２４６６号公
報に開示されているシステムにおいては、帳票識別辞書
に登録する文字列の選択は人手で行われている。この場
合、識別すべき帳票種の数が増加とともに、既存の帳票
識別精度を落とさず、さらに新たに登録する帳票種の識
別にも有効な文字列を選択するには多大な労力を必要と
する問題もある。

【０００６】

【課題を解決するための手段】上記のような従来技術の
問題点に鑑み、本発明では、まず帳票処理システムの帳
票識別部で用いられる文字列認識手段により帳票画像か
ら文字列抽出を行う。次に、抽出した文字列の同一性を
判定する判定手段を基に、同一帳票種の複数サンプル画
像から抽出した帳票記載文字列に対して前記判定手段を
用いて各抽出文字列の安定度を計算する計算手段を有す
る。これにより、文字列識別装置で安定して識別できる
文字列の自動抽出を行うことが可能となる。また、上記
の抽出済み帳票記載文字列の固有度を計算する固有度計
算部と、各要素の登録優先度を計算する優先度計算部
と、前記優先度計算手段による優先度を基に、帳票識別
辞書を生成する辞書生成部とを有することにより、帳票
識別精度を保証する文字列の自動登録を行うことが可能
となる。さらに、帳票種ごとに1サンプルしか入手でき
ない場合について、登録すべき帳票の多値画像データを
得る撮像手段と、抽出したい単語のリストを記述した単
語辞書と、多値画像データに対してパラメータ値に応じ
て異なった二値画像を生成する二値化手段と、パラメー
タ値に応じて異なった回転角の回転画像を生成する画像
回転手段と、前記二値化及び回転手段により、一枚のサ
ンプル画像から複数のサンプル画像を生成する画像摂動
部を有することにより、文字列識別装置で安定して識別
できる文字列の自動抽出を行うことが可能となる。そし
て、上記の文字列抽出手段により自動抽出した帳票記載
文字列の両方のデータから、登録文字列の優先度を計算
する優先度計算部を有することにより、不足文字列の補
完、登録内容の補正を行うことができる。

【０００７】

【発明の実施の形態】以下、本発明に係わる実施例を説
明する。（実施例１）図１に、本発明の帳票処理システムの構成
を示す。帳票処理システムは、帳票画像１を入力し画像
の特徴を抽出する画像特徴抽出部２、識別辞書自動作成
部５で作成された帳票識別辞書を格納する帳票識別辞書
格納部４、帳票識別辞書と画像の特徴を受け、識別結果
を出力する帳票識別部３から構成される。図２に、画像
特徴抽出部２と帳票識別部３の処理の流れを示す。ま
ず、画像特徴抽出部２において入力画像から文字列画像
を抽出する。次に、抽出した文字列画像と予め生成され
た帳票識別辞書の登録文字列との照合処理を行い、帳票
の類似度を計算する。これらの処理については、以下の
図３にて詳細に説明する。図３は、帳票識別辞書との照
合処理について示した図である。まず、入力画像から文
字列を抽出する(図３(A))。次に、抽出された文字列の
全てに対して、帳票種Aに登録されている候補文字列と
照合処理を行う(図３(B))。その上で、各文字列の文字
列照合スコアを記録する(図３(C))。この図３(C)の例で
は、帳票種Aに記憶されている６個の登録文字列のう
ち、4つの文字列との照合に成功している。このよう
に、他の候補帳票種B、Cについても同様に照合処理を行
い、図４に示すように各帳票種の登録文字列との照合結
果を記録しておく。

【０００８】候補帳票種の登録文字列の文字列照合スコ
アが求められたら、この文字列照合スコアを基に、入力
画像と候補帳票種の近さを示す帳票類似度を計算する。
帳票類似度計算は、例えば、文字列照合スコアの平均値
を使うのであれば、図３ (C)の例では、3.96/6 = 0.66
となる。このように、全ての候補帳票種に対し帳票類似
度を計算し、最も類似度の高い帳票種の類似度が、アク
セプト閾値を超えていればその帳票種を識別結果として
出力する。それ以外の場合は”候補なし”とする。第１
の実施形態に係わる帳票識別辞書生成部の処理の流れ
を、図５に示す。まず、光学式スキャナ等の帳票画像撮
像装置により、帳票サンプル１０から帳票画像データ１
１を生成する（ステップ１０１）。帳票画像データ１１
は、実施形態に応じて二値画像の場合や多値画像の場合
がありうる。次にOCR等の文字認識手法を利用して帳票
記載文字列を抽出する（ステップ１０２）。例えばOCR
を用いて画像データ１１から文字候補を抽出したあと、
単語辞書１２中の単語と照合を行い、尤もらしい文字列
を領域情報と共に抽出する。抽出した文字列データA１
３は、図１２に示したように、文字列情報、領域情報、
帳票種ID、サンプルIDから構成される。次に、抽出され
た文字列した文字列データAに対し、安定度が適当な閾
値β以上のものを選択し、文字列データB１４として出
力する（ステップ２０３）。文字列データB１４は、図
１３に示すように、文字列情報、領域情報、帳票種ID、
サンプルID、安定度の情報から構成される。この安定
度、および、後述する固有度の計算には、抽出した文字
列データ同士の同一性判定手法を用いる。図６を用い
て、同一性判定手法を説明する。文字列データ要素Aと
文字列データ要素Bが第１の同一性判定手法のもとで同
一であるとは、要素Aの文字列と要素Bの文字列が同じで
ある場合を指す。また、第２の同一性判定手法のもとで
同一であるとは、要素Aの文字列と要素Bの文字列が同じ
で且つ要素Aの領域と要素Bの領域がある閾値α以上の割
合で重なる場合を指す。図2の例では、要素Aも要素Bも
同じ「預け入れ額」という文字列なので、第１の同一性
判定手段のもとで同一である。また要素Aと要素Bの領域
情報から定義される重なりの割合がある程度以上であれ
ば、第２の同一性判定手段においても同一と判定され
る。重なりの割合の計算手法としては、例えば、「重な
っている部分の割合が、５０％以上である」、「重なっ
ているX軸、Y軸の割合がともに７０％以上である」等さ
まざまな基準が定義できる。領域の同一性の判定手法と
しては、他には、画像領域を n × m 分割し各領域にID
をつけ、領域IDで文字列の位置を表現する手法などがあ
る。

【０００９】ステップ２０３に示す安定度の計算は、さ
らに以下の通り行う。第１実施形態、第２実施形態にお
ける文字列データAの各要素につき、第２の同一性判定
手法を用いて、文字列データBの各要素と同一の文字列
データの持つサンプルIDの種類数を、前記文字列データ
Bの各要素について計算し、頻度Freq1とする。また、文
字列データBの各要素の属する帳票種IDと同じ帳票種ID
を持つサンプルの数をFreq2とする。安定度GPはFreq1と
Freq2、文字列読取装置の読取結果のスコア、文字の大
きさ等を使用して求める。文字列の固有度計算につい
て、図７を用いて説明する。文字列の固有度は、文字列
が出現する帳票種の種類数で定義できる。学習画像中の
帳票種のうち、文字列αが抽出された帳票種の数を α
１とする。また前記同一性判定手段2の下で、文字列α
が抽出された帳票種の数を α２とする。図７において
は、3種類の帳票種と、そこから抽出された文字列につ
いて図示している。登録済み帳票はこの3種類の帳票の
みであると仮定する。破線は各文字列の座標を比較する
ための基準を示す。「千代田区」という文字列は3種の
帳票すべてに現れているので、文字列５００、５０１、
５０４、５０５のα１値はいずれも４である。また座標
に重なりがあるのは、５００、５０２、５０４なので、
５００、５０２、５０４のα２の値は３である。それに
対し、５０５のα２値は 1となる。文字列の固有度は、
α１、α２の値を基に定義する。このようにして求めた
安定度と固有度の2つの尺度を用いることによって、優
先度を付与する。優先度を計算する。この優先度によ
り、例えば、上位ｎ個と帳票識別辞書に登録する。ある
いは、優先度をもとに文字列の重み付けを行い、帳票類
似度計算に反映させることを行う。（実施例2）図８は、第２の実施形態における帳票識別
辞書生成システムの処理フローである。実施例１が、識
別帳票画像全体を一度に学習する場合を想定していたの
に対し、第２実施形態では、追加学習する場合を想定し
ている。実施例１との違いは、既存の帳票種に関する文
字列データBをB'として記憶しておき、ステップ２０４
において再利用する点である。これは、追加帳票サンプ
ルから生成された文字列データBと記憶していた文字列
データB'を用いることで固有度の計算を行う。（実施例３）第１、２の実施形態では、文字列の自動抽
出の際、識別率を計算するため、帳票種ごとに複数のサ
ンプルを必要とする。しかし、現実には、サンプル入手
が困難である場合もあり、帳票種ごとに1サンプルしか
入手できない場合がある。この実施例３では、第１およ
び第２の実施形態に、画像データの摂動処理を追加した
ものであり、これにより、１サンプルの帳票で識別率を
計算することが可能となる。以下、図９を用いて説明す
る。図９は、実施例３の帳票識別学習部を示す処理の流
れを示す図である。まず、光学式スキャナ等により帳票
サンプル３０から多値帳票画像を生成する（ステップ３
０１）。次に、多値画像データ３１を入力として摂動処
理を行い、複数の画像データ３２を得る（ステップ３０
２）。摂動処理（ステップ３０２）は、二値化のパラメ
ータの変化と、微小回転処理とを組み合わせ、二値化＋
回転画像として出力画像３２を得るものである。次に前
記画像データ３２を入力として、OCR等の文字認識手法
を利用して帳票記載文字列を抽出する（ステップ３０
３）。例えばOCRを用いて画像データ３２から文字候補
を抽出したあと、単語辞書３３中の単語と照合を行い、
尤もらしい文字列を領域情報と共に抽出する。抽出した
文字列データA３４は、文字列情報、領域情報、帳票種I
D、サンプルIDからなる。次に第１及び第２の実施形態
と同様に、抽出した文字列データA３４の安定度と固有
度を計算する。そして安定度と固有度の値に基づいて、
第１及び第２の実施形態と同様に帳票識別辞書を生成す
る（ステップ３０７）。（実施例４）これまでの実施例では、文字列の自動抽出
について述べたが、その自動抽出を補完するために人手
による文字列の追加登録も考慮する必要もある。第４の
実施形態では、人手により文字列抽出した文字列データ
の利用を、前述の第１、第２、第３の実施形態と組み合
わせることにより、文字列の追加登録を可能とする。図
１１に、実施例４の帳票記載文字列人手抽出と再学習処
理フローを示す。まず、第１、２、３実施形態と同様に
文字列の自動抽出を行い、帳票識別辞書７０を生成す
る。次に、生成された帳票識別辞書７０を人手で確認す
る。辞書が生成されなかった帳票種が存在する、あるい
は登録すべきでない文字列が選ばれる等の修正すべき項
目が見つかった場合、文字列登録GUI７０１等を用い
て、人手により帳票記載文字列登録を行い、文字列デー
タC７３を得る。文字列データC７３は、文字列データＢ
と同様、文字列情報、領域情報、帳票種ID、サンプルI
D、安定度の情報からなる。次に文字列データC７３につ
いても安定度と固有度を計算する７００。固有度の値
は、自動抽出した文字列と人手抽出した文字列全体を用
いて、実施形態1、2、3と同様の処理で再計算する。こ
の辞書生成と確認を、すべての帳票種について識別辞書
が生成されるまで繰り返す。

【００１０】

【発明の効果】本発明により、処理対象の定型帳票が登
録されている複数種類の帳票の何れかに該当しているか
を識別する帳票処理技術において使用する、帳票識別辞
書の生成の手間を軽減できる。

【図面の簡単な説明】

【図１】帳票処理システム構成を表す。

【図２】帳票識別部処理フローを表す。

【図３】帳票識別部の処理の一部である照合処理を表
す。

【図４】識別辞書による照合処理の結果例を表す。

【図５】帳票識別辞書生成部の第1実施形態を表す。

【図６】抽出文字列の同一性判定手法の説明用の図を表
す。

【図７】固有度の計算手法の説明用の図を表す。

【図８】帳票識別辞書生成部の第2実施形態を表す。

【図９】帳票識別辞書生成部の第3実施形態を表す。

【図１０】帳票画像の摂動処理例を表す。

【図１１】人手による文字列抽出処理フローを表す。

【図１２】文字列データAの例を表す。

【図１３】文字列データBの例を表す。

【符号の説明】

１…帳票画像、２…画像特徴抽出部、３…帳票識別部、
４…帳票識別辞書格納部、５…識別辞書自動作成部、１
０…帳票サンプル、１１…画像データ、１２…単語辞
書、１３…文字列データＡ、１４…文字列データＢ、１
５…帳票識別辞書。

フロントページの続き (72)発明者酒匂裕東京都国分寺市東恋ケ窪一丁目280番地株式会社日立製作所中央研究所内Ｆターム(参考） 5B029 BB02 CC26

Claims

【特許請求の範囲】

【請求項１】帳票画像を入力し入力画像から文字列画像
を抽出し、前記文字列の安定度を計算し、さらに前記文
字列の固有度を計算し、前記安定度と前記固有度とによ
り抽出文字列の登録の優先度を求め、前記優先度に基づ
き帳票識別辞書を生成することを特徴とする帳票識別辞
書自動生成方法。
【請求項２】登録対象帳票画像から帳票記載の文字列を
抽出する文字列抽出部と、前記文字列抽出部により抽出
された文字列の安定度を計算する安定度計算部と、前記
文字列抽出部により抽出された文字列の固有度を計算す
る固有度計算部と、前記安定度と前記固有度とを基に抽
出文字列の登録優先度を計算する優先順位計算部と、各
抽出文字列の優先度を基に前記帳票識別辞書を自動生成
する辞書生成部とを備え、前記辞書生成部により生成さ
れた帳票識別辞書と、処理対象帳票画像から抽出される
画像特徴と帳票識別辞書とを照合することで前記処理対
象帳票の種類を識別する帳票識別部と、前記帳票識別部
の識別結果に基づいて帳票の処理を行う帳票処理部を持
つことを特徴とする帳票処理システム。
【請求項３】請求項1に記載の帳票処理システムにおい
て、前記辞書自動生成部に、登録対象の帳票の多値画像
データからパラメータ値に応じて異なった二値画像を生
成し、パラメータ値に応じて異なった回転角の回転画像
を生成することで、１枚の帳票画像から複数の帳票サン
プルデータを生成する帳票画像摂動部を備えたことを特
徴とする帳票処理システム。