JP2009116488A - 情報処理装置 - Google Patents

Abstract

【課題】画像データに対応するインデックスデータを作成する作業を簡略化できる情報処理装置を提供することを課題とする。
【解決手段】スキャナ部１４は、紙文書を読み取り、文書画像データを作成する。ＯＣＲ処理部１１１は、文書画像データに対してＯＣＲ処理を行い、テキストデータを作成する。キーワード記憶部１１２は、インデックスの属性名と各属性名に対応するキーワードとを対応付けたキーワードテーブルと、属性データの抽出条件がキーワードごとに登録された抽出条件テーブルとを記憶する。属性データ抽出部１１３は、キーワードテーブルを用いて、属性名に対応するキーワードの検索をテキストデータに対して行う。キーワードを検出した場合、属性データ抽出部１１３は、抽出条件テーブルに登録された抽出条件に基づいて属性データをテキストデータから抽出し、属性名と属性データとを対応付けたインデックスデータを作成する。
【選択図】図１

Description

本発明は、文書を読み込んで作成した画像データからインデックスデータを作成する情報処理装置に関する。

近年、企業などにおいて、電子メール、Ｗｅｂページなどの電子データだけでなく、紙文書も電子データ化した上で管理する文書管理システムの利用が増加している。

文書管理システムは非常に多くの電子データを管理するため、ユーザが電子データを容易に検索できることが文書管理システムに求められている。そのため、文書管理システムは、紙文書を読み込んで作成した画像データ（以下、文書画像データという）が登録される際に、検索用のインデックスとして、文書画像データごとにインデックスデータを作成する。

具体的には、紙文書に記載された名前あるいは住所などの属性名に対応する文字データ（属性データ）が文書画像データから抽出される。そして、抽出された属性データと、属性名とを対応付けたインデックスデータが作成される。ユーザは、属性名と属性データとを指定することによって、所望の文書画像データを容易に検索することができる。

たとえば、特許文献１に、文書画像データからインデックスデータを作成する情報処理装置が開示されている。特許文献１が開示する情報処理装置は、ユーザの操作に基づいて、文字認識を行う領域の情報とインデックス項目とを対応付けたインデックス抽出情報をフォーム画像データごとに作成する。インデックス抽出情報に基づいて２次元バーコードが作成され、フォーム画像データと２次元バーコードとが合成される。フォーム画像データを用いた文書を登録する場合、特許文献１が開示する情報処理装置は、２次元バーコードを解析して指定された領域の文字認識処理を行ってテキストデータを取得し、テキストデータをインデックス項目のデータとして登録する。

特開２００６−２０９５４２号公報

上述したように、特許文献１が開示する情報処理装置は、２次元バーコード付きのフォーム画像データを用いて作成された文書を文書登録する際に、インデックス項目のデータを自動的に登録する。しかし、２次元バーコード付きのフォーム画像データを用いた文書の作成元は、特許文献１が開示する情報処理装置を直接使用するユーザである場合が多い。

つまり、受信したＦＡＸ文書あるいは郵送された文書などの外部文書については、２次元バーコード付きのフォーム画像データを用いて作成されるとは限らない。また、外部文書のフォーマットは様々である。このため、外部文書を文書管理システムに登録するたびに、ユーザはインデックス抽出情報の作成あるいは選択をしなければならないという問題があった。

そこで、本発明は前記問題点に鑑み、画像データに対応するインデックスデータを作成する作業を簡略化できる情報処理装置を提供することを目的とする。

上記課題を解決するため、請求項１記載の発明は、文書を読み取って画像データを形成するスキャナ部と、前記画像データに対して文字認識処理を行い、テキストデータを取得する文字認識処理部と、前記画像データのインデックスとして用いられるインデックスデータを作成するためのキーワードを、前記インデックスの属性名と対応付けて記憶するキーワード記憶部と、前記属性名に対応する属性データを、前記キーワードに基づいて前記テキストデータから抽出し、前記属性名と抽出した前記属性データとを対応付けて前記インデックスデータを作成する属性データ抽出部と、を備えることを特徴とする。

請求項２記載の発明は、請求項１に記載の情報処理装置において、前記キーワード記憶部は、前記テキストデータから前記属性データを抽出するための抽出条件データを、前記キーワードと対応付けて記憶する抽出条件データ記憶部、を含み、前記属性データ抽出部は、前記キーワードと前記抽出条件データとに基づいて、前記テキストデータから前記属性データを抽出することを特徴とする。

請求項３記載の発明は、請求項１または請求項２に記載の情報処理装置において、前記属性データ抽出部は、前記テキストデータが前記属性データとして抽出できる複数の文字列を含む場合、前記複数の文字列のうち前記テキストデータの先頭側に位置する文字列を前記属性データとして抽出することを特徴とする。

請求項４記載の発明は、請求項１または請求項２に記載の情報処理装置において、前記属性データ抽出部は、前記テキストデータが前記属性データとして抽出できる複数の文字列を含む場合、各文字列を前記属性データとして抽出することを特徴とする。

本発明に係る情報処理装置は、画像データの文字認識を行って得られたテキストデータから、属性名に対応するキーワードに基づいて属性データを抽出する。このように、本発明に係る情報処理装置は、文書のフォーマットに依存することなく画像データからインデックスデータを作成することができるため、文書登録時のユーザの作業を簡略化することができる。

以下、図面を参照しつつ本発明の一実施の形態について説明する。ここでは、本発明の情報処理装置の一例として、ネットワーク複合機を例にして説明する。図１は、本実施の形態に係るネットワーク複合機の構成を含む文書管理システムの構成図である。

図１に示す文書管理システムは、ネットワーク複合機１と、パーソナルコンピュータ（ＰＣ）２と、ファイル管理サーバ３とが、ローカルエリアネットワーク（ＬＡＮ）４に接続された構成となっている。ＬＡＮ４には、インターネットあるいは他のＬＡＮに接続するためのルータ（図示省略）などが設置されている。

ネットワーク複合機１は、紙文書を読み取って文書画像データを作成し、文書画像データに対応するインデックスデータを作成する。ＰＣ２は、文書画像データおよびインデックスデータを一時的に保存する。ファイル管理サーバ３は、文書画像データおよびインデックスデータをＰＣ２から取得し、各データを管理する。

まず、図１に示すネットワーク複合機１の構成について説明する。ネットワーク複合機１は、制御部１１と、操作部１２と、タッチパネル式ディスプレイ１３と、スキャナ部１４と、プリンタ部１５と、通信部１６とを備える。

制御部１１は、マイクロプロセッサ、メインメモリなどを含み、ネットワーク複合機１の全体制御を行う。また、制御部１１は、光学文字認識（Ｏｐｔｉｃａｌ Ｃｈａｒａｃｔｅｒ Ｒｅｃｏｇｎｉｔｉｏｎ：ＯＣＲ）処理部１１１と、キーワード記憶部１１２と、属性データ抽出部１１３とを有する。

操作部１２は、ネットワーク複合機１に対する各種の指示を入力するためのハードウェアキーなどで構成される。タッチパネル式ディスプレイ１３は、ネットワーク複合機１に関する情報、および各種の操作メニューを表示する。ユーザは、操作部１２およびタッチパネル式ディスプレイ１３（以下、「本体操作部」という）を利用して、ネットワーク複合機１の各種操作をすることが可能である。

スキャナ部１４は、オートドキュメントフィーダ（図示省略）等に載置された紙文書を読み取り、文書画像データとして出力する。プリンタ部１５は、ＰＣ２から出力されたデータ、あるいはスキャナ部１４から出力された文書画像データなどの印刷データを、各種の設定条件に応じて記録用紙に印刷する。なお、ネットワーク複合機１のコピー機能は、制御部１１、スキャナ部１４、およびプリンタ部１５が協働することにより実現される。

通信部１６は、ＬＡＮ４あるいはインターネットなどに接続された各コンピュータとの間で、ＴＣＰ／ＩＰなどのプロトコルを利用してデータの送受信を行う。

次に、制御部１１が有する各機能部について説明する。ＯＣＲ処理部１１１は、スキャナ部１４が出力した文書画像データに対してＯＣＲ処理を行い、テキストデータを作成する。

キーワード記憶部１１２は、ＯＣＲ処理部１１１が作成したテキストデータからインデックスデータを作成するためのキーワードテーブルと抽出条件テーブルとを記憶している。なお、インデックスデータは、インデックスの属性名と、属性データとによって構成される。属性名とは、「名前」あるいは「住所」などの属性の項目を指し、属性データとは、属性名に対応するデータを指す。

図２に、キーワードテーブルの一例を示す。図２に示すように、キーワードテーブルは、属性名と、属性名に対応するキーワードとを対応付けたテーブルである。

たとえば、図２に示すように、属性名「名前」に対応するキーワードとして、「殿」、「様」、「Ｍｒ」および「Ｍｒｓ」が登録されている。また、属性名「日付」に対応するキーワードとして、「年」、「月」、「日」、および「平成」が登録されている。このように、各属性名に対応するキーワードには、属性データとともに使用される頻度の高い文字列、あるいは属性データに含まれる可能性が高い文字列が指定される。なお、各属性名に対応するキーワードには、属性データとしてそのまま用いられる文字列を指定してもよい。また、属性名に対応するキーワードの数は、複数に限られず、一つであってもよい。

また、図３に、抽出条件テーブルの一例を示す。図３に示すように、抽出条件テーブルは、属性データを抽出する条件がキーワードごとに登録されているテーブルである。「抽出方向」は、属性データとして抽出すべき文字列が、キーワードの検出位置を基準として前方または後方のどちらに位置するかを示す。また、「キーワードの使用状態」は、抽出される属性データにキーワードが含まれるか否かを示す。具体的には、図３に示す「キーワードの使用状態」が「ＯＮ」の場合、キーワードが属性データに含まれることを示し、「ＯＦＦ」の場合、キーワードが属性データに含まれないことを示す。

たとえば、図３に示すように、キーワード「様」が検出された場合、検出位置の前方に位置する文字列が属性名「名前」の属性データとして抽出されることが分かる。また、キーワード「平成」が検出された場合、キーワード「平成」と、検出位置の後方に位置する文字列とが、属性名「日付」の属性データとして抽出されることがわかる。なお、抽出条件テーブルには、図３に示した抽出条件だけでなく、属性データとして抽出される文字列の範囲などが登録されていてもよい。

属性データ抽出部１１３は、キーワード記憶部１１２に記憶されたキーワードテーブルおよび抽出条件テーブルに基づいて、ＯＣＲ処理部１１１が作成したテキストデータから属性データを抽出する。属性データ抽出部１１３は、属性名と属性データとを対応付けたインデックスデータを、ＸＭＬ（ｅＸｔｅｎｓｉｂｌｅ Ｍａｒｋｕｐ Ｌａｎｇｕａｇｅ）などを用いて記述する。

次に、ＰＣ２について説明する。ＰＣ２には、ネットワーク複合機１およびファイル管理サーバ３がアクセス可能な共有フォルダ２１が作成されている。共有フォルダ２１は、ネットワーク複合機１が作成した文書画像データおよびインデックスデータを一時的に保存するためのフォルダである。

次に、ファイル管理サーバ３について説明する。ファイル管理サーバ３は、図１に示す文書管理システムに登録された、文書画像データ、電子メール、あるいはＷｅｂページなどの文書データを管理する。ファイル管理サーバ３は、共有フォルダ監視部３１と、ファイル管理ＤＢ３２と、ファイル記憶部３３とを備える。

共有フォルダ監視部３１は、ＰＣ２の共有フォルダ２１を常時監視する。ファイル管理ＤＢ３２は、共有フォルダ２１に保存された文書画像データおよびインデックスデータを取得し、ハードディスク装置などで構成されるファイル記憶部３３に記憶させる。また、ファイル管理ＤＢ３２は、ファイル記憶部３３に記憶された文書画像データおよびインデックスデータを管理する。

以下、図１に示す文書管理システムの文書登録時の動作を説明する。はじめに、ネットワーク複合機１がインデックスデータを作成する際の動作について説明する。

まず、ユーザが、本体操作部を操作して、キーワードテーブルおよび条件抽出テーブルを作成する。作成されたキーワードテーブルおよび条件抽出テーブルは、キーワード記憶部１１２に記憶される。キーワード記憶部１１２にキーワードテーブルおよび条件抽出テーブルが既に作成されている場合は、上述の処理を省略することができる。また、ユーザは、ＰＣ２を操作して、ＬＡＮ４経由でキーワードテーブルおよび抽出条件テーブルを作成することができる。

次に、ユーザがスキャナ部１４のオートドキュメントフィーダ（図示省略）に紙文書をセットし、本体操作部を介してセットした紙文書の文書登録を制御部１１に指示する。スキャナ部１４は、文書登録の指示に基づいて、紙文書を読み取って文書画像データを作成する。ＯＣＲ処理部１１１は、スキャナ部１４が作成した文書画像データに対してＯＣＲ処理を実行し、テキストデータを作成する。図４に、ＯＣＲ処理部１１１が作成したテキストデータの一例を示す。

次に、属性データ抽出部１１３が、キーワードテーブルおよび抽出条件テーブルを用いて、ＯＣＲ処理部１１１が作成したテキストデータから属性データを抽出する。

ここで、図２〜図４を用いて、属性データを抽出する処理について詳しく説明する。属性データ抽出部１１３は、キーワードテーブルに登録された属性名ごとに、テキストデータに対するキーワード検索を実行する。このとき、属性名に対応する全てのキーワードを用いて、キーワード検索が行われる。属性データ抽出部１１３は、テキストデータからキーワードを検出した場合、キーワードの検出位置と抽出条件テーブルとに基づいてテキストデータから属性データを抽出する。

たとえば、属性データ抽出部１１３は、図４に示すテキストデータ５に対して属性名「名前」に対応するキーワード検索を行った場合、キーワード「様」を検出する。図３に示すように、キーワード「様」の抽出条件は、抽出方向が前方であり、キーワードが属性データに含まれないことがわかる。このため、属性データ抽出部１１３は、領域５２の文字列「山田 太郎」を属性データとして抽出する。

また、属性データ抽出部１１３は、テキストデータ５に対して属性名「日付」に対応するキーワード検索を行った場合、キーワード「平成」を検出する。図３に示すように、キーワード「平成」の抽出条件は、抽出方向が後方であり、キーワードが属性データに含まれることがわかる。このため、属性データ抽出部１１３は、領域５３の文字列「平成１９年６月１５日」を属性データとして抽出する。

このように、属性データ抽出部１１３は、キーワードテーブルに登録された属性名ごとに上述の処理を行うことによって、各属性名に対応する属性データを抽出する。なお、図４において、領域５１〜５６で示す文字列は、図２に示すキーワードテーブルおよび図３に示す抽出条件テーブルに基づいて、属性データとして抽出される文字列を示す。

図５は、属性名と、属性データ抽出部１１３が抽出した属性データとの対応関係の一例を示す図である。図５に示す属性データは、図４に示すテキストデータ５から抽出したものである。図５に示すように、属性データ抽出部１１３は、属性名「住所」に対応するキーワードを抽出していない。これは、属性データ抽出部１１３が属性名「住所」に対応するいずれのキーワードについても、テキストデータ５から検出できなかったためである。

なお、ＯＣＲ処理部１１１が作成したテキストデータに、属性データとして抽出できる複数の文字列が存在する場合がある。たとえば、テキストデータ５において、領域５１に示す文字列「ＸＹＺ株式会社」と、領域５４に示す文字列「ＡＢＣ株式会社」とが、属性名「会社」に対応する属性データとしてテキストデータ５から抽出可能な文字列に該当する。

このような場合、属性データ抽出部１１３は、テキストデータの先頭に近い場所に位置する文字列（領域５１に示す文字列「ＸＹＺ株式会社」）を属性データとして抽出すればよい。あるいは、２番目に出現する文字列を属性データとして抽出する設定にしてもよい。また、属性データ抽出部１１３は、属性データとして抽出できる複数の文字列が存在する場合、それぞれの文字列を属性データとして抽出してもよい。

属性データが抽出された後、属性データ抽出部１１３は、属性名と、抽出した属性データとを対応付けたインデックスデータを作成する。このとき、属性データ抽出部１１３は、文書画像データとインデックスデータとを対応付ける。たとえば、文書画像データのファイル名を「文書データ１．ｔｉｆｆ」とし、インデックスデータのファイル名を「文書データ１．ｘｍｌ」とすればよい。このように、ファイル名における拡張子以外の文字列を一致させることによって、文書画像データとインデックスデータとを対応付けることができる。そして、属性データ抽出部１１３は、画像データとインデックスデータとを共有フォルダ２１に保存する。

次に、ファイル管理サーバ３の動作について説明する。ファイル管理サーバ３の共有フォルダ監視部３１は、共有フォルダ２１を常時監視している。共有フォルダ監視部３１は、文書画像データおよびインデックスデータが共有フォルダ２１に保存されたことを検出した場合、ファイル管理ＤＢ３２に新たな文書画像データが保存されたことを通知する。ファイル管理ＤＢ３２は、共有フォルダ２１に保存された文書画像データおよびインデックスデータを取得して、ハードディスク装置などで構成されたファイル記憶部３３に保存する。このとき、共有フォルダ２１に保存された文書画像データおよびインデックスデータは削除される。このようにして、スキャナ部１４で読み込まれた紙文書が、図１に示す文書管理システムに登録される。

以上説明したように、本実施の形態に係るネットワーク複合機１は、文書画像データに対してＯＣＲ処理を行うことによってテキストデータを作成し、キーワードテーブルおよび抽出条件テーブルを用いてテキストデータから属性データを抽出する。つまり、ネットワーク複合機１は、紙文書のフォーマットに依存することなく文書画像データからインデックスデータを作成することができる。したがって、ユーザが文書登録時にフォーマットの確認などをする必要がないため、ネットワーク複合機１は、文書登録時のユーザの作業を簡略化することができる。

なお、本実施の形態において、文書画像データおよびインデックスデータをＰＣ２の共有フォルダ２１に保存する場合を例にして説明したが、これに限られない。たとえば、ネットワーク複合機１がハードディスク装置などで構成される記憶部を備えてもよい。この場合、属性データ抽出部１１３は、ネットワーク複合機１の記憶部に作成された共有フォルダに、文書画像データおよびインデックスデータを保存すればよい。

また、本実施の形態において、属性データ抽出部１１３は、属性名に対応する属性データを抽出できなかった場合、属性データがないと判断する場合を例として説明したが、これに限られない。たとえば、属性データ抽出部１１３は、属性データを抽出できない属性名があることを示すメッセージをタッチパネル式ディスプレイ１３などに表示してもよい。また、属性データ抽出部１１３は、タッチパネル式ディスプレイ１３などを介して、属性データをユーザに入力させてもよい。これは、ＯＣＲ処理の際に文字を正確に認識されなかったために、属性データとして抽出されるべき文字列がテキストデータに反映されなかった場合などに有効である。

本発明の一実施の形態に係るネットワーク複合機の構成を含む文書管理システムの構成図である。 キーワード記憶部が保持するキーワードテーブルの一例を示す図である。 キーワード記憶部が保持する抽出条件テーブルの一例を示す図である。 ＯＣＲ処理部が作成したテキストデータの一例を示す図である。 属性名と属性データの対応関係の一例を示す図である。

符号の説明

１ ネットワーク複合機
１１ 制御部
１２ 操作部
１３ タッチパネル式ディスプレイ
１４ スキャナ部
２１ 共有フォルダ
１１１ ＯＣＲ処理部
１１２ キーワード記憶部
１１３ 属性データ抽出部

Claims (4)

1. 文書を読み取って画像データを形成するスキャナ部と、
   前記画像データに対して文字認識処理を行い、テキストデータを取得する文字認識処理部と、
   前記画像データのインデックスとして用いられるインデックスデータを作成するためのキーワードを、前記インデックスの属性名と対応付けて記憶するキーワード記憶部と、
   前記属性名に対応する属性データを、前記キーワードに基づいて前記テキストデータから抽出し、前記属性名と抽出した前記属性データとを対応付けて前記インデックスデータを作成する属性データ抽出部と、
   を備えることを特徴とする情報処理装置。
2. 請求項１に記載の情報処理装置において、
   前記キーワード記憶部は、
   前記テキストデータから前記属性データを抽出するための抽出条件データを、前記キーワードと対応付けて記憶する抽出条件データ記憶部、
   を含み、
   前記属性データ抽出部は、
   前記キーワードと前記抽出条件データとに基づいて、前記テキストデータから前記属性データを抽出することを特徴とする情報処理装置。
3. 請求項１または請求項２に記載の情報処理装置において、
   前記属性データ抽出部は、
   前記テキストデータが前記属性データとして抽出できる複数の文字列を含む場合、前記複数の文字列のうち前記テキストデータの先頭側に位置する文字列を前記属性データとして抽出することを特徴とする情報処理装置。
4. 請求項１または請求項２に記載の情報処理装置において、
   前記属性データ抽出部は、
   前記テキストデータが前記属性データとして抽出できる複数の文字列を含む場合、各文字列を前記属性データとして抽出することを特徴とする情報処理装置。
   

Images