JP2009129253A - パターン認識装置、パターン認識プログラム及びパターン認識方法 - Google Patents

Abstract

【課題】入力パターンの認識精度を向上させる。
【解決手段】本発明のパターン認識装置１０は、複数に分類されたクラスのいずれかに所属するパターンを入力可能な入力部１１と、入力部１１で入力されたパターンから互いに異なる視点で特徴を各々抽出することにより複数のクラスごとに当該パターンの評価値としての認識スコアを各々算出する複数の識別器Ａ、Ｂ、Ｃ…と、複数の識別器Ａ、Ｂ、Ｃ…で各々算出された認識スコアを複数のクラスごとに累積する累積部１３と、この累積部１３による累積結果に基づいて、入力部１１で入力されたパターンの所属するクラスを特定する判断部１４とを備える。
【選択図】図１

Description

本発明は、文字、画像、音声などのパターン認識を行うパターン認識装置、パターン認識プログラム及びパターン認識方法に関する。

今日、ＯＣＲシステムに代表される文字認識処理の他、未知パターンをシステム側に入力し、この未知パターンの所属クラスを特定するパターン認識技術が多数利用されている。パターン認識技術の一つとして、認識辞書を使用した方法が知られている。この方法は、文字認識を例とした場合、濃度や特定領域内での線分の方向性などを特徴量（特徴ベクトル）として予め定めておき、この特徴量を基に認識対象となる字種（クラス）の代表データを抽出して格納した認識辞書を作成する。

一方、システム側に入力される入力パターン（未知パターン）からも同様に、前記の特徴量に基づくデータを抽出する。次いで、この入力パターン及び認識辞書内のデータを基に特徴量の類似性を求め、これにより、入力パターンに最も近い特徴を持つクラスを認識解として特定する。

ここで、上記の特徴量や認識辞書をどのようにして文字認識技術に適用するかについては、様々な提案がなされている。例えば、特徴量の種類を絞り込んだ小規模な認識辞書を複数用いることで、効率的に文字認識を行う技術が知られている（例えば、特許文献１参照）。

すなわち、この文字認識方法は、入力パターンのクラス分類のために複数の小規模辞書を二分木構造で構成することで、前段の小規模辞書の認識結果に応じて、次に使用すべき後段の小規模辞書を順次決定し、入力パターンの所属クラスを段階的に絞り込んで行く方法である。
特開平１１−３２８３１４号公報

しかしながら、上記文献の技術では、前段の小規模辞書によるクラス分類の結果、絞り込まれた識別解の候補の中に正解のクラスが存在しなかった場合、この時点で正解に辿り着く可能性がなくなる。つまり、この場合、後段の小規模辞書は、入力パターンのクラス分類機能を有しているものの、誤った識別解の候補の中で意味のないクラス分類を行うことになる。このため、後段の小規模辞書では、クラス分類機能が実質的に機能していないことと同じになり、従来法ではこの点において課題を抱えている。

本発明は、上記課題を解決するためになされたもので、認識対象のパターンを識別する処理に改善を加えることで、パターンの認識精度を向上させることができるパターン認識装置、パターン認識プログラム及びパターン認識方法の提供を目的とする。

上記目的を達成するために、本発明に係るパターン認識装置は、複数に分類されたクラスのいずれかに所属するパターンを入力可能な入力部と、前記入力部で入力された前記パターンから互いに異なる視点で特徴を各々抽出することにより前記複数のクラスごとに当該パターンの評価値を各々算出する複数の評価部と、前記複数の評価部で各々算出された前記評価値を前記複数のクラスごとに累積する累積部と、前記累積部による累積結果に基づいて、前記入力部で入力された前記パターンの所属するクラスを特定するクラス特定部と、を具備することを特徴とする。

本発明では、入力パターンから互いに異なる視点で特徴を各々抽出することより各評価部で評価値を算出し、しかもこれらの評価部の評価値をクラスごとに累積した結果で、入力パターンの識別を行うことができる。すなわち、本発明によれば、複数の種類の評価部による全クラスの総合的な評価結果を入力パターンの所属クラスの分類に適用することができ、これにより、パターンの認識精度を高めることができる。

また、本発明のパターン認識プログラムは、複数に分類されたクラスのいずれかに所属するパターンを入力可能な入力部と、前記入力部で入力された前記パターンから互いに異なる視点で特徴を各々抽出することにより前記複数のクラスごとに当該パターンの評価値を各々算出する複数の評価部と、前記複数の評価部で各々算出された前記評価値を前記複数のクラスごとに累積する累積部と、前記累積部による累積結果に基づいて、前記入力部で入力された前記パターンの所属するクラスを特定するクラス特定部、としてコンピュータを機能させることを特徴とする。

さらに、本発明のパターン認識方法は、複数に分類されたクラスのいずれかに所属するパターンを入力部が入力するステップと、前記入力部で入力された前記パターンから、複数の評価部が、互いに異なる視点で特徴を各々抽出することにより前記複数のクラスごとに当該パターンの評価値を各々算出するステップと、前記複数の評価部で各々算出された前記評価値を累積部が前記複数のクラスごとに累積するステップと、前記累積部による累積結果に基づいて、クラス特定部が、前記入力部で入力された前記パターンの所属するクラスを特定するステップと、を有することを特徴とする。

本発明によれば、認識対象のパターンを識別する処理に改善を加えることで、パターンの認識精度を向上させることが可能なパターン認識装置、パターン認識プログラム及びパターン認識方法を提供することができる。

以下、本発明を実施するための最良の形態を図面に基づき説明する。
［第１の実施の形態］
図１は、本発明の第１の実施形態に係るパターン認識装置１０の機能ブロック図であり、図２は、パターン認識装置１０により認識可能な複数のパターンを分類するクラス及びクラス群Ｐ、Ｑ、Ｓ、Ｔを概念的に示す図である。

図１に示すように、本実施形態のパターン認識装置１０は、入力部１１と、パターン認識処理部１２と、累積部１３と、クラス特定部として機能する判断部１４と、出力部１５と、を備える文字認識装置として構成されている。ここで、パターン認識装置１０は、ハードウェアとしてＣＰＵ、メインメモリ、外部記憶装置などを備える。外部記憶装置に格納された例えばパターン認識プログラム本体がＣＰＵによりメインメモリ上にロードされることによって、上記した入力部１１、パターン認識処理部１２、累積部１３、判断部１４、出力部１５が、例えばソフトウェアにより実現される。また、これらの構成要素は、ソフトウェアに代えて、各種の電子部品を組み合わせて構成したハードウェアにより実現されるものであってもよい。

この実施形態のパターン認識装置１０は、認識対象の未知パターンを入力し、入力したこのパターンがどのクラスに分類されるか（所属しているか）を識別する装置である。言い換えれば、パターン認識装置１０では、予め用意（識別器Ａ、Ｂ、Ｃ…に登録）されている複数のクラスに対応する入力パターンを識別することが可能となる。ここで、認識対象のパターンとしては、漢字、数字、ひらがな、カタカナなど、あらゆる属性の文字パターンを認識対象とすることが可能であるが、本実施形態では、発明をより明確に説明するために、認識対象のパターンとして数字を適用する。

また、上述したように、認識対象のパターンを分類するためのクラスについては、認識対象のパターンが上記数字の場合、入力パターン「０〜９」に一対一で対応するクラス「０〜９」が用意されていることになる。また、図２に示すように、クラス群とは、特徴（特徴パターン）の類似するクラスどうしをまとめたものであり、例えば、クラス群Ｐは、ループ構造を有する数字パターンのまとまりである。また、例えば、図２に示すクラス群Ｓは、線分に直線的特徴の多い数字パターンのまとまりである。

上記した入力部１１は、複数に分類されたクラスのいずれかに所属するパターンを入力可能であり、入力を受け付けたこの入力パターンを認識処理に適した形式に変換してパターン認識処理部１２に出力する。入力部１１は、スキャナなどの機器で取り込んだ入力パターン、ネットワーク回線から送信されたものなど、様々な入力方式を許容する。また、入力部１１は、入力パターンの形式が認識処理に適していない場合は、既知の手段により適切な形式に変換する。例えば、入力部１１は、文字切り出しによる文字個別の領域の抽出、正規化による大きさ調整、二値化といった処理により適切な形式に変換する。

次に、パターン認識処理部１２、累積部１３及び判断部１４の構成を、上記図１、図２に加え、図３〜図１２に基づき説明する。ここで、図３は、パターン認識装置１０が備える識別器Ａ、Ｂ、Ｃ…の識別性能を説明するための図である。さらに、図４は、図３の補足説明として識別性能の低い識別器の構成を示す図であり、図５は、図３、図４の補足説明として識別性能の高い識別器の構成を示す図である。また、図６は、パターン認識装置１０が備えるパターン認識処理部１２、累積部１３及び判断部１４の構成を概念的に示す図であり、図７は、パターン認識装置１０の累積部１３に記憶された累積スコアの計算式データである。

さらに、図８は、パターン認識装置１０による累積スコアの算出例を具体的に示す図であり、図９は、パターン認識装置１０が備える複数の識別器Ａ、Ｂ、Ｃ…の構成を模式的に示す図である。また、図１０は、パターン認識装置１０の判断部１４に記憶された識別器選択候補リスト１４ａを示すものであり、図１１は、パターン認識装置１０の累積部１３に記憶される処理経過リスト１３ａを示す図である。さらに、図１２は、パターン認識装置１０の出力部１５が表示出力する認識結果表示リスト１５ａを示す図である。

図１、図９に示すように、パターン認識処理部１２は、評価部として機能する複数の種類の識別器Ａ、Ｂ、Ｃ…を備える。複数の識別器Ａ、Ｂ、Ｃ…は、入力部１１で入力されたパターンから互いに異なる視点で特徴を各々抽出することにより、図６、図８に示すように、複数のクラスごとに当該パターンの評価値としての重み付き認識スコア（以下、この「重み付き認識スコア」を後述する第２、第３の実施形態を含み、単に「認識スコア」と記述）を各々算出する。このような識別器Ａ、Ｂ、Ｃ…を備えるパターン認識処理部１２は、クラスごとに求めた認識スコアを累積部１３及び判断部１４に出力する。

詳細には、複数の識別器Ａ、Ｂ、Ｃ…は、複数のクラス群の中から個別に選択した各々異なるクラス群についての識別精度（識別信頼性）が、選択的に高く設定されている。つまり、識別器Ａ、Ｂ、Ｃ…は、入力された認識対象のパターンに対し、互いに異なる特徴部分に特化（着目）して評価を行い、この評価結果として認識スコアを算出する。したがって、識別精度の高いクラス群の種類は、識別器ごとに異なる。また、このような識別器Ａ、Ｂ、Ｃ…は、それぞれ記憶部を有し、これらの記憶部には、図１に示すように、識別器ごとに異なった後述する識別関数Ａ１、Ｂ１、Ｃ１…及び重み付け情報Ａ２、Ｂ２、Ｃ２…が記憶されている。

ここで、上記したクラス群（クラス群Ｐ、Ｑ、Ｓ、Ｔ）についてさらに詳述する。図２に示すように、どのようなクラスどうしをまとめて、クラス群とするかについては、クラスター分析などを用いる。クラスター分析は、何らかの定義により類似していると判断できるものどうしを、幾つかのグループに分類して行く手法である。例えば、文字パターンの分類を考えた場合、まず、「横線の数」、「縦線の数」、「ループの数」といった特徴量を設定する。

その特徴量の値を空間上の座標と考え、分類対象の中で最もユークリッド距離的に近い文字パターンどうしを「類似したもの」として同じグループに分類する。次に、同じグループに分類したパターンの中心の座標を、新たなパターンの座標として考えた上で、再度最も近いパターンどうしを求めて同じグループに分類する。以降、任意のグループ数に分類できるまで同様の操作を繰り返す。

なお、設定する特徴量、距離の計算方法については、前述の方法の他、どのようなものを用いてよい。また、クラスター分析の他、判別分析など、分類方法についても既知のいかなる方法を用いてよい。さらに、クラス群が含むクラスの数についても、一つから認識対象となるクラスの総数までの範囲で任意に定めてもよい。

この点を踏まえて、パターン認識処理部１２について詳述すると、識別器Ａ、Ｂ、Ｃ…は、入力パターンをＸとした場合、ｇ（ｘ）で表される識別関数の値の分布により、パターン認識対象となるクラス群中の一部のクラス群の識別精度が高くなるように設計したものである。例えば、図２に示すように、クラス群Ｐに数字「０、６、９、８」が、クラス群Ｑに数字「２」が含まれていたとする。この際、ｇ（ｘ）を「クラス群に含まれる文字パターンがループ構造を持つ度合い」を測定する関数として設計する。クラス群Ｐの数字は、ループ構造を持ち、クラス群Ｑの数字はループ構造を持たないため、この関数で設計された識別器は重複なくクラス群Ｐ、Ｑを分離する位置に後述する識別境界線を設定することができる。

このような識別関数を設定できず、識別関数の値の分布に重なりを生じた場合は、誤分類されるパターン数が最も少なくなるように識別境界線を引く。図４、図５に例示するように、識別境界線１７ｂ、１７ｃを識別関数の値の最小値から最大値の幅まで動かし（範囲１８ａ、範囲１８ｂ）、誤分類されるパターン数が最も少なくなる、すなわち、誤分類となる領域１９ａ及び領域１９ｂが最小となるような識別関数の値Ｕ３、Ｕ４の位置に、識別境界線１７ｂ、１７ｃを引く。このように設計した識別器は、図３に示すように、クラス群Ｐ、Ｑ以外のクラス群Ｓ、Ｔについても識別関数ｇ（ｘ）の値を算出できる。なお、前記の例の他、識別関数は、クラス群識別に際しての具体的な基準となるスカラー値を出力する関数である限りにおいて、いかなるものを用いてよい。

続いて、この識別関数ｇ（ｘ）の値から、認識処理の評価値として用いる認識スコアを算出する。前述のように、入力パターンをＸ、識別関数の値をｇ（ｘ）、また、認識対象のあるクラス群をＹとした場合、母集団Ｙから標本Ｘが得られる確率（尤度［ゆうど］）は、Ｐ（ｇ（ｘ）｜Ｙ）で算出できる。具体的には、あるクラス群Ｙにおける識別関数ｇ（ｘ）の値の頻度分布を求めてヒストグラム化し、それぞれの頻度を全体のデータ数で除算することで母集団Ｙの確率密度関数ｆ（ｇ（ｘ），Ｙ）を得る。

ここで、ｎ個のｇ（ｘ）が観測された場合、前記の尤度（ゆうど）は、このｎ個の確率密度関数の積ｆ（ｇ（ｘ１），Ｙ）＊ｆ（ｇ（ｘ２），Ｙ）＊…＊ｆ（ｇ（ｘｎ），Ｙ）で求めることができる。計算の便宜上（計算を乗算から加算に変更するために）、この尤度（ゆうど）の対数を取ることで算出した（ｌｏｇ（Ｐ（ｆ（ｘ）｜Ｙ））の値を認識スコアとし、以後の認識処理の評価値として使用する。なお、この認識スコアは、高速な認識処理を実現できる限りにおいて、かつ、後述する累積部１３にて、値の取り得る範囲などの計算基準を揃えた上での累積演算が可能である限りにおいて、前記対数尤度の他、どのようなものに定めてもよい。

累積部１３は、複数の識別器Ａ、Ｂ、Ｃ…で各々算出された認識スコアを複数のクラスごとに累積し、これを累積スコアとして判断部１４に出力する。つまり、累積部１０３は、記憶部を備えており、この記憶部には、図７に示す累積スコアの計算式及び図１１に示す処理経過リスト１３ａが記憶されている。

具体的には、図７、図１１に示すように、例えば、数字「０〜９」を認識対象のパターンとし、識別器Ａ、Ｂ、Ｃの順番で識別処理が行われた場合に、ある識別器Ｘの基で得られる各クラスＹの認識スコアをＦ（Ｘ，Ｙ）とする。また、識別器ごとの各クラス群の識別性能を数値化した重み（重み付け情報Ａ２、Ｂ２、Ｃ２…）を、Ｘ及びＹを用いてＷ（Ｘ，Ｙ）と表す。

この重みは、各クラス群の信頼性を表す指標であり、識別器の前記識別境界線がよくクラス群を分離しているならば（図５の識別境界線１７ｃ参照）、信頼性が高いとして重みの値を大きくし、そうでなければ（図４の識別境界線１７ｂ参照）、信頼性が低いとして重みの値を小さく設定する。具体的には、その識別器における誤分類（図４の領域１９ａ内及び図５の領域１９ｂ内）のパターン数をカウントし、“（パターン総数−誤分類パターン数）／パターン総数”で与えられる式から重みの値を算出する。なお、前記式を利用する方法の他、重みの算出方法は、いかなる方法を適用してもよい。

したがって、各識別器Ａ、Ｂ、Ｃ…が算出する重み付きの認識スコアは、図７に示すように、Ｗ（Ｘ，Ｙ）＊Ｆ（Ｘ，Ｙ）で表現できる。つまり、個々の識別器Ａ、Ｂ、Ｃ…は、入力部１１に入力されたパターンの特徴をパラメータ化（定量化）した特徴パラメータ（特徴量）をまず独立変数として取得する。次に、図１、図６に示すように、識別器Ａ、Ｂ、Ｃ…は、この特徴パラメータ（独立変数Ｖ１、Ｖ２、Ｖ３…）を自身の識別関数Ａ１、Ｂ１、Ｃ１…に代入し、この出力となる識別関数Ａ１、Ｂ１、Ｃ１の値に上記重み（重み付け情報Ａ２、Ｂ２、Ｃ２…）を付与し、これを、複数のクラスＰ１、Ｑ１、Ｓ１、Ｔ１（図６参照）ごとの重み付きの認識スコア“Ｗ（Ｘ，Ｙ）＊Ｆ（Ｘ，Ｙ）”として算出する。なお、詳細には、識別器Ａ、Ｂ、Ｃ…が記憶する上記識別関数Ａ１、Ｂ１、Ｃ１…及び重み付け情報Ａ２、Ｂ２、Ｃ２…は、クラスごとに相違していることになる。

さらに詳述すると、図８に示すように、例えば、識別器Ａは、文字パターンの例えばループ構造に特化して構成した識別関数（ループ構造の特徴量を増加させる関数）を記憶し、例えば、識別器Ｂは、文字パターンの例えば濃度分布に着目して構成した識別関数を記憶し、識別器Ｃは、文字パターンの例えば縦線の成分に着目して構成した識別関数を記憶する、といったように構成されている。これにより、図８に示すように、入力パターンが「８」である場合には、例えば、ループを強調する識別器Ａでは、ループを持つクラス「８」、「９」及び「０」に対応する認識スコアが高得点となり、ループを持たない例えばクラス「１」に対応する認識スコアは低い得点となる。一方、縦線成分を強調する識別器Ｃでは、クラス「１」に対応する認識スコアが高得点となり、縦線成分あまり持たない例えばクラス「８」や「９」に対応する認識スコアが低い得点となる。

一方、累積部１３は、図６〜図８及び図１１に示すように、処理に適用した識別器の種類（コードなど）と、処理に適用した識別器の使用順序と、それぞれの識別器がクラスごとに算出した認識スコアをさらにクラスごとに累積した累積スコアを、現識別処理状況として処理経過リスト１３ａに記録して行く。つまり、処理経過リスト１３ａの末尾に記録したデータが現識別処理状況となる。このようなデータ構造は構造体により実現する。例えば入力パターンの累積スコアは、図７に示すように、Ｗ（Ａ，Ｙ）＊Ｆ（Ａ，Ｙ）＋Ｗ（Ｂ，Ｙ）＊Ｆ（Ｂ，Ｙ）＋Ｗ（Ｃ，Ｙ）＊Ｆ（Ｃ，Ｙ）…として得られる。累積部１３は、この累積スコアを判断部１４に出力し、これを入力した判断部１４は、識別器の選択処理の判断の基準とする。

ここで、既述してきたクラスごとに算出される認識スコア及び累積スコアは、図６、図８に示すように、入力パターンが所定のクラスに属している確からしさ（確率又は可能性）を得点で表しており、高得点の場合、入力パターンがそのクラスに属している確からしさが大きく、一方、得点の低い場合、入力パターンがそのクラスに属している確からしさが小さいことになる。

上記判断部１４は、累積部による累積結果としてのクラスごとの累積スコアに基づいて、入力部１１で入力されたパターンの所属するクラスを特定（認識解を決定）する。また、判断部１４は、認識処理終了条件を満足しているか否かを判断する。詳細には、判断部１４は、記憶部を有しており、この記憶部内には、図１０に示すように、識別器選択候補リスト１４ａが記憶されている。

また、判断部１４は、複数の識別器Ａ、Ｂ、Ｃ…の中から一つの識別器を選択する第１の選択部と、この第１の選択部で選択された識別器による認識スコア（及び／又は累積スコア）に基づいて、第１の選択部で選択された識別器を除く他の一つの識別器を選択する第２の選択部と、の２種類の選択部として機能する。

具体的には、本実施形態の判断部１４は、識別器Ａ、Ｂ、Ｃ…により認識スコアを算出した結果、認識スコアが最大となったクラスを含むクラス群に対し、識別精度（識別信頼性）を高く設定した識別器を、次に使用すべき識別器として選択する。この選択により、クラス（クラス群）の絞り込みを行う。この絞り込み処理を繰り返し、最終的に単一のクラスを特定することが判断部１４の最も重要な処理となる。ここで、本実施形態では、識別器選択候補リスト１４ａに識別器の選択候補が予め記述されており、判断部１４は、認識スコアが最大となったクラスを含むクラス群の他のクラス群に対する識別精度（識別信頼性）を高く設定してある次に使用すべき識別器を、予め絞り込まれている選択候補の中から選択する。

詳述すると、上記識別器選択候補リスト１４ａには、図１２に示すように、現時点で識別処理に使用していた識別器のコード、及びこの識別器のコードに対応付けて、次に使用すべき選択候補の識別器のコードなどが、少なくとも一つ以上に記述されている。識別器選択候補リスト１４ａ中に選択候補が複数ある場合には、判断部１４は、上述したように、認識スコアが最大となったクラスを含むクラス群の（他のクラス群に対する）識別精度を最も高く設定した識別器を選択する。なお、選択候補の数は、図１０に示す２つの他、０個から識別器Ａ、Ｂ、Ｃ…の総数までの範囲内において、どのような値としてもよい。クラスの絞り込みの最終的段階では、識別器選択候補リスト１４ａ中の選択候補の数が１からさらに０となって行く。識別器選択候補リスト１４ａ中の選択候補の数が０である場合、判断部１４は、認識処理終了条件を満たしていると判断する。

ここで、識別器選択候補リスト１４ａ中に選択候補としてどの識別器を登録するかについては以下のように行う。まず、選択候補を選ぶ前の識別器において、この識別器にて識別信頼性を高めているクラス群をランダムにＮ分割し、その分離度合いを算出する。この分離度合いは、以下の方法により評価する。まず当該分割クラス群の識別信頼性を高めた識別器を設計し、学習パターンを基に識別関数の値の確率分布を推定する。推定した確率分布を基にベイズ誤り確率を算出し、このベイズ誤り確率の対数の−１倍を分離度合いとする。

上記方法の以外の他の方法で分離度合いを評価してもよい。この分割及び分離度合い算出処理をＭ回繰り返し、最も分離度合いが大きな分割を選択し、それぞれの分割クラス群の識別信頼性を高めた識別器を選択候補とする。なお、Ｎ及びＭは任意の自然数とする。この他、設計者の知識及び経験に基づいて決定するなど、任意の決定方法を用いることが可能である。

また、判断部１４は、図６に示すように、４種類の閾値Ｊ１〜Ｊ４を記憶している。閾値Ｊ１は、図６に示すように、所定の識別器による評価結果として、認識スコアが１位のクラスの当該認識スコアの許容下限値である。閾値Ｊ２は、識別器による評価結果として、認識スコアが１位のクラスと２位のクラスとのスコア差の許容下限値である。閾値Ｊ３は、複数の識別器による評価の結果、累積スコアが１位のクラスの当該累積スコアの許容下限値である。閾値Ｊ４は、複数の識別器による評価の結果、累積スコアが１位のクラスと２位のクラスとのスコア差の許容下限値である。

すなわち、判断部１４は、図６に示すように、算出された累積スコアが閾値Ｊ３及び閾値Ｊ４で定めた条件が満足していることを確認した場合、累積スコアが１位のクラスを入力パターンの所属クラスとして特定し（認識解として決定し）、例えば、そのクラスの文字コード（テキストデータ）を出力部１５側へ出力する。一方、判断部１４は、認識スコアを算出した結果、例えば閾値Ｊ１及び閾値Ｊ２で定めた条件を満たしていない場合や、累積スコアを算出した結果、例えば閾値Ｊ３、Ｊ４で定めた条件を満足していない場合には、リジェクトコードを出力部１５側へ出力する。

出力部１５は、判断部１４からの入力を受け付け、認識結果についての情報を、例えば画像表示装置に対し表示出力するものであって、上記した認識解としての文字コードや、認識エラーの場合のリジェクトコードを表示出力する。また、出力部１５は、図１２に示すように、判断部１４により入力パターンが属していると判断されたクラス及びそのクラスの累積スコア、並びに累積スコアが上位となったクラスの一覧、順位及びそれらのクラスの累積スコアを表した認識結果表示リスト１５ａを表示出力する。

次に、このように構成されたパターン認識装置１０によるパターン認識方法を図１３に示すフローチャートに基づき説明する。
図１３に示すように、まず、パターン認識要求の発生により認識処理に用いる各種変数の初期化が行われると（Ｓ［Ｓｔｅｐ］１）、入力部１１は、認識対象の未知パターンの入力の受け付けを開始する（Ｓ２）。ここで、初期化は、累積スコア用の変数に初期値０を代入することで行う。また、その他、初期化が必要な変数に対しても初期値０を格納する。ただし、累積処理用の変数以外は、後の処理で格納するデータと値が重複するなど認識処理に悪影響を及ぼさない限り、どのような初期値を適用してもよい。

さらに、入力部１１は、入力パターンが、認識処理に適した形式であるか否かを判断し（Ｓ３）、処理に適していないパターン形式である場合（Ｓ３のＮＯ）、正規化や二値化などの処理を行い（Ｓ４）、入力パターンを適切な形式に変換する。次いで、判断部１４が、図１、図９に示すように、パターン認識処理部１２が備える複数の識別器Ａ、Ｂ、Ｃ…の中から、予め決められた一つの識別器Ａを選択する（Ｓ５）。選択された識別器Ａは、入力パターンの評価値としての各クラスごとに認識スコアを算出する（Ｓ６）。この際、累積部１３は、処理経過リスト１３ａ中に識別器Ａによる（識別器一つ分の）累積スコアＲ（Ａ，Ｙ）を記述する。

ここで、判断部１４は、識別器Ａにより認識スコアが算出された結果、図６に示す閾値Ｊ１及び閾値Ｊ２で定めた条件を満たしていないことを認識した場合には（Ｓ７のＮＯ）、リジェクトコードを出力部１５側へ出力し（Ｓ８）、これを検出した出力部１５は、リジェクトコードを表示出力する（Ｓ９）。

一方、判断部１４は、識別器Ａによる認識スコアの算出の結果、図６に示す閾値Ｊ１及び閾値Ｊ２で定めた条件を満足することを確認した場合で（Ｓ７のＹＥＳ）、かつパターン認識要求発生後、識別器を初めて選択したのであれば（Ｓ１０のＹＥＳ）、識別器Ａ以外の次の識別器を選択する。具体的には、判断部１４は、図１０に示すように、識別器選択候補リスト１４ａ中の識別器選択候補（図１０の例では識別器Ｂ、Ｅ）の中から、識別器Ａによる評価で認識スコアが最大となったクラスを含むクラス群に対し識別精度（識別信頼性）を高く設定してある識別器（図９、図１１の例では識別器Ｂ）を選択する（Ｓ１１）。

次に、選択された識別器Ｂは、入力パターンを評価してクラスごとに認識スコアを算出する（Ｓ６）。この後、判断部１４が、識別器Ｂによる認識スコアの算出の結果、図６に示す閾値Ｊ１及び閾値Ｊ２で定めた条件を満たしていることを確認した場合（Ｓ７のＹＥＳ）、累積部１３は、先に算出された識別器Ａによる認識スコアと、識別器Ｂによる認識スコアとをクラスごとに累積した累積スコアを求める（Ｓ１２）。この際、累積部１３は、識別器Ａ、Ｂによる累積スコアＲ（Ｂ，Ｙ）を現識別処理状況として図１１に示すように、処理経過リスト１３ａ中に記憶させる。

次いで、判断部１４は、認識処理終了条件を満足するか否を確認する（Ｓ１３）。識別器選択候補リスト１４ａ中に次の選択候補の識別器がないこと、すなわち、識別器選択候補の数が、０である場合、認識処理終了条件が満たされることになる。具体的には、判断部１４は、識別器選択候補リスト１４ａ中の識別器選択候補の格納された変数の値が初期値か否かをチェックすることにより、認識処理終了条件を満たしているか否を判定する。

認識処理終了条件を満たしていない場合、判断部１４は、図１０に示すように、識別器選択候補リスト１４ａ中の識別器選択候補（図１０の例では識別器Ｃ、Ｄ）の中から、識別器Ｂによる評価で認識スコアが最大となったクラスを含むクラス群と他のクラス群との識別精度を高く設定した識別器（図９、図１１の例では識別器Ｃ）を選択する（上記Ｓ１１）。ここで、判断部１４は、上記の認識スコア及び／又は累積スコアに基づいて、既に選択された識別器を除く他の識別器を選択するものであってもよい。

すなわち、判断部１４は、識別器選択候補リスト１４ａ中の識別器選択候補の中から、識別器Ａ、Ｂによる評価で累積スコアが最大となったクラスを含むクラス群と他のクラス群との識別精度を高く設定してある識別器を選択するものであってもよい。また、識別器選択候補リスト１４ａを用いずに、上記の認識スコア又は累積スコアが最大となったクラスを含むクラス群の他のクラス群に対する識別精度を高く設定してある識別器を選択するものとして判断部１４を構成することもできる。さらに例えば、識別器選択候補リスト１４ａを用いずに、認識スコア及び累積スコアをそれぞれ参照すると共に、累積スコアの最高得点を評価に用いた識別器の個数で除算した平均累積スコアと認識スコアの最高得点とを比較し、得点の高い方のスコアに対応するクラスを含むクラス群と他のクラス群との識別精度を高く設定した識別器を選択できる判断部を構成してもよい。

図１３に示すように、このようなパターン認識処理を繰り返しているうちに、判断部１４が、認識処理終了条件を満たしていること（選択候補の識別器が０になったこと）を確認した場合には（Ｓ１３のＹＥＳ）、判断部１４は、累積部１３によりクラスごとに算出された累積スコアが、図６に示す閾値Ｊ３及び閾値Ｊ４で定めた条件を満たしているか否かを判断する（Ｓ１４）。条件を満足しない場合には（Ｓ１４のＮＯ）、上記したリジェクト処理が行われる（上記Ｓ８）。一方、条件を満たした場合には（Ｓ１４のＹＥＳ）、判断部１４は、累積スコアが１位のクラスを入力パターンの所属クラスとして特定し、さらに、出力部１５は、特定されたそのクラスの文字コードと共に認識結果表示リスト１５ａを表示出力する（上記Ｓ９）。

既述したように、本実施形態のパターン認識装置１０では、入力パターンから互いに異なる視点で特徴を各々抽出することより各識別器で認識スコアを算出し、しかもこれらの識別器の認識スコアをクラスごとに累積した累積スコアにて、入力パターンの識別を行うことができる。すなわち、本実施形態のパターン認識装置１０によれば、複数の識別器を用いかつ常に全クラスの累積スコアを求め、これを入力パターンの所属クラスの分類に適用できるので、例えば、認識誤りによって正解のクラスを識別対象から外してしまう事態を回避でき、これにより、認識エラーを抑制した高精度なパターン認識を行うことができる。また、本実施形態のパターン認識装置１０によれば、クラス別に得られる認識スコア及び／又は累積スコアの算出結果に基づいて、特定のクラス群を他のクラス群と高い識別精度で識別する識別器を、複数の中から適宜選択することによりクラスの絞り込みを行えるので、効率的なパターン認識処理を実現することができる。

なお、第１の実施形態の図１３及び後述する第２、第３の実施形態の図１９、図２５に示すステップ１４（Ｓ１４）の処理では、累積スコアについて閾値Ｊ３のみを満足する条件でリジェクトと非リジェクトとを判断するようにしてもよい。また、第１の実施形態の図１３及び後述する第２の実施形態の図１９に示すステップ７（Ｓ７）の処理では、認識スコアについて閾値Ｊ１のみを満足する条件でリジェクトと非リジェクトとを判断するようにしてもよい。さらにまた、第１の実施形態の図１３及び後述する第２の実施形態の図１９に示すステップ７自体の処理を削除し、リジェクト処理の実行／非実行を認識スコアの算出結果に依存させないようにしてもよい。

［第２の実施の形態］
次に、本発明の第２の実施形態を図１４〜図１９に基づき説明する。ここで、図１４は、第２の実施形態に係るパターン認識装置２０の機能ブロック図であり、図１５は、このパターン認識装置２０の判断部２４に記憶された識別器選択候補リスト２４ａである。さらに、図１６は、パターン認識装置２０が行う後戻り処理を概念的に示す図であり、図１７は、上記判断部２４に記憶されるクラス別チェックリスト２４ｂを示すものである。また、図１８は、パターン認識装置２０の累積部２３に記憶される処理経過リスト２３ａを示す図であり、図１９は、パターン認識装置２０により実現されるパターン認識方法を示すフローチャートである。なお、図１４において、図１に示した第１の実施形態のパターン認識装置１０が備えていたものと同一の構成要素については、同一の符号を付与しその説明を省略する。また、図１９において、図１３に示した第１の実施形態のパターン認識方法で行われた処理と同一の処理については、同一のステップ番号を付与しその説明を省略する。

すなわち、この実施形態のパターン認識装置２０は、第１の実施形態のパターン認識装置１０に設けられていた累積部１３及び判断部１４に代えて、図１４に示すように、累積部２３及び判断部２４を備えて構成されている。図１４に示すように、判断部２４は、第１の実施形態の識別器選択候補リスト１４ａと同様の識別器選択候補リスト２４ａに加え、さらに、クラス別チェックリスト２４ｂを有する（記憶している）。識別器選択候補リスト２４ａには、図１５に示すように、分類可能な複数のクラス群の中から個別に選ばれた各々異なる特定のクラスについての識別精度（識別信頼性）を選択的に高く設定した複数の種類の識別器Ａ、Ｂ、Ｃ…、及び判断部２４が選択する選択候補の識別器が記録されている。

また、図１７に示すように、このクラス別チェックリスト２４ｂは、識別器のコードにそれぞれ対応付けて、各クラスのコード、クラスチェック値、及び使用チェック値（変数）が記録されている。クラス別チェックリスト２４ｂには、識別器のコードとクラスとを一対一で対応付けたかたちでクラスチェック値が記録されている。

クラスチェック値は、個々の識別器において、あるクラスが、識別精度（識別信頼性）を高く設定した特定のクラス群の中に含まれているか否かを表すものである。例えば、入力パターンが数字「０〜９」であり、また、パターン認識処理部１２の識別器Ａ、Ｂ、Ｃ…が、図１６に示すように、識別器群２７、２８を有するツリー構造で構成されていたとする。

図１５、図１６に示すように、識別器Ａが、数字「０、１、８、９」の識別精度を高く設定してある場合、図１７に示すように、クラス別チェックリスト２４ｂ中の識別器Ａのコードに対応するクラス「０、１、８、９」それぞれのクラスチェック値に“１”を格納する。同様に、識別器Ｂが、数字「０、８」の識別精度を高く設定してある場合、クラス「０、８」のクラスチェック値に“１”を、また他のクラスのクラスチェック値に"０"を格納する。

ここで、図１５〜図１７に示すように、クラスチェック値の"０"は、識別器Ｂ及び識別器Ｂの次に選択される選択候補の識別器Ｃ、Ｄを含む識別器群２７、並びに識別器Ｅ及び識別器Ｅの次に選択される選択候補の識別器Ｆ、Ｇを含む識別器群２８といったツリー構造で繋がる下位の識別器群の中に、"０"を格納したクラスの識別精度（識別信頼性）を高く設定してある識別器が存在しないことを示す。つまり、クラス別チェックリスト２４ｂは、複数の識別器Ａ、Ｂ、Ｃ…で構成されるツリー構造に対応するようにして作成されている。

ただし、所定のクラスのクラスチェック値に“０”が格納されている識別器は、そのクラスの識別精度（識別信頼性）が高くないだけで、第１の実施形態で説明したように、そのクラスの認識スコア及び累積スコアは算出される。クラス別チェックリスト２４ｂには、このようなクラスチェック値が予め記憶されていることに加え、使用チェック値が追加記憶される。この使用チェック値は、その識別器を使用したか否かを表し、使用した場合"１"が、未使用の場合“０”が格納される。なお、判断部２４は、クラス別チェックリスト２４ｂへの値の格納を認識処理の開始前に行う。

また、判断部２４は、図１９に示すように、ステップ６、７において、所定の識別器で算出された認識スコアの確認時、認識スコアが１位となったクラスのコードを基に、クラス別チェックリスト２４ｂ中の当該クラスにおけるクラスチェック値を確認する（Ｓ３１）。また、判断部２４は、認識スコアを算出した識別器の使用チェック値に“１”を格納する。さらに、判断部２４は、認識スコアが１位となったクラスのクラスチェック値が“０”であった場合（Ｓ３１のＮＯ）、後戻り処理を開始すると共に（Ｓ３２）、図１８に示す処理経過リスト２３ａを確認し、所定の条件を満足する識別器を検索する（Ｓ３２）。識別器を検索できなかった場合（Ｓ３３のＮＯ）、リジェクト処理となり（上記Ｓ８）、一方、識別器を検索できた場合（Ｓ３３のＹＥＳ）、判断部２４は、後戻り処理の最終段階で当該識別器を選択して（Ｓ３４）、認識スコアの算出処理を実行させる。

この後戻り処理の具体例を図１４〜図１９に基づき説明する。例えば、数字「０〜９」を入力パターンとして、識別器Ａ、Ｂ、Ｃの順に識別処理が行われたものとする。また、識別器Ｃによる認識スコアの１位となったクラスが「９」であったとする。ここで、クラス別チェックリスト２４ｂにおいて、識別器Ｃのクラス「９」に格納されたクラスチェック値が“０”であった場合、判断部２４は、クラス「９」のクラスチェック値に“１”が格納された識別器（識別器Ａ）を検索する。

判断部２４は、累積部２３に記憶された処理経過リスト２３ａ中の、使用した識別器の種類及び使用順序を参照しつつ、現段階での累積スコアを示す現識別処理状況に対応した識別器（現段階で選択されている識別器）側から、過去に選択されていた識別器側へ一つずつ戻るようにクラス別チェックリスト２４ｂの値を確認する。詳細には、判断部２４は、識別器のコードとクラス別チェックリスト２４ｂに記録した識別器のコードとのマッチングを取りつつ、マッチングの取れたところの認識スコアが１位となったクラスのクラスチェック値を順次確認するといった手順をとる。なお、後戻り処理の開始前に認識スコアが１位となっていたクラスや、後戻り処理の開始直前に選択されていた識別器Ｃにおける現識別処理状況（当該識別器Ｃに対応する累積スコアなど）は、判断部２４が別途記憶部に記録しておくものとする。

判断部２４は、後戻り先として選択される識別器を決定した後、累積部２３の処理経過リスト２３ａを再び参照し、マッチングの取れた識別器のコード及び各クラスごとの累積スコアを、図１８に示すように、処理経過リスト２３ａの末尾に格納する。ここで、後戻り処理の直前に使用していた識別器をｍ−１番目とした場合、新たに格納したデータがｍ番目に使用した識別器及びその時点での累積スコア、すなわち新しい現識別処理状況となる。後戻り処理の最終段階で、図１５に示す識別器選択候補リスト２４ａと図１７に示すクラス別チェックリスト２４ｂを参照し、未使用の識別器を選択する（上記Ｓ３４）。

具体例を以下に述べる。クラス別チェックリスト２４ｂの使用チェック値には、前述したように、未使用の場合は初期値「０」が、使用した場合は「１」が格納されている。識別器選択候補リスト２４ａに記録された複数の識別器のうち、使用チェック値が「０」であり、かつ後戻り処理直前に選択されていた識別器で認識スコアが１位であったクラスのクラスチェック値が１である、すなわち、当該認識スコアが１位のクラスを含むクラス群の（他のクラス群に対する）識別精度（識別信頼性）を高く設定した識別器を新しく選択する識別器として決定する。これらの条件を満たす識別器が複数存在した場合は、後戻り処理後の現段階での累積スコアが最も高いクラスを含むクラス群と他のクラス群との識別精度を高く設定した識別器を選択する。この場合の識別器の選択は、あるクラスが選ばれた時にこれに応じて選ばれる識別器の対応表を予め作成しておき、この対応表を判断部２４が参照することで実現する。なお、このようにして新たに選択された識別器に対応するクラス別チェックリスト２４ｂの使用チェック値に、使用済みを示す値「１」を格納しておく。

さらに、後戻り処理の際、認識スコアが１位のクラスのクラスチェック値が「１」でかつ未使用の識別器を発見できなかった場合（上記Ｓ３３のＮＯ）、現識別処理状況（累積スコア）を、後戻り直前の累積スコアの値に戻し、さらにリジェクト処理を行う（上記Ｓ８）。なお、この場合、リジェクト処理を行わず、後戻りする直前に選択されていた識別器を用いて認識処理を続行するようにしてもよい。さらに、後戻り処理の条件の一つとして、後戻りの制限回数（異なる識別器のデータの参照回数の制限）を設定しておいてもよい。この条件は、後戻りカウント用の変数を準備しておき、それが一定の回数に達した場合は後戻り処理を行わせないようにするものである。

したがって、本実施形態のパターン認識装置２０によれば、入力パターンの評価に用いる識別器の選択のやり直しができるので、正しい認識解に辿り着く可能性の向上、つまり、入力パターンの所属クラスの識別を高精度に行うことができる。

［第３の実施の形態］
次に、本発明の第３の実施形態を図２０〜図２５に基づき説明する。ここで、図２０は、第３の実施形態に係るパターン認識装置３０の機能ブロック図であり、図２１は、このパターン認識装置３０の判断部３４に記憶された識別器選択候補リスト３４ａを示すものである。また、図２２は、上記判断部３４による識別器の選択方法を説明するための図であり、図２３は、判断部３４に記憶されるスコア差評価リスト３４ｂを示すものである。さらに、図２４は、このパターン認識装置３０の累積部３３に記憶される処理経過リスト３３ａを示す図であり、図２５は、パターン認識装置３０により実現されるパターン認識方法を示すフローチャートである。なお、図２０において、図１に示した第１の実施形態のパターン認識装置１０が備えていたものと同一の構成要素については、同一の符号を付与しその説明を省略する。また、図２５において、図１３に示した第１の実施形態のパターン認識方法で行われた処理と同一の処理については、同一のステップ番号を付与しその説明を省略する。

つまり、この実施形態のパターン認識装置３０は、第１の実施形態のパターン認識装置１０に設けられていた累積部１３及び判断部１４に代えて、図２０に示すように、累積部３３及び判断部３４を備えて構成されている。判断部３４は、記憶部を有し、図２１〜図２３に示すように、この記憶部内には識別器選択候補リスト３４ａ及びスコア差評価リスト３４ｂが記憶されている。また、パターン認識処理部１２の備える識別器Ａ、Ｂ、Ｃ…は、図２２に示すように、識別器群３７と識別器群３８とに分岐するツリー構造で構成されている。

判断部３４は、複数の識別器Ａ、Ｂ、Ｃ…の中から二つ以上（本実施形態では２つ）の識別器を選択する第１の選択部と、この第１の選択部で選択された識別器による認識スコア（及び／又は累積スコア）に基づいて、第１の選択部で選択された識別器を除く他の二つ以上（本実施形態では２つ）の識別器を選択する第２の選択部と、の２種類の選択部として機能する。判断部１４は、図２１〜図２５に示すように、まず、識別器選択候補リスト３４ａを参照して、まず二つの識別器Ａ、識別器Ｈを選択し（Ｓ５１）、この識別器Ａ、Ｈのそれぞれにおいてクラスごとに認識スコアを算出させる（Ｓ５２）。この際、識別器Ａ、Ｈで算出された認識スコアがスコア差評価リスト３４ｂに登録される。

また、判断部１４は、識別器Ａ及び識別器Ｈそれぞれの認識スコアを確認し、図６に示す閾値Ｊ１及び閾値Ｊ２で定めた条件をいずれかの識別器が満たしているか否かを判断する（Ｓ５３）。いずれの識別器も条件を満足していない場合には（Ｓ５３のＮＯ）、リジェクト処理となる（上記Ｓ８）。識別器Ａ及び識別器Ｈのいずれかが、閾値Ｊ１及び閾値Ｊ２で定めた条件を満足している場合であって（Ｓ５３のＹＥＳ）、かつパターン認識要求発生後、二つの識別器を初めて選択したのであれば（Ｓ５４のＹＥＳ）、判断部１４は、新たな識別器の選択処理に移行する。

すなわち、判断部１４は、スコア差評価リスト３４ｂを参照して、識別器Ａ、Ｈごとに１位の認識スコアと、２位の認識スコアと、のスコア差を求め、スコア差が大きい方の識別器Ａ（識別器群３７側）の下位にツリー構造で繋がる二つの識別器Ｂ、Ｅを、識別器選択候補リスト３４ａを参照しつつ新たに選択する（Ｓ５５）。例えば、図２２に示すように、入力パターンが数字「１、５」であって、識別器Ａが濃度に特化した識別精度を高めて構成され、一方、識別器Ｈがループ構造に特化した識別精度を高めて構成されてたとする。この場合、識別器Ｈでは、数字「１、５」のいずれにも、ループが存在しないため、スコア差が大きくならないものの、識別器Ａでは、数字「１、５」に大きな濃度差があるため、これに伴いスコア差も大きくなる。このような判断により、識別器群を徐々に絞り込むと共にクラス（クラス群）の絞り込みを行う。判断部１４は、この絞り込み処理を繰り返して、最終的に単一のクラスを特定する。

さらに、判断部３４は、図２１〜図２５に示すように、識別器選択候補リスト３４ａを参照して、新たに選択された二つの識別器Ｂ、Ｅのそれぞれにおいてクラスごとに認識スコアを算出させる（上記Ｓ５２）。この後、累積部３３は、累積スコアを算出する（Ｓ５６）。ここで、累積部３３は、１位の認識スコアと２位の認識スコアとのスコア差がそれぞれ大きかった方の例えば識別器Ａ及び識別器Ｂの認識スコアどうしをグラスごとに累積して累積スコアを求める（Ｓ５６）。なお、このような累積計算に代えて、スコア差が大きかった方の上記識別器Ａ及び識別器Ｂ、並びにスコア差が小さかった方の識別器Ｈ及び識別器Ｅの全てで算出された認識スコアを全て累積して累積スコアを求めてもよい。このようにして算出された累積スコアは、図２０、図２４に示すように、累積部３３の記憶部内に処理経過リスト３３ａとして記憶される。

なお、判断部３４は、上記した例示では、１位の認識スコアと２位の認識スコアとのスコア差に基づいて、次に選択する識別器を決定していたが、これに代えて１位の累積スコアと２位の累積スコアとのスコア差に基づいて、次に選択する識別器を決定してもよい。また、図２５に示すステップ５３の処理では、認識スコアについて閾値Ｊ１のみを満足する条件でリジェクトと非リジェクトとを判断するようにしてもよい。さらにまた、ステップ５３自体の処理を削除し、リジェクト処理の実行／非実行を認識スコアの算出結果に依存させないようにしてもよい。

既述したように本実施形態のパターン認識装置３０によれば、クラスどうしの認識スコアのスコア差（又は累積スコアのスコア差）の大小関係に基づいて、所定の入力パターンに対する識別精度の高い識別器を順次選択して行くことができるので、効果的な正解クラスの絞り込みを行うことができ、効率的なパターン認識処理を実現することができる。

以上、本発明を各実施の形態により具体的に説明したが、本発明はこれらの実施形態にのみ限定されるものではなく、その要旨を逸脱しない範囲で種々変更可能である。例えば、上述した実施形態では、文字パターンの認識を例示したが、これに代えて、音声パターンの認識や、色情報などを持つ文字以外の画像パターンの認識に本発明を適用することができる。つまり、上記した個々の識別器Ａ、Ｂ、Ｃ…は、入力された文字パターンの特徴をパラメータ化した特徴パラメータ（特徴量）を独立変数として抽出し、この特徴パラメータ（変数）を自身の識別関数Ａ１、Ｂ１、Ｃ１…に代入し、さらにこの出力となる識別関数Ａ１、Ｂ１、Ｃ１の値に重み（重み付け情報Ａ２、Ｂ２、Ｃ２…）を付与して認識スコアを算出するものであった。そこで、既知の方法で画像パターンや音声パターンから特徴パラメータ（特徴量）を抽出できるように、上記識別器の構成を一部変更すると共に、設計値の変更や実測値の計測などで求まる識別関数や重み付け情報を画像パターンや音声パターンに対応させることで、これら音声パターンや画像パターンの認識処理に本発明を適用することができる。

ここで、画像パターンからの特徴量の抽出には、次のような方法が例示される。例えば、色情報（Ｒ・Ｇ・Ｂの各値がどれほどか）、明度（明るさの度合い）、濃度方向性（濃度の分布から得られる、その領域が縦横斜めどちらに向いているかの指標）などの特徴量を、画像を一定の大きさごとに分割して（マス目状に区切って）得られる領域から抽出する。一方、音声パターンにおいては、周波数分布における音声の強さのピークの出現位置、周波数分布における音声の弱さのピークの出現位置、一定時間内における周波数の変動の度合い、さらに、横軸を周波数、縦軸を音声の強さとした場合に、強さのピーク（山）はどの周波数の時に現れるかなどといった点を、特徴量として抽出することが可能である。

本発明の第１の実施形態に係るパターン認識装置の機能ブロック図。 図１のパターン認識装置により認識可能な複数のパターンを分類するクラス及びクラス群を概念的に示す図。 図１のパターン認識装置が備える識別器の識別性能を説明するための図。 図３の補足説明として識別性能の低い識別器の構成を示す図。 図３、図４の補足説明として識別性能の高い識別器の構成を示す図。 図１のパターン認識装置が備えるパターン認識処理部、累積部及び判断部の構成を概念的に示す図。 図１のパターン認識装置の累積部に記憶された累積スコアの計算式データ。 図１のパターン認識装置による累積スコアの算出例を具体的に示す図。 図１のパターン認識装置が備える複数の識別器の構成を模式的に示す図。 図１のパターン認識装置の判断部に記憶された識別器選択候補リスト。 図１のパターン認識装置の累積部に記憶される処理経過リスト。 図１のパターン認識装置の出力部が表示出力する認識結果表示リスト。 図１のパターン認識装置により実現されるパターン認識方法を示すフローチャート。 本発明の第２の実施形態に係るパターン認識装置の機能ブロック図。 図１４のパターン認識装置の判断部に記憶された識別器選択候補リスト。 図１４のパターン認識装置が行う後戻り処理を概念的に示す図。 図１４のパターン認識装置の判断部に記憶されるクラス別チェックリスト。 図１４パターン認識装置の累積部に記憶される処理経過リスト。 図１４のパターン認識装置により実現されるパターン認識方法を示すフローチャート。 本発明の第３の実施形態に係るパターン認識装置の機能ブロック図。 図２０のパターン認識装置の判断部に記憶された識別器選択候補リスト。 図２０のパターン認識装置の判断部による識別器の選択方法の説明図。 図２０のパターン認識装置の判断部に記憶されるスコア差評価リスト。 図２０のパターン認識装置の累積部に記憶される処理経過リスト。 図２０のパターン認識装置により実現されるパターン認識方法を示すフローチャート。

符号の説明

１０,２０,３０…パターン認識装置、１１…入力部、１２…パターン認識処理部、１３，２３，３３…累積部、１３ａ，２３ａ，３３ａ…処理経過リスト、１４，２４，３４…判断部、１４ａ，２４ａ，…識別器選択候補リスト、１５…出力部、１５ａ…認識結果表示リスト、２４ｂ…クラス別チェックリスト、３４ｂ…スコア差評価リスト、２７，２８，３７，３８…識別器群、Ａ，Ｂ，Ｃ〜…識別器、Ａ１，Ｂ１，Ｃ１〜…識別関数、Ａ２，Ｂ２，Ｃ２〜…重み付け情報、Ｐ，Ｑ，Ｓ，Ｔ…クラス群、Ｐ１，Ｑ１，Ｓ１，Ｔ１…クラス。

Claims (6)

1. 複数に分類されたクラスのいずれかに所属するパターンを入力可能な入力部と、
   前記入力部で入力された前記パターンから互いに異なる視点で特徴を各々抽出することにより前記複数のクラスごとに当該パターンの評価値を各々算出する複数の評価部と、
   前記複数の評価部で各々算出された前記評価値を前記複数のクラスごとに累積する累積部と、
   前記累積部による累積結果に基づいて、前記入力部で入力された前記パターンの所属するクラスを特定するクラス特定部と、
   を具備することを特徴とするパターン認識装置。
2. 前記複数の評価部の中から一又は二以上の評価部を選択する第１の選択部と、
   前記第１の選択部で選択された評価部による評価値に基づいて、前記第１の選択部で選択された評価部を除く他の一又は二以上の評価部を選択する第２の選択部と、
   をさらに具備することを特徴とする請求項１記載のパターン認識装置。
3. 前記累積部は、前記第１の選択部で選択された評価部による評価値を前記クラスごとに累積した累積値を算出し、
   前記第２の選択部は、前記累積部により前記クラスごとに算出された前記累積値に基づいて、前記第１の選択部で選択された評価部を除く他の一又は二以上の評価部を選択する、
   ことを特徴とする請求項２記載のパターン認識装置。
4. 前記累積部は、前記第１の選択部で選択された評価部による評価値を前記クラスごとに累積した累積値を算出し、
   前記第２の選択部は、前記第１の選択部で選択された評価部による評価値と前記累積部により前記クラスごとに算出された前記累積値とに基づいて、前記第１の選択部で選択された評価部を除く他の一又は二以上の評価部を選択する、
   ことを特徴とする請求項２記載のパターン認識装置。
5. 複数に分類されたクラスのいずれかに所属するパターンを入力可能な入力部と、
   前記入力部で入力された前記パターンから互いに異なる視点で特徴を各々抽出することにより前記複数のクラスごとに当該パターンの評価値を各々算出する複数の評価部と、
   前記複数の評価部で各々算出された前記評価値を前記複数のクラスごとに累積する累積部と、
   前記累積部による累積結果に基づいて、前記入力部で入力された前記パターンの所属するクラスを特定するクラス特定部、
   としてコンピュータを機能させることを特徴とするパターン認識プログラム。
6. 複数に分類されたクラスのいずれかに所属するパターンを入力部が入力するステップと、
   前記入力部で入力された前記パターンから、複数の評価部が、互いに異なる視点で特徴を各々抽出することにより前記複数のクラスごとに当該パターンの評価値を各々算出するステップと、
   前記複数の評価部で各々算出された前記評価値を累積部が前記複数のクラスごとに累積するステップと、
   前記累積部による累積結果に基づいて、クラス特定部が、前記入力部で入力された前記パターンの所属するクラスを特定するステップと、
   を有することを特徴とするパターン認識方法。

Images