JP2011018109A - 認識文字列補正装置および認識文字列補正用プログラム - Google Patents

Abstract

【課題】イメージ化された書類から認識された文字列を、高い精度で補正することが可能な認識文字列補正装置および認識文字列補正用プログラムを提供する。
【解決手段】予め設定された、文書に使用する正規の文字列情報と、この正規の文字列情報ごとの、当該文字列の中の文字で構成された当該文字列を識別するためのキーワードおよび当該文字列として認識される文字の桁数の範囲とを記憶する補正情報記憶部３１と、記憶されたキーワードおよび桁数の範囲に基づいて、認識された文字列に該当する正規の文字列情報を抽出する正規文字列抽出部３３と、取得された認識文字列情報を抽出された正規の文字列情報に置き換えることで補正する文字列補正部３４とを備える。
【選択図】図１

Description

本発明は、イメージ化された書類から文字認識される際に誤認識された文字列を、正確な文字列に補正する認識文字列補正装置および認識文字列補正用プログラムに関する。

従来、イメージ化された書類からコンピュータで文字を認識する技術として、ＯＣＲやテキストリーダーなどの装置を利用したものが知られている。これらの装置の機能はソフトウェアに搭載されて市販されているものもあり、新聞記事、各種明細書、著書等のテキスト化に広く活用されている。

ところで、これらの技術を利用した文字認識処理では文字が誤認識される場合もあるため、認識精度を向上させるために種々の技術が提供されている。

コンピュータによる文字認識の精度を向上させる技術として、例えば特許文献１および特許文献２に記載の技術がある。

特許文献１には、イメージ化された文字列から、予め記憶された単語辞書を利用して複数の単語候補を抽出し、単語候補と一致しない住所の番地のような否単語部分についてはこの否単語部分固有の構成知識を用いて評価値を求め、総合的な評価値で確からしさが高い文字列を抽出する技術が記載されている。

また、特許文献２には、イメージ化された文字列と類似した単語候補を抽出する際に、入力された文字列のストロークを抽出し、参照文字の標準ストローク数、ストローク間の接続関係、相対関係に基づいて類似度の高い単語を抽出する技術が記載されている。

特開平７−６２１３号公報 特開平５−１８９６１３号公報

上記の特許文献１または特許文献２に記載の技術を利用することにより、高い精度で正確な文字列を認識することが可能になるが、限定された分野の書類において利用する場合、例えば使用される文字列が限定的な帳票や請求書などの文字認識に利用する場合には、より確実な文字認識を行うことが望まれていた。

例えば、電話料金請求書の文字列の認識に利用する場合、「通信料」と「通話料」とは２文字が同一であるため類似性が高く誤認識される可能性が高いが、これらは全く異なる内容を示すため確実に識別することが必要であった。

従って本発明の目的は、イメージ化された書類から認識された文字列を、高い精度で補正することが可能な認識文字列補正装置および認識文字列補正用プログラムを提供することである。

上記課題を解決するための本発明の認識文字列補正装置は、イメージ画像情報による文書を解析することにより認識された認識文字列情報の、誤認識された文字を補正する認識文字列補正装置において、予め設定された、前記文書に使用する正規の文字列情報と、この正規の文字列情報ごとの、当該文字列の中の文字で構成された当該文字列を識別するためのキーワードおよび当該文字列として認識される文字の桁数の範囲とを記憶する補正情報記憶部と、前記認識文字列情報を取得する認識文字列情報取得部と、前記補正情報記憶部に記憶されたキーワードおよび桁数の範囲に基づいて、前記認識文字列情報取得部で取得された認識文字列に該当する正規の文字列情報を抽出する正規文字列抽出部と、前記認識文字列情報取得部で取得された認識文字列情報を、前記正規文字列抽出部で抽出された前記正規の文字列情報に置き換えることで補正する文字列補正部とを備えることを特徴とする。

この認識文字列補正装置の前記補正情報記憶部は、複数の前記キーワードを、当該文字列中に出現する順に並べて記憶し、前記正規文字列抽出部は、前記補正情報記憶部に記憶された並び順のすべてのキーワードおよび桁数の範囲に基づいて、前記認識文字列情報取得部で取得された認識文字列に該当する正規の文字列情報を抽出するようにしてもよい。

また、本発明の認識文字列補正用プログラムは、イメージ画像情報による文書を解析することにより認識された認識文字列情報の、誤認識された文字を補正する認識文字列補正装置に、予め設定された、前記文書に使用する正規の文字列情報と、この正規の文字列情報ごとの、当該文字列の中の文字で構成された当該文字列を識別するためのキーワードおよび当該文字列として認識される文字の桁数の範囲とを記憶する機能と、前記認識文字列情報を取得する機能と、記憶されたキーワードおよび桁数の範囲に基づいて、取得された認識文字列に該当する正規の文字列情報を抽出する機能と、取得された認識文字列情報を、抽出された前記正規の文字列情報に置き換えることで補正する機能とを実行させることを特徴とする。

本発明の認識文字列補正装置および認識文字列補正用プログラムによれば、イメージ化された書類から認識された文字列を、高い精度で補正することができる。

本発明の一実施形態による認識文字列補正装置を利用した文字認識システムの構成を示すブロック図である。 本発明の一実施形態による認識文字列補正装置の動作を示すフローチャートである。 本発明の一実施形態による認識文字列補正装置の補正情報記憶部に記憶された正規の文字列情報と、この正規の文字列情報ごとの、当該文字列を識別するためのキーワードおよび文字の桁数の範囲との一例を示す説明図である。 本発明の一実施形態による認識文字列補正装置で取得された認識文字列の例を示す説明図である。 本発明の一実施形態による認識文字列補正装置の正規文字列抽出部および文字列補正部で実行される処理を説明する説明図である。

本発明の認識文字列補正装置を利用した文字認識システムの一実施形態について、図面を参照して説明する。

〈一実施形態による文字認識システムの構成〉
本実施形態の文字認識システムは、印刷された書類から文字を認識してテキストファイルを生成するものであり、図１に示すように、画像読取装置１０と、文字認識装置２０と、認識文字列補正装置３０とを有する。

画像読取装置１０はスキャナ等であり、テキストファイル生成対象の書類をイメージ画像データとして読み取る読取制御部１１と、読み取ったイメージ画像データを記憶するイメージ画像データ記憶部１２とを有する。

文字認識装置２０はＯＣＲ等であり、画像読取装置１０のイメージ画像データ記憶部１２に記憶されたイメージ画像データを解析して文字情報を認識する文字認識制御部２１と、認識された文字情報で構成された文字列情報である認識文字列情報を記憶する認識文字列情報記憶部２２とを有する。

認識文字列補正装置３０は、補正情報記憶部３１と、認識文字列情報取得部３２と、正規文字列抽出部３３と、文字列補正部３４と、テキストファイル生成部３５と、テキストファイル記憶部３６とを有する。

補正情報記憶部３１は、予め設定された当該文書に使用する正規の文字列情報と、この正規の文字列情報ごとの、当該文字列の中の文字で構成された当該文字列を識別するためのキーワードおよび当該文字列として認識される文字の桁数の範囲とを記憶する。このキーワードは、当該正規の文字列の中で比較的コンピュータにより認識率の良い文字の並び部分で構成され、１つの正規の文字列に対して１つでも複数でもよい。１つの正規の文字列に複数のキーワードがある場合には、当該正規の文字列中に出現する順にこれらのキーワードが並べられて記憶される。また、文字の桁数の範囲は、当該正規の文字列を有る程度の誤差を含めた文字数で限定するための情報であり、［当該正規の文字列の文字数±数文字］の範囲を示すものである。この「数文字」は、当該正規の文字列の中にある、実際よりも多い文字数で誤認識される可能性の高い文字の数、実際よりも少ない文字数で誤認識される可能性の高い文字の数等により調整される。

認識文字列情報取得部３２は、文字認識装置２０の認識文字列情報記憶部２２に記憶された認識文字列情報を取得する。

正規文字列抽出部３３は、補正情報記憶部３１に記憶されたキーワードおよび桁数の範囲に基づいて、認識文字列情報取得部３２で取得された認識文字列に該当する正規の文字列情報を抽出する。

文字列補正部３４は、認識文字列情報取得部３２で取得された認識文字列情報を、正規文字列抽出部３３で抽出された正規の文字列情報に置き換えることで補正する。

テキストファイル生成部３５は、文字列補正部３４で補正された文字列情報で構成されたテキストファイルを生成する。

テキストファイル記憶部３６は、テキストファイル生成部３４で生成されたテキストファイルを記憶する。

〈一実施形態による文字認識システムの動作〉
次に、本実施形態による文字認識システム１において、印刷された書類としての電話料金請求書Ｘからテキストファイルを生成し記憶する場合の処理について説明する。

まず、テキストファイル生成対象の印刷された書類である電話料金請求書Ｘが画像読取装置１０の読取制御部１１によりイメージ画像データとして読み取られ、イメージ画像データ記憶部１２に記憶される。

次に、文字認識装置２０の文字認識制御部２１により、イメージ画像データ記憶部１２に記憶されたイメージ画像データが解析されて文字情報が認識される。認識された文字情報で構成された文字列情報は、認識文字列情報記憶部２２に記憶される。

次に、認識文字列補正装置３０において、認識された文字列情報の誤認識された文字を補正する処理が行われる。この誤認識された文字の補正処理について、図２のフローチャートを参照して説明する。

この認識文字列補正装置３０の補正情報記憶部３１には、予め設定された当該文書に使用する正規の文字列情報と、この正規の文字列情報ごとの、当該文字列の中の文字で構成された当該文字列を識別するためのキーワードおよび当該文字列として認識される文字の桁数の範囲とが記憶されている。

本実施形態における電話料金請求書に使用する正規の文字列情報と、この正規の文字列情報ごとの、当該文字列を識別するためのキーワードおよび文字の桁数の範囲との一例を、図３に示す。

図３では、電話料金請求書に使用する正規の文字列情報として「No.1：無料通話料（パケット通信料）」、「No.2：無料通話料（パケット通信料）タイプ１」、および「No.3：無料通話料（パケット通話料）」が格納されている。

また、この正規の文字列情報「No.1：無料通話料（パケット通信料）」を識別するためのキーワードとして、当該正規の文字列の中で比較的コンピュータにより認識率の良い文字の並び部分である「無」、「通話料」、「パケ」、「ト通信料）」が文字列中の出現順に格納され、また当該正規の文字列として認識される文字の桁数の範囲が「14〜15」であることが格納されている。

また、この正規の文字列情報「No.2：無料通話料（パケット通信料）タイプ１」を識別するためのキーワードとして、当該正規の文字列の中で比較的コンピュータにより認識率の良い文字の並び部分である「無」、「通話料」、「パケ」、「ト通信料）」が文字列中の出現順に格納され、また当該正規の文字列として認識される文字の桁数の範囲が「17〜19」であることが格納されている。

また、この正規の文字列情報「No.3：無料通話料（パケット通話料）」を識別するためのキーワードとして、当該正規の文字列の中で比較的コンピュータにより認識率の良い文字の並び部分である「無」、「通話料」、「パケ」、「ト通話料）」が文字列中の出現順に格納され、また当該正規の文字列として認識される文字の桁数の範囲が「14〜15」であることが格納されている。

これらの文字の桁数に範囲を持たせるのは、誤認識により文字数が加減した場合、例えば４桁の文字列「パケット」を、「パケ；・ト」のように５桁の文字列に誤認識したときにもこれを誤差とし、正規の文字列「パケット」に補正できるようにするためである。また、このように範囲を持たせながらも桁数に制限を設けることで、同じキーワードを含んでいるが桁数が誤差以上に異なる文字列、例えば「無料通話料（パケット通信料）」と、「無料通話料（パケット通信料）タイプ１」とを確実に区別することが可能になる。

これらの正規の文字列情報と、この正規の文字列情報ごとの、当該文字列の中の文字で構成された当該文字列を識別するためのキーワードおよび当該文字列として認識される文字の桁数の範囲とが記憶されている状態で、誤認識された文字を補正する処理が開始されると、まず認識文字列情報取得部３２において文字認識装置２０の認識文字列情報記憶部２２に記憶された認識文字列情報が取得される（Ｓ１）。

次に、正規文字列抽出部３３において、認識文字列情報取得部３２で取得された認識文字列のうち、補正情報記憶部３１に記憶されたキーワードを所定順序で全て含み、且つ文字の桁数の範囲に該当する正規の文字列情報が抽出される（Ｓ２）。

例えば認識文字列が、図４に示すような誤読例（１）「無判通話料（パケ・ト通信料）」、誤読例（２）「無判通話料［パケ；・ト通信料）」、誤読例（３）「無判通話料（パケ・＞ト通信料）」、誤読例（４）「無判通話料（パケート通信料）」、誤読例（５）「無判通話料（パケ￥ト通信料）」、誤読例（６）「無判通話料（パケット通信料）」であるとする。このとき、これら全てが、図５の５１、５２に示すように正規の文字列情報「No.1：無料通話料（パケット通信料）」のキーワード「無」、「通話料」、「パケ」、「ト通信料」がこの並び順で出現し、且つ文字列の文字の桁数が14または15であるため、該当する正規の文字列情報として「No.1：無料通話料（パケット通信料）」が抽出される。

また図５の５３に示すように、これらの誤読例（１）〜（６）の文字列には正規の文字列情報「No.2：無料通話料（パケット通信料）タイプ１」のキーワードも全て含まれるが、文字の桁数が「17〜19」に該当しないため、この文字列情報「No.2：無料通話料（パケット通信料）タイプ１」は抽出されない。

また図５の５４に示すように、これらの誤読例（１）〜（６）の文字列には、正規の文字列情報「No.3：無料通話料（パケット通話料）」のキーワード中の「ト通話料」は含まれないため、この文字列情報「No.3：無料通話料（パケット通話料）」は抽出されない。

次に図５の５５に示すように、文字列補正部３４において、認識文字列情報取得部３２で取得された認識文字列情報を、正規文字列抽出部３３で抽出された正規の文字列情報に置き換えることで補正される（Ｓ３）。

そして、文字列補正部３４で補正された文字列情報で構成されたテキストファイルがテキストファイル生成部３５で生成され（Ｓ４）、テキストファイル記憶部３６に記憶される（Ｓ５）。

以上の本実施形態によれば、使用する文字情報がある程度決まっている限定された分野の書類において、印刷された書類から認識された文字列を、高い精度で補正して正確なテキストファイルを生成することが可能になる。

なお、上記は本発明の最良の実施の形態によって記載したが、この開示の一部をなす論述および図面はこの発明を限定するものであると理解すべきではない。この開示から当業者には様々な代替実施の形態、実施例および運用技術が明らかとなる。

本発明はここでは記載していない様々な実施の形態等を含むことは勿論である。従って、本発明の技術的範囲は上記の説明から妥当な特許請求の範囲に係る発明特定事項によってのみ定められるものである。

１…文字認識システム
１０…画像読取装置
１１…読取制御部
１２…イメージ画像データ記憶部
２０…文字認識装置
２１…文字認識制御部
２２…認識文字列情報記憶部
３０…認識文字列補正装置
３１…補正情報記憶部
３２…認識文字列情報取得部
３３…正規文字列抽出部
３４…文字列補正部
３５…テキストファイル生成部
３６…テキストファイル記憶部

Claims (3)

1. イメージ画像情報による文書を解析することにより認識された認識文字列情報の、誤認識された文字を補正する認識文字列補正装置において、
   予め設定された、前記文書に使用する正規の文字列情報と、この正規の文字列情報ごとの、当該文字列の中の文字で構成された当該文字列を識別するためのキーワードおよび当該文字列として認識される文字の桁数の範囲とを記憶する補正情報記憶部と、
   前記認識文字列情報を取得する認識文字列情報取得部と、
   前記補正情報記憶部に記憶されたキーワードおよび桁数の範囲に基づいて、前記認識文字列情報取得部で取得された認識文字列に該当する正規の文字列情報を抽出する正規文字列抽出部と、
   前記認識文字列情報取得部で取得された認識文字列情報を、前記正規文字列抽出部で抽出された前記正規の文字列情報に置き換えることで補正する文字列補正部と、
   を備えることを特徴とする認識文字列補正装置。
2. 前記補正情報記憶部は、複数の前記キーワードを、当該文字列中に出現する順に並べて記憶し、
   前記正規文字列抽出部は、前記補正情報記憶部に記憶された並び順のすべてのキーワードおよび桁数の範囲に基づいて、前記認識文字列情報取得部で取得された認識文字列に該当する正規の文字列情報を抽出する
   ことを特徴とする請求項１に記載の認識文字列補正装置。
3. イメージ画像情報による文書を解析することにより認識された認識文字列情報の、誤認識された文字を補正する認識文字列補正装置に、
   予め設定された、前記文書に使用する正規の文字列情報と、この正規の文字列情報ごとの、当該文字列の中の文字で構成された当該文字列を識別するためのキーワードおよび当該文字列として認識される文字の桁数の範囲とを記憶する機能と、
   前記認識文字列情報を取得する機能と、
   記憶されたキーワードおよび桁数の範囲に基づいて、取得された認識文字列に該当する正規の文字列情報を抽出する機能と、
   取得された認識文字列情報を、抽出された前記正規の文字列情報に置き換えることで補正する機能と、
   を実行させる認識文字列補正用プログラム。

Images