JP2018506087A

JP2018506087A - 複数の文書を盛り込んだ画像から文書画像を抽出するためのシステムおよび方法

Info

Publication number: JP2018506087A
Application number: JP2016574128A
Authority: JP
Inventors: サフト，アイザック; グズマン，ノーム
Original assignee: Vatbox Ltd
Current assignee: Vatbox Ltd
Priority date: 2015-02-04
Filing date: 2016-02-02
Publication date: 2018-03-01
Also published as: EP3149659A1; WO2016126665A1; CN106489156A; US20160225101A1; EP3149659A4; US10621676B2

Abstract

複数の文書を盛り込んだ画像から文書画像を抽出するためのシステムおよび方法が提示される。この方法は、複数の文書画像を含む複数文書画像を受信するステップを含み、各文書画像は文書に関連付けられ、この方法はさらに、複数文書画像から複数の視覚的識別子を抽出するステップを含み、各視覚的識別子は、複数の文書画像のうちの１つに関連付けられ、この方法はさらに、各文書画像を識別するために複数の視覚的識別子を分析するステップと、分析に基づいて各文書画像の画像エリアを判断するステップと、各文書画像をその画像エリアに基づいて抽出するステップとを含む。

Description

関連出願との相互参照
本願は、２０１５年２月４日に出願された米国仮出願第６２／１１１，６９０号の利益を主張する。上述の出願の内容はここに引用により援用される。

技術分野
本開示は一般に、画像を含む文書を分析することに関し、より特定的には、複数の文書を含む画像に基づいて複数のファイルを作成することに関する。

背景
付加価値税（Value-Added Tax：ＶＡＴ）または売上税は、物品およびサービスに付加された価値に課される、広範囲にわたる消費税である。ある特定のＶＡＴは、所与の国または州内で売買される大抵の物品およびサービスに当てはまる。ある人が海外旅行し、ＶＡＴ（または任意の適用可能な税金）の支払いを必要とする購入を行なった場合、その人は、その購入についてのＶＡＴのその後の払い戻しを得る資格を有するかもしれない。購入に適用された他の税金も同様に、特定の状況下で払い戻されるかもしれない。また、販売人が、ある場所で、および特定の状況下で販売された製品の購入について割り戻しを提供するかもしれない。購入価格のそのような払い戻しは、払い戻しエンティティによって確立された手順に従うことによって取り戻せる場合がある。

多くの国々の法令は、たとえば海外で物品および／またはサービスについて支払われたＶＡＴなどのある税金の償還または払い戻しのための権利を外国人旅行者に与える。そのような法令は国によって異なるため、人が受ける資格を有する実際のＶＡＴ払い戻しの判断は、払い戻しを求める人が、海外の税法の分野において莫大な量の知識を有することをしばしば必要とする。さらに、旅行者は、そのような払い戻しを得る資格がない場合に、ＶＡＴについての払い戻しを求めるかもしれず、それにより、実らない試みに時間および労力を費やしてしまう。また、ＶＡＴ払い戻しの利用可能性は、行なった購入のタイプおよび適格なＶＡＴレシートの存在に基づいて変わり得る。

払い戻しを要求する１つの手順は、空港で税関職員に物理的に接近し、用紙に記入し、滞在中に負担した費用のそれぞれについてレシート原本を提出することである。この手順は、チェックインまたは次の目的地へと搭乗する前に行なう必要がある。加えて、特に海外で購入した物品に関して、払い戻しを要求する手順は、持出し中の物品が、支払い人がＶＡＴを支払った物品と一致することを検証するために、支払い人が税関職員に未使用の物品を見せることを必要とする場合がある。

旅行者は払い戻しを請求するための特定の法令に精通していないため、旅行者は、自分に資格がなくても、払い戻しのための請求を提出するかもしれない。この手順は、旅行者が自分に払い戻しを得る資格がないことを最終的に知った場合、時間をさらに不必要に浪費する。したがって、電子的に、および、好ましくはインターネット上でＶＡＴ払い戻しを扱う効果的なやり方を提供することにより、先行技術の欠陥を克服するであろう解決策を提供することが、有利であろう。

さらに、払い戻し、特にＶＡＴ払い戻しの請求に関連する煩わしさのため、顧客はそのような払い戻しを求めるように動機づけられないかもしれない。特に潜在的に大きい払い戻しに関して、適切に管理された払い戻しプラットフォームは、お金の節約にとって重大であり得る。一例として、ＶＡＴ払い戻しプラットフォームは、従業員がビジネス目的で旅行することを必要とする大企業にとって重要であり得る。典型的な企業によって作成される、その多くはＶＡＴ払い戻しの資格を有し得る大量のインボイスのため、企業は、インボイスを集めて検証する間にエラーを起こしやすいかもしれない。

加えて、典型的な企業によって作成される多数のインボイスは最終的に、それらのインボイスに対応する多数のファイルの作成をもたらす。既存の解決策は典型的には、各インボイスが別個のファイルに含まれることを必要とし、その結果、各インボイスの個別走査または他の取り込みを必要とする。そのような手動の個別走査は時間および資源を浪費し、最終的にプロセスを人為ミスのより多くの可能性にさらす。

したがって、先行技術の欠陥を克服するであろう解決策を提供することが、有利であろう。

概要
この開示のいくつかの例示的な実施形態の概要が続く。この概要は、そのような実施形態の基本的理解を提供するように、読者の便宜のために提供され、この開示の範囲を完全には定義しない。この概要は、考察されたすべての実施形態の広範な概略ではなく、また、すべての実施形態の主なまたは重要な要素を識別することも、いずれかまたはすべての局面の範囲を線引きすることも意図していない。その唯一の目的は、１つ以上の実施形態のいくつかの概念を、後に提示されるより詳細な説明への前置きとして、単純化された形で提示することである。便宜上、「いくつかの実施形態」という用語が、この開示の単一の実施形態または複数の実施形態を指すためにここに使用される場合がある。

ここに開示されたいくつかの例示的な実施形態は、複数の文書を盛り込んだ画像から文書画像を抽出するための方法を含む。この方法は、複数の文書画像を含む複数文書画像を受信するステップを含み、各文書画像は文書に関連付けられ、この方法はさらに、複数文書画像から複数の視覚的識別子を抽出するステップを含み、各視覚的識別子は、複数の文書画像のうちの１つに関連付けられ、この方法はさらに、各文書画像を識別するために複数の視覚的識別子を分析するステップと、分析に基づいて各文書画像の画像エリアを判断するステップと、各文書画像をその画像エリアに基づいて抽出するステップとを含む。

ここに開示されたいくつかの例示的な実施形態はまた、複数の文書を盛り込んだ画像から文書画像を抽出するためのシステムを含む。このシステムは、処理システムと、メモリとを含み、メモリは命令を含み、命令は、処理ユニットによって実行されると、システムを、複数の文書画像を含む複数文書画像を受信するように構成し、各文書画像は文書に関連付けられ、さらに、複数文書画像から複数の視覚的識別子を抽出するように構成し、各視覚的識別子は複数の文書画像のうちの１つに関連付けられ、さらに、各文書画像を識別するために複数の視覚的識別子を分析し、分析に基づいて各文書画像の画像エリアを判断し、各文書画像をその画像エリアに基づいて抽出するように構成する。

図面の簡単な説明
ここに開示された主題は、明細書の終わりの請求項で特に指摘され、明確に請求される。開示された実施形態の前述のおよび他の目的、特徴ならびに利点は、添付図面と関連して理解される以下の詳細な説明から明らかとなるであろう。

開示されたさまざまな実施形態を説明するために利用されるネットワーク図である。ある実施形態に従った、複数のインボイスを盛り込んだ画像から複数のインボイス画像を作成するための方法を示すフローチャートである。ある実施形態に従った、複数のインボイスを盛り込んだ画像からインボイス画像を抽出するための方法を示すフローチャートである。ある実施形態に従った、複数のインボイスを盛り込んだ画像からインボイス画像を抽出するための方法を示すフローチャートである。ある実施形態に従った、複数のインボイスを盛り込んだ画像からインボイス画像を抽出するための方法を示すフローチャートである。開示されたある実施形態を説明するために利用される、インボイスを盛り込んだ画像の例示的なスクリーンショットである。開示されたある実施形態を説明するために利用される、インボイスを盛り込んだ画像の例示的なスクリーンショットである。開示されたある実施形態を説明するために利用される、インボイスを盛り込んだ画像の例示的なスクリーンショットである。開示されたある実施形態を説明するために利用される、インボイスを盛り込んだ画像の例示的なスクリーンショットである。開示されたある実施形態を説明するために利用される、インボイスを盛り込んだ画像の例示的なスクリーンショットである。

詳細な説明
ここに開示された実施形態は、ここでの革新的な教示の多くの有利な使用の例に過ぎないということに留意することが、重要である。一般に、本願の明細書でなされた記述は必ずしも、請求されたさまざまな実施形態をどれも限定しない。さらに、いくつかの記述は、この発明のいくつかの特徴に当てはまり得るものの、他の特徴には当てはまらないかもしれない。一般に、別段の指示がない限り、一般性を失うことなく、単数の要素は複数であってもよく、逆も同様である。図面では、いくつかの図を通し、同じ番号は同じ部分を指す。

図１は、開示されたさまざまな実施形態を説明するために利用される、例示的で非限定的なネットワーク図１００を示す。ある実施形態では、ネットワーク図１００は、サーバ１２０と、ユーザデバイス１５０と、企業デバイス１６０と、複数のウェブソース１７０−１〜１７０−ｎ（以下、単に簡潔にするために、個々の場合も一括してもウェブソース１７０と呼ばれる）と、データベース１８０とに通信可能に接続されたネットワーク１１０を含む。ネットワーク１１０は、無線、セルラーまたは有線ネットワーク、ローカルエリアネットワーク（local area network：ＬＡＮ）、ワイドエリアネットワーク（wide area network：ＷＡＮ）、メトロエリアネットワーク（metro area network：ＭＡＮ）、インターネット、ワールドワイドウェブ（worldwide web：ＷＷＷ）、同様のネットワーク、およびそれらの任意の組合せであってもよいが、それらに限定されない。

ユーザデバイス１５０および各企業デバイス１６０は、パーソナルコンピュータ（personal computer：ＰＣ）、ノートブックコンピュータ、携帯電話、スマートフォン、タブレットデバイス、ウェアラブルコンピューティングデバイス、スキャナーなどであってもよいが、それらに限定されない。ユーザデバイス１５０は、画像を取り込むために利用される画像センサ１５５を含んでいてもよく、または画像センサ１５５に通信可能に接続されてもよい。企業デバイス１６０を動作させる企業は、ホテル、店舗、サービスプロバイダなどであってもよいが、それらに限定されない。

ある実施形態では、ユーザデバイス１５０は（たとえば画像センサ１５５を介して）、複数のインボイスおよび／または他の文書を含む画像を取り込む。各インボイスは典型的には、潜在的に払い戻し可能な購入についての支払い証明を含む。文書は、整理されていない形態であってもよい。すなわち、複数インボイス画像において、各文書における情報（たとえば単語、記号、数字、文字、形状、行列、ラベル、バーコードなど）が見える限り、インボイスは、ある特定の態様で配置され、配向され、または他のやり方で整理される必要はない。

ユーザデバイス１５０は、取り込まれた複数インボイス画像をサーバ１２０に送信する。サーバ１２０は、複数インボイス画像から視覚的識別子を抽出するように構成される。視覚的識別子は、文書識別番号（たとえばインボイス番号）、コード（たとえばＱＲコード（登録商標）、バーコードなど）、トランザクション番号、会社名、会社の住所、会社の識別番号、合計価格、通貨、支払い方法（たとえば現金、小切手、クレジットカード、デビットカード、デジタル通貨など）、日付、製品のタイプ、製品単価などを含み得るものの、それらに限定されない。

この目的のために、サーバ１２０は、認識ユニット（recognition unit：ＲＵ）１２５を含んでいてもよく、または、認識ユニット１２５に通信可能に接続されてもよい。認識ユニット１２５は、機械撮像プロセスを実行するように構成される。認識ユニット１２５はさらに、画像認識、パターン認識、信号処理、文字認識などであるもののそれらに限定されない１つ以上のコンピュータビジョン手法を使用することにより、複数インボイス画像に示された視覚的識別子の認識を可能にするように構成される。認識ユニット１２５は、光学文字認識ユニット、画像認識ユニット、およびそれらの組合せを含み得るものの、それらに限定されない。

サーバ１２０は、複数インボイス画像に示されたインボイス画像を識別するために、抽出された視覚的識別子を分析するように構成される。識別は、視覚的識別子に基づいてインボイスを判断するために必要な、視覚的識別子のしきい値に基づいてもよい。視覚的識別子しきい値は、複数インボイス画像におけるあるインボイスを識別するために必要とされる最小の視覚的識別子を表わしてもよい。しきい値は、最小数の視覚的識別子、ある特定の視覚的識別子、視覚的識別子のある特定の組合せなどを含み得るものの、それらに限定されない。たとえば、画像におけるあるインボイスを視覚的識別子に基づいて識別するためのしきい値要件は、合計価格、業者識別子、および製品のタイプを含んでいてもよい。その例では、複数インボイス画像における識別された各インボイスは、合計価格、業者識別子、および製品のタイプを含むであろう。

ある実施形態では、サーバ１２０は、視覚的識別子が必要かどうかを判断し、必要である場合、必要な視覚的識別子を検索するように構成されてもよい。必要な視覚的識別子は、識別される各インボイスがさらなる処理にとって好適になるように、予め規定されてもよい。たとえば、付加価値税（ＶＡＴ）取り戻しのために、購入場所が、必要な視覚的識別子であってもよい。このため、インボイスがトランザクションの場所を示す視覚的識別子を含まない場合、そのインボイスに関連付けられた場所が検索されてもよい。

必要な視覚的識別子は、たとえば企業デバイス１６０および／またはウェブソース１７０から検索されてもよい。ウェブソース１７０は、取り戻し情報に関するデータが格納されたデータベースであってもよいが、それに限定されない。そのようなデータベースは、たとえば、ＶＡＴ情報交換システム（VAT information exchange system：ＶＩＥＳ）、税務当局データベース、割り戻し共有システムなどを含んでいてもよい。各ウェブソース１７０は、税務当局、ＶＡＴ払い戻し機関などであるもののそれらに限定されないエンティティによって動作されてもよい。

サーバ１２０は、分析に基づいて、識別されたインボイス画像の各々に関連付けられた画像エリアを判断するように構成される。各画像エリアは、そのそれぞれのインボイス画像の視覚的識別子を含み、複数インボイス画像内のインボイス画像の境界を示す。判断は、インボイスの中心を識別すること、各インボイス画像の境界を識別することなどを含み得るものの、それらに限定されない。ある実施形態では、各インボイス画像の境界を識別することは、複数インボイス画像における何もないエリアに基づいてもよい。すなわち、取り込まれた画像のうちテキストが見当たらない部分が、インボイス画像の境界であると識別されてもよい。各画像エリアは、その境界によって規定されたある特定の形状、たとえば矩形などであってもよい（すなわち、典型的なインボイスは、矩形エリア内にテキストを含む）。画像エリアは、それらのそれぞれの境界によって規定された同じまたは異なる形状であってもよい。

サーバ１２０は、識別された各インボイス画像を、そのそれぞれの判断された画像エリアに基づいて抽出するように構成される。抽出は、各インボイス画像についてファイルを作成することを含んでいてもよい。抽出はさらに、識別された各インボイス画像をカットすること、コピーすること、トリミングすることを含み得るものの、それらに限定されない。カットを介した抽出は、取り込まれた画像から各インボイス画像を除去することと、抽出後に複数インボイス画像がインボイスを何も盛り込まないように、除去された各インボイス画像について新規ファイルを作成することとを含んでいてもよい。コピーを介した抽出は、抽出後に複数インボイス画像が依然としてコピーされたインボイス画像をすべて含むように、各インボイス画像について、インボイス画像のコピーを含む新規ファイルを作成することを含んでいてもよい。トリミングによる抽出は、識別された各インボイス画像について、複数インボイス画像のコピーを含むファイルを作成することと、各ファイルがそれぞれのトリミングされたインボイス画像のみを含むように、各ファイルを、そのそれぞれのインボイス画像に基づいて縮小することとを含む。

サーバ１２０は、抽出された各インボイス画像を、たとえばデータベース１８０に別々に格納するように構成されてもよい。データベース１８０に格納されたインボイス画像は次に、処理（たとえば、ＶＡＴ取り戻し処理）のためにアクセスされてもよい。ある実施形態では、サーバ１２０はさらに、抽出されたインボイス画像のいずれかまたはすべてについて、ＶＡＴ取り戻しを自動的に提出するように構成されてもよい。ＶＡＴ取り戻しは、その全内容についてここに引用により援用される、共通の譲受人に割り当てられた米国特許出願第１４／８３６，２３０号にさらに記載されるように、たとえばウェブソース１７０のうちの１つを介して払い戻し機関に提出されてもよい。

サーバ１２０は典型的には、メモリ１２４に結合された処理システム１２２を含む。処理システム１２２は、メモリ１２４に結合されたプロセッサ（図示せず）またはプロセッサのアレイのコンポーネントを含むか、もしくは当該コンポーネントであってもよい。メモリ１２４は、処理システム１２２によって実行され得る命令を含む。命令は、処理システム１２２によって実行されると、ここに説明されるさまざまな機能をシステム１２２に行なわせる。１つ以上のプロセッサは、汎用マイクロプロセッサ、マルチコアプロセッサ、マイクロコントローラ、デジタル信号プロセッサ（digital signal processor：ＤＳＰ）、フィールドプログラマブルゲートアレイ（field programmable gate array：ＦＰＧＡ）、プログラマブルロジックデバイス（programmable logic device：ＰＬＤ）、コントローラ、状態機械、ゲーテッドロジック、離散ハードウェアコンポーネント、専用ハードウェア有限状態機械、もしくは、情報の計算または他の操作を行なうことができる任意の他の好適なエンティティ、の任意の組合せで実現されてもよい。

処理システム１２２はまた、ソフトウェアを格納するための機械読取可能媒体を含んでいてもよい。ソフトウェアとは、ソフトウェア、ファームウェア、ミドルウェア、マイクロコード、ハードウェア記述言語などと呼ばれるかどうかにかかわらず、任意のタイプの命令を意味すると広範に解釈されるものとする。命令は、（たとえばソースコードフォーマット、バイナリコードフォーマット、実行可能コードフォーマット、またはコードの任意の他の好適なフォーマットの）コードを含んでいてもよい。命令は、１つ以上のプロセッサによって実行されると、ここに説明されるさまざまな機能を処理システムに行なわせる。

なお、図１に関してここに上述された実施形態は、単に簡潔にするために、かつ開示されたさまざまな実施形態に対する限定なく、単一のユーザーデバイス１５０および単一の企業デバイス１６０に関して説明されている。この開示の範囲から逸脱することなく、複数のユーザデバイス１５０および／または企業デバイス１６０が利用されてもよい。

図２は、ある実施形態に従った、複数インボイス画像に基づいて複数のインボイス画像ファイルを作成するための方法を示す、例示的で非限定的なフローチャート２００である。ある実施形態では、この方法は、サーバ（たとえばサーバ１２０）によって行なわれてもよい。

Ｓ２１０で、複数のインボイスを盛り込んだ画像が受信される。複数インボイス画像におけるインボイスは、それらが即時処理にとって好適ではないように整理されていない状態であってもよい。

例示的で非限定的な複数インボイス画像は図４Ａに見られ得る。それは、複数のインボイスを含む複数インボイス画像４１０を示す、例示的で非限定的なスクリーンショット４００Ａを示す。複数インボイス画像４１０内では、インボイスは整理されておらず、インボイスのいくつかは上下逆さまであったり、回転していたり、不揃いの区分に位置付けられたりしている。各インボイスは、物品またはサービスの購入に関する情報を含む。

Ｓ２２０で、複数インボイス画像から視覚的識別子が抽出される。各視覚的識別子は、複数インボイス画像におけるあるインボイスに関する情報を示す。視覚的識別子は、文書識別番号（たとえばインボイス番号）、コード（たとえばＱＲコード、バーコードなど）、トランザクション番号、会社名、会社の住所、会社の識別番号、合計価格、通貨、支払い方法（たとえば現金、小切手、クレジットカード、デビットカード、デジタル通貨など）、日付、製品のタイプ、製品単価などを含み得るものの、それらに限定されない。しきい値視覚的識別子要件（たとえば、多数の、またはある特定のグループの視覚的識別子）は、複数インボイス画像がそのために取り込まれたエンティティのタイプに基づいて識別されてもよい。

Ｓ２３０で、抽出された視覚的識別子が分析される。分析は、複数インボイス画像に関連付けられたメタデータの識別をもたらしてもよい。そのようなメタデータは、複数インボイス画像における多数のインボイス画像、１つ以上の格納ユニット（たとえば、企業デバイス１６０またはウェブソース１７０）を介して入手可能なインボイス画像を示すポインタデータ、トランザクションの購入者などを含み得るものの、それらに限定されない。

Ｓ２４０で、分析に基づいて、複数インボイス画像において盛り込まれたインボイス画像の画像エリアが判断される。ある実施形態では、判断は、複数インボイス画像において示された各インボイスの境界を識別することを含んでいてもよい。インボイスの画像エリアは、そのインボイスの境界内に含まれるエリアとして規定されてもよい。

例示的な判断された画像エリアは図４Ｂに見られ得る。それは、各インボイスのインボイス画像が境界４２０−１〜４２０−９（以下、単に簡潔にするために、個々の場合も一括しても境界４２０と呼ばれる）内の画像エリアによって規定された、複数のインボイスを含む複数インボイス画像４１０を示す、例示的で非限定的なスクリーンショット４００Ｂを示す。例示的なスクリーンショット４００Ｂでは、各境界４２０は矩形であり、各インボイスの周囲のテキストがない輪郭を占めている。

Ｓ２５０で、複数インボイス画像から、インボイス画像が、その画像エリアのそれぞれについて抽出される。抽出は、インボイス画像について新規ファイルを作成することを含んでいてもよく、さらに、取込まれた画像におけるインボイス画像をカットすること、トリミングすること、および／またはコピーすることを含んでいてもよい。複数インボイス画像からインボイス画像を抽出するための例示的な方法を、図３Ａ〜３Ｃに関して以下にさらにここに説明する。

カットを介して複数インボイス画像からインボイス画像を抽出することは、図４Ｃに見られ得る。それは、インボイス画像が境界４２０によって規定された、複数のインボイスを含む複数インボイス画像４１０を示す、例示的で非限定的なスクリーンショット４００Ｃを示す。例示的なスクリーンショット４００Ｃでは、境界４２０−７によって包囲されたインボイス画像４２５−７が、取り込まれた画像からカットされている。複数インボイス画像において識別されたインボイス画像がすべて除去されるまで、追加のインボイス画像が、図４Ｅに示すように、取り込まれた画像からさらにカットされてもよい。

図４Ｄは、カットされたインボイス画像４２５−７を示す、例示的で非限定的なスクリーンショット４００Ｄを示す。カットされたインボイス画像４２５−７のみを含む新規ファイルが、カットに基づいて作成されてもよい。

オプションのＳ２６０で、抽出されたインボイス画像は、たとえば、データベース（たとえばデータベース１８０）にファイルとして格納されてもよい。格納されたインボイス画像は次に、さらに処理されてもよい。たとえば、格納されたインボイス画像は、付加価値税（ＶＡＴ）取り戻し資格について分析され、および／または払い戻し機関に送信されてもよい。

Ｓ２７０で、複数インボイス画像から追加のインボイス画像が抽出されることになっているかどうかが判断され、抽出されることになっている場合、実行はＳ２１０に続き、抽出されることになっていない場合、実行は終了する。

複数インボイス画像からの追加のインボイス画像の抽出は、図４Ｅに見られ得る。それは、インボイス画像が境界４２０によって規定された、複数のインボイスを含む複数インボイス画像４１０を示す、例示的で非限定的なスクリーンショット４００Ｅを示す。例示的なスクリーンショット４００Ｅでは、境界４２０−７によって包囲されたインボイス画像４２５−７に加えて、境界４２０−９によって包囲されたインボイス画像４２５−９が、複数インボイス画像からカットされている。したがって、複数インボイス画像がインボイス画像を含まなくなるまで、追加のカットが、境界４２０−１〜４２０−６および境界４２０−８によって包囲されたインボイス画像の各々を除去するであろう。

図３Ａは、ある実施形態に従った、カットを介して複数インボイス画像からインボイス画像を抽出するための方法を示す、例示的で非限定的なフローチャートＳ２５０Ａである。

Ｓ３１０Ａで、複数インボイス画像において盛り込まれたインボイス画像が、その画像エリアに基づいて識別される。Ｓ３２０Ａで、識別されたインボイス画像は、複数インボイス画像からカットされる。カットされた画像は、それが複数インボイス画像においてもはや盛り込まれないように、取り込まれた画像から除去される。Ｓ３３０Ａで、カットされたインボイス画像を含む新規ファイルが作成される。Ｓ３４０Ａで、作成されたファイルは、たとえばデータベースに格納されてもよい。

図３Ｂは、ある実施形態に従った、トリミングを介して複数インボイスファイルからインボイス画像を抽出するための方法を示す、例示的で非限定的なフローチャートＳ２５０Ｂである。

Ｓ３１０Ｂで、複数インボイス画像において盛り込まれたインボイス画像が、その画像エリアに基づいて識別される。Ｓ３２０Ｂで、複数インボイス画像を含むファイルが作成される。Ｓ３３０Ｂで、識別されたインボイス画像のそれぞれについて、新規ファイルがトリミングされる。トリミングは、トリミングされたファイルがインボイス画像のみを含むように、作成されたファイルのサイズを縮小することを含んでいてもよい。Ｓ３４０Ｂで、トリミングされた新規ファイルは、たとえばデータベースに格納されてもよい。

図３Ｃは、ある実施形態に従った、コピーを介して複数インボイスファイルからインボイス画像を抽出するための方法を示す、例示的で非限定的なフローチャートＳ２５０Ｃである。

Ｓ３１０Ｃで、複数インボイス画像において盛り込まれたインボイス画像が、その画像エリアに基づいて識別される。Ｓ３２０Ｃで、識別されたインボイス画像は、複数インボイス画像からコピーされる。Ｓ３３０Ｃで、コピーされたインボイス画像を含むファイルが作成される。Ｓ３４０Ｃで、作成されたファイルは、たとえばデータベースに格納されてもよい。

なお、ここに上述された実施形態は、単に簡潔にするために、かつ開示された実施形態に対する限定なく、複数のインボイスを盛り込んだ画像に関して説明されている。この開示の範囲から逸脱することなく、他の文書を盛り込んだ画像が利用されてもよい。また、開示された実施形態に従って画像内に取り込まれた文書を識別するために、ＶＡＴ取り戻しに関するもの以外の視覚的識別子が利用されてもよい。さらに、分析された画像は、この開示の範囲から逸脱することなく、インボイス画像抽出のために取り込まれて（たとえばサーバ１２０に）送信されてもよく、またはデータベースから検索されてもよい。

ここに開示されたさまざまな実施形態は、ハードウェア、ファームウェア、ソフトウェア、またはそれらの任意の組合せとして実現され得る。さらに、ソフトウェアは好ましくは、部品、またはあるデバイス、および／またはデバイスの組合せから成るプログラム格納ユニットもしくはコンピュータ読取可能媒体上に有形に具体化された、アプリケーションプログラムとして実現される。アプリケーションプログラムは、任意の好適なアーキテクチャを含む機械にアップロードされ、当該機械によって実行されてもよい。好ましくは、機械は、１つ以上の中央処理ユニット（central processing unit：ＣＰＵ）、メモリ、および入力／出力インターフェイスなどのハードウェアを有するコンピュータプラットフォーム上で実現される。コンピュータプラットフォームはまた、オペレーティングシステムとマイクロ命令コードとを含んでいてもよい。ここに説明されたさまざまなプロセスおよび機能は、マイクロ命令コードの一部、またはアプリケーションプログラムの一部、またはそれらの任意の組合せであってもよく、それらは、そのようなコンピュータまたはプロセッサが明示的に示されるか否かにかかわらず、ＣＰＵによって実行されてもよい。加えて、追加のデータ格納ユニットおよび印刷ユニットなど、さまざまな他の周辺ユニットが、コンピュータプラットフォームに接続されてもよい。さらに、非一時的なコンピュータ読取可能媒体とは、一時的な伝搬信号を除く任意のコンピュータ読取可能媒体である。

ここに記載されたすべての例および条件付き文言は、開示された実施形態の原理および発明者が技術の促進に寄与した概念を読者が理解するのを助けるように、教育上の目的のために意図されており、そのような特定的に記載されたされた例および条件に対する限定がないものとして解釈されるべきである。さらに、開示された実施形態の原理、局面、および実施形態、ならびにそれらの特定の例を記載する、本明細書中のすべての記述は、その構造的および機能的均等物の双方を包含するように意図されている。加えて、そのような均等物は、現在公知の均等物および将来開発される均等物の双方、すなわち、構造にかかわらず同じ機能を行なう、開発されたあらゆる要素を含む、ということが意図されている。

Claims

複数の文書を盛り込んだ画像から文書画像を抽出するための方法であって、
複数の文書画像を含む複数文書画像を受信するステップを含み、各文書画像は文書に関連付けられ、前記方法はさらに、
前記複数文書画像から複数の視覚的識別子を抽出するステップを含み、各視覚的識別子は、前記複数の文書画像のうちの１つに関連付けられ、前記方法はさらに、
各文書画像を識別するために前記複数の視覚的識別子を分析するステップと、
前記分析に基づいて各文書画像の画像エリアを判断するステップと、
各文書画像をその画像エリアに基づいて抽出するステップとを含む、方法。
前記複数の視覚的識別子を分析するステップは、各視覚的識別子に関連付けられたメタデータを識別するために、少なくとも１つの機械撮像プロセスを実行するステップをさらに含む、請求項１に記載の方法。
各画像エリアを判断するステップは、各文書画像について、前記分析に基づいて境界を識別するステップをさらに含み、前記境界は前記文書画像のすべての視覚的識別子を含み、前記文書の前記画像エリアは前記境界によって規定される、請求項１に記載の方法。
各境界は、複数インボイス画像のうちテキストが見当たらない部分に基づいて識別される、請求項３に記載の方法。
複数のファイルを作成するステップをさらに含み、各ファイルは、抽出された前記文書画像のうちの１つを含む、請求項１に記載の方法。
各文書画像を抽出するステップは、前記文書画像をカットするステップ、前記文書画像をコピーするステップ、および前記文書画像をトリミングするステップのうちの少なくとも１つをさらに含む、請求項１に記載の方法。
各文書画像は視覚的識別子しきい値に基づいて識別され、前記視覚的識別子しきい値は、多数の視覚的識別子、ある特定の視覚的識別子、および視覚的識別子の組合せのうちのいずれかである、請求項１に記載の方法。
各文書画像について、必要な視覚的識別子がまだ抽出されていないかどうかを判断するステップと、
少なくとも１つの必要な視覚的識別子がまだ抽出されていないと判断すると、前記少なくとも１つの必要な視覚的識別子を検索するステップとをさらに含む、請求項７に記載の方法。
各文書画像について、潜在的な付加価値税（ＶＡＴ）払い戻しに関する資格を、前記視覚的識別子に基づいて判断するステップをさらに含む、請求項８に記載の方法。
請求項１に記載の方法を１つ以上の処理ユニットに実行させるための命令を格納した、コンピュータ読取可能媒体。
複数の文書を盛り込んだ画像から文書画像を抽出するためのシステムであって、
処理システムと、
メモリとを含み、
前記メモリは命令を含み、前記命令は、処理ユニットによって実行されると、前記システムを、
複数の文書画像を含む複数文書画像を受信するように構成し、各文書画像は文書に関連付けられ、さらに、
前記複数文書画像から複数の視覚的識別子を抽出するように構成し、各視覚的識別子は前記複数の文書画像のうちの１つに関連付けられ、さらに、
各文書画像を識別するために前記複数の視覚的識別子を分析し、
前記分析に基づいて各文書画像の画像エリアを判断し、
各文書画像をその画像エリアに基づいて抽出するように構成する、システム。
前記システムはさらに、各視覚的識別子に関連付けられたメタデータを識別するために、少なくとも１つの機械撮像プロセスを実行するように構成される、請求項１１に記載のシステム。
前記システムはさらに、各文書画像について、前記分析に基づいて境界を識別するように構成され、前記境界は前記文書画像のすべての視覚的識別子を含み、前記文書の前記画像エリアは前記境界によって規定される、請求項１１に記載のシステム。
各境界は、複数インボイス画像のうちテキストが見当たらない部分に基づいて識別される、請求項１３に記載のシステム。
前記システムはさらに、複数のファイルを作成するように構成され、各ファイルは、抽出された前記文書画像のうちの１つを含む、請求項１１に記載のシステム。
前記システムはさらに、前記文書画像をカットすること、前記文書画像をコピーすること、および前記文書画像をトリミングすることのうちの少なくとも１つを行なうように構成される、請求項１１に記載のシステム。
各文書画像は視覚的識別子しきい値に基づいて識別され、前記視覚的識別子しきい値は、多数の視覚的識別子、ある特定の視覚的識別子、および視覚的識別子の組合せのうちのいずれかである、請求項１１に記載のシステム。
前記システムはさらに、
各文書画像について、必要な視覚的識別子がまだ抽出されていないかどうかを判断し、
少なくとも１つの必要な視覚的識別子がまだ抽出されていないと判断すると、前記少なくとも１つの必要な視覚的識別子を検索するように構成される、請求項１７に記載のシステム。
前記システムはさらに、各文書画像について、潜在的な付加価値税（ＶＡＴ）払い戻しに関する資格を、前記視覚的識別子に基づいて判断するように構成される、請求項１８に記載のシステム。