JP2605338B2 - 文字認識装置 - Google Patents
文字認識装置Info
- Publication number
- JP2605338B2 JP2605338B2 JP63097238A JP9723888A JP2605338B2 JP 2605338 B2 JP2605338 B2 JP 2605338B2 JP 63097238 A JP63097238 A JP 63097238A JP 9723888 A JP9723888 A JP 9723888A JP 2605338 B2 JP2605338 B2 JP 2605338B2
- Authority
- JP
- Japan
- Prior art keywords
- conversion
- value
- input
- matrix
- character
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Lifetime
Links
Landscapes
- Character Discrimination (AREA)
Description
【発明の詳細な説明】 （産業上の利用分野） 本発明はマッチング法を用いた文字認識装置、特にマ
ッチング用の特徴抽出と判定に非線形処理をもつ文字認
識装置に関する。
ッチング用の特徴抽出と判定に非線形処理をもつ文字認
識装置に関する。
（従来の技術） 文字認識に非線形処理を導入したものとして、「ネオ
コグニトロンの原理を用いた手書き数字認識」」、情報
処理学会コンピュータビジョン研究会報告、No.41,pp.1
〜６（文献１）、“Handprinted Chinese character re
cognition via neural networks"、Pattern Recognitio
n Letters,Vol.7,No.1,pp.19−22（文献２）等がある。
神経回路モデルの学習方法として、バックプロパゲーシ
ョンによる学習、例えばRichard P.Lippmann,“An Intr
oduction to Computing With Neural Nets",IEEE ASSP
MAGAZINE,APRIL,pp.4−22（1987）（文献３）に記載、
が知られている。
コグニトロンの原理を用いた手書き数字認識」」、情報
処理学会コンピュータビジョン研究会報告、No.41,pp.1
〜６（文献１）、“Handprinted Chinese character re
cognition via neural networks"、Pattern Recognitio
n Letters,Vol.7,No.1,pp.19−22（文献２）等がある。
神経回路モデルの学習方法として、バックプロパゲーシ
ョンによる学習、例えばRichard P.Lippmann,“An Intr
oduction to Computing With Neural Nets",IEEE ASSP
MAGAZINE,APRIL,pp.4−22（1987）（文献３）に記載、
が知られている。
また、文字認識における判定の制御として、マクロ特
徴での分類により候補カテゴリを決定後、候補カテゴリ
をもとにミクロな特徴を検出し、ミクロな特徴の有無あ
るいは特徴量により最終的なカテゴリ名を決定する制御
方法がある。
徴での分類により候補カテゴリを決定後、候補カテゴリ
をもとにミクロな特徴を検出し、ミクロな特徴の有無あ
るいは特徴量により最終的なカテゴリ名を決定する制御
方法がある。
更に画像を表現するための基本的な特徴として、画像
上のリサンプリング点における濃度値がある。
上のリサンプリング点における濃度値がある。
（発明が解決しようとする問題点） 文献１は特徴抽出を行う層と位置ずれを吸収する層と
を交互に接続することで位置ずれや変形に強い認識機構
となっているが、各特徴抽出層で検出させる特徴を予か
じめ決める必要がある。文献２でも文献１と同様に最初
に検出する特徴を決めておく必要があった。またミクロ
な特徴とマクロな特徴を利用して判定を制御する場合に
も予じめ特徴を決めねばならない。一方、一種類だけの
特徴とみなされる濃度値の相関を検出して認識する方法
（単純マッチング法と呼ばれる）は変形に弱いという問
題があった。
を交互に接続することで位置ずれや変形に強い認識機構
となっているが、各特徴抽出層で検出させる特徴を予か
じめ決める必要がある。文献２でも文献１と同様に最初
に検出する特徴を決めておく必要があった。またミクロ
な特徴とマクロな特徴を利用して判定を制御する場合に
も予じめ特徴を決めねばならない。一方、一種類だけの
特徴とみなされる濃度値の相関を検出して認識する方法
（単純マッチング法と呼ばれる）は変形に弱いという問
題があった。
（問題点を解決するための手段） 本願発明によれば、文字を含む画像を入力する画像入
力手段と、一文字づつの文字画像に分離する文字切出手
段と、一文字の画像から初期特徴量を求める初期特徴検
出手段と、複数個の初期特徴量と第一の定数値とを初期
特徴ベクトルとして記憶する初期特徴ベクトル記憶手段
と、初期特徴ベクトルを変換するための複数個の特徴変
換行列を記憶する特徴変換行列記憶手段と、ベクトルと
行列との積を計算する変換手段と、前記変換手段からの
入力値を特定の関係に対応づける値に変えるための変換
テーブルを記憶する変換テーブル記憶手段と、前記変換
テーブルで前記変換手段からの入力値を変換するテーブ
ル変換手段と、前記テーブル変換手段からの複数個の入
力値と第二の定数値とを特徴ベクトルとして記憶する特
徴ベクトル記憶手段と、複数個の判定用辞書となる辞書
行列を記憶する辞書行列記憶手段と、前記テーブル変換
手段による前記特徴ベクトルと辞書行列との積の変換値
を入力として最大値となる入力番号を検出する最大値検
出手段と、前記最大値検出手段からの入力値である番号
が特定の番号であれば前記特徴変換行列記憶手段と特徴
変換行列記憶手段から前記変換手段に出力される各行列
を変更し、特定の番号でないと前記入力の番号を出力す
るカテゴリ制御手段と、前記カテゴリ制御手段からの入
力値である番号に対応する文字カテゴリ名を出力するカ
テゴリ出力手段とを備えることを特長とする文字認識装
置が得られる。
力手段と、一文字づつの文字画像に分離する文字切出手
段と、一文字の画像から初期特徴量を求める初期特徴検
出手段と、複数個の初期特徴量と第一の定数値とを初期
特徴ベクトルとして記憶する初期特徴ベクトル記憶手段
と、初期特徴ベクトルを変換するための複数個の特徴変
換行列を記憶する特徴変換行列記憶手段と、ベクトルと
行列との積を計算する変換手段と、前記変換手段からの
入力値を特定の関係に対応づける値に変えるための変換
テーブルを記憶する変換テーブル記憶手段と、前記変換
テーブルで前記変換手段からの入力値を変換するテーブ
ル変換手段と、前記テーブル変換手段からの複数個の入
力値と第二の定数値とを特徴ベクトルとして記憶する特
徴ベクトル記憶手段と、複数個の判定用辞書となる辞書
行列を記憶する辞書行列記憶手段と、前記テーブル変換
手段による前記特徴ベクトルと辞書行列との積の変換値
を入力として最大値となる入力番号を検出する最大値検
出手段と、前記最大値検出手段からの入力値である番号
が特定の番号であれば前記特徴変換行列記憶手段と特徴
変換行列記憶手段から前記変換手段に出力される各行列
を変更し、特定の番号でないと前記入力の番号を出力す
るカテゴリ制御手段と、前記カテゴリ制御手段からの入
力値である番号に対応する文字カテゴリ名を出力するカ
テゴリ出力手段とを備えることを特長とする文字認識装
置が得られる。
（作用） 前記単純マッチング法は濃度値からなる入力層が各カ
テゴリの評価値からなる出力層に線形結合されていると
みなすことができ、出力層での最大評価値に対応するカ
テゴリ名が単純マッチング法での認識結果となる。線形
結合により得られた評価値で認識結果が決まる場合には
濃度を軸とする特徴空間で線形分離可能な範囲内での変
形のみを誤りなく判定できる。入力層と出力層との間に
中間層を設け、中間層と出力層とにある各要素で非線形
の入出力応答を行う方法にすると、線形では分離できな
い範囲、即ち変形の大きいものまで識別が可能となる。
この方法における各要素間の結合係数と各要素の閾値は
前記文献３の17頁に記載されているバックプロパゲーシ
ョンによる学習法を利用して求めることができることか
ら、文字画像から検出される濃度値を入力層での各要素
からの出力値とし、濃度値の線形結合処理で得られる量
を中間層の入力、中間層の各要素の入出力応答をシグモ
イド形の応答とし、中間層の各要素からの出力値を線形
結合処理で得られる値を出力層の入力とする。更に、出
力層の各要素の入出力応答をシグモイド形の応答とし、
最大出力値の要素に対応するカテゴリ名を認識結果とす
ると変形のある文字まで識別できることになる。変形の
ある文字まで識別できるように作られた論理は、逆に字
形の類似したカテゴリを分離できなくなる。そこで、全
カテゴリを対象とする中間層と出力層（一段目と呼
ぶ）、類似カテゴリを一組として各組のカテゴリを対象
とする中間層と出力層（二段目と呼ぶ）とを用意し、一
段目の識別結果が二段目に用意したカテゴリ名の一致し
た場合には二段目で再度識別結果を求め直すように判定
を制御する方法が考えられる。上記方法では一段目で変
形のある文字までを識別し、二段目で類似しているカテ
ゴリの識別を行っているので、一段のみの場合に比較し
て誤りの発生を防げることになる。活字英数字認識のと
きの二段目の類似カテゴリの組の例として（1,I,1）、
（0,0）等が挙げられる。
テゴリの評価値からなる出力層に線形結合されていると
みなすことができ、出力層での最大評価値に対応するカ
テゴリ名が単純マッチング法での認識結果となる。線形
結合により得られた評価値で認識結果が決まる場合には
濃度を軸とする特徴空間で線形分離可能な範囲内での変
形のみを誤りなく判定できる。入力層と出力層との間に
中間層を設け、中間層と出力層とにある各要素で非線形
の入出力応答を行う方法にすると、線形では分離できな
い範囲、即ち変形の大きいものまで識別が可能となる。
この方法における各要素間の結合係数と各要素の閾値は
前記文献３の17頁に記載されているバックプロパゲーシ
ョンによる学習法を利用して求めることができることか
ら、文字画像から検出される濃度値を入力層での各要素
からの出力値とし、濃度値の線形結合処理で得られる量
を中間層の入力、中間層の各要素の入出力応答をシグモ
イド形の応答とし、中間層の各要素からの出力値を線形
結合処理で得られる値を出力層の入力とする。更に、出
力層の各要素の入出力応答をシグモイド形の応答とし、
最大出力値の要素に対応するカテゴリ名を認識結果とす
ると変形のある文字まで識別できることになる。変形の
ある文字まで識別できるように作られた論理は、逆に字
形の類似したカテゴリを分離できなくなる。そこで、全
カテゴリを対象とする中間層と出力層（一段目と呼
ぶ）、類似カテゴリを一組として各組のカテゴリを対象
とする中間層と出力層（二段目と呼ぶ）とを用意し、一
段目の識別結果が二段目に用意したカテゴリ名の一致し
た場合には二段目で再度識別結果を求め直すように判定
を制御する方法が考えられる。上記方法では一段目で変
形のある文字までを識別し、二段目で類似しているカテ
ゴリの識別を行っているので、一段のみの場合に比較し
て誤りの発生を防げることになる。活字英数字認識のと
きの二段目の類似カテゴリの組の例として（1,I,1）、
（0,0）等が挙げられる。
一つの段の層間の関係を第２図に例示する。
文字画像上のサンプリング点位置における濃度値であ
る入力層の要素101の出力は中間層200の要素201、202等
の入力となり、また中間層200の各要素の出力は出力層3
00の要素301等の入力となる。また要素間の結合係数と
各要素での非線形応答における閾値とを並べると行列と
なる。従って各段での認識は入力層のベクトルと行列と
の積で得られた値をシグモイド形のテーブルで変換し、
得られる各値を中間層のベクトルの要素とし、次に中間
層のベクトルと行列との積で得られた値をシグモイド形
のテーブルで変換し得られる値の最大値を検出し、最大
値に対応するカテゴリ名を認識結果とすることで行える
ことになる。また、文字画像上のサンプリング点位置に
おける濃度値は濃度検出用フィルタと対応する範囲内の
画像との相関により求めることができ、フィルタは荷重
値を並べたベクトルとみなすと、濃度値検出はフィルタ
のベクトルと画像からのベクトルとの積となる。従っ
て、上述の認識方法では予かじめ検出する特徴を求める
必要がなく、またベクトル演算、テーブル変換及び最大
値検出で認識処理を実現できることになる。
る入力層の要素101の出力は中間層200の要素201、202等
の入力となり、また中間層200の各要素の出力は出力層3
00の要素301等の入力となる。また要素間の結合係数と
各要素での非線形応答における閾値とを並べると行列と
なる。従って各段での認識は入力層のベクトルと行列と
の積で得られた値をシグモイド形のテーブルで変換し、
得られる各値を中間層のベクトルの要素とし、次に中間
層のベクトルと行列との積で得られた値をシグモイド形
のテーブルで変換し得られる値の最大値を検出し、最大
値に対応するカテゴリ名を認識結果とすることで行える
ことになる。また、文字画像上のサンプリング点位置に
おける濃度値は濃度検出用フィルタと対応する範囲内の
画像との相関により求めることができ、フィルタは荷重
値を並べたベクトルとみなすと、濃度値検出はフィルタ
のベクトルと画像からのベクトルとの積となる。従っ
て、上述の認識方法では予かじめ検出する特徴を求める
必要がなく、またベクトル演算、テーブル変換及び最大
値検出で認識処理を実現できることになる。
（実施例） 以下、本願の実施例を図面を参照して説明する。
第１図は本願発明の一実施例である文字認識装置のブ
ロック図である。
ロック図である。
図において、１は画像入力手段、２は文字切出手段、
３は初期特徴検出手段、４は初期特徴ベクトル記憶手
段、５は特徴変換行列記憶手段、６は変換手段、７は変
換テーブル記憶手段、８はテーブル変換手段、９は特徴
ベクトル記憶手段、10は辞書行列記憶手段、11は最大値
検出手段、12はカテゴリ制御手段、13はカテゴリ出力手
段である。
３は初期特徴検出手段、４は初期特徴ベクトル記憶手
段、５は特徴変換行列記憶手段、６は変換手段、７は変
換テーブル記憶手段、８はテーブル変換手段、９は特徴
ベクトル記憶手段、10は辞書行列記憶手段、11は最大値
検出手段、12はカテゴリ制御手段、13はカテゴリ出力手
段である。
第１図の文字認識装置での文字認識は次に示す順序で
行なわれる。
行なわれる。
認識対象の文字を含む画像を画像入力手段１により求
め、文字切出手段では前記画像入力手段１の出力である
画像から一個づつ認識対象の文字画像位置を決定し、そ
の位置にある文字画像を順次出力する。以下の処理は各
文字画像ごとに行なわれる。初期特徴検出手段３は前記
文字切出手段２からの文字画像よりサンプリング点位置
における濃度値を初期特徴量として検出し、前記初期特
徴検出手段３の出力値は初期特徴ベクトルの要素値とし
て初期特徴ベクトル記憶手段４に記憶される。特徴変換
行列記憶手段５には前述の入力層から中間層への結合係
数と中間層各要素の閾値とからなる行列が記憶されてい
る。この行列のサイズと初期特徴ベクトルの次元数とを
一致させるために前記初期特徴ベクトルは、前記初期特
徴検出手段４からの入力値と第一の定数値で作られる。
変換手段６は前記初期特徴ベクトル記憶手段４からの入
力であるベクトルと前記特徴変換行列記憶手段５からの
入力である前述の一段目に対応する行列との積を求め、
行列の次元数と同数の値を順次出力する。変換テーブル
記憶手段７は非線形の入出力応答を行うためのシグモイ
ド形のテーブル値を記憶しているので、テーブル変換手
段８は前記変換手段６からの入力値を前記変換テーブル
記憶手段７のテーブルを読み出して変換し、変換値を出
力する。前記テーブル変換手段８からの出力値は、特徴
ベクトル記憶手段９に順次記憶される。前記初期特徴ベ
クトルと特徴変換行列との積値が全てテーブル変換され
て前記特徴ベクトル記憶手段９に記憶し終ると、次に前
述の一段目に対応する中間層から出力層への結合係数及
び出力層各要素の閾値とからなる行列を記憶している辞
書行列記憶手段10の行列と前記特徴ベクトル記憶手段９
のベクトルとが変換手段６の入力となる。特徴ベクトル
記憶手段９の特徴ベクトルは前記初期特徴ベクトル記憶
手段４の初期特徴ベクトルと同じく辞書行列との次元数
を一致させるために、前記テーブル変換手段８からの入
力値と第二の定数値で作られる。そこで、変換手段６は
前記特徴ベクトル記憶手段９からの入力であるベクトル
と前記辞書行列記憶手段10からの入力である前述の一段
目に対応する行列との積を求め、辞書カテゴリ数と同数
の値を順次出力する。テーブル変換手段８は前記変換手
段６からの辞書カテゴリ数個の値を前記変換テーブル記
憶手段７のテーブルを読み出して変換し、変換値を最大
値検出手段11に出力する。最大値検出手段11は辞書カテ
ゴリの数だけ入力される値の中で最大値となる入力番号
を検出する。前記最大値検出手段から入力される番号が
前述の二段目に対応するカテゴリ番号に一致する場合、
カテゴリ制御手段12は前記特徴変換行列記憶手段５と前
記辞書行列記憶手段10とに前記入力番号が含まれるカテ
ゴリセットの識別用の行列を出力するように制御信号を
出力する。一致しない場合と二回目の処理後、前記カテ
ゴリ制御手段12は前記最大値検出手段11から入力した番
号を出力する。ここで２回目の処理とは、前記カテゴリ
制御手段12からの制御信号で選択されたカテゴリセット
識別のために用意された行列を用いての前述の処理であ
る。即ち１回目の処理では全カテゴリ識別のために用意
された行列が用いられ、２回目の処理では前記カテゴリ
制御手段12からの制御信号で選択されたカテゴリセット
識別のために用意された行列が用いられる。２回目の処
理により前記最大値検出手段11は再度番号を出力する。
め、文字切出手段では前記画像入力手段１の出力である
画像から一個づつ認識対象の文字画像位置を決定し、そ
の位置にある文字画像を順次出力する。以下の処理は各
文字画像ごとに行なわれる。初期特徴検出手段３は前記
文字切出手段２からの文字画像よりサンプリング点位置
における濃度値を初期特徴量として検出し、前記初期特
徴検出手段３の出力値は初期特徴ベクトルの要素値とし
て初期特徴ベクトル記憶手段４に記憶される。特徴変換
行列記憶手段５には前述の入力層から中間層への結合係
数と中間層各要素の閾値とからなる行列が記憶されてい
る。この行列のサイズと初期特徴ベクトルの次元数とを
一致させるために前記初期特徴ベクトルは、前記初期特
徴検出手段４からの入力値と第一の定数値で作られる。
変換手段６は前記初期特徴ベクトル記憶手段４からの入
力であるベクトルと前記特徴変換行列記憶手段５からの
入力である前述の一段目に対応する行列との積を求め、
行列の次元数と同数の値を順次出力する。変換テーブル
記憶手段７は非線形の入出力応答を行うためのシグモイ
ド形のテーブル値を記憶しているので、テーブル変換手
段８は前記変換手段６からの入力値を前記変換テーブル
記憶手段７のテーブルを読み出して変換し、変換値を出
力する。前記テーブル変換手段８からの出力値は、特徴
ベクトル記憶手段９に順次記憶される。前記初期特徴ベ
クトルと特徴変換行列との積値が全てテーブル変換され
て前記特徴ベクトル記憶手段９に記憶し終ると、次に前
述の一段目に対応する中間層から出力層への結合係数及
び出力層各要素の閾値とからなる行列を記憶している辞
書行列記憶手段10の行列と前記特徴ベクトル記憶手段９
のベクトルとが変換手段６の入力となる。特徴ベクトル
記憶手段９の特徴ベクトルは前記初期特徴ベクトル記憶
手段４の初期特徴ベクトルと同じく辞書行列との次元数
を一致させるために、前記テーブル変換手段８からの入
力値と第二の定数値で作られる。そこで、変換手段６は
前記特徴ベクトル記憶手段９からの入力であるベクトル
と前記辞書行列記憶手段10からの入力である前述の一段
目に対応する行列との積を求め、辞書カテゴリ数と同数
の値を順次出力する。テーブル変換手段８は前記変換手
段６からの辞書カテゴリ数個の値を前記変換テーブル記
憶手段７のテーブルを読み出して変換し、変換値を最大
値検出手段11に出力する。最大値検出手段11は辞書カテ
ゴリの数だけ入力される値の中で最大値となる入力番号
を検出する。前記最大値検出手段から入力される番号が
前述の二段目に対応するカテゴリ番号に一致する場合、
カテゴリ制御手段12は前記特徴変換行列記憶手段５と前
記辞書行列記憶手段10とに前記入力番号が含まれるカテ
ゴリセットの識別用の行列を出力するように制御信号を
出力する。一致しない場合と二回目の処理後、前記カテ
ゴリ制御手段12は前記最大値検出手段11から入力した番
号を出力する。ここで２回目の処理とは、前記カテゴリ
制御手段12からの制御信号で選択されたカテゴリセット
識別のために用意された行列を用いての前述の処理であ
る。即ち１回目の処理では全カテゴリ識別のために用意
された行列が用いられ、２回目の処理では前記カテゴリ
制御手段12からの制御信号で選択されたカテゴリセット
識別のために用意された行列が用いられる。２回目の処
理により前記最大値検出手段11は再度番号を出力する。
カテゴリ出力手段13は前記のカテゴリ制御手段12から
入力される番号に対応するカテゴリ名を出力する。カテ
ゴリ出力手段13からの出力が前記初期特徴検出手段３に
入力した文字画像の認識結果となる。
入力される番号に対応するカテゴリ名を出力する。カテ
ゴリ出力手段13からの出力が前記初期特徴検出手段３に
入力した文字画像の認識結果となる。
前記定数値は閾値の正規化のパラメータであり、例え
ば第一と第二の定数値としては値１とする。
ば第一と第二の定数値としては値１とする。
（発明の効果） 以上、説明したように本願発明によれば、予かじめ検
出すべき特徴を決めなくても、非線形処理の利用により
従来識別の困難であった変形のある文字を簡単な構成で
認識できるという効果がある。同時に類似文字カテゴリ
の識別も可能である。
出すべき特徴を決めなくても、非線形処理の利用により
従来識別の困難であった変形のある文字を簡単な構成で
認識できるという効果がある。同時に類似文字カテゴリ
の識別も可能である。
第１図は本願発明の文字認識装置の一実施例、第２図は
文字画像と特徴抽出の中間層及び判定の出力層の関係を
例示する図である。 図において、１は画像入力手段、２は文字切出手段、３
は初期特徴検出手段、４は初期特徴ベクトル記憶手段、
５は特徴変換行列記憶手段、６は変換手段、７は変換テ
ーブル記憶手段、８はテーブル変換手段、９は特徴ベク
トル記憶手段、10は辞書行列記憶手段、11は最大値検出
手段、12はカテゴリ出力手段、13はカテゴリ出力手段で
ある。
文字画像と特徴抽出の中間層及び判定の出力層の関係を
例示する図である。 図において、１は画像入力手段、２は文字切出手段、３
は初期特徴検出手段、４は初期特徴ベクトル記憶手段、
５は特徴変換行列記憶手段、６は変換手段、７は変換テ
ーブル記憶手段、８はテーブル変換手段、９は特徴ベク
トル記憶手段、10は辞書行列記憶手段、11は最大値検出
手段、12はカテゴリ出力手段、13はカテゴリ出力手段で
ある。
Claims (4)
- 【請求項１】文字を含む画像を入力する画像入力手段
と、一文字づつの文字画像に分離する文字切り出し手段
と、一文字の画像から初期特徴量を求める初期特徴検出
手段と、複数個の初期特徴量との第一の定数値とを初期
特徴ベクトルとして記憶する初期特徴ベクトル記憶手段
と、初期特徴ベクトルを変換するための複数個の特徴変
換行列を記憶する特徴変換行列記憶手段と、ベクトルと
行列との積を計算する変換手段と、前記変換手段からの
入力値をシグモイド形の関係に対応づける値に変えるた
めの変換テーブルを記憶する変換テーブル記憶手段と、
前記変換テーブルで前記変換手段からの入力値を変換す
るテーブル変換手段と、前記テーブル変換手段からの複
数個の入力値と第二の定数値とを特徴ベクトルとして記
憶する特徴ベクトル記憶手段と、複数個の判定用辞書と
なる辞書行列を記憶する辞書行列記憶手段と、前記テー
ブル変換手段による前記特徴ベクトルと辞書行列との積
の変換値を入力として最大値となる入力番号を検出する
最大値検出手段と、前記最大値検出手段からの入力値で
ある番号が特定の番号であれば前記特徴変換行列記憶手
段と特徴変換行列記憶手段から前記変換手段に出力され
る各行列を変更し、特定の番号でないと前記入力の番号
を出力するカテゴリ制御手段と、前記カテゴリ制御手段
からの入力値である番号に対応する文字カテゴリ名を出
力するカテゴリ出力手段とを備えることを特徴とする文
字認識装置。 - 【請求項２】定数値、特徴変換行列及び辞書行列をバッ
クプロパゲーションによる学習手法により決定すること
を特徴とする請求項（１）記載の文字認識装置。 - 【請求項３】１個の分類用と複数個の詳細識別用の、特
徴変換行列と辞書行列からなる請求項（１）又は（２）
記載の文字認識装置。 - 【請求項４】文字画像から検出する初期特徴量は文字画
像上のリサンプリング点位置を中心としてフィルタによ
るフィルタリング出力値であることを特徴とする請求項
（１）、（２）又は（３）記載の文字認識装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP63097238A JP2605338B2 (ja) | 1988-04-19 | 1988-04-19 | 文字認識装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP63097238A JP2605338B2 (ja) | 1988-04-19 | 1988-04-19 | 文字認識装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH01267787A JPH01267787A (ja) | 1989-10-25 |
| JP2605338B2 true JP2605338B2 (ja) | 1997-04-30 |
Family
ID=14187035
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP63097238A Expired - Lifetime JP2605338B2 (ja) | 1988-04-19 | 1988-04-19 | 文字認識装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2605338B2 (ja) |
-
1988
- 1988-04-19 JP JP63097238A patent/JP2605338B2/ja not_active Expired - Lifetime
Also Published As
| Publication number | Publication date |
|---|---|
| JPH01267787A (ja) | 1989-10-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Patil et al. | Neural network based system for script identification in Indian documents | |
| Prakash et al. | Face recognition with convolutional neural network and transfer learning | |
| EP1345162A2 (en) | Character recognition system and method | |
| Perwej et al. | Machine recognition of hand written characters using neural networks | |
| Gurav et al. | Devanagari handwritten character recognition using convolutional neural networks | |
| JP2673871B2 (ja) | ニューラル・ネットワークによるパターン認識方法及び装置 | |
| Hussien et al. | Optical character recognition of arabic handwritten characters using neural network | |
| Basha et al. | A novel approach for optical character recognition (OCR) of handwritten Telugu alphabets using convolutional neural networks | |
| Basha et al. | Comparative Analysis of CNN-Based Frameworks for Handwritten Arabic Numerals Recognition | |
| Ahmed et al. | Recognition of Urdu Handwritten Alphabet Using Convolutional Neural Network (CNN). | |
| Phiphitphatphaisit et al. | Deep feature extraction technique based on Conv1D and LSTM network for food image recognition. | |
| US5909509A (en) | Statistical-based recognition of similar characters | |
| Reyes et al. | Computer Vision-Based Signature Forgery Detection System Using Deep Learning: A Supervised Learning Approach | |
| Jadhav et al. | Recognition of handwritten bengali characters using low cost convolutional neural network | |
| Kumar et al. | RWIL: robust writer identification for Indic language | |
| JP2605338B2 (ja) | 文字認識装置 | |
| Halder et al. | Individuality of isolated Bangla numerals | |
| JP2605337B2 (ja) | 文字認識装置 | |
| Douma et al. | Application of Artificial Neural Networks Technology for Handwritten Arabic Letters Recognition | |
| JP2701311B2 (ja) | 認識辞書作成機能を備えた文字認識装置 | |
| Bourbakis et al. | Handwriting recognition using a reduced character method and neural nets | |
| JP3180477B2 (ja) | パターン認識装置 | |
| Raundale et al. | Analytical study of handwritten character recognition: a deep learning way | |
| Shinde et al. | Multilayer Perceptron Neural Network Based recognition of Handwritten Mathematical Equations | |
| Hase et al. | Devanagari Character Recognition Using Deep Learning |