JP2937729B2 - パターン認識方法及び装置及び辞書作成方法 - Google Patents

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、文字や各種のパターン
を認識するパターン認識方法及び装置及びパターン認識
用の辞書作成方法に関するものである。文字，数字，各
種パターン等を認識する為のパターン認識は、標準のパ
ターンを格納した辞書を用い、読取ったパターンと辞書
のパターンとを照合する方法が一般的である。従って、
認識対象とする文字，数字，各種パターン等の種類が多
くなると、それらを格納する辞書が大型化し、それに伴
って認識処理時間が長くなる問題がある。そこで、パタ
ーン認識所要時間を短縮することが要望されている。

【０００２】

【従来の技術】従来例のパターン認識方法は、パターン
照合による方法と、特徴点抽出による方法等があり、パ
ターン照合による方法は、例えば、印刷文字や手書き文
字等をスキャナー等により光学的に読取り、パターン認
識用の辞書に格納された複数の標準パターンと照合し、
類似度が最大となる標準パターンの名称を、入力パター
ンの名称と判定するものである。

【０００３】又特徴点抽出による方法は、例えば、文字
の各部の垂直方向と水平方向との分布や、文字素片と隣
接文字素片との関係等を文字の特徴とした辞書を作成
し、読取った文字についても同様に特徴点を求め、それ
ぞれの特徴点を比較して、類似度が最大となる特徴点に
対応する文字を、読取文字と判定するものである。

【０００４】又ニューロコンピュータを用いたパターン
認識方法も知られている。このパターン認識方法は、例
えば、認識すべき文字，数字，各種パターン等の二次元
パターンを構成するドットにそれぞれ対応するニューロ
からなる入力層と、認識出力に対応するニューロからな
る出力層と、それらの間の重みづけによる接続を行う中
間層とを有し、バックプロパゲーション則等によって中
間層等の重みづけを調整し、学習完了により、入力層に
入力したパターンに対して、出力層からパターン名称等
の認識出力を出力するものである。

【０００５】

【発明が解決しようとする課題】従来例のパターン照合
による認識方法は、入力パターンと、辞書に格納されて
いる標準パターンとの大きさや位置等を同等とする為の
前処理を必要とし、且つ入力パターンと辞書に格納され
ている全標準パターンとを照合する必要があり、従っ
て、前処理と照合処理とに要する時間が長くなる欠点が
あった。又特徴点抽出による認識方法は、認識すべき文
字の総ての特徴点について比較する必要があり、又文
字，数字，各種パターンのそれぞれに対する特徴点は膨
大となるから、辞書が大型化する問題があり、又それに
よって、認識処理時間が長くなる欠点があった。

【０００６】又文字，数字等の場合は、標準パターンと
共に、ゴシック体やイタリック体等を混在している場合
には、各文字種毎にパターン照合或いは特徴点の抽出，
比較を行う必要があり、同一文字名に対して文字種に対
応する倍数の照合，比較等の処理が増加するから、認識
に要する時間が長くなる欠点があった。又逐次比較を行
う代わりに、大分類を行って認識すべきパターン種類を
絞り込むことが考えられているが、認識率を低下させな
いように大分類を行う為の最適手段が実現されていな
い。又ニューロコンピュータを用いたパターン認識方法
は、学習を１０〜数１０００回繰り返す必要があり、且
つ認識可能のパターン数も少ないので、現在は実用化さ
れていない。本発明は、辞書作成時間を短縮し、多数の
文字種が混在するような場合でも認識処理を容易とし、
且つ認識率の向上を図ることを目的とする。

【０００７】

【課題を解決するための手段】本発明のパターン認識方
法及び装置及び辞書作成方法は、図１を参照して説明す
ると、（１）パターン入力部１からの入力パターンを、
辞書２を参照してパターン認識処理部３により認識する
パターン認識方法に於いて、辞書２は、手本パターン対
応にＮ個の要素からなる特徴ベクトルを求め、この特徴
ベクトルのＮ個の要素の上位又は下位から順に選択組合
せを行って、１個〜（Ｎ−１）個の要素からなる特徴集
合を形成し、この特徴集合と文字名，数字名，各種パタ
ーン名等のカテゴリー名とを対応させた構成を有し、パ
ターン認識処理部３は、パターン入力部１からの入力パ
ターンについて、Ｎ個の要素からなる特徴ベクトルを求
め、この特徴ベクトルのＮ個の要素の上位又は下位から
順に選択組合せを行って、１個〜（Ｎ−１）個の要素か
らなる特徴集合を形成した後、この特徴集合と辞書２の
特徴集合との類似度をカテゴリー名対応に求め、この類
似度が最大となるカテゴリー名を、入力パターンのカテ
ゴリー名と判定するものである。

【０００８】（２）又パターン認識装置は、パターンを
格納したメモリ或いはパターンの走査読取りを行うパタ
ーン入力部１と、文字名，数字名，各種パターン名等の
カテゴリー名のそれぞれに対して単一又は複数の手本パ
ターンを基に、各手本パターン対応に複数の要素からな
る特徴ベクトルを求め、この特徴ベクトルの複数の要素
の中の上位又は下位から順に選択組合せを行って特徴集
合を形成し、この特徴集合とカテゴリー名とを対応させ
てメモリに格納したパターン認識用の辞書２と、パター
ン入力部１からの入力パターンについて、複数の要素か
らなる特徴ベクトルを求め、この特徴ベクトルの複数の
要素の中の上位又は下位から順に選択組合せを行って特
徴集合を形成し、この特徴集合と、辞書２の特徴集合と
の類似度をカテゴリー名対応に求め、類似度が最大とな
るカテゴリー名を、パターン入力部１からの入力パター
ンのカテゴリー名と判定するパターン認識処理部３とを
備えている。

【０００９】（３）又パターン認識用の辞書作成方法
は、パターン入力部１からの入力パターンをパターン認
識処理部３により認識する為の辞書２を作成する方法に
於いて、手本パターンよりＮ個の要素からなる特徴ベク
トルを求め、この特徴ベクトルのＮ個の要素の中の上位
又は下位から順に、上位又は下位の要素を含めて１個，
２個，・・・Ｎ−１個の要素の組合せからなる特徴集合
を形成し、この特徴集合と手本パターンのカテゴリー名
とを対応させてメモリに格納する処理を含むものであ
る。

【００１０】（４）又パターン認識用の辞書作成方法
は、手本パターンの認識対象領域をＮ個の等面積に分割
し、このＮ個の分割領域に領域番号を付与し、このＮ個
の分割領域内のドットの値を合計し、この合計した値が
大きい順に領域番号を配列して特徴ベクトルとし、この
特徴ベクトルのＮ個の要素を構成する領域番号を、上位
又は下位から順に、上位又は下位を含めて１個，２個，
・・・Ｎ−１個の要素の組合せから特徴集合を形成し、
この特徴集合と手本パターンのカテゴリー名とを対応さ
せてメモリに格納する処理を含むものである。

【００１１】（５）又パターン認識用の辞書作成方法
は、手本パターンの認識対象領域を、それぞれドット数
の合計が同一となるようにＮ個に分割して領域番号を付
与し、このＮ個の分割領域の面積が大きい順に前記領域
番号を配列して特徴ベクトルとし、この特徴ベクトルの
Ｎ個の要素を構成する領域番号を、上位又は下位から順
に、上位又は下位の要素を含めて１個〜（Ｎ−１）個の
要素の組合せからなる特徴集合を形成し、この特徴集合
と手本パターンのカテゴリー名とを対応させてメモリに
格納する処理を含むものである。

【００１２】

【作用】

（１）パターン認識用の辞書２は、手本パターン対応に
Ｎ個の要素からなる特徴ベクトルを求め、その特徴ベク
トルのＮ個の要素を上位から順に配列し、例えば、最上
位の要素を１個、次にその最上位の要素と次の要素との
２個、次に、最上位の要素と次の要素と更にその次の要
素との３個、次に、それらを含めて次の要素の４個とい
うように、Ｎ−１個の要素の組合せを求めて特徴集合と
し、この特徴集合とカテゴリー名とを対応させて格納し
たものである。この場合、図１に於ける例として、特徴
集合｛１，３｝はカテゴリー名Ａ，Ｂに対応し、特徴集
合｛１，３，４｝はカテゴリー名Ａ，Ｃ，Ｄに対応する
ような場合を示している。又パターン認識処理部３は、
パターン入力部１からの入力パターンについて、辞書２
を作成する手順と同様にして特徴集合を求め、この特徴
集合と、辞書２の特徴集合との類似度をカテゴリー名対
応に求める。例えば、入力パターンの特徴集合が、
｛１，３｝，｛１，３，４｝，・・・・の場合、図示の
辞書２の特徴集合とカテゴリー名対応に類似度を求める
と、カテゴリー名Ａの類似度が最大となる。そして、類
似度が最大となるカテゴリー名を入力パターンのカテゴ
リー名と判定する。

【００１３】（２）パターン認識装置は、パターン入力
部１と、辞書２と、パターン認識処理部３とを有し、パ
ターン入力部１は、パターンを格納したメモリや光学的
にパターンを読取るスキャナー等により構成されてい
る。又パターン認識用の辞書２は、手本パターンから求
めた特徴集合とカテゴリー名と対応させてメモリに格納
した構成を有する。又パターン認識処理部３は、マイク
ロプロセッサ等の演算処理機能を用いて、パターン入力
部１からの入力パターンを、辞書２の作成時と同様な処
理によって特徴集合を求め、この入力パターンの特徴集
合と辞書２に格納された特徴集合との類似度をカテゴリ
ー名対応に求め、類似度が最大となるカテゴリー名を入
力パターンのカテゴリー名とする処理を行うものであ
る。

【００１４】（３）又辞書作成方法は、先ず、手本パタ
ーンよりＮ個の要素からなる特徴ベクトルを求める。例
えば、手本パターンの認識領域をＮ個に分割し、Ｎ個の
分割領域に対応した要素からなる特徴ベクトルを求め
る。このＮ個の要素の中の例えば、上位から順に配列す
る。そして、最上位の要素を１個，この最上位の要素と
次の要素との２個，これを含み，次の要素との３個とい
うように、Ｎ−１個の要素の組合せからなる特徴集合を
形成する。この特徴集合と本パターンのカテゴリー名と
を対応させてメモリに格納する。

【００１５】（４）又辞書作成方法は、手本パターンの
認識領域を等面積にＮ個に分割し、分割領域内のドット
数（白地に黒のパターンの場合、黒ドット数）又は重み
づけした値を合計する。又分割領域に領域番号を付与す
る。そして、合計した値の大きいものから順に領域番号
を配列する。このＮ個の領域番号の配列から、上位又は
下位から順に、１個〜Ｎ−１個の要素の組合せを形成し
て特徴集合とする。又例えば、同一文字についての手書
き文字，印刷文字等の複数の文字種について手本パター
ンとすることもできる。即ち、１個のカテゴリー名につ
いて複数の手本パターンから特徴集合を求めて格納する
ことができる。

【００１６】（５）又辞書作成方法は、手本パターンの
認識領域内のドット数又はドットに重みづけした値を合
計し、その合計した値が同一の面積となるようにＮ個に
分割する。この場合、白の多い部分は大きい面積とな
り、又黒の多い部分は小さい面積となる。或いは、重み
づけの大きいドットが多く含まれる部分は小さい面積と
なる。そして、分割領域に領域番号を付与し、面積の大
きいものから順にＮ個の領域番号を配列する。このＮ個
の領域番号の配列から、上位又は下位から順に、上位又
は下位を含めて１個，２個，・・・Ｎ−１個の領域番号
（要素）の組合せからなる特徴集合を形成する。この特
徴集合と手本パターンのカテゴリー名とを対応させてメ
モリに格納する。

【００１７】

【実施例】パターン認識装置は、図１に示すように、パ
ターン入力部１と、パターン認識用の辞書２と、パター
ン認識処理部３とから構成され、パターン入力部１は、
スキャナー等によるパターンの操作読取りを可能とする
構成又は画像データ等を格納したメモリにより構成され
る。又パターン認識用の辞書２は、片仮名，平仮名，漢
字等の文字名，数字名，星印等の各種パターン名等のカ
テゴリー名とその特徴集合とを対応付けてメモリに格納
した構成を有し、同一カテゴリー名についても、複数の
文字種について手本パターンから特徴集合を求めて格納
することができる。この手本パターンの追加がない場合
は、リードオンリメモリ（ＲＯＭ）によって辞書２を形
成することも可能である。又パターン認識処理部３は、
マイクロプロセッサ等の演算処理機能を用いて構成され
る。

【００１８】前述のパターン認識用の辞書２は、パター
ン入力部１又は他のスキャナー等からの手本パターンに
ついて、特徴集合を求めて、文字名，数字名，パターン
名等のカテゴリー名と対応してメモリに格納したもので
あり、この特徴集合は、特徴ベクトルから求めるもので
ある。この特徴ベクトルは、手本パターンの認識領域を
等面積，等ドット数等に従ってＮ個に分割し、各分割領
域のドット数や面積等を要素とするか、又は手本パター
ンよりＮ個の他の特徴量を求めて要素とするものであ
る。この特徴ベクトルＶは、 Ｖ＝｛ｖ₁ ，ｖ₂ ，ｖ₃ ，・・・ｖ_i ，・・ｖ_N ｝ …（１） と表すことができる。

【００１９】そして、特徴ベクトルＶの複数の要素Ｖ_１
〜Ｖ_Ｎの上位（最大の数）から順に、或いは下位（最小
の数）から順に選択組合せを行って、Ｎ−１個の集合に
ついて、１の順番に並べた集合の列Ｔ_１，Ｔ_２，・・
・，Ｔ_Ｎ−１を特徴集合列とするものである。例えば、
（１）式が大きいものから順に要素が配列（要素の上位
から順に配列）されている場合、Ｉ＝１は｛ｖ_１｝、Ｉ
＝２は｛ｖ_１，ｖ_２｝、Ｉ＝３は｛ｖ_１，ｖ_２，ｖ_３｝
となり、Ｉ＝Ｎ−１は｛ｖ_１，ｖ_２，ｖ_３，・・・，ｖ
_Ｎ−１｝となる。これらの各個を特徴集合と称するもの
である。この特徴集合と手本パターンのカテゴリー名
（文字名，数字名，パターン名等）とを対応させてメモ
リに格納することにより、パターン認識用の辞書２を作
成する。

【００２０】例えば、図２の（Ａ）に示す文字「Ａ」に
ついて、認識領域がＸ（ドット）×Ｙ（ドット）の構成
の場合、縦に４等分，横に４等分すると、１６個の等面
積の分割領域が形成される。そして、各分割領域に領域
番号１〜１６を付与し、文字部分を黒とすると、各分割
領域内の黒ドット数を計数する。この計数値をそれぞれ
ｖ₁ 〜ｖ₁₆とすると、（１）式の特徴ベクトルＶが得ら
れる。そして、ｖ₁ 〜ｖ₁₆の大きいもの順に、順次Ｉ
（＝１〜Ｎ−１）個を選び、Ｎ−１（＝１６−１＝１
５）個の集合を求め、これをＩの順番に並べた集合の列
Ｔ₁ 〜Ｔ_N-1 （＝Ｔ₁ 〜Ｔ₁₅）を特徴集合列とする。

【００２１】この文字「Ａ」について、領域番号１〜１
６の分割領域内の黒ドット数が大きいものから順に並べ
た時、６，７，１０，１１，１３，１６，２，３，９，
１２，５，８，１，４，１４，１５であるとすると、特
徴集合列Ｔ₁ 〜Ｔ₁₅は、 Ｔ₁ ＝｛６｝ Ｔ₂ ＝｛６，７｝ Ｔ₃ ＝｛６，７，１０｝ Ｔ₄ ＝｛６，７，１０，１１｝ Ｔ₅ ＝｛６，７，１０，１１，１３｝ ： ： Ｔ₁₅＝｛６，７，１０，１１，１３，・・・・・・５，
８，１，４，１４｝ となる。従って、これをカテゴリー名Ａとしてメモリに
格納する。

【００２２】又図２の（Ｂ）は、１文字分の黒ドット数
が同一となるように１文字分の領域を分割した場合を示
し、分割領域の面積に大小の差が生じることになる。こ
の場合、例えば、１文字分の黒ドット数を総て計数し、
合計数をＺとすると、縦に４分割，横に５分割する場
合、例えば、縦方向に走査して黒ドット数を計数し、順
次加算して（Ｚ／４）の値と同一或いは近似した値とな
った時に、縦に分割した１縦分割領域が得られる。同様
に、縦方向に走査して黒ドット数を計数し、順次加算し
て（Ｚ／４）の値と同一或いは近似した値となるよう
に、縦分割領域を順次形成する。そして、各縦分割領域
内を横方向に走査して黒ドット数を計数し、順次加算し
て〔（Ｚ／４）／５〕の値と同一或いは近似した値とな
った時に、横にも分割した分割領域が得られる。これを
繰り返すことにより、黒ドット数が同一の分割領域を得
ることができる。そして、分割領域に番号１〜２０を付
し、その番号１〜２０の分割領域の面積をそれぞれｖ_１
〜ｖ_２０とすると、（１）式の特徴ベクトルＶが得られ
る。そして、面積の大きいものから順に（上位のものか
ら順に）、或いは、面積の小さいものから順に（下位の
ものから順に）、順次Ｉ（Ｉ＝１〜Ｎ−１）個を選び、
Ｎ−１（＝２０−１＝１９）個の集合を、Ｉの順番に並
べた集合Ｔ_１〜Ｔ_Ｎ−１（＝Ｔ_１〜Ｔ_１９）を特徴集合
列とするものである。

【００２３】又図２の（Ｃ）は、同心円と放射方向の線
とによってパターンの認識領域を分割し、分割領域内の
黒ドット数を計数し、一番外側の８個の領域について計
数値の一番大きいものの領域の番号を１とし、そこを基
準位置として順に領域番号２〜１８を付与し、１８個の
要素からなる特徴ベクトルを作成する。そして、上位又
は下位から順に、１個，２個，・・・１７個の要素の組
合せによって特徴集合を形成することができる。これ
は、各種のパターンについて認識を行う場合に適用する
ことができる。

【００２４】又図２の（Ａ）に於いて、横のドット数を
Ｘとし、縦のドット数をＹとしたＸ×Ｙ（ドット）のパ
ターン認識領域について、 ｆ（ｘ，ｙ）_z ∈｛０，１｝ …（２） と定義する。但し、０≦ｘ＜Ｘ，０≦ｙ＜Ｙ、ｘ，ｙは
整数である。従って、関数ｆ（ｘ，ｙ）は格子点を表す
ことになる。

【００２５】又（２）式を実数上に拡張すると、 ｆ（ｘ，ｙ）_R ∈｛０，１｝ …（３） 但し、０≦ｘ＜Ｘ，０≦ｙ＜Ｙ、ｘ，ｙは実数である。
従って、関数ｆ（ｘ，ｙ）は格子点間も表すことにな
る。

【００２６】又点（ｘ，ｙ）を輪郭点とすると、その点
（ｘ，ｙ）の極く近くにｆ（ｘ，ｙ）≠ｆ（ｘ’，
ｙ’）となる点（ｘ’，ｙ’）が存在する。即ち、極く
近い点（ｘ，ｙ），（ｘ’，ｙ’）についてｆ（ｘ，
ｙ）≠ｆ（ｘ’，ｙ’）である点は輪郭点である。

【００２７】又点（ｘ₀ ，ｙ₀ ）から最も近い輪郭点ま
での距離をｄ（ｘ₀ ，ｙ₀ ，ｆ）と表し、又区間〔０，
Ｘ），〔０，Ｙ）をそれぞれｎ_x ，ｎ_y 等分し、ｎ_x ×
ｎ_y＝Ｎ個の分割領域を形成し、特徴ベクトルＶの要素
ｖ_i を、 ｖ_i ＝∫∫（２・ｆ（ｘ，ｙ）−１）×ｄ（ｘ，ｙ，ｆ））ｄｘｄｙ …（４） と表すことができる。但し、Ｒｉは長方形の分割領域
で、∫∫（ ）ｄｘｄｙはその長方形の分割領域の面積
分を示す。又１≦ｉ≦Ｎである。

【００２８】又前述の（４）式の（２・ｆ（ｘ，ｙ）−
１）は、ｆ（ｘ，ｙ）が０又は１であるから、１の時は
１、０の時は−１となり、白から黒への輪郭点と黒から
白への輪郭点とに対して重み付けして特徴ベクトルＶの
要素ｖ_i を求める場合を示すものである。そして、前述
のように、特徴ベクトルＶを求め、要素ｖ_i の大きいも
のから順に、或いは小さいものから順に、順次Ｉ（＝１
〜Ｎ−１）個を選び、Ｎ−１個の集合を、Ｉの順番に並
べた集合の列Ｔ₁ 〜Ｔ_N-1 を特徴集合列とするものであ
る。

【００２９】図３は特徴ベクトルの概要説明図であり、
（ａ），（ｂ），（ｃ）はそれぞれ次元Ｎを４とした特
徴ベクトルＶの要素を示し、（１）〜（４）は領域番号
を示す。従って、特徴ベクトルＶａ，Ｖｂ，Ｖｃは、 Ｖａ＝（５０００，１００，２００，−１０） Ｖｂ＝（３０，２９，２８，２７） Ｖｃ＝（−３，−２，−１，−４） となる。

【００３０】特徴ベクトルＶａの中の大きいものから順
に、順次１〜Ｎ−１個、即ち、１個，２個，３個を選
び、特徴集合列Ｔａを求めると、 Ｔａ₁ ＝｛１｝ Ｔａ₂ ＝｛１，３｝ Ｔａ₃ ＝｛１，３，２｝ となる。又同様に、特徴ベクトルＶｂから特徴集合列Ｔ
ｂを求めると、 Ｔｂ₁ ＝｛１｝ Ｔｂ₂ ＝｛１，２｝ Ｔｂ₃ ＝｛１，２，３｝ となる。又特徴ベクトルＶｃから特徴集合列Ｔｃを求め
ると、 Ｔｃ₁ ＝｛３｝ Ｔｃ₂ ＝｛３，２｝ Ｔｃ₃ ＝｛３，２，１｝ となる。

【００３１】図４，図５は本発明の実施例の辞書作成の
フローチャートであり、特徴ベクトルＶの次元数をＮと
し、特徴集合テーブルＴＸとカテゴリー名ＬＸとからな
る辞書のアドレスを示すカウンタＣＮＴを最初にクリア
して「０」とする（Ａ１）。次に、パターンファイルを
オープンし（Ａ２）、そのファイル内が最終であるか否
かを判定する（ＦＩＬＥ ＥＮＤ？）（Ａ３）。

【００３２】最終でない場合は、手本パターンのパター
ンデータを１つ取り出す（Ａ４）。そして、コード（Ｃ
ＯＤＥ）には、カテゴリー名と１対１に対応する０〜Ｌ
−１の数値がセットされる。ここで、Ｌをカテゴリー名
数とする（Ａ５）。そして、Ｎ個の要素からなる特徴ベ
クトルＶの作成処理を行う（Ａ６）。手本パターンの特
徴ベクトルが作成されると、Ｔを０とし（Ａ７）、Ｉを
０とし（Ａ８）、ＩがＮ−１に等しいか否かを判定する
（Ｉ：Ｎ−１）（Ａ９）。

【００３３】Ｉ＝Ｎ−１となると、即ち、ステップ（Ａ
１７）に於いて、Ｉ＋１した結果、Ｉ＝Ｎ−１となる
と、ステップ（Ａ３）に移行する。又Ｉ＜Ｎ−１の場合
は、ＭＡＸＪを０とし、且つＪを１とし（Ａ１０）、Ｊ
がＮに等しいか否かを判定する（Ａ１１）。Ｊ＝Ｎの場
合はステップ（Ａ１５）に移行し、Ｊ＜Ｎの場合はステ
ップ（Ａ１２）に移行する。このステップ（Ａ１２）に
於いては、特徴ベクトルＶの要素Ｖ〔Ｊ〕が今までの最
大値Ｖ〔ＭＡＸＪ〕と等しいか否かを判定し、Ｖ〔Ｊ〕
＞Ｖ〔ＭＡＸＪ〕の場合は、今回の要素Ｖ〔Ｊ〕が前回
までの最大値Ｖ〔ＭＡＸＪ〕より大きいから、今回の要
素Ｖ〔Ｊ〕を最大値Ｖ〔ＭＡＸＪ〕とする（Ａ１３）。
そして、Ｊ＋１を次のＪとし（Ａ１４）、ステップ（Ａ
１１）に移行する。

【００３４】又ステップ（Ａ１５）に於いては、Ｖ〔Ｍ
ＡＸＪ〕を−１とし、１を〔ＭＡＸＪ〕だけ左シフトし
て特徴集合Ｔとする（Ｔ＋（１＜＜ＭＡＸＪ）→Ｔ）。
次のステップ（Ａ１６）に於いては、この特徴集合Ｔ
を、特徴集合テーブルＴＸの内容とし、又１をコードの
値だけ左シフトして、カテゴリー情報テーブルの内容と
する（１＜＜ＣＯＤＥ→ＬＸ〔ＣＮＴ〕）。そして、カ
ウンタの内容を＋１する（ＣＮＴ＋１→ＣＮＴ）。

【００３５】次に、Ｉ＋１を次のＩとし（Ａ１７）、ス
テップ（Ａ９）に移行する。即ち、特徴ベクトルＶの要
素の大きい方から１個取り出し、次に特徴ベクトルＶの
要素の大きい方から順に２個取り出し、次に特徴ベクト
ルＶの要素の大きい方から順に３個取り出すことを順次
行い、Ｎ−１個取り出すまで行う。即ち、Ｉ＝Ｎ−１と
なると、ステップ（Ａ３）に移行する。そして、パター
ンファイル内に手本パターンが存在すれば、その中のパ
ターンデータを１つ取り出して、前述の処理を行う。

【００３６】パターンファイルに格納されたパターンデ
ータについての前述の処理が終了すると、パターンファ
イルをクローズし（Ａ１８）、特徴集合ＴＸのテーブル
とカテゴリー情報ＬＸのテーブルとをソートし（Ａ１
９）、それらをファイルに書き出す（Ａ２０）。以上の
処理によりパターン認識用の辞書が作成される。

【００３７】図６は本発明の実施例の特徴ベクトル作成
のフローチャートであり、前述のフローチャートのステ
ップ（Ａ６）に於ける処理の概要を示すものである。な
お、特徴ベクトル作成処理は、個々のパターン認識シス
テムの用途等に応じて、各種の変形例を採用できるもの
であり、以下の実施例は、代表的な特徴ベクトルの作成
処理を示す。即ち、パターンデータについて重みづけを
行うか否かを判定し（Ｂ１）、重みづけを行う場合は、
パターンデータのドットの重みづけ処理を行い（Ｂ
２）、その重みづけ処理によるドットの計測処理或いは
重みづけを行わない場合は、パターンデータのドットの
計測処理を行う（Ｂ３）。

【００３８】図７乃至図１１は重みづけ処理のフローチ
ャートを示し、図６のステップ（Ｂ２）に於ける処理の
一例を示す。先ず、Ｉ（認識領域内のドット位置を示
す）を０とし（Ｃ１）、入力パターンの認識領域の横の
ドット数をＸ、縦のドット数をＹとし、Ｉ＝Ｘ×Ｙか否
か、即ち、認識領域内の最終ドット位置か否かを判定す
る（Ｉ：Ｘ＊Ｙ）（Ｃ２）。Ｉ≧Ｘ×Ｙの場合はステッ
プ（Ｃ５）に移行し、Ｉ＜Ｘ×Ｙの場合はステップ（Ｃ
３）に移行する。

【００３９】ステップ（Ｃ３）に於いては、入力パター
ンＰ〔Ｉ〕に中間レベルを乗算して、重みづけパターン
Ｑ〔Ｉ〕とする。この入力パターンＰ〔Ｉ〕は、例え
ば、白を“０”，黒を“１”としたものであり、又中間
レベルを「１６」とすると、黒の“１”のドットが「１
６」の値に重みづけされる。そして、Ｉ＋１を次のＩと
してステップ（Ｃ２）に移行する。この初期値「１６」
は、白（“０”）の領域に於いて重みづけの結果、負の
値とならないように選定することが演算処理上望ましい
ものであるが、それに限定されるものではない。

【００４０】Ｉ＝Ｘ×Ｙ、即ち、全ドットについて前述
の処理が終了すると、ステップ（Ｃ５）（図８参照）に
移行し、中間レベルをＪとし、Ｉを０、フラグを０とし
（Ｃ６）、Ｉ＝Ｘ×Ｙか否かを判定し（Ｃ７）、Ｉ＝Ｘ
×Ｙの場合はステップ（Ｃ１９）に移行し、Ｉ＜Ｘ×Ｙ
の場合はステップ（Ｃ８）に移行する。ステップ（Ｃ
８）では、Ｑ〔Ｉ〕＝０か否かを判定し、Ｑ〔Ｉ〕≠０
の場合はステップ（Ｃ１８）に移行し、Ｑ〔Ｉ〕＝０の
場合はステップ（Ｃ９）に移行する。

【００４１】ステップ（Ｃ９）では、Ｉ−Ｘ≧０か否か
を判定し、Ｉ−Ｘ＜０の場合はステップ（Ｃ１１）に移
行し、Ｉ−Ｘ≧０の場合はステップ（Ｃ１０）に移行す
る。このステップ（Ｃ１０）では、Ｑ〔Ｉ−Ｘ〕＝Ｊか
否かを判定し、Ｑ〔Ｉ−Ｘ〕＝Ｊの場合はステップ（Ｃ
１７）に移行し、Ｑ〔Ｉ−Ｘ〕≠Ｊの場合はステップ
（Ｃ１１）に移行する。

【００４２】ステップ（Ｃ１１）では、Ｉ＋Ｘ≧Ｘ×Ｙ
か否かを判定し、Ｉ＋Ｘ≧Ｘ×Ｙの場合はステップ（Ｃ
１３）に移行し、Ｉ＋Ｘ＜Ｘ×Ｙの場合はステップ（Ｃ
１２）に移行する。このステップ（Ｃ１２）では、Ｑ
〔Ｉ＋Ｘ〕＝Ｊか否かを判定し、Ｑ〔Ｉ＋Ｘ〕＝Ｊの場
合はステップ（Ｃ１７）に移行し、Ｑ〔Ｉ＋Ｘ〕≠Ｊの
場合はステップ（Ｃ１３）に移行する。前述のステップ
（Ｃ９），（Ｃ１０）により最上辺を識別し、ステップ
（Ｃ１１），（Ｃ１２）により最下辺を識別することに
なる。

【００４３】又ステップ（Ｃ１３）（図９参照）では、
Ｉ／Ｘの余りが０か否かを判定し（Ｉ％Ｘ：０）、余り
が０の場合はステップ（Ｃ１５）に移行し、余りが０で
ない場合はステップ（Ｃ１４）に移行する。ステップ
（Ｃ１４）では、Ｑ〔Ｉ−１〕＝Ｊか否か（Ｑ〔Ｉ〕の
左隣が中間レベルＪと等しいか否か）を判定し、Ｑ〔Ｉ
−１〕＝Ｊの場合はステップ（Ｃ１７）に移行し、Ｑ
〔Ｉ−１〕≠Ｊの場合はステップ（Ｃ１５）に移行す
る。

【００４４】又ステップ（Ｃ１５）では、Ｉ／Ｘの余り
がＸ−１に等しいか否かを判定し、等しい場合はステッ
プ（Ｃ１８）に移行し、等しくない場合はステップ（Ｃ
１６）に移行する。このステップ（Ｃ１６）では、Ｑ
〔Ｉ＋１〕＝Ｊか否か（Ｑ〔Ｉ〕の右隣が中間レベルＪ
と等しいか否か）を判定し、Ｑ〔Ｉ＋１〕＝Ｊの場合は
ステップ（Ｃ１７）に移行し、Ｑ〔Ｉ＋１〕≠Ｊの場合
はステップ（Ｃ１８）に移行する。前述のステップ（Ｃ
１３），（Ｃ１４）により左辺を識別し、ステップ（Ｃ
１５），（Ｃ１６）により右辺を識別することになる。

【００４５】又ステップ（Ｃ１７）では、Ｊ−１をＱ
〔Ｉ〕とし、且つフラグを“１”とする。即ち、入力パ
ターンの白，黒の境界線に隣接した白ドットの重みづけ
を、中間レベルを−１した値とすることを示す。又ステ
ップ（Ｃ１８）では、Ｉ＋１を次のＩとして、ステップ
（Ｃ７）に移行する。又ステップ（Ｃ１９）では、フラ
グが“０”か否かを判定し、フラグが“０”ならばステ
ップ（Ｃ２１）に移行し、ステップ（Ｃ１７）に於いて
フラグが“１”にされた場合はステップ（Ｃ２０）に移
行する。このステップ（Ｃ２０）では、Ｊ−１を次のＪ
としてステップ（Ｃ６）に移行する。

【００４６】ステップ（Ｃ２１）（図１０参照）では、
中間レベルをＪとし、次のステップ（Ｃ２２）ではＸを
Ｉとし、フラグを“０”とする。そして、Ｉ＝Ｘ×Ｙ−
Ｘか否かを判定する（Ｃ２３）。Ｉ＝Ｘ×Ｙ−Ｘの場合
はステップ（Ｃ３３）に移行し、Ｉ＜Ｘ×Ｙ−Ｘの場合
はステップ（Ｃ２４）に移行する。このステップ（Ｃ２
４）では、Ｑ〔Ｉ〕＝Ｊか否かを判定し、等しい場合は
ステップ（Ｃ２５）に移行し、等しくない場合はステッ
プ（Ｃ３２）に移行する。ステップ（Ｃ２５）では、Ｑ
〔Ｉ−Ｘ〕＝Ｊか否か（Ｑ〔Ｉ〕の一つ上のドットが中
間レベルＪと等しいか否か）を判定し、Ｑ〔Ｉ−Ｘ〕＜
Ｊの場合はステップ（Ｃ３２）に移行し、Ｑ〔Ｉ−Ｘ〕
≧Ｊの場合はステップ（Ｃ２６）に移行する。

【００４７】ステップ（Ｃ２６）では、Ｑ〔Ｉ＋Ｘ〕＝
Ｊか否か（Ｑ〔Ｉ〕の一つ下のドットが中間レベルＪと
等しいか否か）を判定し、Ｑ〔Ｉ＋Ｘ〕＜Ｊの場合はス
テップ（Ｃ３２）に移行し、Ｑ〔Ｉ＋Ｘ〕≧Ｊの場合は
ステップ（Ｃ２７）に移行する。ステップ（Ｃ２７）で
は、Ｉ／Ｘの余りが０か否かを判定し、０の場合はステ
ップ（Ｃ３２）に移行し、０でない場合はステップ（Ｃ
２８）に移行する。

【００４８】ステップ（Ｃ２８）（図１１参照）では、
Ｑ〔Ｉ−１〕＝Ｊか否かを判定し、Ｑ〔Ｉ−１〕＜Ｊの
場合はステップ（Ｃ３２）に移行し、Ｑ〔Ｉ−１〕≧Ｊ
の場合はステップ（Ｃ２９）に移行する。ステップ（Ｃ
２９）では、１／Ｘの余りがＸ−１か否かを判定し、等
しい場合はステップ（Ｃ３２）に移行し、等しくない場
合はステップ（Ｃ３０）に移行する。

【００４９】ステップ（Ｃ３０）では、Ｑ〔Ｉ＋１〕＝
Ｊか否かを判定し、Ｑ〔Ｉ＋１〕＜Ｊの場合はステップ
（Ｃ３２）に移行し、Ｑ〔Ｉ＋１〕≧Ｊの場合はステッ
プ（Ｃ３１）に移行する。ステップ（Ｃ３１）では、Ｊ
＋１をＱ〔Ｉ〕とする。即ち、中間レベルＪを「１６」
とした時、次はＪ＝「１７」とする。そして、フラグを
“１”とし、ステップ（Ｃ３２）に移行する。ステップ
（Ｃ３２）では、Ｉ＋１＝Ｉとして、ステップ（Ｃ２
３）に移行し、次のドットについて重みづけ処理を行
う。

【００５０】又ステップ（Ｃ３３）では、フラグが
“０”か否かを判定し、“０”の場合はスタートに戻
り、又“０”でない場合はＪ＋１をＪとしてステップ
（Ｃ２２）に移行する。前述の処理を繰り返すことによ
り、入力パターンＰ〔Ｉ〕について、白，黒の境界線か
らの距離に従って重みづけしたパターンＱ〔Ｉ〕を得る
ことができる。

【００５１】図１２は入力パターンの説明図であり、英
字Ｔに相当する入力パターンＰ〔Ｉ〕を示すもので、
“１”は黒ドット、“０”は白ドットを示す。この入力
パターンＰ〔Ｉ〕を前述の重みづけ処理に於いて、最初
の中間レベルＪを「１６」とした時、重みづけ処理結果
は、図１３に示すものとなる。即ち、入力パターンＰ
〔Ｉ〕の“１”の領域の境界からの距離に応じて１７，
１８，１９の重みづけが行われ、又“０”の領域の境界
からの距離に応じて１５，１４，・・・７，６の重みづ
けが行われることになる。

【００５２】次に特徴ベクトルを求める為に、認識領域
を複数に分割した分割領域内の黒のドット数又は重みづ
けしたドットの値の加算処理を行うもので、図１４，図
１５はその処理の一例を示す。先ず、Ｉを０とし（Ｄ
１）、ＩがＮ（Ｎ＝特徴ベクトルの次元）か否かを判定
し（Ｄ２）、Ｉ＝Ｎの場合はステップ（Ｄ５）に移行
し、Ｉ＜Ｎの場合はステップ（Ｄ３）に移行する。

【００５３】ステップ（Ｄ３）では、特徴ベクトルＶ
〔Ｉ〕を０とし、次のステップ（Ｄ４）では、Ｉ＋１を
次のＩとする。即ち、ステップ（Ｄ２），（Ｄ３），
（Ｄ４）により、特徴ベクトルＶ〔Ｉ〕を初期状態の０
とする。

【００５４】ステップ（Ｄ５）では、Ｊを０とし、次の
ステップ（Ｄ６）では、Ｊ＝Ｙ×ＶＹか否かを判定す
る。なお、ＶＹは認識領域の縦の分割数、ＶＸは横の分
割数を示し、従って、特徴ベクトルの次元Ｎは、Ｎ＝Ｖ
Ｘ×ＶＹとなる。Ｊ＝Ｙ×ＶＹの場合はスタートに戻
り、Ｊ＜Ｙ×ＶＹの場合は、Ｉを０とし（Ｄ７）、Ｉ＝
Ｘ×ＶＸか否かを判定し（Ｄ８）、Ｉ＝Ｘ×ＶＸの場合
はステップ（Ｄ１１）に移行し、Ｉ＜Ｘ×ＶＸの場合は
ステップ（Ｄ９）に移行する。

【００５５】ステップ（Ｄ９）では、Ｖ〔Ｊ／Ｙ×ＶＸ
＋Ｉ／Ｘ〕＋Ｑ〔Ｊ／ＶＹ×Ｘ＋Ｉ／ＶＸ〕をＶ〔Ｊ／
Ｙ×ＶＸ＋Ｉ／Ｘ〕とする。これは、横のドット数Ｘを
横の分割数ＶＸで割った時に整数とならない場合、及び
縦のドット数Ｙを縦の分割数ＶＹで割った時に整数とな
らない場合について、加算する場合を考慮したものであ
る。

【００５６】そして、ステップ（Ｄ１０）では、Ｉ＋１
を次のＩとしてステップ（Ｄ８）に移行する。又ステッ
プ（Ｄ１１）では、Ｊ＋１を次のＪとし、ステップ（Ｄ
６）に移行する。前述の処理により、分割数ＶＸ，ＶＹ
でＸ×Ｙの認識領域内を分割した分割領域のドット数又
は重みづけした値が加算される。

【００５７】例えば、カテゴリー名「Ａ」，「Ｂ」につ
いて、複数種類の印刷文字，手書き文字等のそれぞれ手
本パターンを４種類入力し、認識領域を６個に分割し
（特徴ベクトルの次元を６とし）、分割領域番号を１〜
６として、それぞれの分割領域のドット数を計数した結
果、次のようになった場合を仮定する。 領域番号 １ ２ ３ ４ ５ ６ ＶＡ１＝（ １００， ９０， ８０， ７０， ６０， ５０） ＶＡ２＝（ ４０， ５０， ４５， ３３， ３５， ３４） ＶＡ３＝（１９８０， １２，２０００， １， ０， ２） ＶＡ４＝（ ９６， ９５， ９４， ９９， ９８， ９７） ＶＢ１＝（ ２４， ２２， ３０， ３２， ２８， ２６） ＶＢ２＝（ ２４， ２２， ６４， ６０， ５２， ５６） ＶＢ３＝（ １５４，１５５， １７５，１７４，１６５，１６４） ＶＢ４＝（ −６０， −５， −４， −３， −２， −１）

【００５８】特徴ベクトルＶＡ１〜ＶＡ４，ＶＢ１〜Ｖ
Ｂ４から作成される特徴集合ＴＡ１〜ＴＡ４，ＴＢ１〜
ＴＢ４は、特徴ベクトルの要素の大きいものから順に、
１個，それと次の要素との２個というように、６個の要
素の中から順次要素１〜５個組み合わせるものであり、 ＴＡ１＝｛１｝，｛１，２｝，｛１，２，３｝，｛１，２，３，４｝，｛１， ２．３．４．５｝ ＴＡ２＝｛２｝，｛２，３｝，｛１，２，３｝，｛１，２，３，５｝，｛１， ２．３．５．６｝ ＴＡ３＝｛３｝，｛１，３｝，｛１，２，３｝，｛１，２，３，６｝，｛１， ２．３．４．６｝ ＴＡ４＝｛４｝，｛４，５｝，｛４，５，６｝，｛１，４，５，６｝，｛１， ２，４，５，６｝ ＴＢ１＝｛４｝，｛３，４｝，｛３，４，５｝，｛３，４，５，６｝，｛１， ３．４．５．６｝ ＴＢ２＝｛３｝，｛３，４｝，｛３，４，６｝，｛３，４，５，６｝，｛１， ３．４．５．６｝ ＴＢ３＝｛３｝，｛３，４｝，｛３，４，５｝，｛３，４，５，６｝，｛２， ３．４．５．６｝ ＴＢ４＝｛６｝，｛５，６｝，｛４，５，６｝，｛３，４，５，６｝，｛２， ３，４，５，６｝

【００５９】なお、分割領域番号１〜Ｎ（Ｎ＝６）の場
合に、１個〜（Ｎ−１）個の要素の組合せを得るもの
で、この場合、１〜Ｎ個の要素による組合せとすると、
前述のＴＡ１〜ＴＡ４は、Ｎ＝６であるから、６個の要
素の組合せは、それぞれ同一の｛１，２，３，４，５，
６｝となる。従って、これは特徴集合としては意味をな
さないので、前述のように、１〜（Ｎ−１）個の組合せ
としているものである。そして、前述の特徴集合とカテ
ゴリー名とを対応させてメモリに格納して辞書を形成す
るものであり、図１６は前述の例を用いた辞書の一例を
示す。例えば、特徴集合｛３｝は、カテゴリー名
「Ａ」，「Ｂ」に共通の場合を示している。このよう
に、辞書は、手本パターンより特徴集合を作成し、カテ
ゴリー名と対応させて、特徴集合の順番に並べるもので
あり、又これらの特徴集合に対して複数のカテゴリー名
を対応させるものであるから、辞書作成に要する時間
は、手本パターン数に比例した時間で済み、辞書作成の
為の所要時間を従来例に比較して大幅に短縮することが
できる。又手本パターンを追加する時も、辞書の一部を
修正，追加するだけで済むから、簡単に追加することが
できる。又このような辞書構造を有するものであるか
ら、パターン認識処理に於ける所要時間を短縮すること
が可能となる。

【００６０】図１７は本発明の実施例の辞書データの説
明図であり、カテゴリー名をビット位置で表現した場合
に、前述のように、同一の特徴集合に対して、異なるカ
テゴリー名ＬＸ₁ ，ＬＸ₂ が対応する時、カテゴリー名
ＬＸ₁ ，ＬＸ₂ の論理和をとって辞書に格納するカテゴ
リー名ＬＸ’とすることができる。このような処理を行
うことにより、認識すべきカテゴリー名の個数のビット
数と特徴集合との組合せの辞書が作成されることにな
る。

【００６１】従って、特徴集合ＴＸとカテゴリー名ＬＸ
とを対応させた辞書は、例えば、ＴＸ＝１は、カテゴリ
ー名ＬＸ＝２（・・・００１０）に対応して、この場合
は１個のカテゴリー名が対応し、ＴＸ＝２は、カテゴリ
ー名ＬＸ＝５（・・・０１０１）が対応し、“１”のビ
ット位置で示される二つのカテゴリー名が対応すること
になる。又特徴集合ＴＸについても、前述の１〜６の要
素をそれぞれ６ビット構成のビット位置で表現すること
ができる。例えば、｛３，４｝は、“００１１００”と
表現することができる。又カテゴリー数が多く、カテゴ
リー名ＬＸのビット数が多くなる場合は、各種のデータ
処理に適用されているデータの圧縮，復元の手段を適用
することができる。又特徴集合ＴＸをアドレスによって
表現することができる。その場合、例えば、図１７に於
けるＴＸ＝１，２，３，５，・・・１０２２を、アドレ
ス１，２，３，４，５，６，・・・１０２２として表現
し、アドレス１にはＬＸ＝２、アドレス２にはＬＸ＝５
というように格納し、又アドレス４に対するカテゴリー
名ＬＸが無い場合は、アドレス４にはＬＸ＝０を格納す
ることができる。

【００６２】図１８，図１９は本発明の実施例の入力パ
ターン認識処理のフローチャートであり、入力パターン
について前述の辞書作成に於ける場合と同様な特徴ベク
トルを作成する（Ｅ１）。そして、Ｉを０とし（Ｅ
２）、Ｉ＝Ｌ（Ｌ＝カテゴリー名数）か否かを判定する
（Ｅ３）。Ｉ＝Ｌの場合はステップ（Ｅ６）に移行し、
Ｉ≠Ｌの場合はステップ（Ｅ４）に移行する。

【００６３】ステップ（Ｅ４），（Ｅ５）によって初期
状態として辞書の特徴集合との類似度（スコア）を０と
する（０→ＳＣＯＲＥＳ〔Ｉ〕）。ステップ（Ｅ６）で
は、特徴集合Ｔを０とし、次のステップ（Ｅ７）ではＩ
を０とし、ステップ（Ｅ８）に移行する。ステップ（Ｅ
８）では、Ｉ＝Ｎ−１か否かを判定し、Ｉ＝Ｎ−１の場
合は、特徴ベクトルのＮ個の要素の中のＮ−１個につい
ての処理が終了したからスタートに戻る。又Ｉ＜Ｎ−１
の場合は、ステップ（Ｅ９）に移行する。

【００６４】ステップ（Ｅ８）〜（Ｅ１４）により、前
述の特徴集合を求める処理と同様にして、特徴ベクトル
Ｖ〔Ｊ〕の大きいものから順に配列した状態とし、その
大きいものから順に、繰り返し１個，２個，・・・Ｎ−
１個を取り出して特徴集合Ｔを求める。そして、辞書サ
ーチ処理を行い（Ｅ１５）、次にＩ＋１を次のＩとして
（Ｅ１６）、ステップ（Ｅ８）に移行する。

【００６５】図２０，図２１は本発明の実施例の辞書サ
ーチ処理のフローチャートを示し、前述のステップ（Ｅ
１５）に於ける辞書サーチ処理の一例のフローチャート
を示す。先ず、ＩＳＴＡＲＴを０とし、且つＴＢＬＭＡ
ＸをＩＥＮＤとて（Ｆ１）、初期設定する。次のステッ
プ（Ｆ２）では、ＩＳＴＡＲＴ＝ＩＥＮＤか否かを判定
し、等しい場合はスタートに戻り、等しくない場合はス
テップ（Ｆ３）に移行する。

【００６６】この実施例に於けるサーチ処理は２分割法
の場合を示し、（ＩＳＴＡＲＴ＋ＩＥＮＤ）／２をＩＷ
とする（Ｆ３）。即ち、スタートアドレスとエンドアド
レスとの和の１／２を中間アドレスＩＷとした場合を示
す。そして、Ｔ＝ＴＸ〔ＩＷ〕か否かを判定し（Ｆ
４）、Ｔ＝ＴＸ〔ＩＷ〕の場合はステップ（Ｆ７）へ移
行し、Ｔ＜ＴＸ〔ＩＷ〕の場合はステップ（Ｆ５）へ移
行し、Ｔ＞ＴＸ〔ＩＷ〕の場合はステップ（Ｆ６）へ移
行する。

【００６７】ステップ（Ｆ５）に於いては、ＩＷをＩＥ
ＮＤとしてステップ（Ｆ２）へ移行する。又ステップ
（Ｆ６）に於いては、ＩＷ＋１をＩＳＴＡＲＴとして、
ステップ（Ｆ２）へ移行する。ステップ（Ｆ７）に於い
てはＩを０として、次のステップ（Ｆ８）へ移行する。

【００６８】ステップ（Ｆ８）に於いては、Ｉ＝Ｌか否
かを判定し、Ｉ＝Ｌの場合は元に戻り、Ｉ＜Ｌの場合は
ステップ（Ｆ９）へ移行し、ＬＸ〔ＩＷ〕と、１をＩだ
け左シフトして論理積を求める（ＬＸ〔ＩＷ〕＆（１＜
＜Ｉ））。結果が０であると、ステップ（Ｆ１１）へ移
行し、結果が０でない場合はステップ（Ｆ１０）へ移行
する。

【００６９】ステップ（Ｆ１０）に於いては、論理積が
０でない場合、スコアを＋１する（ＳＣＯＲＥＳ〔Ｉ〕
＋１→ＳＣＯＲＥＳ〔Ｉ〕）。そして、ステップ（Ｆ１
１）に於いてＩ＋１とし、ステップ（Ｆ８）へ移行す
る。このステップ（Ｆ１０）に於いて求めたスコアが最
大となるカテゴリーを、入力パターンに対するカテゴリ
ー名とする。

【００７０】特徴集合と類似度とについて、カテゴリー
名毎の一つの手本パターンの特徴集合Ｔ₁ ^(c) ，・・・
Ｔ_N-1 ^(c) （但し、１≦ｃ≦Ｌ、Ｌ＝カテゴリー名の総
数）を格納したパターン認識用の辞書を用い、特徴集合
Ｔ₁ ^* ，・・・Ｔ_N-1 ^* を有する入力パターンと、ｃ番
目のカテゴリー名の手本パターンの類似度Ｓ^(c) を Ｓ^(c) ＝〔１／（Ｎ−１）〕Σ_I=1 ^N-1 φ（Ｔ_I ^* ，Ｔ_I ^(c) ） …（５） とする。但し、φ（Ｔ₁ ，Ｔ₂ ）＝０（Ｔ₁ ≠Ｔ₂ ），
又は１（Ｔ₁ ＝Ｔ₂ ）とする。又Σ_I=1 ^N-1 は、Ｉ＝１
からＩ＝Ｎ−１までの累算を示す。

【００７１】これを、各カテゴリー名が、それぞれ異な
る書体等に対応した任意数の手本パターンの特徴集合を
持つ時、即ち、或るカテゴリー名（ｃ）のｍ個の手本パ
ターンに対して、特徴集合のマトリクスは、 を有する場合、巾空間類似度として次のように定義する
ことができる。 Ｓ^(c) ＝[1/(N-1)] Σ_I=1 ^N-1 Ｃ_I × max｛φ（Ｔ_I ^* ，Ｔ_iI ^(c) ) ｝^m _i=1 …（６） 但し、Ｃ_I ＝定数で、通常は１とすることができる。又
ｉは１〜ｍ、Ｉは１〜Ｎ−１の範囲を示す。

【００７２】入力パターンから求めた特徴集合と、文字
認識用辞書に格納された特徴集合とについて、前述の
（６）式による巾空間類似度を計算し、最大の類似度と
なる手本パターンのカテゴリー名を、入力パターンのカ
テゴリー名と判定するものである。

【００７３】例えば、未知のカテゴリー名の入力パター
ンＰＸ１，ＰＸ２について、図１６に示すパターン認識
用の辞書を用いて認識する場合、入力パターンＰＸ１，
ＰＸ２の特徴ベクトルＶＸ１，ＶＸ２が、 ＶＸ１＝（６，８８８，９９９９，−５５，７７，−４
４４） ＶＸ２＝（２５，１６，３４，６１，５２，４３） であるとすると、入力パターンＰＸ１の特徴ベクトルＶ
Ｘ１から作成される特徴集合は、｛３｝，｛２，３｝，
｛２，３，５｝，｛１，２，３，５｝，｛１，２，３，
４，５｝となり、入力パターンＰＸ２の特徴ベクトルＶ
Ｘ２から作成される特徴集合は、｛４｝，｛４，５｝，
｛４，５，６｝，｛３，４，５，６｝，｛１，３，４，
５，６｝となる。

【００７４】入力パターンＰＸ１の特徴集合と、図１６
の辞書の特徴集合とをみると、入力パターンＰＸ１の特
徴集合｛３｝はカテゴリー名Ａ，Ｂにリンクし、｛２，
３｝はＡ、｛２，３，５｝は何れにもリンクしていな
い。又｛１，２，３，５｝はＡ、｛１，２，３，４，
５｝はＡにリンクしている。従って、前述のリンク１回
について１／５点を与えることとすると、入力パターン
ＰＸ１のカテゴリー名Ａとの類似度は、４／５となり、
入力パターンＰＸ１のカテゴリー名Ｂとの類似度は１／
５となる。

【００７５】同様計算して、入力パターンＰＸ２のカテ
ゴリー名Ｂとの類似度は３／５となり、入力パターンＰ
Ｘ２のカテゴリー名Ｂとの類似度は４／５となる。従っ
て、入力パターンＰＸ１はカテゴリー名Ａと認識し、入
力パターンＰＸ２はカテゴリー名Ｂと認識するが、類似
度の順に認識候補カテゴリー名を表示することも可能で
ある。

【００７６】又複数種類の類似度算出方法による類似
度、例えば、Ａ方法とＢ方法とによる類似度ＳＡ^(c) ，
ＳＢ^(c) を求め、合成した類似度Ｓ^(c) を、 Ｓ^(c) ＝（ＳＡ^(c) ＋ＳＢ^(c) ）（１／２） により求めることも可能である。又大分類，中分類，小
分類等の分類によって文字認識を行う場合、前述の認識
方法を任意の段階の分類に適用することも可能である。
これは、本発明が総てのカテゴリーについて類似度を算
出しているからであり、各種の応用が可能である。

【００７７】

【発明の効果】以上説明したように、本発明は、パター
ン入力部１から入力した文字等の入力パターンを、パタ
ーン認識処理部３に於いてパターン認識用の辞書２を参
照して認識するものであり、入力パターンの特徴集合
と、辞書２の特徴集合との類似度を求めて、最大の類似
度のカテゴリー名を入力パターンのカテゴリー名と判定
するものであり、認識率が高いことが確認されている。
又類似度計算に於いては、辞書が特徴集合の順番に配列
し、例えば、２分割法等によってサーチすることによ
り、辞書の全部の特徴集合との間の類似度計算を行うこ
となく、その一部を参照すれば済むから、認識所要時間
を短縮できる利点がある。又類似度計算は、全カテゴリ
ー名に対して行うものであるから、パターン認識に於け
る大分類等に適用できる等の応用性にも優れている利点
がある。

【００７８】実際に、ドットプリンタにより、半角文字
のアルファベットの大小５２文字と、数字１０文字とを
プリントアウトし、分解能３００（ｄｐｉ；ドット／イ
ンチ）のスキャナーにより読取って、辞書作成用の手本
パターンと、認識率測定用の入力パターンとした。その
場合、辞書に使用した文字数は６２文字種×８０セット
＝４９６０文字、認識率測定用に入力した文字数は６２
文字種×４０セット＝２４８０文字とした。その結果、
辞書作成に要する時間は、パーソナルコンピュータを使
用した場合、約１３００秒、認識率は９８．７５％であ
った。この場合、大文字と小文字とが殆ど類似のパター
ンを有することにより、誤認識が生じたが、文字の大き
さの情報を入力することにより、認識率を９９．７５％
とすることができる。

【００７９】又ＪＩＳ第１水準の漢字２９６５文字種を
プリントアウトし、前述のスキャナーにより読取って辞
書作成用の手本パターン及び認識率測定用の入力パター
ンとした。その場合、認識率は、９９．７％であった。
この場合の１文字当たりの認識所要時間は約０．１４秒
であった。又０〜９及びＡ〜Ｘの手書き文字について辞
書作成及び認識率測定を行った。その場合、全文字数１
０９９４に対して、認識率は９８．８６％であった。即
ち、実用充分な認識率を得ることができた。

【００８０】又パターン認識用の辞書２は、手本パター
ンよりＮ個の特徴量を抽出して特徴ベクトルとし、その
特徴ベクトルの要素の大きいものから或いは小さいもの
から順に、１個の要素，その要素と次の要素との２個，
その２個の要素と更に次の要素との３個というように、
Ｎ−１個の組合せを特徴集合とし、手本パターンのカテ
ゴリー名と対応させてメモリに格納するものであり、一
つの特徴集合に複数のカテゴリー名を対応させることが
できるので、手本パターン及びカテゴリー名が多数の場
合でも、辞書作成に要する時間は短くて済み、経済的に
辞書を作成することができる。更に、手本パターンを追
加する場合でも、辞書の一部を修正，追加すれば良いか
ら、簡単に追加することができる利点がある。

【図面の簡単な説明】

【図１】本発明の原理説明図である。

【図２】本発明の実施例の特徴ベクトル抽出説明図であ
る。

【図３】特徴ベクトルの概要説明図である。

【図４】本発明の実施例の辞書作成のフローチャートで
ある。

【図５】本発明の実施例の辞書作成のフローチャートで
ある。

【図６】本発明の実施例の特徴ベクトル作成のフローチ
ャートである。

【図７】本発明の実施例の重みづけ処理のフローチャー
トである。

【図８】本発明の実施例の重みづけ処理のフローチャー
トである。

【図９】本発明の実施例の重みづけ処理のフローチャー
トである。

【図１０】本発明の実施例の重みづけ処理のフローチャ
ートである。

【図１１】本発明の実施例の重みづけ処理のフローチャ
ートである。

【図１２】入力パターンの説明図である。

【図１３】重みづけ処理後のパターンデータ説明図であ
る。

【図１４】本発明の実施例の分割領域内の計測処理のフ
ローチャートである。

【図１５】本発明の実施例の分割領域内の計測処理のフ
ローチャートである。

【図１６】本発明の実施例のパターン認識用の辞書の説
明図である。

【図１７】本発明の実施例の辞書データの説明図であ
る。

【図１８】本発明の実施例の入力パターン認識処理のフ
ローチャートである。

【図１９】本発明の実施例の入力パターン認識処理のフ
ローチャートである。

【図２０】本発明の実施例の辞書サーチ処理のフローチ
ャートである。

【図２１】本発明の実施例の辞書サーチ処理のフローチ
ャートである。

【符号の説明】

１ パターン入力部 ２ パターン認識用の辞書 ３ パターン認識処理部

フロントページの続き (58)調査した分野(Int.Cl.⁶，ＤＢ名) G06K 9/46 G06K 9/62 G06T 7/00

Claims (5)

(57)【特許請求の範囲】
1. 【請求項１】 パターン入力部（１）からの入力パター
   ンを、辞書（２）を参照してパターン認識処理部（３）
   により認識するパターン認識方法に於いて、 前記辞書（２）は、手本パターン対応にＮ個の要素から
   なる特徴ベクトルを求め、該特徴ベクトルのＮ個の要素
   の上位又は下位から順に選択組合せを行って、１個〜
   （Ｎ−１）個の要素からなる特徴集合を形成し、該特徴
   集合と文字名，数字名，各種パターン名等のカテゴリー
   名とを対応させた構成を有し、 前記パターン認識処理部（３）は、前記パターン入力部
   （１）からの入力パターンについて、Ｎ個の要素からな
   る特徴ベクトルを求め、該特徴ベクトルのＮ個の要素の
   上位又は下位から順に選択組合せを行って、１個〜（Ｎ
   −１）個の要素からなる特徴集合を形成した後、該特徴
   集合と前記辞書（２）の特徴集合との類似度を前記カテ
   ゴリー名対応に求め、該類似度が最大となるカテゴリー
   名を、前記入力パターンのカテゴリー名と判定すること
   を特徴とするパターン認識方法。
2. 【請求項２】 パターンを格納したメモリ或いはパター
   ンの走査読取りを行うパターン入力部（１）と、 文字名，数字名，各種パターン名等のカテゴリー名のそ
   れぞれに対して単一又は複数の手本パターンを基に、各
   手本パターン対応にＮ個の要素からなる特徴ベクトルを
   求め、該特徴ベクトルの複数のＮ個の上位又は下位から
   順に選択組合せを行って、１個〜（Ｎ−１）個の要素か
   らなる特徴集合を形成し、該特徴集合と前記カテゴリー
   名とを対応させてメモリに格納したパターン認識用の辞
   書（２）と、 前記パターン入力部（１）からの入力パターンについ
   て、Ｎ個の要素からなる特徴ベクトルを求め、該特徴ベ
   クトルのＮ個の要素の上位又は下位から順に選択組合せ
   を行って、１個〜（Ｎ−１）個の要素からなる特徴集合
   を形成し、該特徴集合と、前記辞書（２）の特徴集合と
   の類似度を前記カテゴリー名対応に求め、該類似度が最
   大となるカテゴリー名を、前記パターン入力部（１）か
   らの入力パターンのカテゴリー名と判定するパターン認
   識処理部（３）とを備えたことを特徴とするパターン認
   識装置。
3. 【請求項３】 パターン入力部（１）からの入力パター
   ンをパターン認識処理部（３）により認識する為の辞書
   （２）を作成する方法に於いて、 手本パターンよりＮ個の要素からなる特徴ベクトルを求
   め、該特徴ベクトルのＮ個の要素の中の上位又は下位か
   ら順に、該上位又は下位の要素を含めて１個〜（Ｎ−
   １）個の要素の組合せからなる特徴集合を形成し、該特
   徴集合と前記手本パターンのカテゴリー名とを対応させ
   てメモリに格納する処理を含むことを特徴とするパター
   ン認識用の辞書作成方法。
4. 【請求項４】 パターン入力部（１）からの入力パター
   ンをパターン認識処理部（３）により認識する為の辞書
   （２）を作成する方法に於いて、 手本パターンの認識対象領域をＮ個の等面積に分割し、
   該Ｎ個の分割領域に領域番号を付与し、該Ｎ個の分割領
   域内のドット数の合計を求め、該合計の値が大きい順に
   前記領域番号を配列して特徴ベクトルとし、該特徴ベク
   トルのＮ個の要素を構成する前記領域番号を、上位又は
   下位から順に、該上位又は下位の要素を含めて１個〜
   （Ｎ−１）個の要素の組合せから特徴集合を形成し、該
   特徴集合と前記手本パターンのカテゴリー名とを対応さ
   せてメモリに格納する処理を含むことを特徴とするパタ
   ーン認識用の辞書作成方法。
5. 【請求項５】 パターン入力部（１）からの入力パター
   ンをパターン認識処理部（３）により認識する為の辞書
   （２）を作成する方法に於いて、 手本パターンの認識対象領域を、それぞれドット数の合
   計が同一となるようにＮ個に分割して領域番号を付与
   し、該Ｎ個の分割領域の面積が大きい順に前記領域番号
   を配列して特徴ベクトルとし、該特徴ベクトルのＮ個の
   要素を構成する前記領域番号を、上位又は下位から順
   に、該上位又は下位の要素を含めて１個〜（Ｎ−１）個
   の要素の組合せからなる特徴集合を形成し、該特徴集合
   と前記手本パターンのカテゴリー名とを対応させてメモ
   リに格納する処理を含むことを特徴とするパターン認識
   用の辞書作成方法。