JP3569138B2 - 単語認識装置および方法 - Google Patents

Description

【０００１】
【発明の属する技術分野】
本発明は、パターン列を一括して認識するパターン認識に係り、特に、単語を一括して認識する単語認識装置とその方法に関する。
【０００２】
【従来の技術および発明が解決しようとする課題】
従来の単語認識方法は、文字切り出しの観点から次の３つの方法に分類できる。
【０００３】
第１の方法は、画像特徴を利用して単語を１文字単位に切り出し、切り出された文字を個別に文字認識する方法である。主な画像特徴としては、文字間の空白やピッチ、画像を文字列方向と垂直な方向に射影して得られるヒストグラム、画素の連結成分の外接矩形、、画像の上部輪郭および下部輪郭の凹凸等がある。
【０００４】
第２の方法は、切り出し仮説を複数個立て、それぞれの仮説を文字認識結果によって検定する方法である。切り出し仮説は、観測窓を画像内で動かして得る場合と、上述の画像特徴を利用して得る場合とがある。また、検定には、全体の整合性をとるために、動的計画法（Ｄｙｎａｍｉｃ Ｐｒｏｇｒａｍｍｉｎｇ ，ＤＰ）を用いることが多い。
【０００５】
しかしながら、制約のない状態で書かれた手書き文字列の場合、文字間ピッチは一定ではなく、切断すべき部分の画像特徴が極めて多様であるため、切り出しがうまくいかないという問題がある。観測窓でサーチする場合でも、文字の大きさやピッチが一定でないため、固定の窓では処理しきれないし、窓の大きさを可変にすれば、処理時間が膨大になる。
【０００６】
さらに、切断すべき部分の画像特徴は、漢字、ひらがな、英字、数字のそれぞれの字種に固有であるから、印刷文字の単語においても、それらの字種が混合した場合、接触文字分離の際に同様の問題が生じる。
【０００７】
第３の方法は、単語を文字単位に切り出すことなく、単語そのものを一括して認識する方法である。この方法は、文字の切り出しという困難な問題を回避できるものの、個別文字を認識する場合に比べて、認識辞書に登録すべき候補の数が飛躍的に増加するという問題がある。実際には、メモリの量的制約に基づいて認識辞書のサイズを実用的な範囲に抑えるために、限られた個数内の単語しか認識辞書に登録できず、用途が制限される。
【０００８】
本発明の課題は、認識可能な単語の範囲をできるだけ制限することなく、単語を一括して認識する単語認識装置とその方法を提供することである。
【０００９】
【課題を解決するための手段】
図１は、本発明の単語認識装置の原理図である。図１の単語認識装置は、リスト手段１、辞書手段２、生成手段３、および照合手段４を備える。また、図１には示されていないが、本発明の単語認識装置は入力手段と抽出手段をも備えている。
【００１０】
入力手段は、認識対象として１つ以上の文字からなる単語の文字画像を入力する。抽出手段は、入力された文字画像から特徴量を抽出する。リスト手段１は、１つ以上の文字からなる単語のリストを１つ以上格納し、辞書手段２は、少なくとも上記リストに含まれる単語を構成する個々の文字の特徴量を格納する。生成手段３は、上記リストの中から認識候補となる単語が選択される毎に、辞書手段２に格納された上記認識候補となる単語を構成する各文字の特徴量を用いて、上記認識候補となる単語の特徴量を生成する。そして、照合手段４は、生成手段３によって生成された特徴量を、上記抽出手段で抽出された特徴量と照合し、認識結果を出力する。
【００１１】
リスト手段１が格納するリストには、１つ以上の文字からなる単語が登録されており、辞書手段２には、それらの単語を構成する個別文字の特徴量が登録されている。生成手段３は、リスト手段１のリストの中から認識候補となる単語が選択される毎に、その単語を構成する各文字の特徴量を辞書手段２から取り出して、その単語の特徴量を合成する。照合手段４は、生成手段３が合成した単語の特徴量を、上記抽出手段で抽出した特徴量と照合し、２つの特徴量の類似度等を求めて、それを認識結果として出力する。
【００１２】
このように、あらかじめ多数の単語の特徴量を登録した単語辞書を用意するのではなく、認識処理の過程で候補となる単語が選択される毎に、その単語のみについて特徴量を生成することで、使用するメモリ量を削減することができる。また、リストには単語の特徴量を登録する必要がないので、多数の単語を登録することができ、それらの単語の特徴量を随時生成することができる。このため、従来の単語辞書のように、単語の範囲が制限されることはない。
【００１３】
例えば、図１のリスト手段１、辞書手段２、生成手段３、および照合手段４は、それぞれ、後述する図２の単語リスト１４、個別文字辞書１５、特徴生成部１３、および特徴照合部１２に対応する。
【００１４】
【発明の実施の形態】
以下、図面を参照しながら、本発明の実施の形態を詳細に説明する。以下の説明では、簡潔な記述を行うため、認識対象の画像に含まれる文字列が横書きである場合を想定している。したがって、文字の連結方向は横方向であり、単語も横書きである。しかしながら、本発明は、文字列が縦書きで文字の連結方向が縦方向である場合にも、同様に適用することができる。
【００１５】
本実施形態の単語認識装置は、認識候補となる単語が選択される毎に、個別文字の特徴量が登録されている辞書から上記認識候補となる単語の特徴量を生成し、単語を一括認識する。このような単語認識装置を実現する際のキーとなるポイントは、単語画像から得られる特徴量と単語を構成する各文字の特徴量の合成結果とが一致するように、特徴量および特徴量の合成方法を決定することである。
【００１６】
個別文字の辞書には、各文字の特徴量が登録されており、複数の文字の特徴量を合成することにより、対応する単語の特徴量が生成される。今、文字Ａと文字Ｂとからなる単語Ｘ（＝“ＡＢ”）を考え、文字Ａ、文字Ｂ、および単語Ｘの画像をそれぞれ画像ａ、画像ｂ、画像ｘとし、それらの画像から得られる特徴量をそれぞれα、β、χとする。
【００１７】
このとき、個々の文字の特徴量から単語の特徴量を生成するためには、２つの特徴量間にある合成演算ｆが定義され、χ＝ｆ（α，β）が成り立たなくてはならない。このような条件が成り立つことを、演算ｆは画像の通常の合成に関して可換であるということにする。
【００１８】
ところで、従来より用いられている文字および単語の特徴量には、文字位置のずれや字体の変形を救済するために、ぼかし処理が加えられている。ぼかし処理は、画像をある決められた個数でメッシュ分割し、得られた各小領域における方向指数（ｄｉｒｅｃｔｉｏｎ ｃｏｄｅ）ヒストグラムを周囲の小領域のそれに重み付き加算する処理である。このぼかし処理により、１つの小領域の情報に周囲の小領域の情報が取り入れられるため、文字のずれや変形を吸収することができる。
【００１９】
しかしながら、このようなぼかし処理を単語に適用した場合、２つの文字の境界で一方の文字の方向指数ヒストグラムが他方のそれに重み付き加算されるため、可換な合成演算ｆは簡単には見つからない。
【００２０】
そこで、本実施形態では、各小領域における方向指数ヒストグラムに対して、文字の連結方向に垂直な縦方向には従来と同様のガウス分布等によるぼかし処理を施し、文字の連結方向である横方向にはぼかし処理を施さないで、特徴量を生成する。
【００２１】
横書き単語にこのような特徴量を用いた場合、２つの文字の境界で一方の文字の方向指数ヒストグラムが他方のそれに重み付き加算されることがなく、可換な合成演算ｆは、単純に２つの文字の特徴量を並べる操作で与えられる。ただし、このままでは横方向の文字のずれや変形が考慮されないため、画像と認識候補の間の距離計算時にＤＰマッチングを用いて認識精度の向上を図る。
【００２２】
また、従来の文字の特徴量は画像を一定数のメッシュで分割することにより得られるが、同様のメッシュ分割を複数の文字が連なる単語にそのまま適用した場合、単語に含まれる文字数が増えれば、それだけ相対的にメッシュは粗くなる。このため、メッシュの解像度が相対的に低くなり、認識精度に悪影響を与える。
【００２３】
そこで、本実施形態では、単語の長さに応じてメッシュの個数を可変にする。横書きの単語の場合、文字数が増えても、画像の縦の長さは大きく変わらないので、画像の縦の長さを一定数で割り、得られた商を基本メッシュの大きさと決定する。そして、その大きさに基づいて縦横にメッシュ分割を行う。この場合、画像の横の長さに応じて横方向のメッシュ数は変化するが、距離計算でＤＰマッチングを用いるので、メッシュ数の変化による不確定性は吸収される。
【００２４】
縦書きの単語の特徴量については、上述した横書きの単語の特徴量の説明において、縦と横を入れ替えればよい。
図２は、本実施形態の単語認識装置の構成図である。図２の単語認識装置は、特徴抽出部１１、特徴照合部１２、特徴生成部１３、単語リスト１４、および個別文字辞書１５を備える。
【００２５】
特徴抽出部１１は、与えられた画像から特徴量を抽出し、特徴生成部１３は、個別文字辞書１５に登録された文字の特徴量を用いて、単語リスト１４に登録された認識候補の単語の特徴量を合成する。特徴照合部１２は、特徴生成部１３が生成した単語の特徴量を単語辞書として用いて、特徴抽出部１１が抽出した特徴量を、各単語の特徴量と比較する。そして、最も類似した特徴量を持つ単語を認識結果の第１候補として出力する。
【００２６】
このとき、単語リスト１４は、認識対象の画像が表す単語を含んでいることが望ましいが、単語の数が多過ぎると処理が煩雑になる可能性がある。そこで、あらかじめいくつかの単語リスト１４を用意しておき、特徴生成部１３は、直前の画像の認識結果に応じて、認識対象の単語を含んでいる可能性の高い単語リスト１４を推定し、その単語リスト１４を用いる。
【００２７】
例えば、多数の手紙に書かれた住所の画像を処理する場合、直前の認識結果が“都”、“道”、“府”、または“県”で終わっていれば、次に市町村名が現れる可能性が高いと判断し、市町村名を含む単語リスト１４を選択して、単語の特徴量を合成する。
【００２８】
次に、図３から図９までを参照しながら、特徴抽出部１１の処理について説明する。図３は、特徴抽出部１１の処理のフローチャートである。この処理は、「加重方向指数ヒストグラム法による手書き漢字・ひらがな認識（Ｈａｎｄｗｒｉｔｔｅｎ “ＫＡＮＪＩ” ａｎｄ“ＨＩＲＡＧＡＮＡ”Ｃｈａｒａｃｔｅｒ Ｒｅｃｏｇｎｉｔｉｏｎ Ｕｓｉｎｇ Ｗｅｉｇｈｔｅｄ Ｄｉｒｅｃｔｉｏｎ Ｉｎｄｅｘ Ｈｉｓｔｏｇｒａｍ Ｍｅｔｈｏｄ ）」（鶴岡 信治ほか，電子情報通信学会論文誌 Ｄ，Ｖｏｌ．Ｊ７０−Ｄ，Ｎｏ．７，ｐｐ．１３９０−１３９７，１９８７年７月．）に記載された処理を参考にして、新たな変更を加えたものである。
【００２９】
まず、特徴抽出部１１は、認識対象の画像を入力し（ステップＳ１）、方向指数ベクトル場を作成する（ステップＳ２）。次に、画像の基本メッシュ分割を行って方向指数ヒストグラムベクトル場を作成し（ステップＳ３）、１次元ガウス分布関数による縦方向のぼけ変換を行う（ステップＳ４）。そして、方向指数ヒストグラムベクトル場のベクトルを圧縮して（ステップＳ５）、特徴量を抽出し、処理を終了する。
【００３０】
ステップＳ２において、特徴抽出部１１は、まず、入力画像について８連結の輪郭追跡を行い、その結果得られる輪郭点系列を｛Ｃｉ｝とする。ここで、Ｃｉは、画像に含まれるパターンの輪郭上の画素に対応する。次に、輪郭点Ｃｉにおける８方向の方向指数ｄｉを、その１つ後の輪郭点Ｃｉ＋１の位置に基づいて決定する。
【００３１】
図４は、輪郭点Ｃｉを中心とした場合の輪郭点Ｃｉ＋１の位置と方向指数の関係を示している。例えば、Ｃｉ＋１がＣｉの右にあればｄｉ＝１となり、Ｃｉ＋１がＣｉの右上にあればｄｉ＝３となり、Ｃｉ＋１がＣｉの上にあればｄｉ＝５となる。
【００３２】
次に、Ｃｉにおける方向指数ｄｉと、Ｃｉの１つ前の輪郭点Ｃｉ−１における方向指数ｄｉ−１との平均を取ることで、図５に示すような、Ｃｉにおける１６方向の方向指数Ｄｉを得る。
【００３３】
例えば、Ｃｉ−１、Ｃｉ、およびＣｉ＋１が図６に示すような位置関係にある場合、ＣｉはＣｉ−１の下にあるので、ｄｉ−１＝１３となり、Ｃｉ＋１はＣｉの左下にあるので、ｄｉ＝１１となる。したがって、１６方向の方向指数Ｄｉは、（（ｄｉ−１）＋ｄｉ）／２＝１２となる。この方向指数は、方向指数１３の方向と方向指数１１の方向の中間の方向を表している。一般に、方向指数Ｄｉが奇数の場合は、図４に示した８つの方向のいずれかを表し、偶数の場合は、それらのうち隣接する２つ方向の中間の方向を表す。
【００３４】
次に、画像の各点（画素）に対して、１６値ベクトルを割り当てる。ここでは、輪郭点以外の点には、１６個の成分がすべて０のベクトルを割り当て、輪郭点Ｃｉには、Ｄｉ番目の成分が１でそれ以外の成分がすべて０のベクトルを割り当てる。これらの１６値ベクトルからなるベクトル場は、方向指数ベクトル場と呼ばれる。
【００３５】
例えば、図６の輪郭点Ｃｉにおける方向指数ベクトルは、
（０，０，０，０，０，０，０，０，０，０，０，１，０，０，０，０）
となる。
【００３６】
また、ステップＳ３において、特徴抽出部１１は、まず、画像の縦方向の長さｙをあらかじめ決められた整数Ｍで割り、その商Ｌを基本メッシュの大きさとする。そして、画像の横方向の長さｘをＬで割った商をｎとして、画像全体をＭ×ｎのメッシュで分割する。このようなメッシュ分割によれば、横方向の長さに応じてメッシュの数が変化し、常に一定の大きさのメッシュを得ることができる。
【００３７】
次に、得られた各メッシュにおいて、方向指数Ｄｉのヒストグラムを作成する。ただし、ヒストグラムの重み係数はすべて１とする。このヒストグラムは、メッシュ内に含まれる点の方向指数ベクトルを加算することにより生成され、１６値ベクトルで表される。そこで、これを方向指数ヒストグラムベクトルと呼ぶことにし、すべてのメッシュの方向指数ヒストグラムベクトルからなるベクトル場を、方向指数ヒストグラムベクトル場と呼ぶことにする。例えば、
（１，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０）
（０，０，０，０，０，０，０，０，０，０，０，１，０，０，０，０）
（０，０，０，０，０，０，０，０，０，０，０，１，０，０，０，０）
（０，０，０，０，０，０，０，０，０，０，０，１，０，０，０，０）
のような４つの方向指数ベクトルからは、次のような方向指数ヒストグラムベクトルが得られる。
（１，０，０，０，０，０，０，０，０，０，０，３，０，０，０，０）
また、ステップＳ４において、特徴抽出部１１は、縦方向のみについて、１次元ガウス分布関数を重み係数として用いたぼけ変換を行う。ここでは、例えば、図７に示すような５つの重み係数からなる１次元ガウス分布型フィルタを生成し、それを縦方向に並んだ５つのメッシュの方向指数ヒストグラムベクトルに適用する。
【００３８】
これにより、５つの方向指数ヒストグラムベクトルの各成分がガウス分布に従って重み付き加算され、新たな方向指数ヒストグラムベクトルが生成される。そして、中心位置のメッシュの方向指数ヒストグラムベクトルは、生成された方向指数ヒストグラムベクトルにより更新される。
【００３９】
このように、１次元ガウス分布型フィルタを用いて縦方向にのみぼけ変換を行うことで、縦方向の文字のずれや変形を吸収することができる。一方、文字の連結方向である横方向については、方向指数ヒストグラムベクトルが重み付き加算されず、２つの文字の境界で特徴が混ざり合うことがない。したがって、上述の可換な合成演算ｆを、後述するように簡単に定義することができる。
【００４０】
ここで、ｍ＜Ｍとなるような整数ｍをあらかじめ決めておき、縦方向のＭ個のメッシュの中からｍ個のメッシュをフィルタの中心位置として選べば、Ｍ×ｎの方向指数ヒストグラムベクトル場を、ｍ×ｎの方向指数ヒストグラムベクトル場に空間情報圧縮することができる。
【００４１】
例えば、Ｍ＝１３およびｎ＝１３の場合、画像は、図８に示すような１３×１３のメッシュに分割される。ここで、ｍ＝７とし、○印の付いたメッシュをフィルタの中心位置として選べば、１３×１３の方向指数ヒストグラムベクトル場は７×１３の方向指数ヒストグラムベクトル場に空間情報圧縮される。
【００４２】
また、ステップＳ５において、特徴抽出部１１は、方向指数ヒストグラムベクトル場のベクトルを、方向圧縮する。まず、方向指数ヒストグラムベクトルの１６個の成分のうち、方向指数１、３、５、７、９、１１、１３、および１５に対応する各成分の値に、その前後の成分の値を０．５倍して加算する。そして、方向指数２、４、６、８、１０、１２、１４、および１６に対応する各成分を削除して、１６値ベクトルから８値ベクトルへ圧縮する。残された８個の成分は、図４に示した８つの方向に対応している。
【００４３】
次に、８値ベクトルの成分のうち、互いに反対の向きに対応する２つの方向を同一視して、方向指数１、３、５、および７に対応する各成分の値に、それぞれ方向指数９、１１、１３、および１５に対応する各成分の値を加算する。こうして、８値ベクトルは４値ベクトルへ圧縮される。こうして、ｍ×ｎ個の４値ベクトルからなる方向指数ヒストグラムベクトル場が得られる。
【００４４】
ここで、横方向に並んだｎ個の４値ベクトルを方向指数ヒストグラム系列と呼ぶことにすると、ｍ個の方向指数ヒストグラム系列が得られたことになる。特徴抽出部１１は、これらのｍ個の方向指数ヒストグラム系列を、画像の特徴量として出力する。
【００４５】
例えば、図８のような空間情報圧縮に基づいて生成された方向指数ヒストグラムベクトル場の場合、図９に示すような７個の方向指数ヒストグラム系列が得られる。図９において、ａｉｊ（ｉ＝１，２，．．．，７，ｊ＝１，２，．．．，１３）は４値ベクトルを表し、νｉ（ｉ＝１，２，．．．，７）は方向指数ヒストグラム系列を表す。
【００４６】
次に、特徴生成部１３による単語辞書の生成処理について説明する。今、単語リスト１４としてＩ個の単語リストδ１，δ２，．．．，δＩが用意されており、ｉ番目の単語リストδｉには、各単語のＩＤと、その単語を構成する各文字のＩＤのみが記されているものとする。ただし、各文字のＩＤは、個別文字辞書１５にも登録されており、単語の特徴量を生成する際に参照されるものとする。
【００４７】
特徴照合部１２により処理対象の単語リストδｉが指定されると、特徴生成部１３は、その中に含まれる各単語について、記されている構成文字のＩＤに基づいて個別文字辞書１５を参照し、単語の特徴量を生成する。
【００４８】
ここで、単語ｗを構成する文字をｃ１，ｃ２，．．．，ｃＫとし、ｉ番目の文字ｃｉの特徴量をΛｉとする。各文字の特徴量は、あらかじめ上述した特徴量抽出と同様の処理により生成され、ＩＤとともに個別文字辞書１５に格納されている。このとき、単語ｗの特徴量Λｗを、Λｗ＝ΣΛｉにより定義する。ここで、ΣΛｉはＫ個の特徴量Λ１，Λ２，．．．，ΛＫの総和を表し、２つの特徴量Λ１、Λ２の和Λ１＋Λ２は、次のような合成演算により定義される。
【００４９】
今、Λ１、Λ２を、それぞれｍ個の方向指数ヒストグラム系列λ１ｉ、λ２ｉ（ｉ＝１，２，．．．，ｍ）を用いて、Λ１＝（λ１１，λ１２，．．．，λ１ｍ），Λ２＝（λ２１，λ２２，．．．，λ２ｍ）のように書くことにする。このとき、Λ１＋Λ２は、ｍ個の方向指数ヒストグラム系列λ１ｉλ２ｉを用いて、（λ１１λ２１，λ１２λ２２，．．．，λ１ｍλ２ｍ）と表される。
【００５０】
ここで、λ１ｉλ２ｉは、方向指数ヒストグラム系列λ１ｉの後に方向指数ヒストグラム系列λ２ｉをそのまま付加して生成される新たな方向指数ヒストグラム系列を表す。λ１ｉ、λ２ｉがそれぞれｎ個の４値ベクトルからなる場合、λ１ｉλ２ｉは２ｎ個の４値ベクトルからなる。
【００５１】
例えば、ｍ＝７、ｎ＝１３とすると、特徴量Λ１、Λ２、およびΛ１＋Λ２は、図１０のようになる。図１０において、Λ１の方向指数ヒストグラム系列λ１ｉ（ｉ＝１，２，．．．，７）は、１３個の４値ベクトルａｉｊ（ｊ＝１，２，．．．，１３）からなり、Λ２の方向指数ヒストグラム系列λ２ｉ（ｉ＝１，２，．．．，７）は、１３個の４値ベクトルｂｉｊ（ｊ＝１，２，．．．，１３）からなる。
【００５２】
また、Λ１＋Λ２はΛ１とΛ２をそのまま横方向に並べて生成され、その方向指数ヒストグラム系列λ１ｉλ２ｉ（ｉ＝１，２，．．．，７）は、２６個の４値ベクトルｃｉｊ（ｊ＝１，２，．．．，２６）からなる。ｃｉ１〜ｃｉ１３はａｉ１〜ａｉ１３に一致し、ｃｉ１４〜ｃｉ２６はｂｉ１〜ｂｉ１３に一致する。言い換えれば、ｊ＝１，２，．．．，１３についてはｃｉｊ＝ａｉｊであり、ｊ＝１４，１５，．．．，２６についてはｃｉｊ＝ｂｉ（ｊ−１３）である。
【００５３】
次に、図１１から図１３までを参照しながら、特徴照合部１２の処理について説明する。図１１は、特徴照合部１２および特徴生成部１３の処理のフローチャートである。ここでは、照合に用いられる単語リスト１４には、０番目からＳ−１番目までのＳ個の単語が含まれているものとする。
【００５４】
まず、特徴照合部１２は、制御変数ｉを初期値０に設定し（ステップＳ１１）、単語リスト１４に含まれる単語の総数Ｓとｉを比較する（ステップＳ１２）。そして、ｉがＳより小さければ、特徴生成部１３にｉ番目の単語の特徴量を生成するよう依頼する。
【００５５】
この依頼を受けて、特徴生成部１３は、単語リスト１４にアクセスし（ステップＳ１３）、上述したような処理を行って、個別文字辞書の特徴量からｉ番目の単語の特徴量を生成する（ステップＳ１４）。そして、生成された単語の特徴量を特徴照合部１２に出力する。
【００５６】
次に、特徴照合部１２は、特徴抽出部１１から入力された画像の特徴量と特徴照合部１２から入力されたｉ番目の単語の特徴量をメモリ上で照合し、２つの特徴量の距離（類似度）を計算する（ステップＳ１５）。
【００５７】
次に、ｉ番目の単語の特徴量が保持されているメモリ領域を解放し（ステップＳ１６）、ｉを１だけインクリメントして（ステップＳ１７）、ステップＳ１２以降の処理を繰り返す。ステップＳ１６でメモリ領域がフリーになっているため、ｉ＋１番目の単語の特徴量を同じ領域に書き込むことができ、使用するメモリ量を節約できる。そして、ステップＳ１２においてｉがＳに達すると、処理を終了する。
【００５８】
ステップＳ１５において、特徴照合部１２は、横方向の文字のずれや変形を吸収するために、次のような距離計算を行う。まず、入力画像の特徴量をＮ＝（ν１，ν２，．．．，νｍ）とし、比較対象となる単語の特徴量をΛ＝（λ１，λ２，．．．，λｍ）とする。ただし、νｉ、λｉ（ｉ＝１，２，．．．，ｍ）は、図９に示したような方向指数ヒストグラム系列である。このとき、２つの特徴量ΝとΛの距離Ｄ（Ｎ，Λ）は、
Ｄ（Ｎ，Λ）＝ΣＤ（νｉ，λｉ） （１）
と表される。ここで、ΣＤ（νｉ，λｉ）は、２つの方向指数ヒストグラム系列νｉとλｉの距離Ｄ（νｉ，λｉ）のｉに関する総和である。
【００５９】
上述したように、方向指数ヒストグラム系列は４値ベクトルの系列であるから、それをベクトルの成分毎に分解して考えると、方向指数ヒストグラム系列は４つの数値系列とみなすことができる。そこで、方向指数ヒストグラム系列νｉのｊ番目の数値系列をνｉ（ｊ）（ｊ＝１，２，３，４）と書くことにすると、
νｉ＝（νｉ（１），νｉ（２），νｉ（３），νｉ（４）），
λｉ＝（λｉ（１），λｉ（２），λｉ（３），λｉ（４）） （２）
と表される。このとき、Ｄ（νｉ，λｉ）は、
Ｄ（νｉ，λｉ）＝ΣＤ（νｉ（ｊ），λｉ（ｊ）） （３）
と表される。ここで、ΣＤ（νｉ（ｊ），λｉ（ｊ））は、２つの数値系列νｉ（ｊ）とλｉ（ｊ）の距離Ｄ（νｉ（ｊ），λｉ（ｊ））のｊに関する総和である。そして、距離Ｄ（νｉ（ｊ），λｉ（ｊ））は、動的計画法（Ｄｙｎａｍｉｃ Ｐｒｏｇｒａｍｍｉｎｇ ，ＤＰ）により計算することができる。
【００６０】
ＤＰマッチングは、音声等の時系列データのマッチング方法としてよく知られている。この方法では、２つのデータの集合を照合する際に、データの局所的な特徴に注目して、全体的な対応付けの良否を表す評価関数が定義される。ここでは、この評価関数の値から２つのデータの距離が計算される。
【００６１】
図１２は、ｎ個の数値からなる数値系列｛ｘ１，ｘ２，．．．，ｘｎ｝と、ｐ個の数値からなる数値系列｛ｙ１，ｙ２，．．．，ｙｐ｝のＤＰマッチングの方法を示している。
【００６２】
ここでは、ｘｙ座標平面において、ｘ軸上に数値系列｛ｘ１，ｘ２，．．．，ｘｎ｝を並べ、ｙ軸上に数値系列｛ｙ１，ｙ２，．．．，ｙｐ｝を並べて、２つの数値系列の対応関係を平面上の複数の点で表す。そして、点（ｘ１，ｙ１）を始点として、計算領域Ａ内であらかじめ決められた漸化式に従って評価関数ｇ（ｘｉ，ｙｊ）を順に計算しながら、２つの数値系列の点同士を対応付けていく。そして、最終的に得られたｇ（ｘｎ，ｙｐ）から２つの数値系列の距離を求める。
【００６３】
図１３は、ＤＰマッチングの過程において、既に求められたｇ（ｘｉ−１，ｙｊ）、ｇ（ｘｉ−１，ｙｊ−１）、およびｇ（ｘｉ−１，ｙｊ−１）からｇ（ｘｉ，ｙｊ）を求める計算を示している。ここでは、例えば、次のような漸化式が用いられる。

ここで、ｇ（ｘｉ，ｙｊ）は、部分数値系列｛ｘ１，ｘ２，．．．，ｘｉ｝を部分数値系列｛ｙ１，ｙ２，．．．，ｙｊ｝に対応付けた時点における評価関数の値を表す。また、ｄ（ｘｉ，ｙｊ）は、数値ｘｉと数値ｙｊを対応付けたときの距離を表し、例えば、次式により与えられる。
ｄ（ｘｉ，ｙｊ）＝｜ｘｉ−ｙｊ｜ （５）
また、ｍｉｎ｛｝は｛｝内の３つの要素のうちの最小値を表す。こうして、（４）式により、ｇ（ｘｉ，ｙｊ）を最小にするような部分数値系列｛ｘ１，ｘ２，．．．，ｘｉ｝と｛ｙ１，ｙ２，．．．，ｙｊ｝の対応付けが採用され、ｇ（ｘｉ，ｙｊ）が記憶される。
【００６４】
このような計算を繰り返すことで、最終的に数値系列｛ｘ１，ｘ２，．．．，ｘｎ｝と｛ｙ１，ｙ２，．．．，ｙｐ｝が対応付けられ、ｇ（ｘｎ，ｙｐ）が求められる。そして、ｇ（ｘｎ，ｙｐ）／（ｎ＋ｐ）を２つの数値系列の間の距離とする。距離が小さいほど、２つの数値系列は類似しており、距離が大きいほど、２つの数値系列は相異している。
【００６５】
こうして、ＤＰマッチングにより距離Ｄ（νｉ（ｊ），λｉ（ｊ））を計算すれば、（１）、（３）式から２つの特徴量の距離Ｄ（Ｎ，Λ）を計算することができる。
【００６６】
ＤＰマッチングにおいては、２つの数値の組み合わせの生成方法に柔軟性があり、２つの数値系列が非線形に対応付けられる。この柔軟性を用いて画像の横方向の特徴のずれをある程度吸収することができる。このように、本実施形態では、従来のぼかし処理の効果を特徴量の距離計算におけるＤＰマッチングで代替することで、文字の連結方向のぼかし処理を施さない特徴量の使用を可能にしている。なお、特徴量の距離計算としては、ＤＰマッチングのほかにも、特徴のずれを吸収できるような任意の非線形マッチング方法を用いることができる。
【００６７】
次に、入力画像の具体例を用いて処理のフローを説明する。今、図１４のような文字列画像のうち、“川崎市”の部分の認識処理が終了し、続いて“中原”の部分が入力された場合を考える。このとき、“中原”の入力画像から特徴量が抽出され、図１５のようなフローに従って、特徴照合処理が行われる。
【００６８】
単語リスト１４には、“川崎”、“幸”、“中原”、“高津”、“宮前”、“多摩”、および“麻生”が単語として登録されており、個別文字辞書１５には、すべての文字の特徴量が登録されているものとする。
【００６９】
まず、単語リスト１４に従って、個別文字辞書１５から“川”と“崎”の特徴量が取り出され、“川崎”の特徴量が合成される（ステップＳ２１）。次に、合成された“川崎”の特徴量と入力画像の特徴量が照合され、２つの特徴量の距離が記憶される（ステップＳ２２）。そして、“川崎”の特徴量のメモリ領域が解放される（ステップＳ２３）。
【００７０】
次に、“幸”は１文字単語であるので、個別文字辞書１５から“幸”の特徴量が取り出され、解放されたメモリ領域に格納される（ステップＳ２４）。そして、“幸”の特徴量と入力画像の特徴量が照合されて、２つの特徴量の距離が記憶され（ステップＳ２５）、“幸”の特徴量のメモリ領域が解放される（ステップＳ２６）。
【００７１】
次に、個別文字辞書１５から“中”と“原”の特徴量が取り出され、解放されたメモリ領域で“中原”の特徴量が合成される（ステップＳ２７）。そして、合成された“中原”の特徴量と入力画像の特徴量が照合されて、２つの特徴量の距離が記憶され（ステップＳ２８）、“中原”の特徴量のメモリ領域が解放される（ステップＳ２９）。
【００７２】
このような照合処理が単語リスト１４のすべての単語について行われ、照合処理が終了すると、それらの単語が距離の小さいものから順に認識結果として出力される。
【００７３】
図１４、１５では、漢字からなる単語の処理が記載されているが、平仮名、片仮名、英数字、記号等を含む単語についても同様の処理が行われる。また、日本語のみならず、中国語、韓国語、英語、ドイツ語、フランス語等の任意の言語における単語認識にも同様の処理が適用される。
【００７４】
さらに、本発明は、単語認識という枠組みを越えて、１つ以上の個別パターンからなるパターン列の認識処理にも適用できる。この場合、単語リストの代わりに認識結果の候補となるパターン列を登録したリストを用意し、個別文字辞書の代わりに個別パターンの特徴量を登録した辞書を用意しておく。そして、画像の認識処理の過程で、個別パターンの辞書から動的にパターン列の特徴量を生成し、パターン列を一括認識する。
【００７５】
ところで、図２の単語認識装置は、図１６に示すような情報処理装置（コンピュータ）を用いて構成することができる。図１６の情報処理装置は、ＣＰＵ（中央処理装置）２１、メモリ２２、入力装置２３、出力装置２４、外部記憶装置２５、媒体駆動装置２６、ネットワーク接続装置２７、および光電変換装置２８を備え、それらはバス２９により互いに接続されている。
【００７６】
メモリ２２は、例えば、ＲＯＭ（ｒｅａｄ ｏｎｌｙ ｍｅｍｏｒｙ）、ＲＡＭ（ｒａｎｄｏｍ ａｃｃｅｓｓ ｍｅｍｏｒｙ）等を含み、処理に用いられるプログラムとデータを格納する。ＣＰＵ２１は、メモリ２２を利用してプログラムを実行することにより、必要な処理を行う。
【００７７】
図２の特徴抽出部１１、特徴照合部１２、および特徴生成部１３は、メモリ２２の特定のプログラムコードセグメントに格納されたソフトウェアコンポーネントに対応する。また、単語リスト１４および個別文字辞書１５は、データとしてメモリ２２の特定の領域に格納される。
【００７８】
入力装置２３は、例えば、キーボード、ポインティングデバイス、タッチパネル等であり、ユーザからの指示や情報の入力に用いられる。出力装置２４は、例えば、ディスプレイ、プリンタ、スピーカ等であり、ユーザへの問い合わせや情報の出力に用いられる。
【００７９】
外部記憶装置２５は、例えば、磁気ディスク装置、光ディスク装置、光磁気ディスク（ｍａｇｎｅｔｏ−ｏｐｔｉｃａｌ ｄｉｓｋ）装置等であり、取得された情報を格納する。この外部記憶装置２５に、上述のプログラムとデータを保存しておき、必要に応じて、それらをメモリ２２にロードして使用することもできる。
【００８０】
媒体駆動装置２６は、可搬記録媒体３０を駆動し、その記録内容にアクセスする。可搬記録媒体３０としては、メモリカード、フロッピーディスク、ＣＤ−ＲＯＭ（ｃｏｍｐａｃｔ ｄｉｓｋ ｒｅａｄ ｏｎｌｙ ｍｅｍｏｒｙ ）、光ディスク、光磁気ディスク等、任意のコンピュータ読み取り可能な記録媒体が用いられる。この可搬記録媒体３０に上述のプログラムとデータを格納しておき、必要に応じて、それらをメモリ２２にロードして使用することもできる。
【００８１】
ネットワーク接続装置２７は、ＬＡＮ（ｌｏｃａｌ ａｒｅａ ｎｅｔｗｏｒｋ）等の任意のネットワーク（回線）を介して外部の装置と通信し、通信に伴うデータ変換を行う。また、必要に応じて、上述のプログラムとデータを外部の装置から受け取り、それらをメモリ２２にロードして使用することもできる。
【００８２】
光電変換装置２８は、例えば、イメージスキャナ等であり、認識対象の画像をデジタルデータに変換して入力する。入力された画像データはメモリ２２に読み込まれ、そのデータから特徴量が抽出される。
【００８３】
図１７は、図１６の情報処理装置にプログラムとデータを供給することのできるコンピュータ読み取り可能な記録媒体を示している。可搬記録媒体３０や外部のデータベース３１に保存されたプログラムとデータは、メモリ２２にロードされる。そして、ＣＰＵ２１は、そのデータを用いてそのプログラムを実行し、必要な処理を行う。
【００８４】
【発明の効果】
本発明によれば、認識候補となる単語が選択される毎に、個別文字の特徴量が登録されている辞書から上記認識候補となる単語の特徴量を生成することにより、単語の範囲を制限することなく、単語を一括して認識することができる。したがって、任意の用途における単語認識が可能になる。
【００８５】
また、本発明では、特徴量の距離計算にＤＰマッチングのような非線形なマッチング方法を採用し、文字の連結方向におけるメッシュの区切り方を可変にしているので、単語認識においても一定の認識精度が保たれる。
【図面の簡単な説明】
【図１】本発明の単語認識装置の原理図である。
【図２】単語認識装置の構成図である。
【図３】特徴抽出部の処理のフローチャートである。
【図４】輪郭点の位置と方向指数の関係を示す図である。
【図５】１６方向の方向指数を示す図である。
【図６】１６方向の方向指数の決定方法を示す図である。
【図７】一次元ガウス分布型フィルタを示す図である。
【図８】基本メッシュ分割とマスクの中心位置を示す図である。
【図９】方向指数ヒストグラム系列を示す図である。
【図１０】特徴量の合成を示す図である。
【図１１】特徴照合部および特徴生成部の処理のフローチャートである。
【図１２】ＤＰマッチングを示す図である。
【図１３】ＤＰマッチングの過程を示す図である。
【図１４】画像の例を示す図である。
【図１５】特徴照合処理の例を示す図である。
【図１６】情報処理装置の構成図である。
【図１７】記録媒体を示す図である。
【符号の説明】
１ リスト手段
２ 辞書手段
３ 生成手段
４ 照合手段
１１ 特徴抽出部
１２ 特徴照合部
１３ 特徴生成部
１４ 単語リスト
１５ 個別文字辞書
２１ ＣＰＵ
２３ 入力装置
２４ 出力装置
２５ 外部記憶装置
２６ 媒体駆動装置
２７ ネットワーク接続装置
２８ 光電変換装置
２９ バス
３０ 可搬記録媒体
３１ データベース

Claims (10)

1. 認識対象として１つ以上の文字からなる単語の文字画像を入力する入力手段と、
   入力された文字画像から特徴量を抽出する抽出手段と、
   １つ以上の文字からなる単語のリストを１つ以上格納するリスト手段と、
   少なくとも前記リストに含まれる単語を構成する個々の文字の特徴量を格納する辞書手段と、
   前記リストの中から認識候補となる単語が選択される毎に、前記辞書手段に格納された前記認識候補となる単語を構成する各文字の特徴量を用いて、前記認識候補となる単語の特徴量を生成する生成手段と、
   前記生成手段によって生成された特徴量を、前記抽出手段で抽出された特徴量と照合し、認識結果を出力する照合手段と、
   を備えることを特徴とする単語認識装置。
2. 前記抽出手段は、前記入力手段から入力された文字画像の各小領域における輪郭線の方向指数ヒストグラムに対して文字の連結方向と垂直な方向に１次元のぼけ変換を施し、変換結果から得られた方向指数ヒストグラム系列を前記認識対象となる文字画像の特徴量として抽出する手段をさらに備えることを特徴とする請求項１記載の単語認識装置。
3. 前記抽出手段は、前記文字の連結方向と垂直な方向における前記入力された文字画像の長さをあらかじめ決められた整数で割り、得られた商を前記小領域の大きさとして用いて、該文字画像を各小領域に分割する手段をさらに備えることを特徴とする請求項２記載の単語認識装置。
4. 前記生成手段は、前記認識候補となる単語を構成する複数の文字の特徴量を合成して前記認識候補となる単語の特徴量を生成することを特徴とする請求項１記載の単語認識装置。
5. 前記生成手段は、前記認識候補となる単語を構成する各文字の特徴量に対応する方向指数ヒストグラム系列を並べて新たな方向指数ヒストグラム系列を生成し、生成された方向指数ヒストグラム系列を前記認識候補となる単語の特徴量とすることを特徴とする請求項４記載の単語認識装置。
6. 前記照合手段は、前記認識候補となる単語の特徴量と前記認識対象となる文字画像の特徴量の非線形マッチングを行い、該認識候補となる単語の特徴量と該認識対象となる文字画像の特徴量の類似度を計算することを特徴とする請求項１記載の単語認識装置。
7. 前記生成手段は、前記リスト手段に格納されている１つ以上のリストの中から、前記認識対象となる入力画像に対応する単語を含んでいる可能性の高いリストにアクセスして、前記特徴量を生成することを特徴とする請求項１記載の単語認識装置。
8. 認識対象として１つ以上のパターンからなるパターン列の画像を入力する入力手段と、
   入力されたパターン列の画像から特徴量を抽出する抽出手段と、
   １つ以上のパターンからなるパターン列のリストを１つ以上格納するリスト手段と、
   少なくとも前記リストに含まれるパターン列を構成する個々のパターンの特徴量を格納する辞書手段と、
   前記リストの中から認識候補となるパターン列が選択される毎に、前記辞書手段に格納された前記認識候補となるパターン列を構成する各パターンの特徴量を用いて、前記認識候補となるパターン列の特徴量を生成する生成手段と、
   前記生成手段によって生成された特徴量を、前記抽出手段で抽出された特徴量と照合し、認識結果を出力する照合手段と、
   を備えることを特徴とする認識装置。
9. コンピュータを、
   認識対象として１つ以上のパターンからなるパターン列の画像を入力する入力手段、
   入力されたパターン列の画像から特徴量を抽出する抽出手段、
   １つ以上のパターンからなるパターン列のリストを１つ以上格納するリスト手段、
   少なくとも前記リストに含まれるパターン列を構成する個々のパターンの特徴量を格納する辞書手段、
   前記リストの中から認識候補となるパターン列が選択される毎に、前記辞書手段に格納された前記認識候補となるパターン列を構成する各パターンの特徴量を用いて、前記認識候補となるパターン列の特徴量を生成する生成手段、
   前記生成手段によって生成された特徴量を、前記抽出手段で抽出された特徴量と照合し、認識結果を出力する照合手段、
   として機能させるためのプログラムを記録したコンピュータ読み取り可能な記録媒体。
10. 認識対象として１つ以上のパターンからなるパターン列の画像を入力する入力ステップと、
    入力されたパターン列の画像から特徴量を抽出する抽出ステップと、
    １つ以上のパターンからなるパターン列のリストを１つ以上格納するリストステップと、
    少なくとも前記リストに含まれるパターン列を構成する個々のパターンの特徴量を格納する辞書ステップと、
    前記リストの中から認識候補となるパターン列が選択される毎に、前記辞書ステップにて格納された前記認識候補となるパターン列を構成する各パターンの特徴量を用いて、前記認識候補となるパターン列の特徴量を生成する生成ステップと、
    前記生成ステップによって生成された特徴量を、前記抽出ステップで抽出された特徴量と照合し、認識結果を出力する照合ステップと、
    を備えることを特徴とする認識方法。

Images