JP3664550B2

JP3664550B2 - 文書検索方法及び装置

Info

Publication number: JP3664550B2
Application number: JP21993996A
Authority: JP
Inventors: マーク，ピアース; ジョナサン，ジェー，ハル
Original assignee: Ricoh Co Ltd
Current assignee: Ricoh Co Ltd
Priority date: 1995-09-05
Filing date: 1996-08-21
Publication date: 2005-06-29
Anticipated expiration: 2016-08-21
Also published as: JPH09134372A; US5867597A

Description

【０００１】
【発明の属する技術分野】
本発明は、電子文書管理の分野に関し、より詳細には、目的文書をその文書の内容例を用いて検索する文書管理システムに関する。
【０００２】
【従来の技術】
ジョナサン・ハル他の米国出願特許“マルチアクセス冗長ハッシングによる画像のマッチングと検索”（1994年4月1日に出願し、現在審査中の出願番号08/222,281）（以後、ハルと簡略して参照する）は、目的文書中のサンプルページを入力とする文書管理システムから、その目的文書を検索する新しい方法を開示している。そのシステムにおいて、各保存文書から記述子を抽出し、記述子データベースに保存している。目的文書を検索するために必要とされるのは、サンプルページ１頁または１頁の一部のみである。
【０００３】
そのサンプルページが前記文書管理システムに提示されると、該サンプルページから記述子が抽出され、前記記述子データベース中の記述子と一致照合される。記述子は各々の保存文書とサンプルページから多数抽出されるので冗長である。
ハルの説明によれば、多数の記述子が目的文書とサンプルページ間で一致し得るが、しかし、エラーは探索にとって致命的なもではない。そのシステムにおいて、文書は記述子の一致に基づく得票を蓄積し、最も高い得票数の文書を目的文書として戻す。ハルにより開示された記述子の中、図形記述子はページ中の図形の主特徴をテキスト記述子は文字パターンまたはワード長の記述に当てられる。
【０００４】
【発明が解決しようとする課題】
しかしながら、ハルの文書管理システムは、ページ画像用記述子を形成するために、文書またはサンプルページのディジタル化画像より文字を認識する光学的文字認識システムを用いており、高価な計算操作を要するので、テキストより記述子を発生させるより効率的な方法が要求される。
【０００５】
本発明は、高速例示検索を行う改善文書管理システムを提供する。その１つの実施例においては、複数文書のページを走査し文書管理システムの記憶装置に保管し、サンプルページを検索プロセスの一部として走査して、ほとんど計算することなく前記ページから抽出可能な記述子によって記述する。特殊な実施例においては、各々の結合成分の周囲を囲むボックスを形成し、ボックス間の間隔を測定する。ボックス間の間隔のヒストグラムを検出し、閾値を決定する。その閾値より小さい間隔は、文字間の間隔と見なし、閾値より大きい間隔はワード間の間隔と見なす。それらの間隔パターンを記述子に翻訳する。他の実施例の場合、例えば、日本語のテキストまたは異なる濃度のアルファベットの２文字を用いる他のテキストの場合、文字間のスペースはあまりなく、ボックス間のスペースの代わりに、囲みボックスの画素濃度のヒストグラムを用いる。文字の裂目をアドレスするために、オーバラップする囲みボックスを１つの囲みボックスに結合する。必要に応じ言語検出前置プロセッサを使用し、文書の言語を検出することができ、しかるべき記述子の抽出に適用できる。文字スペースが文書の場合、文字間のスペースを用いて囲みボックスをさらに定義することができる。
【０００６】
前記文書管理システムまたは前記文書管理システムの照合部を、複写機に結合することも可能である。かような実施例の場合、ユーザはサンプルページを複写機に入力すると、複写機が目的文書を検索して印刷する。
【０００７】
他の実施例においては、音声とテキストの文書を、参照文書と大文書として交代使用する。音声文書記述子は、１ワード当りの音素パターンまたは１ワード当たりの文字パターンの何れかを用いることができる。前者の場合、音韻識別子を使用し、その音韻識別子はワード間の無声間隔を識別できる。後者の場合、音声認識装置を用いて音声をテキストに変換し、そのテキストに基づき記述子を発生させる。
【０００８】
【課題を解決するための手段】
請求項１の発明は、複数の文書を文書データベースに記憶し、入力した文書に類似した文書を前記文書データベースから検索して提示する文書検索装置において、文書のイメージを入力し、該イメージからテキスト領域を検出する文字領域検出手段と、前記テキスト領域中の連続黒画素の領域をボックスで囲み、このボックスの位置を決定するボックス位置決定手段と、ワード内スペースとワード間スペースとを識別するための予め設定された閾値を参照して、各テキスト領域ごとに、各ボックス間のスペースをワード間スペースまたはワード内スペースに区分して２値表現のスペースパターン（以下、記述子という）として出力する出力手段とを有する記述子発生手段を備え、予め、前記文書データベース中の各文書は前記記述子発生手段で発生させた記述子と対応して記憶させておき、前記記述子発生手段で前記入力した文書の記述子を発生させ、該入力文書の記述子と類似した前記文書データベースに記憶された文書の記述子を検索することを特徴としたものである。
【０００９】
請求項２の発明は、請求項１の発明において、前記ボックスの位置からボックス間の間隔を計算し、このボックス間の間隔の分布を求める分布発生手段を有し、前記ボックス間の間隔の分布から２つのピークを検出し、ワード内スペースとワード間スペースとを識別するための前記閾値をこれらのピークから決定するようにしたことを特徴としたものである。
【００１０】
請求項３の発明は、複数の文書を文書データベースに記憶し、入力した文書に類似した文書を前記文書データベースから検索して提示する文書検索方法において、予め、前記文書データベース中の各文書に対して、該文書のイメージを入力し、該イメージからテキスト領域を検出し、前記テキスト領域中の連続黒画素の領域をボックスで囲み、このボックスの位置を決定し、ワード内スペースとワード間スペースとを識別するための予め設定された閾値を参照して、各テキスト領域ごとに、各ボックス間のスペースをワード間スペースまたはワード内スペースに区分して２値表現のスペースパターン（以下、記述子という）として求め、該文書と該記述子とを対応させて記憶させておき、前記入力した文書の記述子を同様に発生させ、該入力文書の記述子と類似した前記文書データベースに記憶された文書の記述子を検索することを特徴としたものである。
【００１１】
請求項４の発明は、複数の文書を文書データベースに記憶し、入力した文書に類似した文書を前記文書データベースから検索して提示する文書検索装置において、文書のイメージを入力し、該イメージからテキスト領域を検出する文字領域検出手段と、前記テキスト領域中の文字をボックスで囲み、このボックスの位置を決定するボックス位置決定手段と、前記ボックス中の画素濃度を計算し、このボックス中の画素濃度の分布を求める分布発生手段と、前記ボックス中の画素濃度の分布から２つのピークを検出し、ボックスの画素濃度を識別するための閾値をこれらのピークから決定し、該閾値を参照して、各テキスト領域ごとに、各ボックスを区分して２値表現のボックスパターン（以下、記述子という）として出力する出力手段とを有する記述子発生手段を備え、予め、前記文書データベース中の各文書は前記記述子発生手段で発生させた記述子と対応して記憶させておき、前記記述子発生手段で前記入力した文書の記述子を発生させ、該入力文書の記述子と類似した前記文書データベースに記憶された文書の記述子を検索することを特徴としたものである。
【００１２】
請求項５の発明は、複数の文書を文書データベースに記憶し、入力した文書に類似した文書を前記文書データベースから検索して提示する文書検索方法において、予め、前記文書データベース中の各文書に対して、該文書のイメージを入力し、該イメージからテキスト領域を検出し、前記テキスト領域中の文字の領域をボックスで囲み、このボックスの位置を決定し、前記ボックス中の画素濃度を計算し、このボックス中の画素濃度の分布を求め、前記ボックス中の画素濃度の分布から２つのピークを検出し、各ボックスを識別するための閾値をこれらのピークから決定し、該閾値を参照して、各テキスト領域ごとに、各ボックスを区分して２値表現のボックスパターン（以下、記述子という）として求め、該文書と該記述子とを対応させて記憶させておき、前記入力した文書の記述子を同様に発生させ、該入力文書の記述子と類似した前記文書データベースに記憶された文書の記述子を検索することを特徴としたものである。
【００３４】
【発明の実施の形態】
幾つかの共通部材を有する２つの実施例を最初に図示説明する。最初の実施例の場合、１つの文書を他の文書と区別するためにスペースを使用している。第２の実施例の場合は、文書を区別するために文字濃度（密度）用い、参照文書及び／または目的文書が音声及び／またはテキスト形式である何れかの実施例を選択する。一般的には、これらの２つのシステムは、同様に作動し共に同等に使用される。
【００３５】
文書のデータベースから文書を検索できるようにするためには、先ず文書のデータベースを生成しなければならない。データベースを生成するために、文書を入力する。文書が紙に記録したものだけであれば、文書を走査し電子的にデジタル表示する。文書がすでに電子形式になっている場合は、走査ステップは不必要となる。各文書につき１セットの記述子を作成する。１つの記述子は、文書の一部に対する１つのメトリックス（測量値）・パターンである。例えば、その測量値が文字間隔であり、２値のうち１つ（例えば、１＝単語間間隔，０＝単語内間隔）をとる場合、文書のある部分または全体に対し１ビットを発生させることができる。代案として、前記ビットパターンを１列の語長に圧縮する。このビットパターンまたは語長パターンを記述子として使用する。
【００３６】
特徴的なのは、１つの文書から多数の記述子が取出され、それらの記述子がエラーを含み得ることである。しかしながら、十分な記述子が採取されていれば、エラーはハルの説明のようにフィルタで除去できる。これらの記述子をインデックスに保管し、該当文書を文書データベースに保存する。
【００３７】
文書を例示検索するために、目的文書の全部または一部をシステムに入力する。これに一致する文書は、前記目的文書と共通の記述子を一番多く有する文書である。もちろん、最も有力な候補だけでなく、複数の一致文書を検出するように文書一致に対する要求条件を緩めることができる。これらの複数の一致文書をユーザに提示し、正しい文書を手動で選択してもらえばよい。
【００３８】
目的文書用記述子はデータベース中の文書用記述子と同様にして得る。目的文書の記述子を同じ方法で獲得するので、文字の境界の決定するプロセスは正確ではなく、矛盾するものでなければよい。測量値の測定プロセスについても同様である。かように、幾つかのワード内スペースをワード内スペースとしてラベルを付けると、データベース内でも目的文書と同様のラベルが生じるので、記述子はラベル処理がワード内スペースの正確なラベル付でない場合でも一致することが期待できる。
【００３９】
図１は、文書検索システム１０のブロック図であり、該システムは、入力文書１４用取入れプロセッサ１２，文書データベース１６，記述子データベース１８，目的文書のサンプルページ２２を処理してサンプルページ２２と一致する目的文書２４を出力する照合プロセッサ２０を含んでいる。取入れプロセッサ１２と照合プロセッサ２０のいずれも一個の高速記述子発生器４０を有している。取入れプロセッサ１２は、入力文書１４のような複数の入力文書を受け入れて文書データベース１６内に保存し、その間に各入力文書用記述子を発生し記述子データベース１８に保存する。
【００４０】
照合プロセッサ２０は、サンプルページ２２を受取り、付属の記述子発生器４０を使用し前記サンプルページ用記述子を発生する。もちろん、幾つかの実施例においては、記述子発生器を１つだけにし、取入れプロセッサ１２と照合プロセッサ２０の両方で共用する。照合プロセッサ２０は、記述子を記述子データベース１８に照合し、サンプルページ２２と共通する記述子を有する前記文書データベース１６内の文書を識別する一致点を返送するために記述子データベース１８に接続してある。照合プロセッサ２０は、記述子データベースから得た文書識別子に基づき文書を検索するために、文書データベース１６にも接続してある。
この照合プロセッサ２０は、一致文書（目的文書２４）を提示する出力を有している。幾つかの実施例においては、この出力装置を目的文書を印字する複写機の形式にしている。照合プロセッサ２０は、対話式装置を装備しユーザが複数の近似一致文書（候補文書）の中から選択できるようにしてもよい。
【００４１】
図２と図３は、記述子発生器の詳細図である。図２は、ワードスペース（または近似値）に基づき記述子を発生する記述子発生器４０Ａのブロック図で、図３は、画素濃度に基づき記述子を発生する記述子発生器４０Ｂのブロック図である。
【００４２】
図２に示すように、記述子発生器４０Ａは、セグメンター（区分器）１０２，ボックス識別子１０４，ヒストグラム発生器１０６，ラベラー（ラベル付け器）１０８Ａ及び記述子ライタ（書込み器）１１０Ａよりなる。セグメンター１０２は、イメージファイル１１２を入力とし、セグメント化したイメージを出力する。ボックス識別子１０４は、セグメント化イメージ１１４を入力とし、ボックス位置を出力する。ヒストグラム発生器１０６は、ボックス位置１１６を入力とし、ボックス間の間隔のヒストグラム１１８Ａを出力する。ラベラー１０８Ａは、ボックス位置１１６とヒストグラム１１８Ａを入力として用い、１セットのワードパターン１２０を生成する。記述子ライタ１１０Ａは、前記ワードパターンを入力とし、イメージファイル１１２用の１セットの記述子１２２を出力する。
【００４３】
図２のイメージファイル１１２は、図１中の入力文書１４またはサンプルページ２２のイメージに相当する。セグメンター１０２は、イメージファイル１１２を分析し、そのイメージのどの領域がテキスト，数字，特殊ラインまたは空白スペースであるかを決定する。これにより、記述子発生器４０の下流側要素の仕事範囲を入力イメージ１１２のテキスト領域に限定することができる。もちろん、ハルの示すように、イメージの図形領域を使用して記述子を生成してもよい。入力イメージ１１２のテキスト領域をセグメント化イメージ１１４として保存する。もちろん、記憶装置の条件及び制限によって、セグメント化イメージ１１４を入力イメージ１１２のテキスト領域に限定でき、あるいは、セグメント化イメージ１１４をイメージファイル１１２用記憶装置中の位置を示すポインタだけを付けて表示することも可能である。
【００４４】
しかし、ここでは、前記テキスト領域を保存し、ボックス識別子１０４で文字の回りに囲みボックスを配置してテキストを処理する。図４は、かような１つのテキスト領域を示し、図５は文字の回りをボックスで囲んだ前記テキスト領域の小区分（拡大図）を示す。囲みボックスは矩形であり、連続黒画素の領域を囲んでいる。閾値寸法を越える領域だけを考慮する。即ち、“ｉ”の文字の点（４０２）とピリオード（４０６）は無視する。囲みボックスと文字の実際の境界の間に生じるこれらの相違いは、入力文書と目的文書のいずれにもある相違で、エラーをもたらすものではない。不完全な複写による文字の中断があると、文字囲みボックス４０８のように、囲みボックスから破断部を排除てしまう。これらの相違エラーを生じさせても、目的文書と一致文書間の記述子数は、目的文書と不一致文書間の共通記述子よりも多い。
【００４５】
幾つかの実施例において、ボックス識別子１０４は囲みボックス位置１１６がほぼ水平に整列するように追加試験を行う。即ち、テキスト領域の内のテキストの行を識別し、次に、テキストの各行の基線を識別し、その基線を囲みボックスを配置するためのガイドとして用いる。
囲みボックスが決定されれば、イメージ上の囲みボックスの位置を表示し、ボックス位置１１６として保存する。ヒストグラム発生器１０６は、これらのボックス位置を読込みボックス間の間隔を計算する。もし、ボックス間スペースの分布を測定してヒストグラムを立ち上げれば、２つのピークが形成されるはずである。図６に図形表示した図２のヒストグラム１１８Ａにその一例を示す。これは、図４に示したテキスト領域に対する遂次文字囲みボックス間の画素間隔をグラフに表示したものもある。ヒストグラム１１８Ａは、２つのピークを有している。１つ約５個の画素のスペースに対するピークで、もう１つは約２５個の画素のスペースに対するピークである。２つのピーク間の最小値は、約１６個の画素に生じている。かように、このデータでは、１６個の画素より小さいスペースが多分ワード内スペースで、１６個の画素より大きいスペースが多分ワード間スペースである。
【００４６】
ラベラー１０８Ａは、前記の閾値を使用し、各ボックス間のスペースにワード間スペースまたはワード内スペースのラベルを取付ける。厳格に云えば、ラベルは囲みボックスそのものにではなく、囲みボックス間のスペースに付けられる。しかしながら、テキストの各行の最後の囲みボックスを除いて、囲みボックスとスペースは１対１に対応しているので、スペース用ラベルは囲みボックスと容易に関連付けられる。後者の場合、スペース用ラベルがスペースの左側の囲みボックスと連携てしいれば、各囲みボックスはワード終端文字または非ワード終端文字のいずれかを囲むものとして特徴付けることができる。どちらの方法でも、ラベルの主要パターンは同じである。
【００４７】
例えば、処理中のテキストを、“A sample sentence appears here.”とすると、スペースのパターンは、“S-----S-----S-----S-----S”となる。ここで、‘-’はワード内スペースで‘S’はワード間スペースである。文章の終わりの‘.’は囲みボックスの対象とはならず、従って、考慮されず、各行の最後に続くワード間スペースを推定する。もし、‘-’と‘S’のラベルを非ワード終端文字及びワード終端文字に各々書き添えると、同じパターンが現れる。
‘-’を‘0’で、‘S’を‘1’とする２値で表現すると、前記パターンは、“100000100000010000001000”となる。
この２値パターンは、ランレングス符号化によって正確にワード長パターンである“16874”にまで圧縮することができる。
【００４８】
上記の例では、閾値よの大きいワード内スペースが存在せず、閾値より小さいワード間スペースが存在しない場合の囲みボックスの位置を想定したものである。もし、前記パターンが異なっても、テキストが入力され、そのテキストが照合に使用された場合は、いずれも、同じパターンとなる。
【００４９】
幾つかの実施例においては、時間の前にこの閾値を固定することが望ましい。閾値を時間の前に、例えば、１６画素に固定すると、各スペースは測定された状態でラベル処理されるので、ヒストグラムを作成する必要がなくなる。但し、閾値を固定するのが常に望ましいわけではない。目標文書が異なるスケールで提出されるかあるいは異なる分解能で走査される場合は、ボックス間スペースの分布の最小値における画素数が変化するので、現在使用中の特定イメージにつき時間毎に計算しなければならない。
【００５０】
ラベラー１０８Ａによりワードパターン１２０が生成されると、記述子ライタ１１０Ａによって記述子１２２に書込まれる。ある特殊な実施例の場合、１つの記述子はある設定数のワード長のハッシュ連鎖である。これらの記述子は、図１の上記の記述のように使用する。
【００５１】
図３は、記述子発生器４０Ｂのブロック図である。この記述子発生器４０Ｂは、前記記述子発生器４０Ａと類似であるが、ボックス間スペースに基づくのではなく、画素濃度に基づき記述子を発生する点において異なる。記述子発生器４０Ａの場合のように、記述子発生器４０Ｂは、セグメンター（区分器）１０２とボックス識別子１０４を有しており、イメージファイル１１２を処理し、セグメント化したイメージ１１４とボックス位置を発生する。記述子発生器４０Ｂは、記述子発生器４０Ａ中の要素と同じ機能を果たす幾つかの要素を含んでいる。即ち、ヒストグラム１１８Ｂを発生するヒストグラム発生器１０６Ｂ，ワードパターンの代わりに濃度パターンを発生するラベラー（ラベル付け器）１０８Ｂ及びワードパターンでなく濃度パターンに基づく記述子を書込む記述子ライタ（書込み器）１１０Ｂを具備する。
【００５２】
記述子発生器４０Ｂは、さらに、記述子発生器４０Ａに無い要素を有している。即ち、ボックス位置を精密にするリファイナ１２４（オプション）と、セグメント化イメージを受け取るために接続され、リファイナ１２４（使用している場合）またはボックス位置１１６を受け取るために接続された画素濃度カウンタ１２６と、画素濃度記憶装置１２８を具備している。記述子発生器４０Ｂにおいて、ラベラー１０８Ｂは、ボックス位置１１６と画素濃度１２８とヒストグラム１１８Ｂを受取るように接続されている。記述子発生器４０Ａの場合のように、固定閾値を用いると、ヒストグラム１１８Ｂは不用となる。但し、記述子発生器４０Ａとは対照的に、記述子発生器４０Ｂの動作は閾値がスペースではなく画素濃度なので、スケール及び使用分解能とは無関係である。
【００５３】
動作時、セグメンター１０２は、イメージファイル１１２を読取り、テキストと他の領域に区分する。セグメント化されたイメージ１１４は、ボックス識別子１０４により読み込まれボックス位置のリストが作成される。入力ファイル１１２またはセグメント化イメージ１１４に含まれているであろうイメージの一例を図７に、ボックス位置１１６により示された通りに囲みボックスを付けて示す。図７には、日本語文字のイメージを示しているが、可変画素濃度の文字を持つ非日本語テキストをこの装置で処理することが可能である。日本語文字の場合、画素の濃度分布は、２つのピークを持つべきであり、一つは日本の漢字を現し、もう一つは仮名文字を現す。漢字は中国語の表意文字に起源を持ち字画が多く、一方、仮名文字は音節文字で字画が少ない。
【００５４】
２６のラテン文字と異なり、日本語文字は連続しない字画から構成されることが多く、一個の文字を複数の囲みボックスで囲むことが有り得る。図８に、一個の囲み日本語文字を例示する。図８（Ａ）は、囲みボックス発生前の文字を、図８（Ｂ）はその文字の結合されていない３つの構成部分に重ねた２個の囲みボックス７０４と７０６を示している。要素として認められるだけの十分な画素を有さない字画は囲み込まない。
【００５５】
オプションであるリファイナ１２４は、重なり合っている複数の囲みボックスを、同一文字の複数の構成要素を囲んでいるものと仮定して結合することにより、囲みボックス処理を精密にする。このリファイナ１２４は、全ての互いに重なり合っているボックス同士を各々１つの矩形に囲い直す。かのようにして、図８（Ｃ）に示すように、囲みボックス７１０が囲みボックス７０４と７０６（図８（Ｂ））にとって代わる。リファイナ１２４を使用するか否かに係わりなく、画素濃度カウンタ１２６は各囲みボックス中の画素数を計数し、黒画素数を計数する。白画素を計数しても同じ効果が得られるし、文字が黒でない場合でも、どん”な色または複数の色であっても、計数値はその文字を構成する画素数であることは明らかである。次に、各囲みボックス中の黒画素数をそのボックス中の画素総数で割った値を画素濃度（標準化濃度）とする。
【００５６】
別案として、囲みボックスをすべて同一寸法であると想定または強制的に同一寸法にできるようにすれば、前記の標準化ステップの必要性は無くなる。名ボックスの画素濃度値を画素濃度記憶装置１２８に保存し、ヒストグラム１１８Ｂを発生すめるために、ヒストグラム発生器１０６Ｂにより使用される。
図９にヒストグラム１１８Ｂのグラフの一例を示す。図９において、ヒストグラムは標準化していない画素濃度の分布を示している。濃度値の高い漢字は、２５０から４５０黒画素範囲に集中しており、２５２画素の閾値がピーク群をよく分離している。もちろん、漢字もあるものはこの閾値より低く、あるものはこの閾値より高い。しかしながら、測定値に矛盾がない限り、文書は、入力時、目標文書とし同一の記述子を有する。
【００５７】
この閾値は、ヒストグラム発生器１０６Ｂまたはラベラー１０８Ｂのいずれかにより計算される。閾値の１つの計算法が、N.Otsuの“グレイ・レベル・ヒストグラムからの閾値の選出方法”（IEEE会報システム−人とサイバネティックス，第９巻，♯１，１９７９年１月、６３−６６頁）に示されている。いずれの場合でも、ラベラー１０８Ｂは、画素濃度値１２８（標準化を要する場合は、ボックス位置１１６）を読む際にこの閾値を用いて名文字に２つのラベルのうち１つを貼付ける。２つのラベルは、漢字／仮名、高濃度／低濃度または１／０の何れであってもよい。どの場合でも、連続する囲みボックスの指定ラベル群は、パターンを形成し、濃度パターン１３０として保存される。図２の記述子発生器４０Ａで、ワードパターンが使用とされるように、濃度パターン１３０も記述子ライタ１１０Ｂにより記述子１２２を作成するために使用される。
【００５８】
文書を保存し例示するための種々の装置につき記述してきた。図１０と図１１は、前述の各装置を使用して実行し得る例示文書検索プロセスを示すフローチャートである。
図１０は、文書データベースに複数の文書を保存し、１つの目的文書と一致する文書を、該目的文書より提供された例文により検索するプロセスを記述したフローチャートである。
【００５９】
ステップＳ１では、複数の文書を文書記憶及び検索システムに入力する。
ステップＳ２では、各入力文書用記述子を作成する。記述子の基盤としてテキストが用いられている場合は、ワード・スペースで記述子を決定する。音声の場合（図１２及び図１３参照）は、音素パターンまたはワード長または両方を使用する。ワード長は、音声認識により先ず音声をテキストに変換して測定する。
ステップＳ３においては、前記文書の入力と記述子の作成に引き続き、文書をデータベースに保存し、記述子を記述子データベースに、文書データベースに保存した文書と連係させて保存する。
【００６０】
次のステップ（Ｓ４）は、検索する各目的文書毎に実行するループの開始点である。ステップＳ４では、目的文書を入力する。前に説明したように、この入力は、目的文全体である必要はもちろんなく、また、目的文書の全１頁である必要もない。
次に、ステップＳ５で、入力目的文書用の記述子を作成する。このステップは、ステップＳ２と類似である。入力文書が音声である場合は、記述子は、前述の通り、音素パターン及びワード・パターンのいずれ基づいて作成してもよい。
次に、ステップＳ６で、目的文書から作成した記述子を記述子データベース中でインデックスとして使用し、一致文書の可能性のある文書のリストを作成する。
ステップＳ７では、一致文書を文書データベースから検索する。
さらに、検索すべき目的文書がある場合は、前記プロセスをステップＳ４から繰り返し、検索目的文書がない場合には、プロセスを終了する。
【００６１】
図１１は、文書がテキストまたはテキストと図形である文書より記述子を作成するプロセスを記述したフローチャートである。この説明は、入力文書が、文書データベースに最初に入力された文書または目的文書の一部である場合に関する。ステップＳ１０では、記述子を作成する文書のイメージを記述子発生器へ入力する。この入力イメージをテキスト領域と非テキスト領域にセグメント化する（Ｓ１１）。記述子発生器がテキストの各セグメントを分析し、テキスト領域中の文字を囲む囲みボックスを検出する（Ｓ１２）。
囲みボックスを識別すると、記述子発生器は、ボックス間スペースのヒストグラムを生成する（Ｓ１３）。このヒストグラムから記述子発生器は、ヒストグラムの二つのピーク間の閾値を決定する（Ｓ１４）。記述子発生器は、さらに、テキスト領域または少なくともボックス間のスペース・パターンを再検討し、ステップＳ１４で決定した閾値より小さいかまたは大きいかによって各ボックス間スペースをラベル処理する（Ｓ１５）。記述子発生器は続いてポックス間スペースの連から記述子を作成する（Ｓ１６）。
【００６２】
図１１のフローチャートは、画素濃度パターンから記述子を発生させるプロセスにも適用する。相違しているのは、ステップＳ１３において、作成するヒストグラムが画素のヒストグラムである点である。ヒストグラムを作成後、ステップＳ１４，Ｓ１５及びＳ１６のプロセスを、ヒストグラムがボックス間スペースのヒストグラムである前述の実施例と同じ方法で実行する。
【００６３】
図１２と図１３は、音声文書から記述子を作成する記述子発生器のブロック図である。これらの音声文書は、参照文書または目的文書の何れかとして用いることができる。音声文書は、例えば、有名な演説，講義，患者に関する医師の見解，発音等のものがあるが、どんな音声でも使用できる。
【００６４】
図１２は、音素（音韻）に基づく記述子を生成する記述子発生器４０Ｃのブロック図である。この記述子発生器４０Ｃは、音素認識装置８０２，スペース認識装置８０４，ラベラ１０８Ｃ及び記述子ライタ１１０Ｃを含んでいる。音素認識装置８０２は、入力音声文書８０６を読込み、音素パターン８０８を生成する。音素パターン８０８は、音声を表現し、どの音が出ておりどこに無声が生じているかを示す。音素パターン８０８は、スペース認識装置８０４に送られる。このスペース認識装置８０４は、認識された音素パターン中の無声音素の位置を分離し、ラベラー１０８Ｃに渡す。ラベラー１０８Ｃと記述子ライタ１１０Ｃは、記述子発生器４０Ａ及び４０Ｂ内で互いに対応して作動する。
【００６５】
ラベラー１０８Ｃの出力は、“スペース”パターン及びワードである。例えば、音声ファイル８０６が音声語句〈ザラージカー〉を含んでいる場合、音素認識装置８０２がその語句を１１個の音素として認識し、その特定の１１音素を同定する。“スペース”認識装置８０４は、音素が２個の有声音素，１個の無声音素，４個の有声音素，１個の無声音素及び４個の有声音素であることを認識する。ラベラー１０８Ｃは、無声音素を“スペース”としてラベル処理し、２−Ｓ−４−Ｓ−３のパターンが生成され、記述子ライタ１１０Ｃがこれを〈２−４−３〉として書き込む。
【００６６】
全ての参照文書が音声であり、記述子のみが音素に基づく記述子である場合でも、テキスト文書を目的文書として用いることができる。その目的文書のテキストを、音素発生器を介して供給する。音素発生器は、テキストから音素（音韻）を生成し、その音素を用いて記述子を生成する。もちろん、英語のように複雑な言語の場合，自動音素発生器は誤りを犯す。しかしながら、記述子は冗長度をもっており、誤があっても正しい文書が発見される。入力文書と参照文書の両方とも音声によるもので、音素パターンで記述されている場合、同一の音素発生器が参照文書と入力文書の両方に使用されていればエラーの影響はさらに少なくなる。つまり、両方に共通な誤りは、文書の発見を難しくするものではない。参照文書がテキストで、入力文書が音声である場合、または、各々のある組合わせの場合においても同じことが云える。音素は音声の単位であるから、図１２に示した実施例は特殊な言語に特有なものではない。
【００６７】
図１３は、ワード長に基づく、但し、音声文書用の記述子を生成する記述子発生器４０Ｄのブロック図である。この記述子発生器４０Ｄは、音素認識装置９０２を有しており、前記記述子生成器４０Ｃの場合と同様、この音素認識装置９０２で音声文書／ファイルを読むが、但し、音素の代わりに音声ワードのテキスト９０６を出力する。テキスト９０６をスペース・ラベラ９０４で処理し、テキスト中の各スペースの位置をマークして、図２を参照し先に説明したようにして、ワードパターン１２０を生成する。図２に付き説明した通り、記述子ライタ１１０Ａがこのワードパターン１２０を用いて記述子１２２を作成する。
図１２を参照し記述した例のように、音声ファイル８０６が音声語句〈ザラージカー〉を含んでいる場合、音素認識装置８０２がその語句を〈ザラージカー〉と云うテキストとして認識し、スペース・ラベラー９０４がそのワードパターン“---S-----S---”を出力し、記述子〈３−５−３〉が得られる。
【００６８】
図１４と図１５は、音声文書（音節）を照合するプロセスを示すフローチャートである。図１４に示したプロセスは、図１０に示したプロセスと類似しているが、図１０のプロセスが音声とテキストによる入力文書及び目的文書の組合わせをすべて処理するのに反し、図１４（図１５）のプロセスは音声音節のみを取扱う。もちろん、テキスト音節を音素パターンの“準音声”に変換し、文書を“同様音”の一致に基づき突き合わせることは可能であるが、ワード当りの音素数のみを記述子の生成に使用しているので、“同様音”の突合わせは不必要である。事実、必要なのは、簡単な参照テーブルとして使用できる各ワード毎の音素数を含む単語の辞書だけである。
【００６９】
図１４に示したプロセスにおいて、各音節を入力し（Ｓ１′）、各音節毎に記述子を作成し（Ｓ２′）、作成した記述子を音節との関連を付けて保存する（Ｓ３′）。１つの音節を照合検索するために、目的音節を入力し（Ｓ４′）、記述子を生成し（Ｓ５′）、生成した記述子をステップ（Ｓ３′）で生成したデータベース中の記述子と照合し（Ｓ６′）、一致する音節を検索する（Ｓ７′）。さらに検索する音節がある場合は、ステップ（Ｓ４′）から（Ｓ７′）までのプロセスを繰り返す。
【００７０】
図１５に示したプロセスは、音素記述子と音声テキスト記述子の両方を使用する。音声テキスト記述子は、前述のワード長記述子と本質的に同じであり、音節の音声認識の結果得られたテキストから生成する。図１５に示すように、参照音節を入力し（Ｓ２０）、音素記述子を生成し（Ｓ２１）、同時に、テキスト記述子を生成する（Ｓ２２）。これらのステップは平行して実行できるが、しかし、必要性はない。次に、音素記述子を保存し（Ｓ２３）、テキスト記述子を保存し（Ｓ２４）、音節を記述子との関連を付けて保存する（Ｓ２４）。
【００７１】
１つの音節を検索するために、目的音節を入力し（Ｓ２６）、音素記述子を生成し（Ｓ２７）、テキスト記述子を生成する（Ｓ２８）。これらのステップは順次または平行して実行できる。次に、音素記述子を保存してある音素記述子と照合し（Ｓ２９）、テキスト記述子を保存してあるテキスト記述子と照合し（Ｓ２９）、一致の程度に従ってランク付した２種類の音節リストを作成する。この２種類のリストを１つのランキング表に統合する（Ｓ３１）。パターンマッチングの技術において、別々に生成したランキング表を１つに合同することはよく知られている。例えば、T.k.Ho,J.J.Hull,S.N.Srihariの“多重分類システムにおける決定の組合わせ”IEEE会報〈パターン分析及び記械知能〉、第１６巻、第１分冊、1994年1月、６６−７５頁）に記述されている。
これまで述べてきた実施例は、本発明を説明するためであり、限定するためではない。
【００７２】
本発明を種々変更できることは、当業者がこの開示を検討すれば明らかになろう。さらに、例えば、文字に関係する計量値の分布が２個より多いピーク値を有する場合、その分布を２つより多い値域に分割でき、その場合に、ラベラーが各文字を２値より多いラベルを用いてラベル処理を行う。また、テキスト文書をASCIIファイル、後書（Postscript）ファイルのような頁記述言語ファイル、“ワードパーフェクト”または“マイクロソフト”ファイルのようなワード処理ファイル等の種々の形式で保存することができる。従って、本発明の範囲は、前記の説明によって決められるのではなく、添付されたクレイムと対応する全範囲を参照し決定されるべきである。
【００７３】
【発明の効果】
本発明の１つの実施例においては、複数文書のページを走査し文書管理システムの記憶装置に保管し、サンプルページを検索プロセスの一部として走査して、ほとんど計算することなく前記ページから抽出可能な記述子によって記述する。特殊な実施例においては、各々の結合成分の周囲を囲むボックスを形成し、ボックス間の間隔を測定する。ボックス間の間隔のヒストグラムを検出し、閾値を決定する。その閾値より小さい間隔は、文字間の間隔と見なし、閾値より大きい間隔はワード間の間隔と見なす。それらの間隔パターンを記述子に翻訳する。他の実施例の場合、例えば、日本語のテキストまたは異なる濃度のアルファベットの２文字を用いる他のテキストの場合、文字間のスペースはあまりなく、ボックス間のスペースの代わりに、囲みボックスの画素濃度のヒストグラムを用いる。文字の裂目をアドレスするために、オーバラップする囲みボックスを１つの囲みボックスに結合する。必要に応じ言語検出前置プロセッサを使用し、文書の言語を検出することができ、しかるべき記述子の抽出に適用できる。文字スペースが文書の場合、文字間のスペースを用いて囲みボックスをさらに定義することができる。
【００７４】
本発明の他の実施例においては、前記文書管理システムまたは前記文書管理システムの照合部を、複写機に結合することも可能である。かような実施例の場合、ユーザはサンプルページを複写機に入力すると、複写機が目的文書を検索して印刷する。
【００７５】
更に、本発明の他の実施例においては、音声とテキストの文書を、参照文書と大文書として交代使用する。音声文書記述子は、１ワード当りの音素パターンまたは１ワード当たりの文字パターンの何れかを用いることができる。前者の場合、音韻識別子を使用し、その音韻識別子はワード間の無声間隔を識別できる。後者の場合、音声認識装置を用いて音声をテキストに変換し、そのテキストに基づき記述子を発生させる。
【図面の簡単な説明】
【図１】本発明による文書管理システムのブロック図である。
【図２】エラー文字間隔パターンに基づき記述子を発生させる記述子発生装置のブロック図である。
【図３】画素濃度に基づき記述子を発生させる記述子発生装置のブロック図である。
【図４】文書画像を示す図である。
【図５】図４に示したテキスト領域の部分拡大図である。
【図６】文字間隔のヒストグラムを図形表示した図である。
【図７】日本文字を含む文書のイメージを示す図である。
【図８】図８（Ａ）は日本文字のイメージを示す図である。図８（Ｂ）は図８（Ａ）に示した日本文字のイメージを日本文字用に発生させた囲みボックスで囲んだ図である。図８（Ｃ）は図８（Ａ）と図８（Ｂ）に示した日本文字のイメージを１個の囲みボックスで全文字を囲んだ図である。
【図９】画素濃度のヒストグラムを図形表示した図である。
【図１０】文書データベース中に文書を保存し、文書を例示検索するプロセスを示すフローチャートである。
【図１１】文書用記述子を発生させるプロセスを示すフローチャートである。
【図１２】入力文書が音声で記述子がワード当りの音素数に基づく記述子の発生装置の一実施例を示す図である。
【図１３】入力文書が音声で記述子がワード当りの文字数に基づく記述子の発生装置の一実施例を示す図である。
【図１４】目的音節を用いた参照音節を保存し音節を例示検索するプロセスのフローチャートである。
【図１５】音韻認識及びテキスト認識の双方を用いる例示音節の検索プロセスのフローチャートである。
【符号の説明】
１０…文書検索システム、１２…取入れプロセッサ、１４…入力文書、１６…文書データベース、１８…記述子データベース、２０…照合プロセッサ、２４…目的文書（一致文書）、４０…高速記述子発生器、１０２…セグメンター、１０４…ボックス識別子、１０６，１０６Ｂ…ヒストグラム発生器、１０８Ａ，１０８Ｂ…ラベラー、１１０Ａ，１１０Ｂ…記述子ライタ、１１２…イメージファイル、１１４…セグメント化イメージ、１１６…ボックス位置、１１８Ａ，１１８Ｂ…ヒストグラム、１２０…ワードパターン、１２２…記述子、１２４…リファイナ、１２６…画素濃度カウンタ、１２８…画素濃度、１３０…濃度パターン。

Claims

複数の文書を文書データベースに記憶し、入力した文書に類似した文書を前記文書データベースから検索して提示する文書検索装置において、文書のイメージを入力し、該イメージからテキスト領域を検出する文字領域検出手段と、前記テキスト領域中の連続黒画素の領域をボックスで囲み、このボックスの位置を決定するボックス位置決定手段と、ワード内スペースとワード間スペースとを識別するための予め設定された閾値を参照して、各テキスト領域ごとに、各ボックス間のスペースをワード間スペースまたはワード内スペースに区分して２値表現のスペースパターン（以下、記述子という）として出力する出力手段とを有する記述子発生手段を備え、予め、前記文書データベース中の各文書は前記記述子発生手段で発生させた記述子と対応して記憶させておき、前記記述子発生手段で前記入力した文書の記述子を発生させ、該入力文書の記述子と類似した前記文書データベースに記憶された文書の記述子を検索することを特徴とする文書検索装置。
請求項１に記載の文書検索装置において、前記ボックスの位置からボックス間の間隔を計算し、このボックス間の間隔の分布を求める分布発生手段を有し、前記ボックス間の間隔の分布から２つのピークを検出し、ワード内スペースとワード間スペースとを識別するための前記閾値をこれらのピークから決定するようにしたことを特徴とする文書検索装置。
複数の文書を文書データベースに記憶し、入力した文書に類似した文書を前記文書データベースから検索して提示する文書検索方法において、予め、前記文書データベース中の各文書に対して、該文書のイメージを入力し、該イメージからテキスト領域を検出し、前記テキスト領域中の連続黒画素の領域をボックスで囲み、このボックスの位置を決定し、ワード内スペースとワード間スペースとを識別するための予め設定された閾値を参照して、各テキスト領域ごとに、各ボックス間のスペースをワード間スペースまたはワード内スペースに区分して２値表現のスペースパターン（以下、記述子という）として求め、該文書と該記述子とを対応させて記憶させておき、前記入力した文書の記述子を同様に発生させ、該入力文書の記述子と類似した前記文書データベースに記憶された文書の記述子を検索することを特徴とする文書検索方法。
複数の文書を文書データベースに記憶し、入力した文書に類似した文書を前記文書データベースから検索して提示する文書検索装置において、文書のイメージを入力し、該イメージからテキスト領域を検出する文字領域検出手段と、前記テキスト領域中の文字をボックスで囲み、このボックスの位置を決定するボックス位置決定手段と、前記ボックス中の画素濃度を計算し、このボックス中の画素濃度の分布を求める分布発生手段と、前記ボックス中の画素濃度の分布から２つのピークを検出し、ボックスの画素濃度を識別するための閾値をこれらのピークから決定し、該閾値を参照して、各テキスト領域ごとに、各ボックスを区分して２値表現のボックスパターン（以下、記述子という）として出力する出力手段とを有する記述子発生手段を備え、予め、前記文書データベース中の各文書は前記記述子発生手段で発生させた記述子と対応して記憶させておき、前記記述子発生手段で前記入力した文書の記述子を発生させ、該入力文書の記述子と類似した前記文書データベースに記憶された文書の記述子を検索することを特徴とする文書検索装置。
複数の文書を文書データベースに記憶し、入力した文書に類似した文書を前記文書データベースから検索して提示する文書検索方法において、予め、前記文書データベース中の各文書に対して、該文書のイメージを入力し、該イメージからテキスト領域を検出し、前記テキスト領域中の文字の領域をボックスで囲み、このボックスの位置を決定し、前記ボックス中の画素濃度を計算し、このボックス中の画素濃度の分布を求め、前記ボックス中の画素濃度の分布から２つのピークを検出し、各ボックスを識別するための閾値をこれらのピークから決定し、該閾値を参照して、各テキスト領域ごとに、各ボックスを区分して２値表現のボックスパターン（以下、記述子という）として求め、該文書と該記述子とを対応させて記憶させておき、前記入力した文書の記述子を同様に発生させ、該入力文書の記述子と類似した前記文書データベースに記憶された文書の記述子を検索することを特徴とする文書検索方法。