JP3824209B2 - 文書自動分割装置 - Google Patents
文書自動分割装置 Download PDFInfo
- Publication number
- JP3824209B2 JP3824209B2 JP2001119918A JP2001119918A JP3824209B2 JP 3824209 B2 JP3824209 B2 JP 3824209B2 JP 2001119918 A JP2001119918 A JP 2001119918A JP 2001119918 A JP2001119918 A JP 2001119918A JP 3824209 B2 JP3824209 B2 JP 3824209B2
- Authority
- JP
- Japan
- Prior art keywords
- document
- delimiter
- image
- document image
- page
- 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 - Fee Related
Links
Images
Landscapes
- Processing Or Creating Images (AREA)
- Character Discrimination (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Editing Of Facsimile Originals (AREA)
Description
【０００１】
【発明の属する技術分野】
この発明は、複数文書の文書画像を一括して文書管理システムに登録する際、文書の区切りを自動判定して、それら文書画像を文書単位に分割する文書自動分割装置に関する。
【０００２】
【従来の技術】
従来の文書管理システムでは、スキャナで読込んだ文書画像群の内容をオペレータが目視でチェックし、ツールを利用して文書の区切り位置を指定することにより、文書画像群を文書単位に分割して登録していた。そのため、オペレータが文書の区切り位置を判定するための労力を要し、文書登録時の妨げとなっていた。
【０００３】
この対策の一つとして、スキャナで文書を読込む際、機械が容易に判別可能な仕切り用紙を予め文書間に挟むことで、文書を半自動的に分割する方式が特許２９６２９６１号に提示されている。以下、この文書分割装置を従来例として、図１４と図１５を用いて説明する。
【０００４】
図１４は従来方式における登録処理のフローチャートであり、図１５は登録する紙文書の例を示す。図１５中の符号１５０１は仕切り用紙、１５０２は複数頁からなる１連の文書、１５０３は特定画像領域、１５０４はデータ記載領域を示す。以降、図１４に示すフローチャートを参照して従来例の動作を説明する。
【０００５】
登録の際は、まず、登録する紙文書の束をスキャナのＡＤＦにセットする（ＳＴ１４０１）。この時、各文書の先頭には仕切り用紙を付ける。例えば、図１５に示す２つの文書１５０２を登録する場合、両文書の先頭に仕切り用紙１５０１を付ける。
【０００６】
次に、スキャナ読込み処理（ＳＴ１４０２）では、スキャナのＡＤＦから１枚の紙文書を読込んで文書画像に変換する。
そして、仕切り用紙判定処理（ＳＴ１４０３）では、読込んだ文書画像が仕切り用紙か、登録する文書かを判定する。具体的には、図１５に示す特定画像領域１５０３の内部を解析して、内部に文字列「◆仕切り用紙◆」が記入されていれば仕切り用紙と判定し、他の場合は登録する文書と判定する。
【０００７】
ここで、仕切り用紙と判定された場合は、仕切り用紙情報読取処理（ＳＴ１４０４）を行う。この処理では仕切り用紙上のデータ記載領域１５０４を解析し、そこに記されている文書の登録先の情報を読取る。逆に文書画像が登録する文書であると判定された場合は、イメージ格納処理（ＳＴ１４０５）を行う。この処理では既に仕切り用紙から読込まれた文書の登録先の情報に従って文書画像を文書管理システムに登録する。
【０００８】
その後、スキャナのＡＤＦに次の用紙があるかを確認し（ＳＴ１４０６）、用紙がなくなるまでスキャナ読込み処理（ＳＴ１４０２）からの処理を繰り返す。
【０００９】
以上の処理によれば、各文書の先頭に仕切り用紙を付けてスキャナから読込み、読込んだ文書画像が仕切り用紙か否かを機械が自動判定することにより、人手で文書の区切りを判定する作業なしに文書を文書管理システムへ登録することができる。
【００１０】
【発明が解決しようとする課題】
しかしながら、上述した従来方式では、予め人間が文書間に仕切り用紙を入れておく必要であり、仕切り用紙を入れる作業無しで文書を自動分割することができない課題がある。
【００１１】
この課題に対して、文書画像上の固定領域内から文字を認識し、その認識結果に特定の文字列が含まれていれば、その文書画像を文書の区切りと判定する仕切り用紙の不要な文書自動分割装置が特開平１１-０３９４６５号公報に示されている。例えば、文書画像の上端に「社員名簿」という文字列が記入されている場合、この文書画像を文書の先頭頁と判定する。しかし、この方式は形式の明らかな定型の文書を前提としており、形式が不明な雑多な文書が入力される場合には適用が困難な課題がある。
【００１２】
この発明はかかる問題点を解決するものであり、仕切り用紙が不要であり、かつ形式が不明な雑多な文書が入力される場合でも、文書の区切りを自動的に判定できる文書自動分割装置の提供を目的とする。
【００１３】
【課題を解決するための手段】
この発明に係る文書自動分割装置は、複数文書を読み込んで文書画像を作成する画像読込手段と、 前記画像読込手段により作成された文書画像を格納する文書画像格納バッファと、前記文書画像格納バッファに格納された文書画像中の文字を認識する文字認識手段と、前記文書画像格納バッファに格納された文書画像の解析結果と前記文字認識手段による文字認識結果から文書の区切りを判定するための文書区切り情報を抽出する文書区切り情報抽出手段と、前記文書区切り情報抽出手段により抽出された文書区切り情報を元にして文書の区切りを判定する文書区切り判定手段と、前記文書区切り判定手段による文書の区切り判定結果を表示して文書区切りの修正・確認を行う文書区切り候補選択手段と、前記文書区切り判定手段による文書の区切りの判定結果または前記文書区切り候補選択手段により修正した文書の区切りを用いて文書画像を文書単位に分けて文書管理システムに登録する文書管理システム登録手段とを備えたものである。
【００１４】
また、前記文書区切り情報抽出手段は、文書の先頭頁に含まれる頻度の高い文字列である開始予約語と、文書の最終頁に含まれる頻度の高い文字列である終了予約語を文書画像の文字認識結果から抽出し、この開始予約語と終了予約語の有無を、文書区切り情報として用いることを特徴とするものである。
【００１５】
また、前記文書区切り情報抽出手段は、文書画像の文字認識結果から文書の記述内容を表す代表的な単語群を抽出し、その前頁から同様な手段で抽出した単語群と比較することで文書画像間の記述内容の類似性を求め、これを文書区切り情報として用いることを特徴とするものである。
【００２２】
また、前記文書区切り判定手段は、文書区切り情報を入力とした判別分析法により、対象とする文書画像が文書の先頭頁か、それ以外の頁であるかを判別し、文書の先頭頁と判別された文書画像を先頭頁として文書画像を文書単位に分割することを特徴とするものである。
【００２３】
さらに、前記文書区切り候補選択手段は、文書区切り判定手段で得た文書区切りの判定結果をディスプレイに表示する際、判定結果の信頼度を基準として、文書区切り毎に表示方法を変えることを特徴とするものである。
【００２４】
【発明の実施の形態】
以下、この発明の実施の形態について図１〜図１３を用いて説明する。
図１は、この発明の実施の形態に係る文書自動分割装置を示す構成図である。図１において、１０１は複数文書を読み込んで文書画像を作成する画像読込手段、１０２は読込んだ文書画像を蓄える文書画像格納バッファ、１０３は文書画像中の文字を認識する文字認識手段、１０４は文書画像の解析結果と文字認識結果から文書の区切りを判定するための文書区切り情報を抽出する文書区切り情報抽出手段、１０５は文書区切り情報を元にして文書の区切りを判定する文書区切り判定手段、１０６は文書の区切り判定結果を表示して文書区切りの修正・確認を行う文書区切り候補選択手段、１０７は文書画像を文書単位に分けて文書管理システムに登録する文書管理システム登録手段である。
【００２５】
図２は、入力する文書画像の例を示す図である。
また、図３は、文書区切り情報抽出手段１０４の構成図であり、３０１は項目分類手段、３０２は開始終了予約語抽出手段、３０３は記述内容抽出手段、３０４は文頭文末空白領域抽出手段、３０５は用紙サイズ抽出手段、３０６は文字サイズ・文字列方向算出手段、３０７は項目分類情報、３０８は開始終了予約語リスト、３０９は言語辞書、３１０は文書区切り情報生成手段である。
【００２６】
また、図４は、項目分類手段の結果例を示す図であり、４０１は文書タイトル領域、４０２はヘッダ領域、４０３は頁番号領域である。
また、図５は、開始終了予約語リストの例を示す図である。
また、図６は、開始終了予約語抽出結果の例を示す図であり、６０１は開始予約語、６０２は終了予約語を示す。
【００２７】
また、図７は、記述内容抽出手段の結果例を示す図である。
また、図８は、文頭文末空白領域抽出手段の結果例を示す図であり、８０１はヒストグラム、８０２は文頭空白領域、８０３は文末空白領域である。
また、図９は、用紙サイズ抽出手段の結果例を示す図である。
【００２８】
また、図１０は、文字サイズ・文字列方向算出手段の結果例を示す図である。
また、図１１は、文書区切り判定手段の結果例を示す図であり、１１０１は区切られた１文書である。
また、図１２は、文書区切り候補の表示例１を示す図であり、１２０１は文書の区切り位置を示すマークである。
さらに、図１３は、文書区切り候補の表示例２を示す図であり、１３０１は文書の区切り位置を示すマークである。
【００２９】
以降、図１〜１３を用いて本実施の形態の動作を説明する。
まず、図１の画像読込手段１０１は、文書管理システムに登録する文書の束をスキャナ等で読込み、文書画像を作成する。そして、作成した文書画像を文書画像格納バッファ１０２に格納する。ここで、文書の束は、図２に示すような雑多な形式を持つ複数の文書を束ねたものであり、例えば紙ファイルに閉じられている文書群をそのまま取出した紙束である。
【００３０】
次に、文字認識手段１０３は、文書画像格納バッファ１０２に格納した文書画像に対して文字認識処理を行い、文書の記入内容をテキストに変換する。
次に、文書区切り情報抽出手段１０４は、文字認識手段１０３で得た文字認識結果と、文書画像格納バッファ１０２に格納した文書画像を解析して、文書の区切りを判定するための指標となる文書区切り情報を、文書画像毎に抽出する。以降、この処理内容について、図３に示す構成図に従い詳しく説明する。
【００３１】
まず、項目分類手段３０１は、文書画像上から文書タイトル領域や、ヘッダ領域、頁番号領域を抽出する。この処理は、特開平１０-２４０９０１号公報の「文書ファイリング装置及び文書ファイリング方法」に記載の方式により実現できる。具体的には、項目分類情報３０７に予め格納した文書構造のレイアウト規則（文書タイトルは文書画像の上にある等）や、文書項目ごとの記述内容（章節には数字が含まれる等）に従い、文字認識結果を解析することで実現する。例えば、図２の文書例に本処理を適用した結果、図４に示す文書タイトル領域４０１、ヘッダ領域４０２、頁番号領域４０３を得る。
【００３２】
次に、開始終了予約語抽出手段３０２は、まず、開始終了予約語リスト３０８に記述された開始予約語と終了予約語を読み出す。ここで、開始予約語は、文書の先頭頁に含まれる頻度の高い文字列を、終了予約語は文書の最終頁に含まれる頻度の高い文字列である。例えば、開始終了予約語リスト３０８には、図５に示すように開始予約語として「はじめに」や「アブストラクト」が、終了予約語として「まとめ」「以上」「最後に」が記述されている。その後、開始終了予約語抽出手段３０２は、文字認識結果のテキスト中から開始予約語や終了予約語と一致する文字列を探す。例えば、図２の文書例に本処理を適用した結果、図６に示すように開始予約語に一致した文字列６０１と、終了予約語に一致した文字列６０２を得る。
【００３３】
次に、記述内容抽出手段３０３は、言語辞書３０９の内容に従って、文書の内容に含まれる代表的な単語群を抽出し、その前頁から同様な手段で抽出した単語群と比較することで文書画像間の記述内容の類似性を求める。例えば、言語情報３０９が単語のリストの場合、その単語が文字認識結果のテキストに含まれるか否かを調べる。この処理を図２の文書例に適用した結果を図７に示す。図７は、帳票画像にどのような単語が含まれているかを示しており、図中の○印は単語が含まれていることを意味する。ここで、例えば帳票画像Ｄ１には、「顔画像」、「認識」、「調査」、「結果」が含まれ、帳票画像Ｄ２には、「顔画像」、「認識」、「調査」が含まれていることが分かる。
【００３４】
次に、文頭文末空白領域抽出手段３０４では、文書画像を画像処理的に解析して文書の上端と下端にある空白領域を検出する。ここで、文書の上端にある空白領域を文頭空白領域、下端にある空白領域を文末空白領域と呼ぶ。文頭空白領域の検出は、例えば図８に示すように、まず、文書画像の横線上にある黒画素数をカウントしたヒストグラム８０１を作成し、次に、文書の上端から下端に向かってヒストグラムの値が０である横線の本数を数える。この横線の本数が一定数以上である場合、この横線を束ねた領域を文頭空白領域と判定する。ここでは、文頭空白領域の高さを、横線の本数Ｈで表す。同様に、文末空白領域は前記処理を文書の下端から上端に向かって行い抽出する。この処理を図２の文書画像例に適用した結果、図８に示す文頭空白領域８０２と文末空白領域８０３を得る。
【００３５】
次に、用紙サイズ抽出手段３０５では、各文書画像の用紙サイズ（Ａ４縦、Ａ４横、Ｂ５縦等）を求める。この用紙サイズは各文書画像の幅と高さより容易に求めることができる。例えば、この処理を図２の文書画像例に適用することで図９に示す結果を得る。
【００３６】
次に、文字サイズ・文字列方向算出手段３０６では、文書画像に含まれる文字の平均サイズと文字列の方向（縦書、横書）を求める。文字の平均サイズは、文字認識処理した際に１文字として認識された文字イメージの幅高さを平均することで算出できる。また、文字列の方向は、文書画像中に縦書の文字列が多い場合は縦書、横書きの文字列が多い場合は横書と判定する。各文字列が縦書か横書かは、一般の文字認識処理の過程において判定されているため、この結果を用いる。
【００３７】
最後に、文書区切り情報生成手段３１０は、前記処理で求めた開始終了予約語の有無や、記述内容に従って、各文書画像が持つ文書区切り情報を生成する。ここで、ｉ番目の文書画像が持つ文書区切り情報Ｓｉは、下式（１）に示す１０次元のベクトルで表す。
文書区切り情報Ｓｉ＝｛ｘ１,ｘ２,・・・,ｘ１０｝ （１）
・ｘ１：開始予約語の有無
・ｘ２：終了予約語の有無
・ｘ３：記述内容の類似性
・ｘ４：文頭空白領域の高さ
・ｘ５：文末空白領域の高さ
・ｘ６：用紙サイズの相違
・ｘ７：平均文字サイズの相違
・ｘ８：文字列方向の相違
・ｘ９：ヘッダ領域内文字認識結果の相違
・ｘ１０：頁番号の連続性
【００３８】
式（１）において、情報量ｘ１は開始予約語の有無を示す値であり、例えば文書画像ｉに含まれる開始予約語の数である。同様に、情報量ｘ２は、その前頁に含まれる終了予約語の数である。
【００３９】
情報量ｘ３は、文書画像間における記述内容の類似性を示す値であり、文書画像ｉとその前頁とで記述内容が類似するほど大きな値を持つ。この値として、例えば文書画像ｉから記述内容抽出手段３０３で抽出した単語群と、その前頁から記述内容抽出手段３０３で抽出した単語群のうち、両方に含まれる単語の数を用いることができる。この場合、例えば、図７に示す記述内容抽出手段の結果例において、文書画像Ｄ２はｘ３＝３、文書画像Ｄ４はｘ３＝０となる。
【００４０】
次に、情報量ｘ４は文頭空白領域の有無を示す値であり、例えば文書画像ｉに含まれる文頭空白領域の高さＨである。また、情報量ｘ５は文末空白領域の有無を示す値であり、例えば文書画像ｉに含まれる文末空白領域の高さＨである。
【００４１】
情報量ｘ６は文書画像間での用紙サイズの相違を示す値である。例えば、文書画像ｉとその前頁とで用紙サイズが同じ場合は値０、異なる場合は値１を持つ。具体的に、図９に示す用紙サイズ抽出手段３０５の結果例において、文書画像Ｄ２は文書画像Ｄ１と同じ用紙サイズを持つためにｘ５＝０、文書画像Ｄ７は文書画像Ｄ６と用紙サイズが異なるためにｘ５＝１となる。
【００４２】
情報量ｘ７は文書画像間での平均文字サイズの相違を示す値であり、文字画像ｉの平均文字サイズと、その前頁の平均文字サイズとの差である。例えば、図１０に示す文字サイズ・文字列方向算出手段３０６の処理結果例において、文書画像Ｄ２は文書画像Ｄ１と同じ平均文字サイズを持つためにｘ７＝０、文書画像Ｄ４は文書画像Ｄ３よりも平均文字サイズが２大きいためにｘ７＝２となる。
【００４３】
情報量ｘ８は文書画像間での文字列方向の相違を示す値であり、文書画像ｉとその前頁とで文字列方向が同じ場合は値０、異なる場合は値１を持つ。例えば、図１０に示す文字サイズ・文字列方向算出手段３０６の処理結果例において、文書画像Ｄ２は文書画像Ｄ１と文字列方向が同じであるためｘ８＝０、文書画像Ｄ６は文書画像Ｄ５と文字列方向が異なるためｘ８＝１となる。
【００４４】
情報量ｘ９は文書画像間でのヘッダ領域の文字認識結果の相違を示す値であり、文書画像ｉとその前頁とでヘッダ領域の文字認識結果が同じ場合は値０、異なる場合は値１を持つ。例えば、図４に示す項目分類手段の結果例において、文書画像Ｄ２と文書画像Ｄ１のヘッダ領域では「報告書Ａ」という同じ文字認識結果が得られているため、文書画像Ｄ２はｘ９＝０となる。また、文書画像Ｄ４にはヘッダ領域がないが、文書画像Ｄ３ではヘッダ領域から「報告書Ａ」という文字認識結果が選られているため、文書画像Ｄ４はｘ９＝１となる。
【００４５】
最後に、情報量ｘ１０は文書画像間での頁番号の連続性を示す値であり、文書画像ｉとその前頁とで頁番号領域の文字認識の値が連続値である場合は値０、不連続な場合は値１を持つ。例えば図４に示す項目分類手段の結果例において、文書画像Ｄ９の頁番号は７３２、文書画像Ｄ８の頁番号は７３１であり頁番号が連続している。そのために文書画像Ｄ９はｘ１０＝０となる。逆に、文書画像Ｄ１０の頁番号は７６０であり、文書画像Ｄ９の頁番号は７３１とは不連続なため、文書画像Ｄ１０はｘ１０＝１となる。同様に、文書画像Ｄ８では頁番号７３１が得られているが、文書画像Ｄ７には頁番号がないため、頁番号が不連続であり文書画像Ｄ８はｘ１０＝１となる。
以上が文書区切り情報抽出手段１０４の動作である。
【００４６】
次に、文書区切り判定手段１０５の動作を説明する。
文書区切り判定手段１０５は、文書区切り情報抽出手段１０４で得た文書区切り情報Ｓを元に、文書の区切り位置を推定する。具体的には、ある文書画像ｉが、文書の先頭頁を意味する区切頁クラスと、文書の先頭頁でないことを意味する非区切頁クラスの、どちらに属するかを分類し、区切頁クラスに分類された文書画像を先頭頁として文書を分割する。例えば、この処理を図２の文書画像例に適用した結果、図１１に示すように文書Ｄ１、Ｄ４、Ｄ６、Ｄ７、Ｄ８、Ｄ１０が区切頁クラスに分類され、これらを先頭頁として区切られた文書群１１０１を得る。
【００４７】
ここで、区切頁クラスと非区切頁クラスへの分類は、例えば「パソコン統計解析ハンドブックＩＩ多変量解析編」（共立出版株式会社）に記載の判別分析法を用いて実現できる。判別分析法は多変量解析手法の一つであり、予め用意した区切頁クラスに属する文書画像が持つ文書区切り情報Ｓの集合と、非区切頁クラスに属する文書画像が持つ文書区切り情報Ｓの集合を学習データとして識別関数を生成し、これを用いて未知の文書画像ｉがどのクラスに属するかを判別する方式である。具体的には、生成した識別関数に対して、文書画像ｉより得た文書区切り情報Ｓｉを入力すると、文書画像ｉと各クラスとのズレを示す距離値Ｇｉを計算し、距離値Ｇｉが小さい方のクラスに分類する。
【００４８】
次に、文書区切り候補選択手段１０６は、文書区切り判定手段１０５で得た自動分割の結果をオペレータに表示して確認・修正を行う。ただし、オペレータが確認・修正を行う必要がない場合は、この文書区切り候補選択手段１０６を飛ばし、文書管理システム登録手段１０７により文書管理システムへ文書を登録してもよい。
【００４９】
文書区切り候補選択手段１０６は、文書画像と文書区切りの判定結果をディスプレイに表示する。例えば、この処理を図２に示す文書画像例に適用した結果、図１２の画面がディスプレイに表示される。図１２において、１２０１は自動判定した文書の区切り位置を示すマークである。オペレータはこの表示内容を見て、文書区切りの判定結果に誤りがないかを確認し、誤りがある場合はキーボード等の操作によって修正する。具体的には、余計な個所を文書の区切りとして判定している場合は、その文書の区切りを削除する。逆に正しい文書の区切りが抽出されていない場合は、そこに文書の区切りを付加する。
【００５０】
なお、ここでは、文書区切りの判定結果をディスプレイに表示する際、判定結果の信頼度を基準として、文書区切り毎に表示方法を変えても良い。ここで、信頼度の値は、例えば文書区切り判定手段１０５で求めた文書画像ｉと区切頁クラスとの距離値Ｇｉから算出できる。距離値Ｇｉが小さいほど文書画像ｉは文書区切りである可能性が高いため、信頼度＝１／Ｇｉと定義できる。例えば、図１３に示す表示画面は、信頼度が高いほど文書の区切り位置を示すマーク１３０１の線幅を太く表示したものである。これにより、オペレータは信頼性の低い個所のみを確認すれば良く、作業効率を高めることができる。
【００５１】
最後に、文書管理システム登録手段１０７は、文書区切り判定手段１０５で得た文書の区切りの判定結果、または文書区切り候補選択手段１０６で修正した文書の区切りを用いて文書画像を文書単位に分割し、文書管理システムに登録する。
【００５２】
以上が本装置の動作である。なお、前記実施の形態では、画像読込手段１０１の例としてスキャナを用いて説明したが、ＦＡＸ等、他のデバイスを用いても良い。
【００５３】
前記実施の形態によれば、文書画像を解析して文書区切り情報を抽出し、これをもとに文書の区切りを自動判定する。そのため、予め人手で文書間に仕切り用紙を挿入する必要がなく、作業を簡略化できる。また、文書区切り情報には、開始予約語の有無、記述内容の類似性、文頭・文末空白領域の高さ、用紙サイズの相違等、一般的な文書から抽出可能な多様な情報を用い、形式が既知の定型文書に特化したものでない。従って、形式が不明な雑多な文書が入力される場合でも、文書の区切りを自動判定できる。
【００５４】
【発明の効果】
以上のように、この発明によれば、複数文書を読み込んで文書画像を作成する画像読込手段と、 前記画像読込手段により作成された文書画像を格納する文書画像格納バッファと、前記文書画像格納バッファに格納された文書画像中の文字を認識する文字認識手段と、前記文書画像格納バッファに格納された文書画像の解析結果と前記文字認識手段による文字認識結果から文書の区切りを判定するための文書区切り情報を抽出する文書区切り情報抽出手段と、前記文書区切り情報抽出手段により抽出された文書区切り情報を元にして文書の区切りを判定する文書区切り判定手段と、前記文書区切り判定手段による文書の区切り判定結果を表示して文書区切りの修正・確認を行う文書区切り候補選択手段と、前記文書区切り判定手段による文書の区切りの判定結果または前記文書区切り候補選択手段により修正した文書の区切りを用いて文書画像を文書単位に分けて文書管理システムに登録する文書管理システム登録手段とを備えたので、仕切り用紙が不要であり、かつ形式が不明な雑多な文書が入力される場合でも、文書の区切りを自動的に判定できる。
【００５５】
また、前記文書区切り情報抽出手段は、文書の先頭頁に含まれる頻度の高い文字列である開始予約語と、文書の最終頁に含まれる頻度の高い文字列である終了予約語を文書画像の文字認識結果から抽出し、この開始予約語と終了予約語の有無を、文書区切り情報として用いるようにしたので、正確な文書区切り情報を抽出することが判定できる。
【００５６】
また、前記文書区切り情報抽出手段は、文書画像の文字認識結果から文書の記述内容を表す代表的な単語群を抽出し、その前頁から同様な手段で抽出した単語群と比較することで文書画像間の記述内容の類似性を求め、これを文書区切り情報として用いるようにしたので、正確な文書区切り情報を抽出することが判定できる。
【００５７】
また、前記文書区切り情報抽出手段は、文書画像を画像処理的に解析して、その上端と下端にある空白領域の大きさを求め、これを文書区切り情報として用いるようにしたので、正確な文書区切り情報を抽出することが判定できる。
【００５８】
また、前記文書区切り情報抽出手段は、文書画像の用紙サイズを文書画像の幅と高さより求め、その前頁から求めた用紙サイズとの差異を文書区切り情報として用いるようにしたので、正確な文書区切り情報を抽出することが判定できる。
【００５９】
また、前記文書区切り情報抽出手段は、文書画像の文字認識結果を元に、文書画像に含まれる文字の平均サイズを求め、その前頁から求めた文字の平均サイズとの差異を文書区切り情報として用いるようにしたので、正確な文書区切り情報を抽出することが判定できる。
【００６０】
また、前記文書区切り情報抽出手段は、文書画像の文字認識結果を元に、文書画像に含まれる文字列の方向性（縦書き・横書き）を調べ、その前頁から求めた文字列の方向性との差異を文書区切り情報として用いるようにしたので、正確な文書区切り情報を抽出することが判定できる。
【００６１】
また、前記文書区切り情報抽出手段は、対象とする文書画像から抽出したヘッダ領域の文字認識結果と、その前頁のヘッダ領域に対する文字認識結果との差異を文書区切り情報として用いるようにしたので、正確な文書区切り情報を抽出することが判定できる。
【００６２】
また、前記文書区切り情報抽出手段は、対象とする文書画像から抽出した頁番号領域に対する文字認識結果と、その前頁の文書画像から抽出した頁番号領域に対する文字認識結果を調べ、その頁番号が連続するか不連続かを、文書区切り情報として用いるようにしたので、正確な文書区切り情報を抽出することが判定できる。
【００６３】
また、前記文書区切り判定手段は、文書区切り情報を入力とした判別分析法により、対象とする文書画像が文書の先頭頁か、それ以外の頁であるかを判別し、文書の先頭頁と判別された文書画像を先頭頁として文書画像を文書単位に分割するようにしたので、文書の区切りを正確に判定できる。
【００６４】
さらに、前記文書区切り候補選択手段は、文書区切り判定手段で得た文書区切りの判定結果をディスプレイに表示する際、判定結果の信頼度を基準として、文書区切り毎に表示方法を変えるようにしたので、文書区切り候補を正確に選択することができる。
【図面の簡単な説明】
【図１】 この発明の実施の形態に係る文書自動分割装置を示す構成図である。
【図２】 入力する文書画像の例を示す図である。
【図３】 図１の文書区切り情報抽出手段１０４の構成図である。
【図４】 項目分類手段の結果例を示す図である。
【図５】 開始終了予約語リストの例を示す図である。
【図６】 開始終了予約語抽出手段の結果例を示す図である。
【図７】 記述内容抽出手段の結果例を示す図である。
【図８】 文頭文末空白領域抽出手段の結果例を示す図である。
【図９】 用紙サイズ抽出手段の結果例を示す図である。
【図１０】 文字サイズ・文字列方向算出手段の結果例を示す図である。
【図１１】 文書区切り判定手段の結果例を示す図である。
【図１２】 文書区切り候補の表示例１を示す図である。
【図１３】 文書区切り候補の表示例２を示す図である。
【図１４】 従来方式の処理フローチャートである。
【図１５】 従来方式で登録する紙文書の例を示す図である。
【符号の説明】
１０１ 画像読込手段、１０２ 文書画像格納バッファ、１０３ 文字認識手段、１０４ 文書区切り情報抽出手段、１０５ 文書区切り判定手段、１０６ 文書区切り候補選択手段、１０７ 文書管理システム登録手段、３０１ 項目分類手段、３０２ 開始終了予約語抽出手段、３０３ 記述内容抽出手段、３０４文頭文末空白領域抽出手段、３０５ 用紙サイズ抽出手段、３０６ 文字サイズ・文字列方向算出手段、３０７ 項目分類情報、３０８ 開始終了予約語リスト、３０９ 言語辞書、３１０ 文書区切り情報生成処理、４０１ 文書タイトル領域、４０２ ヘッダ領域、４０３ 頁番号領域、６０１ 開始予約語、６０２ 終了予約語、８０１ヒストグラム、８０２ 文頭空白領域、８０３ 文末空白領域、１１０１ 区切られた１文書、１２０１ 文書の区切り位置を示すマーク、１３０１ 文書の区切り位置を示すマーク、１５０１ 仕切り用紙、１５０２ 複数頁からなる１個の文書、１５０３ 特定画像領域、１５０４ データ記載領域。
【発明の属する技術分野】
この発明は、複数文書の文書画像を一括して文書管理システムに登録する際、文書の区切りを自動判定して、それら文書画像を文書単位に分割する文書自動分割装置に関する。
【０００２】
【従来の技術】
従来の文書管理システムでは、スキャナで読込んだ文書画像群の内容をオペレータが目視でチェックし、ツールを利用して文書の区切り位置を指定することにより、文書画像群を文書単位に分割して登録していた。そのため、オペレータが文書の区切り位置を判定するための労力を要し、文書登録時の妨げとなっていた。
【０００３】
この対策の一つとして、スキャナで文書を読込む際、機械が容易に判別可能な仕切り用紙を予め文書間に挟むことで、文書を半自動的に分割する方式が特許２９６２９６１号に提示されている。以下、この文書分割装置を従来例として、図１４と図１５を用いて説明する。
【０００４】
図１４は従来方式における登録処理のフローチャートであり、図１５は登録する紙文書の例を示す。図１５中の符号１５０１は仕切り用紙、１５０２は複数頁からなる１連の文書、１５０３は特定画像領域、１５０４はデータ記載領域を示す。以降、図１４に示すフローチャートを参照して従来例の動作を説明する。
【０００５】
登録の際は、まず、登録する紙文書の束をスキャナのＡＤＦにセットする（ＳＴ１４０１）。この時、各文書の先頭には仕切り用紙を付ける。例えば、図１５に示す２つの文書１５０２を登録する場合、両文書の先頭に仕切り用紙１５０１を付ける。
【０００６】
次に、スキャナ読込み処理（ＳＴ１４０２）では、スキャナのＡＤＦから１枚の紙文書を読込んで文書画像に変換する。
そして、仕切り用紙判定処理（ＳＴ１４０３）では、読込んだ文書画像が仕切り用紙か、登録する文書かを判定する。具体的には、図１５に示す特定画像領域１５０３の内部を解析して、内部に文字列「◆仕切り用紙◆」が記入されていれば仕切り用紙と判定し、他の場合は登録する文書と判定する。
【０００７】
ここで、仕切り用紙と判定された場合は、仕切り用紙情報読取処理（ＳＴ１４０４）を行う。この処理では仕切り用紙上のデータ記載領域１５０４を解析し、そこに記されている文書の登録先の情報を読取る。逆に文書画像が登録する文書であると判定された場合は、イメージ格納処理（ＳＴ１４０５）を行う。この処理では既に仕切り用紙から読込まれた文書の登録先の情報に従って文書画像を文書管理システムに登録する。
【０００８】
その後、スキャナのＡＤＦに次の用紙があるかを確認し（ＳＴ１４０６）、用紙がなくなるまでスキャナ読込み処理（ＳＴ１４０２）からの処理を繰り返す。
【０００９】
以上の処理によれば、各文書の先頭に仕切り用紙を付けてスキャナから読込み、読込んだ文書画像が仕切り用紙か否かを機械が自動判定することにより、人手で文書の区切りを判定する作業なしに文書を文書管理システムへ登録することができる。
【００１０】
【発明が解決しようとする課題】
しかしながら、上述した従来方式では、予め人間が文書間に仕切り用紙を入れておく必要であり、仕切り用紙を入れる作業無しで文書を自動分割することができない課題がある。
【００１１】
この課題に対して、文書画像上の固定領域内から文字を認識し、その認識結果に特定の文字列が含まれていれば、その文書画像を文書の区切りと判定する仕切り用紙の不要な文書自動分割装置が特開平１１-０３９４６５号公報に示されている。例えば、文書画像の上端に「社員名簿」という文字列が記入されている場合、この文書画像を文書の先頭頁と判定する。しかし、この方式は形式の明らかな定型の文書を前提としており、形式が不明な雑多な文書が入力される場合には適用が困難な課題がある。
【００１２】
この発明はかかる問題点を解決するものであり、仕切り用紙が不要であり、かつ形式が不明な雑多な文書が入力される場合でも、文書の区切りを自動的に判定できる文書自動分割装置の提供を目的とする。
【００１３】
【課題を解決するための手段】
この発明に係る文書自動分割装置は、複数文書を読み込んで文書画像を作成する画像読込手段と、 前記画像読込手段により作成された文書画像を格納する文書画像格納バッファと、前記文書画像格納バッファに格納された文書画像中の文字を認識する文字認識手段と、前記文書画像格納バッファに格納された文書画像の解析結果と前記文字認識手段による文字認識結果から文書の区切りを判定するための文書区切り情報を抽出する文書区切り情報抽出手段と、前記文書区切り情報抽出手段により抽出された文書区切り情報を元にして文書の区切りを判定する文書区切り判定手段と、前記文書区切り判定手段による文書の区切り判定結果を表示して文書区切りの修正・確認を行う文書区切り候補選択手段と、前記文書区切り判定手段による文書の区切りの判定結果または前記文書区切り候補選択手段により修正した文書の区切りを用いて文書画像を文書単位に分けて文書管理システムに登録する文書管理システム登録手段とを備えたものである。
【００１４】
また、前記文書区切り情報抽出手段は、文書の先頭頁に含まれる頻度の高い文字列である開始予約語と、文書の最終頁に含まれる頻度の高い文字列である終了予約語を文書画像の文字認識結果から抽出し、この開始予約語と終了予約語の有無を、文書区切り情報として用いることを特徴とするものである。
【００１５】
また、前記文書区切り情報抽出手段は、文書画像の文字認識結果から文書の記述内容を表す代表的な単語群を抽出し、その前頁から同様な手段で抽出した単語群と比較することで文書画像間の記述内容の類似性を求め、これを文書区切り情報として用いることを特徴とするものである。
【００２２】
また、前記文書区切り判定手段は、文書区切り情報を入力とした判別分析法により、対象とする文書画像が文書の先頭頁か、それ以外の頁であるかを判別し、文書の先頭頁と判別された文書画像を先頭頁として文書画像を文書単位に分割することを特徴とするものである。
【００２３】
さらに、前記文書区切り候補選択手段は、文書区切り判定手段で得た文書区切りの判定結果をディスプレイに表示する際、判定結果の信頼度を基準として、文書区切り毎に表示方法を変えることを特徴とするものである。
【００２４】
【発明の実施の形態】
以下、この発明の実施の形態について図１〜図１３を用いて説明する。
図１は、この発明の実施の形態に係る文書自動分割装置を示す構成図である。図１において、１０１は複数文書を読み込んで文書画像を作成する画像読込手段、１０２は読込んだ文書画像を蓄える文書画像格納バッファ、１０３は文書画像中の文字を認識する文字認識手段、１０４は文書画像の解析結果と文字認識結果から文書の区切りを判定するための文書区切り情報を抽出する文書区切り情報抽出手段、１０５は文書区切り情報を元にして文書の区切りを判定する文書区切り判定手段、１０６は文書の区切り判定結果を表示して文書区切りの修正・確認を行う文書区切り候補選択手段、１０７は文書画像を文書単位に分けて文書管理システムに登録する文書管理システム登録手段である。
【００２５】
図２は、入力する文書画像の例を示す図である。
また、図３は、文書区切り情報抽出手段１０４の構成図であり、３０１は項目分類手段、３０２は開始終了予約語抽出手段、３０３は記述内容抽出手段、３０４は文頭文末空白領域抽出手段、３０５は用紙サイズ抽出手段、３０６は文字サイズ・文字列方向算出手段、３０７は項目分類情報、３０８は開始終了予約語リスト、３０９は言語辞書、３１０は文書区切り情報生成手段である。
【００２６】
また、図４は、項目分類手段の結果例を示す図であり、４０１は文書タイトル領域、４０２はヘッダ領域、４０３は頁番号領域である。
また、図５は、開始終了予約語リストの例を示す図である。
また、図６は、開始終了予約語抽出結果の例を示す図であり、６０１は開始予約語、６０２は終了予約語を示す。
【００２７】
また、図７は、記述内容抽出手段の結果例を示す図である。
また、図８は、文頭文末空白領域抽出手段の結果例を示す図であり、８０１はヒストグラム、８０２は文頭空白領域、８０３は文末空白領域である。
また、図９は、用紙サイズ抽出手段の結果例を示す図である。
【００２８】
また、図１０は、文字サイズ・文字列方向算出手段の結果例を示す図である。
また、図１１は、文書区切り判定手段の結果例を示す図であり、１１０１は区切られた１文書である。
また、図１２は、文書区切り候補の表示例１を示す図であり、１２０１は文書の区切り位置を示すマークである。
さらに、図１３は、文書区切り候補の表示例２を示す図であり、１３０１は文書の区切り位置を示すマークである。
【００２９】
以降、図１〜１３を用いて本実施の形態の動作を説明する。
まず、図１の画像読込手段１０１は、文書管理システムに登録する文書の束をスキャナ等で読込み、文書画像を作成する。そして、作成した文書画像を文書画像格納バッファ１０２に格納する。ここで、文書の束は、図２に示すような雑多な形式を持つ複数の文書を束ねたものであり、例えば紙ファイルに閉じられている文書群をそのまま取出した紙束である。
【００３０】
次に、文字認識手段１０３は、文書画像格納バッファ１０２に格納した文書画像に対して文字認識処理を行い、文書の記入内容をテキストに変換する。
次に、文書区切り情報抽出手段１０４は、文字認識手段１０３で得た文字認識結果と、文書画像格納バッファ１０２に格納した文書画像を解析して、文書の区切りを判定するための指標となる文書区切り情報を、文書画像毎に抽出する。以降、この処理内容について、図３に示す構成図に従い詳しく説明する。
【００３１】
まず、項目分類手段３０１は、文書画像上から文書タイトル領域や、ヘッダ領域、頁番号領域を抽出する。この処理は、特開平１０-２４０９０１号公報の「文書ファイリング装置及び文書ファイリング方法」に記載の方式により実現できる。具体的には、項目分類情報３０７に予め格納した文書構造のレイアウト規則（文書タイトルは文書画像の上にある等）や、文書項目ごとの記述内容（章節には数字が含まれる等）に従い、文字認識結果を解析することで実現する。例えば、図２の文書例に本処理を適用した結果、図４に示す文書タイトル領域４０１、ヘッダ領域４０２、頁番号領域４０３を得る。
【００３２】
次に、開始終了予約語抽出手段３０２は、まず、開始終了予約語リスト３０８に記述された開始予約語と終了予約語を読み出す。ここで、開始予約語は、文書の先頭頁に含まれる頻度の高い文字列を、終了予約語は文書の最終頁に含まれる頻度の高い文字列である。例えば、開始終了予約語リスト３０８には、図５に示すように開始予約語として「はじめに」や「アブストラクト」が、終了予約語として「まとめ」「以上」「最後に」が記述されている。その後、開始終了予約語抽出手段３０２は、文字認識結果のテキスト中から開始予約語や終了予約語と一致する文字列を探す。例えば、図２の文書例に本処理を適用した結果、図６に示すように開始予約語に一致した文字列６０１と、終了予約語に一致した文字列６０２を得る。
【００３３】
次に、記述内容抽出手段３０３は、言語辞書３０９の内容に従って、文書の内容に含まれる代表的な単語群を抽出し、その前頁から同様な手段で抽出した単語群と比較することで文書画像間の記述内容の類似性を求める。例えば、言語情報３０９が単語のリストの場合、その単語が文字認識結果のテキストに含まれるか否かを調べる。この処理を図２の文書例に適用した結果を図７に示す。図７は、帳票画像にどのような単語が含まれているかを示しており、図中の○印は単語が含まれていることを意味する。ここで、例えば帳票画像Ｄ１には、「顔画像」、「認識」、「調査」、「結果」が含まれ、帳票画像Ｄ２には、「顔画像」、「認識」、「調査」が含まれていることが分かる。
【００３４】
次に、文頭文末空白領域抽出手段３０４では、文書画像を画像処理的に解析して文書の上端と下端にある空白領域を検出する。ここで、文書の上端にある空白領域を文頭空白領域、下端にある空白領域を文末空白領域と呼ぶ。文頭空白領域の検出は、例えば図８に示すように、まず、文書画像の横線上にある黒画素数をカウントしたヒストグラム８０１を作成し、次に、文書の上端から下端に向かってヒストグラムの値が０である横線の本数を数える。この横線の本数が一定数以上である場合、この横線を束ねた領域を文頭空白領域と判定する。ここでは、文頭空白領域の高さを、横線の本数Ｈで表す。同様に、文末空白領域は前記処理を文書の下端から上端に向かって行い抽出する。この処理を図２の文書画像例に適用した結果、図８に示す文頭空白領域８０２と文末空白領域８０３を得る。
【００３５】
次に、用紙サイズ抽出手段３０５では、各文書画像の用紙サイズ（Ａ４縦、Ａ４横、Ｂ５縦等）を求める。この用紙サイズは各文書画像の幅と高さより容易に求めることができる。例えば、この処理を図２の文書画像例に適用することで図９に示す結果を得る。
【００３６】
次に、文字サイズ・文字列方向算出手段３０６では、文書画像に含まれる文字の平均サイズと文字列の方向（縦書、横書）を求める。文字の平均サイズは、文字認識処理した際に１文字として認識された文字イメージの幅高さを平均することで算出できる。また、文字列の方向は、文書画像中に縦書の文字列が多い場合は縦書、横書きの文字列が多い場合は横書と判定する。各文字列が縦書か横書かは、一般の文字認識処理の過程において判定されているため、この結果を用いる。
【００３７】
最後に、文書区切り情報生成手段３１０は、前記処理で求めた開始終了予約語の有無や、記述内容に従って、各文書画像が持つ文書区切り情報を生成する。ここで、ｉ番目の文書画像が持つ文書区切り情報Ｓｉは、下式（１）に示す１０次元のベクトルで表す。
文書区切り情報Ｓｉ＝｛ｘ１,ｘ２,・・・,ｘ１０｝ （１）
・ｘ１：開始予約語の有無
・ｘ２：終了予約語の有無
・ｘ３：記述内容の類似性
・ｘ４：文頭空白領域の高さ
・ｘ５：文末空白領域の高さ
・ｘ６：用紙サイズの相違
・ｘ７：平均文字サイズの相違
・ｘ８：文字列方向の相違
・ｘ９：ヘッダ領域内文字認識結果の相違
・ｘ１０：頁番号の連続性
【００３８】
式（１）において、情報量ｘ１は開始予約語の有無を示す値であり、例えば文書画像ｉに含まれる開始予約語の数である。同様に、情報量ｘ２は、その前頁に含まれる終了予約語の数である。
【００３９】
情報量ｘ３は、文書画像間における記述内容の類似性を示す値であり、文書画像ｉとその前頁とで記述内容が類似するほど大きな値を持つ。この値として、例えば文書画像ｉから記述内容抽出手段３０３で抽出した単語群と、その前頁から記述内容抽出手段３０３で抽出した単語群のうち、両方に含まれる単語の数を用いることができる。この場合、例えば、図７に示す記述内容抽出手段の結果例において、文書画像Ｄ２はｘ３＝３、文書画像Ｄ４はｘ３＝０となる。
【００４０】
次に、情報量ｘ４は文頭空白領域の有無を示す値であり、例えば文書画像ｉに含まれる文頭空白領域の高さＨである。また、情報量ｘ５は文末空白領域の有無を示す値であり、例えば文書画像ｉに含まれる文末空白領域の高さＨである。
【００４１】
情報量ｘ６は文書画像間での用紙サイズの相違を示す値である。例えば、文書画像ｉとその前頁とで用紙サイズが同じ場合は値０、異なる場合は値１を持つ。具体的に、図９に示す用紙サイズ抽出手段３０５の結果例において、文書画像Ｄ２は文書画像Ｄ１と同じ用紙サイズを持つためにｘ５＝０、文書画像Ｄ７は文書画像Ｄ６と用紙サイズが異なるためにｘ５＝１となる。
【００４２】
情報量ｘ７は文書画像間での平均文字サイズの相違を示す値であり、文字画像ｉの平均文字サイズと、その前頁の平均文字サイズとの差である。例えば、図１０に示す文字サイズ・文字列方向算出手段３０６の処理結果例において、文書画像Ｄ２は文書画像Ｄ１と同じ平均文字サイズを持つためにｘ７＝０、文書画像Ｄ４は文書画像Ｄ３よりも平均文字サイズが２大きいためにｘ７＝２となる。
【００４３】
情報量ｘ８は文書画像間での文字列方向の相違を示す値であり、文書画像ｉとその前頁とで文字列方向が同じ場合は値０、異なる場合は値１を持つ。例えば、図１０に示す文字サイズ・文字列方向算出手段３０６の処理結果例において、文書画像Ｄ２は文書画像Ｄ１と文字列方向が同じであるためｘ８＝０、文書画像Ｄ６は文書画像Ｄ５と文字列方向が異なるためｘ８＝１となる。
【００４４】
情報量ｘ９は文書画像間でのヘッダ領域の文字認識結果の相違を示す値であり、文書画像ｉとその前頁とでヘッダ領域の文字認識結果が同じ場合は値０、異なる場合は値１を持つ。例えば、図４に示す項目分類手段の結果例において、文書画像Ｄ２と文書画像Ｄ１のヘッダ領域では「報告書Ａ」という同じ文字認識結果が得られているため、文書画像Ｄ２はｘ９＝０となる。また、文書画像Ｄ４にはヘッダ領域がないが、文書画像Ｄ３ではヘッダ領域から「報告書Ａ」という文字認識結果が選られているため、文書画像Ｄ４はｘ９＝１となる。
【００４５】
最後に、情報量ｘ１０は文書画像間での頁番号の連続性を示す値であり、文書画像ｉとその前頁とで頁番号領域の文字認識の値が連続値である場合は値０、不連続な場合は値１を持つ。例えば図４に示す項目分類手段の結果例において、文書画像Ｄ９の頁番号は７３２、文書画像Ｄ８の頁番号は７３１であり頁番号が連続している。そのために文書画像Ｄ９はｘ１０＝０となる。逆に、文書画像Ｄ１０の頁番号は７６０であり、文書画像Ｄ９の頁番号は７３１とは不連続なため、文書画像Ｄ１０はｘ１０＝１となる。同様に、文書画像Ｄ８では頁番号７３１が得られているが、文書画像Ｄ７には頁番号がないため、頁番号が不連続であり文書画像Ｄ８はｘ１０＝１となる。
以上が文書区切り情報抽出手段１０４の動作である。
【００４６】
次に、文書区切り判定手段１０５の動作を説明する。
文書区切り判定手段１０５は、文書区切り情報抽出手段１０４で得た文書区切り情報Ｓを元に、文書の区切り位置を推定する。具体的には、ある文書画像ｉが、文書の先頭頁を意味する区切頁クラスと、文書の先頭頁でないことを意味する非区切頁クラスの、どちらに属するかを分類し、区切頁クラスに分類された文書画像を先頭頁として文書を分割する。例えば、この処理を図２の文書画像例に適用した結果、図１１に示すように文書Ｄ１、Ｄ４、Ｄ６、Ｄ７、Ｄ８、Ｄ１０が区切頁クラスに分類され、これらを先頭頁として区切られた文書群１１０１を得る。
【００４７】
ここで、区切頁クラスと非区切頁クラスへの分類は、例えば「パソコン統計解析ハンドブックＩＩ多変量解析編」（共立出版株式会社）に記載の判別分析法を用いて実現できる。判別分析法は多変量解析手法の一つであり、予め用意した区切頁クラスに属する文書画像が持つ文書区切り情報Ｓの集合と、非区切頁クラスに属する文書画像が持つ文書区切り情報Ｓの集合を学習データとして識別関数を生成し、これを用いて未知の文書画像ｉがどのクラスに属するかを判別する方式である。具体的には、生成した識別関数に対して、文書画像ｉより得た文書区切り情報Ｓｉを入力すると、文書画像ｉと各クラスとのズレを示す距離値Ｇｉを計算し、距離値Ｇｉが小さい方のクラスに分類する。
【００４８】
次に、文書区切り候補選択手段１０６は、文書区切り判定手段１０５で得た自動分割の結果をオペレータに表示して確認・修正を行う。ただし、オペレータが確認・修正を行う必要がない場合は、この文書区切り候補選択手段１０６を飛ばし、文書管理システム登録手段１０７により文書管理システムへ文書を登録してもよい。
【００４９】
文書区切り候補選択手段１０６は、文書画像と文書区切りの判定結果をディスプレイに表示する。例えば、この処理を図２に示す文書画像例に適用した結果、図１２の画面がディスプレイに表示される。図１２において、１２０１は自動判定した文書の区切り位置を示すマークである。オペレータはこの表示内容を見て、文書区切りの判定結果に誤りがないかを確認し、誤りがある場合はキーボード等の操作によって修正する。具体的には、余計な個所を文書の区切りとして判定している場合は、その文書の区切りを削除する。逆に正しい文書の区切りが抽出されていない場合は、そこに文書の区切りを付加する。
【００５０】
なお、ここでは、文書区切りの判定結果をディスプレイに表示する際、判定結果の信頼度を基準として、文書区切り毎に表示方法を変えても良い。ここで、信頼度の値は、例えば文書区切り判定手段１０５で求めた文書画像ｉと区切頁クラスとの距離値Ｇｉから算出できる。距離値Ｇｉが小さいほど文書画像ｉは文書区切りである可能性が高いため、信頼度＝１／Ｇｉと定義できる。例えば、図１３に示す表示画面は、信頼度が高いほど文書の区切り位置を示すマーク１３０１の線幅を太く表示したものである。これにより、オペレータは信頼性の低い個所のみを確認すれば良く、作業効率を高めることができる。
【００５１】
最後に、文書管理システム登録手段１０７は、文書区切り判定手段１０５で得た文書の区切りの判定結果、または文書区切り候補選択手段１０６で修正した文書の区切りを用いて文書画像を文書単位に分割し、文書管理システムに登録する。
【００５２】
以上が本装置の動作である。なお、前記実施の形態では、画像読込手段１０１の例としてスキャナを用いて説明したが、ＦＡＸ等、他のデバイスを用いても良い。
【００５３】
前記実施の形態によれば、文書画像を解析して文書区切り情報を抽出し、これをもとに文書の区切りを自動判定する。そのため、予め人手で文書間に仕切り用紙を挿入する必要がなく、作業を簡略化できる。また、文書区切り情報には、開始予約語の有無、記述内容の類似性、文頭・文末空白領域の高さ、用紙サイズの相違等、一般的な文書から抽出可能な多様な情報を用い、形式が既知の定型文書に特化したものでない。従って、形式が不明な雑多な文書が入力される場合でも、文書の区切りを自動判定できる。
【００５４】
【発明の効果】
以上のように、この発明によれば、複数文書を読み込んで文書画像を作成する画像読込手段と、 前記画像読込手段により作成された文書画像を格納する文書画像格納バッファと、前記文書画像格納バッファに格納された文書画像中の文字を認識する文字認識手段と、前記文書画像格納バッファに格納された文書画像の解析結果と前記文字認識手段による文字認識結果から文書の区切りを判定するための文書区切り情報を抽出する文書区切り情報抽出手段と、前記文書区切り情報抽出手段により抽出された文書区切り情報を元にして文書の区切りを判定する文書区切り判定手段と、前記文書区切り判定手段による文書の区切り判定結果を表示して文書区切りの修正・確認を行う文書区切り候補選択手段と、前記文書区切り判定手段による文書の区切りの判定結果または前記文書区切り候補選択手段により修正した文書の区切りを用いて文書画像を文書単位に分けて文書管理システムに登録する文書管理システム登録手段とを備えたので、仕切り用紙が不要であり、かつ形式が不明な雑多な文書が入力される場合でも、文書の区切りを自動的に判定できる。
【００５５】
また、前記文書区切り情報抽出手段は、文書の先頭頁に含まれる頻度の高い文字列である開始予約語と、文書の最終頁に含まれる頻度の高い文字列である終了予約語を文書画像の文字認識結果から抽出し、この開始予約語と終了予約語の有無を、文書区切り情報として用いるようにしたので、正確な文書区切り情報を抽出することが判定できる。
【００５６】
また、前記文書区切り情報抽出手段は、文書画像の文字認識結果から文書の記述内容を表す代表的な単語群を抽出し、その前頁から同様な手段で抽出した単語群と比較することで文書画像間の記述内容の類似性を求め、これを文書区切り情報として用いるようにしたので、正確な文書区切り情報を抽出することが判定できる。
【００５７】
また、前記文書区切り情報抽出手段は、文書画像を画像処理的に解析して、その上端と下端にある空白領域の大きさを求め、これを文書区切り情報として用いるようにしたので、正確な文書区切り情報を抽出することが判定できる。
【００５８】
また、前記文書区切り情報抽出手段は、文書画像の用紙サイズを文書画像の幅と高さより求め、その前頁から求めた用紙サイズとの差異を文書区切り情報として用いるようにしたので、正確な文書区切り情報を抽出することが判定できる。
【００５９】
また、前記文書区切り情報抽出手段は、文書画像の文字認識結果を元に、文書画像に含まれる文字の平均サイズを求め、その前頁から求めた文字の平均サイズとの差異を文書区切り情報として用いるようにしたので、正確な文書区切り情報を抽出することが判定できる。
【００６０】
また、前記文書区切り情報抽出手段は、文書画像の文字認識結果を元に、文書画像に含まれる文字列の方向性（縦書き・横書き）を調べ、その前頁から求めた文字列の方向性との差異を文書区切り情報として用いるようにしたので、正確な文書区切り情報を抽出することが判定できる。
【００６１】
また、前記文書区切り情報抽出手段は、対象とする文書画像から抽出したヘッダ領域の文字認識結果と、その前頁のヘッダ領域に対する文字認識結果との差異を文書区切り情報として用いるようにしたので、正確な文書区切り情報を抽出することが判定できる。
【００６２】
また、前記文書区切り情報抽出手段は、対象とする文書画像から抽出した頁番号領域に対する文字認識結果と、その前頁の文書画像から抽出した頁番号領域に対する文字認識結果を調べ、その頁番号が連続するか不連続かを、文書区切り情報として用いるようにしたので、正確な文書区切り情報を抽出することが判定できる。
【００６３】
また、前記文書区切り判定手段は、文書区切り情報を入力とした判別分析法により、対象とする文書画像が文書の先頭頁か、それ以外の頁であるかを判別し、文書の先頭頁と判別された文書画像を先頭頁として文書画像を文書単位に分割するようにしたので、文書の区切りを正確に判定できる。
【００６４】
さらに、前記文書区切り候補選択手段は、文書区切り判定手段で得た文書区切りの判定結果をディスプレイに表示する際、判定結果の信頼度を基準として、文書区切り毎に表示方法を変えるようにしたので、文書区切り候補を正確に選択することができる。
【図面の簡単な説明】
【図１】 この発明の実施の形態に係る文書自動分割装置を示す構成図である。
【図２】 入力する文書画像の例を示す図である。
【図３】 図１の文書区切り情報抽出手段１０４の構成図である。
【図４】 項目分類手段の結果例を示す図である。
【図５】 開始終了予約語リストの例を示す図である。
【図６】 開始終了予約語抽出手段の結果例を示す図である。
【図７】 記述内容抽出手段の結果例を示す図である。
【図８】 文頭文末空白領域抽出手段の結果例を示す図である。
【図９】 用紙サイズ抽出手段の結果例を示す図である。
【図１０】 文字サイズ・文字列方向算出手段の結果例を示す図である。
【図１１】 文書区切り判定手段の結果例を示す図である。
【図１２】 文書区切り候補の表示例１を示す図である。
【図１３】 文書区切り候補の表示例２を示す図である。
【図１４】 従来方式の処理フローチャートである。
【図１５】 従来方式で登録する紙文書の例を示す図である。
【符号の説明】
１０１ 画像読込手段、１０２ 文書画像格納バッファ、１０３ 文字認識手段、１０４ 文書区切り情報抽出手段、１０５ 文書区切り判定手段、１０６ 文書区切り候補選択手段、１０７ 文書管理システム登録手段、３０１ 項目分類手段、３０２ 開始終了予約語抽出手段、３０３ 記述内容抽出手段、３０４文頭文末空白領域抽出手段、３０５ 用紙サイズ抽出手段、３０６ 文字サイズ・文字列方向算出手段、３０７ 項目分類情報、３０８ 開始終了予約語リスト、３０９ 言語辞書、３１０ 文書区切り情報生成処理、４０１ 文書タイトル領域、４０２ ヘッダ領域、４０３ 頁番号領域、６０１ 開始予約語、６０２ 終了予約語、８０１ヒストグラム、８０２ 文頭空白領域、８０３ 文末空白領域、１１０１ 区切られた１文書、１２０１ 文書の区切り位置を示すマーク、１３０１ 文書の区切り位置を示すマーク、１５０１ 仕切り用紙、１５０２ 複数頁からなる１個の文書、１５０３ 特定画像領域、１５０４ データ記載領域。
Claims (4)
- 複数文書を読み込んで文書画像を作成する画像読込手段と、
前記画像読込手段により作成された文書画像を格納する文書画像格納バッファと、
前記文書画像格納バッファに格納された文書画像中の文字を認識する文字認識手段と、
前記文書画像格納バッファに格納された文書画像の解析結果と前記文字認識手段による文字認識結果から文書の区切りを判定するための文書区切り情報を抽出する文書区切り情報抽出手段と、
前記文書区切り情報抽出手段により抽出された文書区切り情報を元にして文書の区切りを判定する文書区切り判定手段と、
前記文書区切り判定手段による文書の区切り判定結果を表示して文書区切りの修正・確認を行う文書区切り候補選択手段と、
前記文書区切り判定手段による文書の区切りの判定結果または前記文書区切り候補選択手段により修正した文書の区切りを用いて文書画像を文書単位に分けて文書管理システムに登録する文書管理システム登録手段と
を備え、
前記文書区切り情報抽出手段は、文書の先頭頁に含まれる頻度の高い文字列である開始予約語と、文書の最終頁に含まれる頻度の高い文字列である終了予約語を文書画像の文字認識結果から抽出し、この開始予約語と終了予約語の有無を、文書区切り情報として用いる
ことを特徴とする文書自動分割装置。 - 複数文書を読み込んで文書画像を作成する画像読込手段と、
前記画像読込手段により作成された文書画像を格納する文書画像格納バッファと、
前記文書画像格納バッファに格納された文書画像中の文字を認識する文字認識手段と、
前記文書画像格納バッファに格納された文書画像の解析結果と前記文字認識手段による文字認識結果から文書の区切りを判定するための文書区切り情報を抽出する文書区切り情報抽出手段と、
前記文書区切り情報抽出手段により抽出された文書区切り情報を元にして文書の区切りを判定する文書区切り判定手段と、
前記文書区切り判定手段による文書の区切り判定結果を表示して文書区切りの修正・確認を行う文書区切り候補選択手段と、
前記文書区切り判定手段による文書の区切りの判定結果または前記文書区切り候補選択手段により修正した文書の区切りを用いて文書画像を文書単位に分けて文書管理システムに登録する文書管理システム登録手段と
を備え、
前記文書区切り情報抽出手段は、文書画像の文字認識結果から文書の記述内容を表す代表的な単語群を抽出し、その前頁から同様な手段で抽出した単語群と比較することで文書画像間の記述内容の類似性を求め、これを文書区切り情報として用いる
ことを特徴とする文書自動分割装置。 - 請求項１または２に記載の文書自動分割装置において、
前記文書区切り判定手段は、文書区切り情報を入力とした判別分析法により、対象とする文書画像が文書の先頭頁か、それ以外の頁であるかを判別し、文書の先頭頁と判別された文書画像を先頭頁として文書画像を文書単位に分割する
ことを特徴とする文書自動分割装置。 - 請求項１ないし３のいずれかに記載の文書自動分割装置において、
前記文書区切り候補選択手段は、文書区切り判定手段で得た文書区切りの判定結果をディスプレイに表示する際、判定結果の信頼度を基準として、文書区切り毎に表示方法を変える
ことを特徴とする文書自動分割装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2001119918A JP3824209B2 (ja) | 2001-04-18 | 2001-04-18 | 文書自動分割装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2001119918A JP3824209B2 (ja) | 2001-04-18 | 2001-04-18 | 文書自動分割装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2002312385A JP2002312385A (ja) | 2002-10-25 |
| JP3824209B2 true JP3824209B2 (ja) | 2006-09-20 |
Family
ID=18970048
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2001119918A Expired - Fee Related JP3824209B2 (ja) | 2001-04-18 | 2001-04-18 | 文書自動分割装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3824209B2 (ja) |
Families Citing this family (35)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8693043B2 (en) | 2003-12-19 | 2014-04-08 | Kofax, Inc. | Automatic document separation |
| US7760372B2 (en) * | 2005-01-11 | 2010-07-20 | Xerox Corporation | Method for automated document selection |
| US9137417B2 (en) | 2005-03-24 | 2015-09-15 | Kofax, Inc. | Systems and methods for processing video data |
| US9769354B2 (en) | 2005-03-24 | 2017-09-19 | Kofax, Inc. | Systems and methods of processing scanned data |
| JP4780184B2 (ja) * | 2008-12-03 | 2011-09-28 | 富士ゼロックス株式会社 | 画像処理装置及び画像処理プログラム |
| JP4793429B2 (ja) * | 2008-12-03 | 2011-10-12 | 富士ゼロックス株式会社 | 画像処理装置及び画像処理プログラム |
| US8958605B2 (en) | 2009-02-10 | 2015-02-17 | Kofax, Inc. | Systems, methods and computer program products for determining document validity |
| US8774516B2 (en) | 2009-02-10 | 2014-07-08 | Kofax, Inc. | Systems, methods and computer program products for determining document validity |
| US9576272B2 (en) | 2009-02-10 | 2017-02-21 | Kofax, Inc. | Systems, methods and computer program products for determining document validity |
| US9349046B2 (en) | 2009-02-10 | 2016-05-24 | Kofax, Inc. | Smart optical input/output (I/O) extension for context-dependent workflows |
| US9767354B2 (en) | 2009-02-10 | 2017-09-19 | Kofax, Inc. | Global geographic information retrieval, validation, and normalization |
| JP4843705B2 (ja) * | 2009-11-20 | 2011-12-21 | 株式会社東芝 | 名刺読取装置 |
| JP5653651B2 (ja) | 2010-05-11 | 2015-01-14 | シャープ株式会社 | 画像表示装置及びこれを備えた画像形成装置 |
| JP5077413B2 (ja) | 2010-09-30 | 2012-11-21 | ブラザー工業株式会社 | 画像処理装置、画像処理方法、画像読取装置及び画像処理プログラム |
| JP5522024B2 (ja) | 2010-12-27 | 2014-06-18 | ブラザー工業株式会社 | 画像処理装置、画像処理方法、及び画像処理プログラム |
| JP5583103B2 (ja) | 2011-10-26 | 2014-09-03 | シャープ株式会社 | 文書ファイル出力装置、文書ファイル出力方法、及びコンピュータプログラム |
| US8989515B2 (en) | 2012-01-12 | 2015-03-24 | Kofax, Inc. | Systems and methods for mobile image capture and processing |
| US10146795B2 (en) | 2012-01-12 | 2018-12-04 | Kofax, Inc. | Systems and methods for mobile image capture and processing |
| US9058515B1 (en) | 2012-01-12 | 2015-06-16 | Kofax, Inc. | Systems and methods for identification document processing and business workflow integration |
| US9483794B2 (en) | 2012-01-12 | 2016-11-01 | Kofax, Inc. | Systems and methods for identification document processing and business workflow integration |
| US9058580B1 (en) | 2012-01-12 | 2015-06-16 | Kofax, Inc. | Systems and methods for identification document processing and business workflow integration |
| US9355312B2 (en) | 2013-03-13 | 2016-05-31 | Kofax, Inc. | Systems and methods for classifying objects in digital images captured using mobile devices |
| WO2014160426A1 (en) | 2013-03-13 | 2014-10-02 | Kofax, Inc. | Classifying objects in digital images captured using mobile devices |
| US9208536B2 (en) | 2013-09-27 | 2015-12-08 | Kofax, Inc. | Systems and methods for three dimensional geometric reconstruction of captured image data |
| US20140316841A1 (en) | 2013-04-23 | 2014-10-23 | Kofax, Inc. | Location-based workflows and services |
| DE202014011407U1 (de) | 2013-05-03 | 2020-04-20 | Kofax, Inc. | Systeme zum Erkennen und Klassifizieren von Objekten in durch Mobilgeräte aufgenommenen Videos |
| JP2016538783A (ja) | 2013-11-15 | 2016-12-08 | コファックス， インコーポレイテッド | モバイル映像データを用いて長尺文書の合成画像を生成するためのシステムおよび方法 |
| US9760788B2 (en) | 2014-10-30 | 2017-09-12 | Kofax, Inc. | Mobile document detection and orientation based on reference object characteristics |
| US10242285B2 (en) | 2015-07-20 | 2019-03-26 | Kofax, Inc. | Iterative recognition-guided thresholding and data extraction |
| JP2016086450A (ja) * | 2016-02-16 | 2016-05-19 | シャープ株式会社 | 画像表示装置及び制御プログラム |
| US9779296B1 (en) | 2016-04-01 | 2017-10-03 | Kofax, Inc. | Content-based detection and three dimensional geometric reconstruction of objects in image and video data |
| US10803350B2 (en) | 2017-11-30 | 2020-10-13 | Kofax, Inc. | Object detection and image cropping using a multi-detector approach |
| JP7435020B2 (ja) | 2020-02-26 | 2024-02-21 | 富士フイルムビジネスイノベーション株式会社 | 情報処理装置、及び情報処理プログラム |
| US11295175B1 (en) | 2020-09-25 | 2022-04-05 | International Business Machines Corporation | Automatic document separation |
| CN112733658B (zh) * | 2020-12-31 | 2022-11-25 | 北京华宇信息技术有限公司 | 电子文档归档方法及其装置 |
-
2001
- 2001-04-18 JP JP2001119918A patent/JP3824209B2/ja not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| JP2002312385A (ja) | 2002-10-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP3824209B2 (ja) | 文書自動分割装置 | |
| KR100411697B1 (ko) | 문자판독방법및주소판독방법 | |
| JP3640972B2 (ja) | ドキュメントの解読又は解釈を行う装置 | |
| US7120318B2 (en) | Automatic document reading system for technical drawings | |
| JP4996940B2 (ja) | 帳票認識装置およびそのプログラム | |
| KR100412317B1 (ko) | 문자인식/수정방법및장치 | |
| JP4347677B2 (ja) | 帳票ｏｃｒプログラム、方法及び装置 | |
| US20020061135A1 (en) | Pattern recognizing apparatus and method | |
| JP3278471B2 (ja) | 領域分割方法 | |
| US8225200B2 (en) | Extracting a character string from a document and partitioning the character string into words by inserting space characters where appropriate | |
| JPH1011531A (ja) | 帳票読取装置 | |
| JP4280355B2 (ja) | 文字認識装置 | |
| Chowdhury et al. | Automated segmentation of math-zones from document images | |
| JPH11161736A (ja) | 文字認識方法 | |
| JP2002015280A (ja) | 画像認識装置、画像認識方法および画像認識プログラムを記録したコンピュータ読取可能な記録媒体 | |
| JP2006309347A (ja) | 対象文書からキーワードを抽出する方法、システムおよびプログラム | |
| CN116822634A (zh) | 一种基于布局感知提示的文档视觉语言推理方法 | |
| JP2000181931A (ja) | 自動オーサリング装置および記録媒体 | |
| KR100957508B1 (ko) | 광학 문자 인식 시스템 및 방법 | |
| JPH11232439A (ja) | 文書画像構造解析方法 | |
| JP4347675B2 (ja) | 帳票ｏｃｒプログラム、方法及び装置 | |
| JPH0689365A (ja) | 文書画像処理装置 | |
| CN113449763A (zh) | 信息处理装置以及记录媒体 | |
| JPH07319880A (ja) | キーワード抽出・検索装置 | |
| CN115131806B (zh) | 一种基于深度学习的各类证件ocr图像信息识别方法、系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20060228 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20060410 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20060509 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20060526 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20060620 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20060622 |
|
| R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| LAPS | Cancellation because of no payment of annual fees |