JP4026738B2 - パターン認識方法及び装置、並びに記録媒体 - Google Patents
パターン認識方法及び装置、並びに記録媒体 Download PDFInfo
- Publication number
- JP4026738B2 JP4026738B2 JP15156499A JP15156499A JP4026738B2 JP 4026738 B2 JP4026738 B2 JP 4026738B2 JP 15156499 A JP15156499 A JP 15156499A JP 15156499 A JP15156499 A JP 15156499A JP 4026738 B2 JP4026738 B2 JP 4026738B2
- Authority
- JP
- Japan
- Prior art keywords
- pattern
- dictionary
- recognition
- pattern recognition
- feature
- 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
- Image Analysis (AREA)
- Character Discrimination (AREA)
Description
【０００１】
【発明の属する技術分野】
本発明は、文字パターン、その他のパターンの認識技術の分野に係り、特に、学習データとその認識結果に基づいて新しいパターン辞書を作成し、この作成した辞書を用いてパターンを認識する技術に関する。
【０００２】
【従来の技術】
パターン認識装置の認識精度を高めるための従来技術として、特開昭５５−１３８１８０号公報、特開昭６１−１９３２８２号公報、特開昭６０−２３７５８３号公報、特開平０３ー２１４２８６号公報などに述べられているような、認識できなかった文字パターン又は特徴を辞書項目として追加し、パターン辞書の弱点を補強する方式（従来技術１）や、特開昭５７−１８７７８１号公報に述べられているような、認識できなかった文字パターン又は特徴を、標準の辞書とは別の拡張辞書に格納し標準辞書の弱点を補強する方式（従来技術２）が知られている。さらに、特開平０５−２１０７６３号号公報などに見られるような、ニューラルネットワークを利用するパターン認識装置において、認識できなかった文字パターンを再学習してニューラルネットワーク内の荷重データを更新する方式（従来技術３）、特開昭５２−１１２２３５号公報に述べられているような、各標準パターンに、入力文字パターンとの類似度又は相違度の判定のための固有の閾値を持たせる方式（従来技術４）、これと同様な特開昭５９−７７５７９号公報に述べられている従来技術５などが知られている。
【０００３】
【発明が解決しようとする課題】
しかし、従来技術１及び従来技術２は、一定の効果は期待できるものの、辞書項目追加による副作用があるため大幅な精度向上を期待することは困難である。従来技術３も同様の問題がある。従来技術４は、標準パタ−ン毎に固有の関値を持たせることで副作用を抑えて精度の向上を狙っているが、肝心の固有閾値の決め方が開示されておらず、固有値の決定が不適切であると所望の効果を期待できない。また、同様の従来技術５は、固有閾値の値がカテゴリによらず一定であるため、十分な精度向上を期待できない。
【０００４】
本発明は、上述のごとき実状に鑑みてなされたもので、副作用が少なく、大幅な精度向上（正読向上または誤読低減）をもたらすパターン辞書作成し、この作成されたパターン辞書を利用し、高精度のパターン認識を行う方法及び装置を提供することである。もう一つの目的は、そのようなパターン認識のための処理量の削減を図ることである。
【０００５】
【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は、所定のパターン辞書を用いて認識されたパターンの認識結果である誤認データ又は拒否データに基づいて作成された追加辞書によるパターン認識を行い、前記追加辞書によるパターン認識の後、該パターン認識の結果を受けて前記パターン辞書によりパターン認識を行うようにする。
【０００６】
ここで、前記追加辞書によるパターン認識は、所定のパターンの認識結果と特徴ベクトルの組合わせから各特徴ベクトルを代表としたベクトル集合を各特徴ベクトル毎に生成すると共に、夫々のベクトル集合において誤読データまたは拒否データを特定し、該特定された誤読データ又は拒否データと組合されている特徴ベクトルと前記ベクトル集合の代表とされた特徴ベクトルとの近似値に基づき算出されたパターン認識用の閾値、および前記所定の特徴ベクトルを項目として有する追加辞書を用いてパターン認識を行うことを特徴とする。
【０００７】
また、前記追加辞書は、前記所定のパターン辞書を用いて認識されたパターンの構造特徴に基づき、該パターンをクラス分類することにより作成された辞書をさらに含むことを特徴とする。
【０００８】
また、前記構造特徴は、パターンの輪郭に対する準位相的構造表現を用いることを特徴とする。
【０００９】
具体的には、認識対象パターンについて、構造特徴を抽出して、追加辞書の構造特徴を用いたパターン認識を行い、認識できなかったなら、ベクトル特徴を抽出して、前記追加辞書によるベクトル特徴を用いたパターン認識を行い、前記追加辞書によるパターン認識の後、該パターン認識の結果を受けて、前記パターン辞書によりパターン認識を行うようにする。
【００１０】
【発明の実施の形態】
以下、添付図面を参照して、本発明の実施の形態を説明する。図１は本発明によるパターン辞書作成装置の構成の一例を示すブロック図であり、図２は図１中の空間学習部における特徴ベクトルの空間的学習のための構成の一例を示すブロック図である。図３は、図１及び図２に示す構成のパターン辞書作成装置における処理を示すフローチャートである。図６は本発明によるパターン認識装置の構成の一例を示すブロック図であり、図７はその処理の流れを示すフローチャートである。
【００１１】
図６に示すパターン認識装置は、パターン認識のための辞書として、通常の辞書（既存の辞書）２０５に加えて追加辞書２０６を有する。この追加辞書２０６は、通常の辞書２０５のみを利用した場合の弱点を補強するために追加された辞書であり、図１及び図２に示した辞書１０５に対応するものである。後述のように、この追加辞書２０６を作成するために、図１のパターン認識辞書作成装置に対し、学習対象パターンデータの認識結果が入力されるが、この認識結果を得る際に用いられたパターン辞書が通常の辞書２０５に相当する。
【００１２】
図１に示すパターン辞書作成装置は、作成される辞書１０５と、学習対象パターンデータとその認識結果を入力する入力部１０１と、入力された学習対象パターンデータから構造特徴と特徴べクトルを含む特徴を抽出する特徴抽出部１０２と、学習対象パターンデータ（およびその特徴）を、その構造特徴の同一性に基づいてクラス分類するクラス分類部１０３と、クラス別に特徴べクトルの空間的学習（特徴ベクトルを識別するための学習）を行って辞書情報を作成し、それを辞書１０５に書き込む空間学習部１０４とから構成されている。
【００１３】
また、空間学習部１０４は、クラス別の特徴ベクトルの空間的学習のために、図２に示すような学習対象パターンデータの特徴べクトルと認識結果を取り込む入力部１１１と、入力された各特徴べクトルを中心とする近傍領域を算出する近傍領域算出部１１２と、近傍領域のうち最大のものを検出する最大近傍領域検出部１１３と、最大近傍領域から辞書項目を決定する辞書項目決定部１１４と、決定された辞書項目を辞書情報として辞書１０５に書き込む出力部１１５と、検出された最大近傍領域に属する特徴べクトルを除いて次の最大近傍領域を最大近傍領域検出部１１３に検出させるための制御を行う領域検出制御部１１６とを具備している。
【００１４】
次に、このパターン辞書作成装置におけるパターン辞書作成処理の内容を図３のフローチャートに沿って説明する。このフローチャート中の主要処理部分（ステップＳ１１〜Ｓ１９）について説明し、その後に、図２に示した構成に関連したクラス別の特徴ベクトルの空間的学習の処理部分（ステップＳ２１〜Ｓ２７）について説明する。
【００１５】
まず、入力部１０１により、全ての学習対象パターンデータと、それぞれの認識結果とを入力する（ステップＳｌ１）。
【００１６】
次に、特徴抽出部１０２において、入力された全ての学習対象パターンデータに関して、人間の直感にあったパターンの幾何的・位相的特徴の表現である構造特徴を抽出（Ｓｌ２）する。ここで抽出される構造特徴の一例として、特許第２７１９２０２号（特開平０３‐１０８０７９号）の請求項２記載の線図形特徴抽出方法によるところの準位相的構造表現を輪郭に適用してものを考える。この表現は、その詳細については特許第２７１９２０２号公報に譲るが、概略を述べれば、輪郭を構成する境界点列を多角形近似し、それらを単純な曲線構成要素（プリミティブと呼ばれる）の連鎖よりなるプリミティブ系列とし、その系列要素の組み合わせと系列要素の２項関係を求めて輪郭近似結果を特徴付けた表現である。この表現の利点は、線図形（特に文字）の変形を吸収するうえで柔軟な表現であり、マッチングにおける計算量が少なく処理の高精度化と高速化に有利であることである。もちろん、これ以外の構造特徴を抽出することも可能である。なお、ここで構造特徴を抽出するのは、構造特徴のマッチングが距離計算などの算術演算ではなく論理演算で実現できるため、高速化に有利であるからである。
【００１７】
次に、クラス分類部１０３において、学習対象パターンデータを、その構造特徴の同一性に基づいてクラスに分類する（ステップＳ１３）。ここでいうクラスとは、同一構造を持つ学習対象パターンデータの集合である。このクラス分類を行う主たる目的は、特徴ベクトルの空間的学習（特徴べクトルを識別するための学習）の対象を構造特徴が同一のクラス単位に制限することで、空間学習のための処理量の削減と副作用の影響の低減を図るためである。また、構造特徴のみで認識可能なパターンについては、その特徴ベクトルを用いたマッチングを行うことなく認識可能にするパターン辞書を作成するためである。
【００１８】
構造特徴に基づいたクラス分類が終わると、空間学習部１０４の処理が開始する。空間学習部１０４において、まず未処理のクラスを一つ取り出す（ステップＳ１４）。未処理のクラスがなければ（ステップＳｌ５、Ｎｏ）、全てのクラスに対する処理が終わったので、辞書作成処理は終了となる。
【００１９】
一方、未処理のクラスがあれば（ステップＳｌ５、Ｙｅｓ）、その取り出したクラス（カレント・クラスと呼ぶ）に所属している全ての学習対象パターンデータが同一カテゴリであるか否かを調べる（ステップＳ１６）。これは、カレントクラスに属している学習対象パターンデータに関し、その特徴ベクトルの空間的学習が必要であるか否かの判断（構造特徴に基づく大分類）である。
【００２０】
同一カテゴリでないならば（ステップＳｌ６、Ｎｏ）、カレントクラスに属する学習対象パターンデータは、その構造特徴のみではカテゴリを特定することが困難である。このようなカレントクラスについては、特徴べクトルの空間的学習処理（ステップＳ２１〜Ｓ２７）を行うが、これについては後述する。
【００２１】
カレントクラスに属する全ての学習対象パターンデータが同一カテゴリであるならば（ステップＳｌ６、Ｙｅｓ）、このカレントクラスに属する学習対象パターンデータは構造特徴のみに基づいてカテゴリを一意に特定することができる。そこで、カレントクラスの構造特徴とカテゴリ名とを合わせて辞書項目とし（ステップＳ１７）、その辞書項目を辞書情報として辞書１０５に出力し（ステップＳ１８）、カレントクラスを処理済みとする（ステップＳ１９）。そして、ステップＳ１４に戻り、別のクラスに関する処理を続ける。
【００２２】
なお、ステップＳ１６の判定（大分類）を行わず、全てのクラスを空間的学習処理（ステップＳ２１〜Ｓ２７）の対象とすることも可能である。しかし、上に述べたように、クラスに含まれる全ての学習対象パターンデータが同一カテゴリにある場合に、その学習対象パターンデータの空間的学習処理を省略してカテゴリ名を付与するようにすれば、処理量を一層削滅できるため、処理の高速化に有利である。
【００２３】
次に空間的学習処理（ステップＳ２１〜Ｓ２９）について、図２に示した構成を参照しつつ説明する。空間学習部１０４は、処理対象となったカレントクラス内の全ての学習対象パターンデータに関し、特徴抽出部１０２で特徴ベクトルの抽出を行わせ、抽出された特徴ベクトルと認識結果（これは入力部１０１で入力されたもの）を入力部１１１で取り込む（ステップＳ２１）。なお、ここでいう特徴ベクトルは、文字等のパターンの認識分野で周知の方向コード特徴やペリフェラル特徴などの統計的特徴量のべクトルである。
【００２４】
次に、近傍領域算出部１１２において、入力された全ての特徴ベクトルの近傍領域の算出を行う（ステップＳ２２）。近傍領域とは、対象とする特徴べクトルを代表とする領域に包含される特徴べクトルの集合である。この包含の条件として、
（ａ）近傍領域内の特徴べクトルはすべて誤読データである
（ｂ）近傍領域内の特徴べクトルはすべて誤読データまたは拒否データである
（ｃ）近傍領域内の特徴べクトルはすべて同一カテゴリである
などを定めることができる。同一カテゴリであればその近傍領域に含まれるものをそのカテゴリと判定することで、正読にすることができる。あるいは、近傍領域に含まれるものを拒否と判定することで、誤読を避けることができる。このように、その要素が共通のカテゴリ判定対象となるような、特徴べクトルの集合を近傍領域と呼ぶ。
【００２５】
近傍領域算出の様子を図４に示す。同図において、黒塗りの丸、四角、三角のような記号は、誤読パターンデータの特徴ベクトルを示す。また、白塗りの丸、四角、三角のような記号は、正読パターンデータの特徴ベクトルを表す。また、同じ形状の記号は、同じカテゴリの特徴ベクトルであることを示す。
【００２６】
近傍領域の算出においては、まず対象とする特徴べクトルに近い順に全ての特徴べクトルを順序付けた表現を求める。図４に対してこの表現を求めると、図５のようになる。同図において各特徴ベクトル（記号）の下に示した数値は、その特徴ベクトルから対象とする特徴ベクトルまでの距離を表している。最も左にあるのが領域中心となる特徴べクトルであり、他の特徴ベクトルは距離の近い順に並べられている。ここでは、上記（ａ）の包含条件を採用するものとして領域境界を定め、領域境界を挟んで隣り合う２つの特徴べクトルのそれぞれの距離値の平均値を領域半径とする。図４の特徴べクトルＡについては、図５から分かるように、距離５５の正読の特徴ベクトルと、その左隣の誤読の特徴ベクトルとの間が領域境界となり、領域半径は（４５＋５５）／２＝５０となる。同様に、図４の特徴ベクトルＢについては、同特徴ベクトルと、距離２２の正読の特徴ベクトルとの間が領域境界となり、領域半径は（０＋２２）／２＝１１となる。こうした処理が入力された全ての特徴べクトルに対して行われ、その全ての特徴ベクトルを領域中心とする近傍領域が算出される。
【００２７】
なお、入力された全ての特徴ベクトルの近傍領域を求めるのではなく、誤読の特徴ベクトルのみを領域中心とする近傍領域表現だけを求めたり、又は、誤読と拒否の特徴ベクトルのみを領域中心とする近傍領域表現だけを求めたりすることも可能である。このようにすれば、全ての特徴ベクトルを領域中心とする近傍領域表現を求める場合に比べ、図５の行の数が大幅に削減されるため（ただし、列の数は変わらない）、処理量を削減できるという利点がある。また、近傍領域の包含条件として上記（ｂ）又は（ｃ）の条件を採用することも可能である。
【００２８】
次に、最大近傍領域検出部１１３において、得られた近傍領域の中から最大の近傍領域を検出する（ステップＳ２３）。このときの検出基準となるのは、ここでは領域半径である。すなわち、領域半径が最大の近傍領域を最大近傍領域とする。なお、最大近傍領域の算出基準として、領域半径に代えて、領域内に含まれる特徴べクトル数（学習対象パターンデータ数）を用いることも可能である。
【００２９】
続いて、領域検出制御部１１６において、最大近傍領域が検出されたか否かを調べる（ステップＳ２４）。検出されない場合は、すべての特徴べクトルが既に登録済みの近傍領域に含まれた場合であるので、カレントクラスに対する空間学習処理を終了し、ステップＳ１９以降の処理に戻る。
【００３０】
一方、最大近傍領域が検出されたならば、辞書項目決定部１１４で、その近傍領域の辞書項目の内容を決定する（ステップＳ２５）。この辞書項目には、少なくとも
（１）領域中心の特徴べクトル
（２）領域半径
（３）カテゴリ名（リジェクトコードの場合もある）
が含まれる。カテゴリ名の決定に関しては、領域中心の特徴ベクトルのカテゴリ名を無条件に辞書項目のカテゴリ名に採用するような様々な方法が可能であるが、その近傍領域内の特徴ベクトルが全て同一カテゴリであるときにのみ、そのカテゴリ名を辞書項目のカテゴリ名に採用する方法によれば、誤読の削減のみならず、正読の向上を図ることができる。また、その領域半径がきわめて小さい場合には、正読データと誤読データとが密集していると考えられるため、未学習データに対して正読のみならず誤読をも増やすことが懸念される。これを避けるために、領域半径があらかじめ定められた閾値以下の場合に、辞書項目のカテゴリ名を拒否（リジェクト）とするのが有効である。
【００３１】
次に、図６に示すパターン認識装置について説明する。このパターン認識装置は、パターン認識辞書として、元々備えている通常の辞書２０５に加えて、図１乃至図５に関連して説明したような本発明のパターン認識辞書作成装置により作成された追加辞書２０６を有し、また、認識対象であるパターンデータを入力する入力部２０１と、入力されたパターンデータの構造特徴及び特徴べクトルを抽出する特徴抽出部２０２と、抽出された構造特徴又は特徴べクトルに関し追加辞書２０６又は通常の辞書２０５との間でマッチングを行って入力パターンデータを認識する識別部２０３と、この識別部２０３の認識結果を出力する出力部２０４とを有する構成である。
【００３２】
このパターン認識装置における処理を、図７のフローチャートに沿って説明する。まず、入力部２０１により読み取り対象となるパターンデータを入力し（ステップＳ３１）、特徴抽出部２０２で入力パターンデータから構造特徴を抽出する（ステップＳ３２）。続いて、抽出された構造特徴と追加辞書２０６内の構造特徴とのマッチングを識別部２０３で行う（ステップＳ３３）。マッチングの取れた全てのクラスが同一カテゴリであれば（ステップＳ３４、Ｙｅｓ）、特徴べクトルを抽出することなく入力パターンデータのカテゴリを一意に決定することができるので、そのクラスのカテゴリ名を認識結果として出力部２０４により出力する（ステップＳ３９）。このように構造特徴のみで認識が可能な入力パターンデータについて、特徴ベクトルの抽出とそのマッチングを行わないようにすると、処理量の削減に有利である。
【００３３】
構造特徴のマッチングがとれたクラス中にカテゴリの異なるクラスが含まれている場合には（ステップＳ３４、Ｎｏ）、この段階ではカテゴリを一位に決定できないため、特徴抽出部２０２によって入力パターンデータから特徴べクトルを抽出する（ステップＳ３５）。続いて、識別部２０３において、特徴ベクトルのマッチングを行うが、最初に追加辞書２０６との間でマッチングを行う（ステップＳ３６）。追加辞書２０６に登録されている辞書項目は、前述のように少なくとも中心となる特徴べクトルと、その領域半径と、カテゴリ名とからなる。このマッチングでは、入力パターンデ−タから抽出された特徴べクトルと、各辞書項目の特徴べクトルとの距離を算出し、その値が、その辞書項目の領域半径以下であればマッチしたと見なし、いずれの辞書項目の特徴ベクトルとの距離もその領域半径以下でなければマッチしないと見なす。追加辞書２０６との特徴ベクトルのマッチングでマッチした場合には（ステップＳ３７、Ｙｅｓ）、出力部２０４は該当辞書項目のカテゴリ名を認識結果として出力する（ステップＳ３９）。
【００３４】
特徴ベクトルを用いた追加辞書２０６とのマッチングで、どの辞書項目ともマッチしない場合には（ステップＳ３７、Ｎｏ）、識別部２０３は、通常の辞書２０５との間で特徴ベクトルのマッチングを行って入力パターンを認識し（ステップＳ３８）、その結果を出力部２０４より出力し（ステップＳ３９）、処理を終了する。
【００３５】
このように、図６に示す本発明のパターン認識装置は、全体としては一般的なパターン認識装置の構成に類似するが、違いは本発明により作成された追加辞書２０６を用いることにある。これにより、追加辞書２０６を用いない、それまでのパターン認識装置で苦手としたケースのみを特別扱いし、学習対象パターンデータに対して厳密に学習した結果に置き換えることができる。したがって、従来のパターン認識装置に対してわずかな変更を施すだけで、従来技術のような単純な学習を行う場合に問題となった副作用を抑え、大幅な精度向上（正読増加、誤読減少）を達成でき、また処理量も削減できる。
【００３６】
本発明は、例えば図８に示すＣＰＵ３０２、記憶装置３０３、補助記憶装置３０４、ＣＤ−ＲＯＭなどの記録媒体３０７を読み書きするためのドライブ３０６、入力インターフェース３０１、出力インターフェース３０５などをバス３１０で接続したような一般的な構成のコンピュータを利用し、ソフトウェアにより実施することも可能である。図１及び図２に関連して説明したような本発明によるパターン辞書作成装置の各手段をコンピュータのハードウエアを利用して実現するためのプログラム、図３に示したような本発明によるパターン認識辞書作成のための各処理ステップをコンピュータに実行させるためのプログラム、図６に関連して説明したような本発明によるパターン認識装置の各手段をコンピュータのハードウエアを利用して実現するためのプログラム、又は、図７に示したような本発明によるパターン認識のための各処理ステップをコンピュータに実行させるためのプログラムは、例えば、同プログラムが記録された記録媒体３０７からドライブ３０６を通じて補助記憶装置３０３に読み込まれ、ＣＰＵ３０２が補助記憶装置３０４や記憶装置３０３との間で情報をやり取りしながら、同プログラムの各ステップを実行する。学習データに基づいて作成された辞書（図１及び図２に示す辞書１０７）は例えば補助記憶装置３０４に保存され、また、必要に応じて記録媒体３０７に出力される。パターン認識のための通常の辞書及び追加辞書（図６に示す辞書２０５及び追加辞書２０６）は、例えばプログラムが記録された記録媒体３０７又は別の記録媒体３０７から補助記憶装置３０４に読み込まれ、パターン認識処理に利用される。
【００３７】
【発明の効果】
本発明によれば、既存の辞書の弱点を補強するための、副作用が少なく大幅な精度向上をもたらすパターン辞書を用い、パターンの変形に強く、かつ高速のパターン認識処理が可能になる。
【図面の簡単な説明】
【図１】 本発明によるパターン辞書作成装置の構成の一例を示すブロック図である。
【図２】 特徴ベクトルの空間的学習のための構成の一例を示すブロック図である。
【図３】 図１のパターン辞書作成装置における処理のフローチャートである。
【図４】 近傍領域算出の様子を示す図である。
【図５】 近傍領域算出のために、対象とする特徴べクトルに近い順に特徴べクトルを順序付けた表現を示す図である。
【図６】 本発明によるパターン認識装置の構成の一例を示すブロック図である。
【図７】 図６のパターン認識装置における処理のフローチャートである。
【図８】 本発明を実施するためのコンピュータの一例を示すブロック図である。
【符号の説明】
１０１ 入力部
１０２ 特徴抽出部
１０３ クラス分類部
１０４ 空間学習部
１０５ 辞書
１１１ 入力部
１１２ 近傍領域算出部
１１３ 最大近傍領域検出部
１１４ 辞書項目決定部
１１５ 出力部
１１６ 領域検出制御部
１１７ 新しく作成される辞書
２０１ 入力部
２０２ 特徴抽出部
２０３ 識別部
２０４ 出力部
２０５ 通常の辞書（既存の辞書）
２０６ 追加辞書
【発明の属する技術分野】
本発明は、文字パターン、その他のパターンの認識技術の分野に係り、特に、学習データとその認識結果に基づいて新しいパターン辞書を作成し、この作成した辞書を用いてパターンを認識する技術に関する。
【０００２】
【従来の技術】
パターン認識装置の認識精度を高めるための従来技術として、特開昭５５−１３８１８０号公報、特開昭６１−１９３２８２号公報、特開昭６０−２３７５８３号公報、特開平０３ー２１４２８６号公報などに述べられているような、認識できなかった文字パターン又は特徴を辞書項目として追加し、パターン辞書の弱点を補強する方式（従来技術１）や、特開昭５７−１８７７８１号公報に述べられているような、認識できなかった文字パターン又は特徴を、標準の辞書とは別の拡張辞書に格納し標準辞書の弱点を補強する方式（従来技術２）が知られている。さらに、特開平０５−２１０７６３号号公報などに見られるような、ニューラルネットワークを利用するパターン認識装置において、認識できなかった文字パターンを再学習してニューラルネットワーク内の荷重データを更新する方式（従来技術３）、特開昭５２−１１２２３５号公報に述べられているような、各標準パターンに、入力文字パターンとの類似度又は相違度の判定のための固有の閾値を持たせる方式（従来技術４）、これと同様な特開昭５９−７７５７９号公報に述べられている従来技術５などが知られている。
【０００３】
【発明が解決しようとする課題】
しかし、従来技術１及び従来技術２は、一定の効果は期待できるものの、辞書項目追加による副作用があるため大幅な精度向上を期待することは困難である。従来技術３も同様の問題がある。従来技術４は、標準パタ−ン毎に固有の関値を持たせることで副作用を抑えて精度の向上を狙っているが、肝心の固有閾値の決め方が開示されておらず、固有値の決定が不適切であると所望の効果を期待できない。また、同様の従来技術５は、固有閾値の値がカテゴリによらず一定であるため、十分な精度向上を期待できない。
【０００４】
本発明は、上述のごとき実状に鑑みてなされたもので、副作用が少なく、大幅な精度向上（正読向上または誤読低減）をもたらすパターン辞書作成し、この作成されたパターン辞書を利用し、高精度のパターン認識を行う方法及び装置を提供することである。もう一つの目的は、そのようなパターン認識のための処理量の削減を図ることである。
【０００５】
【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は、所定のパターン辞書を用いて認識されたパターンの認識結果である誤認データ又は拒否データに基づいて作成された追加辞書によるパターン認識を行い、前記追加辞書によるパターン認識の後、該パターン認識の結果を受けて前記パターン辞書によりパターン認識を行うようにする。
【０００６】
ここで、前記追加辞書によるパターン認識は、所定のパターンの認識結果と特徴ベクトルの組合わせから各特徴ベクトルを代表としたベクトル集合を各特徴ベクトル毎に生成すると共に、夫々のベクトル集合において誤読データまたは拒否データを特定し、該特定された誤読データ又は拒否データと組合されている特徴ベクトルと前記ベクトル集合の代表とされた特徴ベクトルとの近似値に基づき算出されたパターン認識用の閾値、および前記所定の特徴ベクトルを項目として有する追加辞書を用いてパターン認識を行うことを特徴とする。
【０００７】
また、前記追加辞書は、前記所定のパターン辞書を用いて認識されたパターンの構造特徴に基づき、該パターンをクラス分類することにより作成された辞書をさらに含むことを特徴とする。
【０００８】
また、前記構造特徴は、パターンの輪郭に対する準位相的構造表現を用いることを特徴とする。
【０００９】
具体的には、認識対象パターンについて、構造特徴を抽出して、追加辞書の構造特徴を用いたパターン認識を行い、認識できなかったなら、ベクトル特徴を抽出して、前記追加辞書によるベクトル特徴を用いたパターン認識を行い、前記追加辞書によるパターン認識の後、該パターン認識の結果を受けて、前記パターン辞書によりパターン認識を行うようにする。
【００１０】
【発明の実施の形態】
以下、添付図面を参照して、本発明の実施の形態を説明する。図１は本発明によるパターン辞書作成装置の構成の一例を示すブロック図であり、図２は図１中の空間学習部における特徴ベクトルの空間的学習のための構成の一例を示すブロック図である。図３は、図１及び図２に示す構成のパターン辞書作成装置における処理を示すフローチャートである。図６は本発明によるパターン認識装置の構成の一例を示すブロック図であり、図７はその処理の流れを示すフローチャートである。
【００１１】
図６に示すパターン認識装置は、パターン認識のための辞書として、通常の辞書（既存の辞書）２０５に加えて追加辞書２０６を有する。この追加辞書２０６は、通常の辞書２０５のみを利用した場合の弱点を補強するために追加された辞書であり、図１及び図２に示した辞書１０５に対応するものである。後述のように、この追加辞書２０６を作成するために、図１のパターン認識辞書作成装置に対し、学習対象パターンデータの認識結果が入力されるが、この認識結果を得る際に用いられたパターン辞書が通常の辞書２０５に相当する。
【００１２】
図１に示すパターン辞書作成装置は、作成される辞書１０５と、学習対象パターンデータとその認識結果を入力する入力部１０１と、入力された学習対象パターンデータから構造特徴と特徴べクトルを含む特徴を抽出する特徴抽出部１０２と、学習対象パターンデータ（およびその特徴）を、その構造特徴の同一性に基づいてクラス分類するクラス分類部１０３と、クラス別に特徴べクトルの空間的学習（特徴ベクトルを識別するための学習）を行って辞書情報を作成し、それを辞書１０５に書き込む空間学習部１０４とから構成されている。
【００１３】
また、空間学習部１０４は、クラス別の特徴ベクトルの空間的学習のために、図２に示すような学習対象パターンデータの特徴べクトルと認識結果を取り込む入力部１１１と、入力された各特徴べクトルを中心とする近傍領域を算出する近傍領域算出部１１２と、近傍領域のうち最大のものを検出する最大近傍領域検出部１１３と、最大近傍領域から辞書項目を決定する辞書項目決定部１１４と、決定された辞書項目を辞書情報として辞書１０５に書き込む出力部１１５と、検出された最大近傍領域に属する特徴べクトルを除いて次の最大近傍領域を最大近傍領域検出部１１３に検出させるための制御を行う領域検出制御部１１６とを具備している。
【００１４】
次に、このパターン辞書作成装置におけるパターン辞書作成処理の内容を図３のフローチャートに沿って説明する。このフローチャート中の主要処理部分（ステップＳ１１〜Ｓ１９）について説明し、その後に、図２に示した構成に関連したクラス別の特徴ベクトルの空間的学習の処理部分（ステップＳ２１〜Ｓ２７）について説明する。
【００１５】
まず、入力部１０１により、全ての学習対象パターンデータと、それぞれの認識結果とを入力する（ステップＳｌ１）。
【００１６】
次に、特徴抽出部１０２において、入力された全ての学習対象パターンデータに関して、人間の直感にあったパターンの幾何的・位相的特徴の表現である構造特徴を抽出（Ｓｌ２）する。ここで抽出される構造特徴の一例として、特許第２７１９２０２号（特開平０３‐１０８０７９号）の請求項２記載の線図形特徴抽出方法によるところの準位相的構造表現を輪郭に適用してものを考える。この表現は、その詳細については特許第２７１９２０２号公報に譲るが、概略を述べれば、輪郭を構成する境界点列を多角形近似し、それらを単純な曲線構成要素（プリミティブと呼ばれる）の連鎖よりなるプリミティブ系列とし、その系列要素の組み合わせと系列要素の２項関係を求めて輪郭近似結果を特徴付けた表現である。この表現の利点は、線図形（特に文字）の変形を吸収するうえで柔軟な表現であり、マッチングにおける計算量が少なく処理の高精度化と高速化に有利であることである。もちろん、これ以外の構造特徴を抽出することも可能である。なお、ここで構造特徴を抽出するのは、構造特徴のマッチングが距離計算などの算術演算ではなく論理演算で実現できるため、高速化に有利であるからである。
【００１７】
次に、クラス分類部１０３において、学習対象パターンデータを、その構造特徴の同一性に基づいてクラスに分類する（ステップＳ１３）。ここでいうクラスとは、同一構造を持つ学習対象パターンデータの集合である。このクラス分類を行う主たる目的は、特徴ベクトルの空間的学習（特徴べクトルを識別するための学習）の対象を構造特徴が同一のクラス単位に制限することで、空間学習のための処理量の削減と副作用の影響の低減を図るためである。また、構造特徴のみで認識可能なパターンについては、その特徴ベクトルを用いたマッチングを行うことなく認識可能にするパターン辞書を作成するためである。
【００１８】
構造特徴に基づいたクラス分類が終わると、空間学習部１０４の処理が開始する。空間学習部１０４において、まず未処理のクラスを一つ取り出す（ステップＳ１４）。未処理のクラスがなければ（ステップＳｌ５、Ｎｏ）、全てのクラスに対する処理が終わったので、辞書作成処理は終了となる。
【００１９】
一方、未処理のクラスがあれば（ステップＳｌ５、Ｙｅｓ）、その取り出したクラス（カレント・クラスと呼ぶ）に所属している全ての学習対象パターンデータが同一カテゴリであるか否かを調べる（ステップＳ１６）。これは、カレントクラスに属している学習対象パターンデータに関し、その特徴ベクトルの空間的学習が必要であるか否かの判断（構造特徴に基づく大分類）である。
【００２０】
同一カテゴリでないならば（ステップＳｌ６、Ｎｏ）、カレントクラスに属する学習対象パターンデータは、その構造特徴のみではカテゴリを特定することが困難である。このようなカレントクラスについては、特徴べクトルの空間的学習処理（ステップＳ２１〜Ｓ２７）を行うが、これについては後述する。
【００２１】
カレントクラスに属する全ての学習対象パターンデータが同一カテゴリであるならば（ステップＳｌ６、Ｙｅｓ）、このカレントクラスに属する学習対象パターンデータは構造特徴のみに基づいてカテゴリを一意に特定することができる。そこで、カレントクラスの構造特徴とカテゴリ名とを合わせて辞書項目とし（ステップＳ１７）、その辞書項目を辞書情報として辞書１０５に出力し（ステップＳ１８）、カレントクラスを処理済みとする（ステップＳ１９）。そして、ステップＳ１４に戻り、別のクラスに関する処理を続ける。
【００２２】
なお、ステップＳ１６の判定（大分類）を行わず、全てのクラスを空間的学習処理（ステップＳ２１〜Ｓ２７）の対象とすることも可能である。しかし、上に述べたように、クラスに含まれる全ての学習対象パターンデータが同一カテゴリにある場合に、その学習対象パターンデータの空間的学習処理を省略してカテゴリ名を付与するようにすれば、処理量を一層削滅できるため、処理の高速化に有利である。
【００２３】
次に空間的学習処理（ステップＳ２１〜Ｓ２９）について、図２に示した構成を参照しつつ説明する。空間学習部１０４は、処理対象となったカレントクラス内の全ての学習対象パターンデータに関し、特徴抽出部１０２で特徴ベクトルの抽出を行わせ、抽出された特徴ベクトルと認識結果（これは入力部１０１で入力されたもの）を入力部１１１で取り込む（ステップＳ２１）。なお、ここでいう特徴ベクトルは、文字等のパターンの認識分野で周知の方向コード特徴やペリフェラル特徴などの統計的特徴量のべクトルである。
【００２４】
次に、近傍領域算出部１１２において、入力された全ての特徴ベクトルの近傍領域の算出を行う（ステップＳ２２）。近傍領域とは、対象とする特徴べクトルを代表とする領域に包含される特徴べクトルの集合である。この包含の条件として、
（ａ）近傍領域内の特徴べクトルはすべて誤読データである
（ｂ）近傍領域内の特徴べクトルはすべて誤読データまたは拒否データである
（ｃ）近傍領域内の特徴べクトルはすべて同一カテゴリである
などを定めることができる。同一カテゴリであればその近傍領域に含まれるものをそのカテゴリと判定することで、正読にすることができる。あるいは、近傍領域に含まれるものを拒否と判定することで、誤読を避けることができる。このように、その要素が共通のカテゴリ判定対象となるような、特徴べクトルの集合を近傍領域と呼ぶ。
【００２５】
近傍領域算出の様子を図４に示す。同図において、黒塗りの丸、四角、三角のような記号は、誤読パターンデータの特徴ベクトルを示す。また、白塗りの丸、四角、三角のような記号は、正読パターンデータの特徴ベクトルを表す。また、同じ形状の記号は、同じカテゴリの特徴ベクトルであることを示す。
【００２６】
近傍領域の算出においては、まず対象とする特徴べクトルに近い順に全ての特徴べクトルを順序付けた表現を求める。図４に対してこの表現を求めると、図５のようになる。同図において各特徴ベクトル（記号）の下に示した数値は、その特徴ベクトルから対象とする特徴ベクトルまでの距離を表している。最も左にあるのが領域中心となる特徴べクトルであり、他の特徴ベクトルは距離の近い順に並べられている。ここでは、上記（ａ）の包含条件を採用するものとして領域境界を定め、領域境界を挟んで隣り合う２つの特徴べクトルのそれぞれの距離値の平均値を領域半径とする。図４の特徴べクトルＡについては、図５から分かるように、距離５５の正読の特徴ベクトルと、その左隣の誤読の特徴ベクトルとの間が領域境界となり、領域半径は（４５＋５５）／２＝５０となる。同様に、図４の特徴ベクトルＢについては、同特徴ベクトルと、距離２２の正読の特徴ベクトルとの間が領域境界となり、領域半径は（０＋２２）／２＝１１となる。こうした処理が入力された全ての特徴べクトルに対して行われ、その全ての特徴ベクトルを領域中心とする近傍領域が算出される。
【００２７】
なお、入力された全ての特徴ベクトルの近傍領域を求めるのではなく、誤読の特徴ベクトルのみを領域中心とする近傍領域表現だけを求めたり、又は、誤読と拒否の特徴ベクトルのみを領域中心とする近傍領域表現だけを求めたりすることも可能である。このようにすれば、全ての特徴ベクトルを領域中心とする近傍領域表現を求める場合に比べ、図５の行の数が大幅に削減されるため（ただし、列の数は変わらない）、処理量を削減できるという利点がある。また、近傍領域の包含条件として上記（ｂ）又は（ｃ）の条件を採用することも可能である。
【００２８】
次に、最大近傍領域検出部１１３において、得られた近傍領域の中から最大の近傍領域を検出する（ステップＳ２３）。このときの検出基準となるのは、ここでは領域半径である。すなわち、領域半径が最大の近傍領域を最大近傍領域とする。なお、最大近傍領域の算出基準として、領域半径に代えて、領域内に含まれる特徴べクトル数（学習対象パターンデータ数）を用いることも可能である。
【００２９】
続いて、領域検出制御部１１６において、最大近傍領域が検出されたか否かを調べる（ステップＳ２４）。検出されない場合は、すべての特徴べクトルが既に登録済みの近傍領域に含まれた場合であるので、カレントクラスに対する空間学習処理を終了し、ステップＳ１９以降の処理に戻る。
【００３０】
一方、最大近傍領域が検出されたならば、辞書項目決定部１１４で、その近傍領域の辞書項目の内容を決定する（ステップＳ２５）。この辞書項目には、少なくとも
（１）領域中心の特徴べクトル
（２）領域半径
（３）カテゴリ名（リジェクトコードの場合もある）
が含まれる。カテゴリ名の決定に関しては、領域中心の特徴ベクトルのカテゴリ名を無条件に辞書項目のカテゴリ名に採用するような様々な方法が可能であるが、その近傍領域内の特徴ベクトルが全て同一カテゴリであるときにのみ、そのカテゴリ名を辞書項目のカテゴリ名に採用する方法によれば、誤読の削減のみならず、正読の向上を図ることができる。また、その領域半径がきわめて小さい場合には、正読データと誤読データとが密集していると考えられるため、未学習データに対して正読のみならず誤読をも増やすことが懸念される。これを避けるために、領域半径があらかじめ定められた閾値以下の場合に、辞書項目のカテゴリ名を拒否（リジェクト）とするのが有効である。
【００３１】
次に、図６に示すパターン認識装置について説明する。このパターン認識装置は、パターン認識辞書として、元々備えている通常の辞書２０５に加えて、図１乃至図５に関連して説明したような本発明のパターン認識辞書作成装置により作成された追加辞書２０６を有し、また、認識対象であるパターンデータを入力する入力部２０１と、入力されたパターンデータの構造特徴及び特徴べクトルを抽出する特徴抽出部２０２と、抽出された構造特徴又は特徴べクトルに関し追加辞書２０６又は通常の辞書２０５との間でマッチングを行って入力パターンデータを認識する識別部２０３と、この識別部２０３の認識結果を出力する出力部２０４とを有する構成である。
【００３２】
このパターン認識装置における処理を、図７のフローチャートに沿って説明する。まず、入力部２０１により読み取り対象となるパターンデータを入力し（ステップＳ３１）、特徴抽出部２０２で入力パターンデータから構造特徴を抽出する（ステップＳ３２）。続いて、抽出された構造特徴と追加辞書２０６内の構造特徴とのマッチングを識別部２０３で行う（ステップＳ３３）。マッチングの取れた全てのクラスが同一カテゴリであれば（ステップＳ３４、Ｙｅｓ）、特徴べクトルを抽出することなく入力パターンデータのカテゴリを一意に決定することができるので、そのクラスのカテゴリ名を認識結果として出力部２０４により出力する（ステップＳ３９）。このように構造特徴のみで認識が可能な入力パターンデータについて、特徴ベクトルの抽出とそのマッチングを行わないようにすると、処理量の削減に有利である。
【００３３】
構造特徴のマッチングがとれたクラス中にカテゴリの異なるクラスが含まれている場合には（ステップＳ３４、Ｎｏ）、この段階ではカテゴリを一位に決定できないため、特徴抽出部２０２によって入力パターンデータから特徴べクトルを抽出する（ステップＳ３５）。続いて、識別部２０３において、特徴ベクトルのマッチングを行うが、最初に追加辞書２０６との間でマッチングを行う（ステップＳ３６）。追加辞書２０６に登録されている辞書項目は、前述のように少なくとも中心となる特徴べクトルと、その領域半径と、カテゴリ名とからなる。このマッチングでは、入力パターンデ−タから抽出された特徴べクトルと、各辞書項目の特徴べクトルとの距離を算出し、その値が、その辞書項目の領域半径以下であればマッチしたと見なし、いずれの辞書項目の特徴ベクトルとの距離もその領域半径以下でなければマッチしないと見なす。追加辞書２０６との特徴ベクトルのマッチングでマッチした場合には（ステップＳ３７、Ｙｅｓ）、出力部２０４は該当辞書項目のカテゴリ名を認識結果として出力する（ステップＳ３９）。
【００３４】
特徴ベクトルを用いた追加辞書２０６とのマッチングで、どの辞書項目ともマッチしない場合には（ステップＳ３７、Ｎｏ）、識別部２０３は、通常の辞書２０５との間で特徴ベクトルのマッチングを行って入力パターンを認識し（ステップＳ３８）、その結果を出力部２０４より出力し（ステップＳ３９）、処理を終了する。
【００３５】
このように、図６に示す本発明のパターン認識装置は、全体としては一般的なパターン認識装置の構成に類似するが、違いは本発明により作成された追加辞書２０６を用いることにある。これにより、追加辞書２０６を用いない、それまでのパターン認識装置で苦手としたケースのみを特別扱いし、学習対象パターンデータに対して厳密に学習した結果に置き換えることができる。したがって、従来のパターン認識装置に対してわずかな変更を施すだけで、従来技術のような単純な学習を行う場合に問題となった副作用を抑え、大幅な精度向上（正読増加、誤読減少）を達成でき、また処理量も削減できる。
【００３６】
本発明は、例えば図８に示すＣＰＵ３０２、記憶装置３０３、補助記憶装置３０４、ＣＤ−ＲＯＭなどの記録媒体３０７を読み書きするためのドライブ３０６、入力インターフェース３０１、出力インターフェース３０５などをバス３１０で接続したような一般的な構成のコンピュータを利用し、ソフトウェアにより実施することも可能である。図１及び図２に関連して説明したような本発明によるパターン辞書作成装置の各手段をコンピュータのハードウエアを利用して実現するためのプログラム、図３に示したような本発明によるパターン認識辞書作成のための各処理ステップをコンピュータに実行させるためのプログラム、図６に関連して説明したような本発明によるパターン認識装置の各手段をコンピュータのハードウエアを利用して実現するためのプログラム、又は、図７に示したような本発明によるパターン認識のための各処理ステップをコンピュータに実行させるためのプログラムは、例えば、同プログラムが記録された記録媒体３０７からドライブ３０６を通じて補助記憶装置３０３に読み込まれ、ＣＰＵ３０２が補助記憶装置３０４や記憶装置３０３との間で情報をやり取りしながら、同プログラムの各ステップを実行する。学習データに基づいて作成された辞書（図１及び図２に示す辞書１０７）は例えば補助記憶装置３０４に保存され、また、必要に応じて記録媒体３０７に出力される。パターン認識のための通常の辞書及び追加辞書（図６に示す辞書２０５及び追加辞書２０６）は、例えばプログラムが記録された記録媒体３０７又は別の記録媒体３０７から補助記憶装置３０４に読み込まれ、パターン認識処理に利用される。
【００３７】
【発明の効果】
本発明によれば、既存の辞書の弱点を補強するための、副作用が少なく大幅な精度向上をもたらすパターン辞書を用い、パターンの変形に強く、かつ高速のパターン認識処理が可能になる。
【図面の簡単な説明】
【図１】 本発明によるパターン辞書作成装置の構成の一例を示すブロック図である。
【図２】 特徴ベクトルの空間的学習のための構成の一例を示すブロック図である。
【図３】 図１のパターン辞書作成装置における処理のフローチャートである。
【図４】 近傍領域算出の様子を示す図である。
【図５】 近傍領域算出のために、対象とする特徴べクトルに近い順に特徴べクトルを順序付けた表現を示す図である。
【図６】 本発明によるパターン認識装置の構成の一例を示すブロック図である。
【図７】 図６のパターン認識装置における処理のフローチャートである。
【図８】 本発明を実施するためのコンピュータの一例を示すブロック図である。
【符号の説明】
１０１ 入力部
１０２ 特徴抽出部
１０３ クラス分類部
１０４ 空間学習部
１０５ 辞書
１１１ 入力部
１１２ 近傍領域算出部
１１３ 最大近傍領域検出部
１１４ 辞書項目決定部
１１５ 出力部
１１６ 領域検出制御部
１１７ 新しく作成される辞書
２０１ 入力部
２０２ 特徴抽出部
２０３ 識別部
２０４ 出力部
２０５ 通常の辞書（既存の辞書）
２０６ 追加辞書
Claims (9)
- 所定のパターン辞書を用いて認識されたパターンの認識結果である誤認データ又は拒否データに基づいて作成された追加辞書によるパターン認識を行うステップと、
前記追加辞書によるパターン認識の後、該パターン認識の結果を受けて前記パターン辞書によりパターン認識を行うステップと、
を有し、
前記追加辞書によるパターンを認識するステップは、所定のパターンの認識結果と特徴ベクトルの組合わせから各特徴ベクトルを代表としたベクトル集合を各特徴ベクトル毎に生成すると共に、夫々のベクトル集合において誤読データまたは拒否データを特定し、該特定された誤読データ又は拒否データと組合されている特徴ベクトルと前記ベクトル集合の代表とされた特徴ベクトルとの近似値に基づき算出されたパターン認識用の閾値、および前記所定の特徴ベクトルを項目として有する追加辞書を用いてパターン認識を行うことを特徴とするパターン認識方法。 - 前記追加辞書は、前記所定のパターン辞書を用いて認識されたパターンの構造特徴に基づき、該パターンをクラス分類することにより作成された辞書をさらに含むことを特徴とする請求項１に記載のパターン認識方法。
- 前記構造特徴は、パターンの輪郭に対する準位相的構造表現を用いることを特徴とする請求項２に記載のパターン認識方法。
- 認識対象パターンについて、構造特徴を抽出して、前記追加辞書の構造特徴を用いたパターン認識を行い、認識できなかったなら、ベクトル特徴を抽出して、前記追加辞書によるベクトル特徴を用いたパターン認識を行うステップと、
前記追加辞書によるパターン認識の後、該パターン認識の結果を受けて、前記パターン辞書によりパターン認識を行うステップと、
を有することを特徴とする請求項２又は３に記載のパターン認識方法。 - 所定のパターン辞書を用いて認識されたパターンの認識結果である誤認データ又は拒否データに基づいて作成された追加辞書によるパターン認識を行う手段と、
前記追加辞書によるパターン認識の後、該パターン認識の結果を受けて前記パターン辞書によりパターン認識を行う手段と、
を有し、
前記追加辞書によるパターンを認識する手段は、所定のパターンの認識結果と特徴ベクトルの組合わせから各特徴ベクトルを代表としたベクトル集合を各特徴ベクトル毎に生成すると共に、夫々のベクトル集合において誤読データまたは拒否データを特定し、該特定された誤読データ又は拒否データと組合されている特徴ベクトルと前記ベクトル集合の代表とされた特徴ベクトルとの近似値に基づき算出されたパターン認識用の閾値、および前記所定の特徴ベクトルを項目として有する追加辞書を用いてパターン認識を行うことを特徴とするパターン認識装置。 - 前記追加辞書は、前記所定のパターン辞書を用いて認識されたパターンの構造特徴に基づき、該パターンをクラス分類することにより作成された辞書をさらに含むことを特徴とする請求項５に記載のパターン認識装置。
- 前記構造特徴は、パターンの輪郭に対する準位相的構造表現を用いることを特徴とする請求項６に記載のパターン認識装置。
- 認識対象パターンについて、構造特徴を抽出して、前記追加辞書の構造特徴を用いたパターン認識を行い、認識できなかったなら、ベクトル特徴を抽出して、前記追加辞書によるベクトル特徴を用いたパターン認識を行う手段と、
前記追加辞書によるパターン認識の後、該パターン認識の結果を受けて、前記パターン辞書によりパターン認識を行う手段と、
を有することを特徴とする請求項６又は７に記載のパターン認識装置。 - 請求項１乃至４のいずれか１項に記載のパターン認識方法の各ステッ プをコンピュータに実行させるためのプログラムが記録されたことを特徴とするコンピュータ読み取り可能な記録媒体。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP15156499A JP4026738B2 (ja) | 1999-05-31 | 1999-05-31 | パターン認識方法及び装置、並びに記録媒体 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP15156499A JP4026738B2 (ja) | 1999-05-31 | 1999-05-31 | パターン認識方法及び装置、並びに記録媒体 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2000339470A JP2000339470A (ja) | 2000-12-08 |
| JP4026738B2 true JP4026738B2 (ja) | 2007-12-26 |
Family
ID=15521299
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP15156499A Expired - Fee Related JP4026738B2 (ja) | 1999-05-31 | 1999-05-31 | パターン認識方法及び装置、並びに記録媒体 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP4026738B2 (ja) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006148878A (ja) * | 2004-10-14 | 2006-06-08 | Mitsubishi Electric Research Laboratories Inc | 画像中の画素を分類する方法 |
| KR101247220B1 (ko) * | 2011-03-10 | 2013-03-25 | 서울대학교산학협력단 | 반복 패턴을 이용한 영상 처리 방법 및 장치 |
| JP6582416B2 (ja) | 2014-05-15 | 2019-10-02 | 株式会社リコー | 画像処理装置、画像処理方法及びプログラム |
| JP6728083B2 (ja) * | 2017-02-08 | 2020-07-22 | 日本電信電話株式会社 | 中間特徴量計算装置、音響モデル学習装置、音声認識装置、中間特徴量計算方法、音響モデル学習方法、音声認識方法、プログラム |
-
1999
- 1999-05-31 JP JP15156499A patent/JP4026738B2/ja not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| JP2000339470A (ja) | 2000-12-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107748877B (zh) | 一种基于细节点和纹理特征的指纹图像识别方法 | |
| Raja | Fingerprint recognition using minutia score matching | |
| US6636631B2 (en) | Optical character reading method and system for a document with ruled lines and its application | |
| JP2821348B2 (ja) | 指紋照合装置 | |
| JP2827994B2 (ja) | 指紋特徴抽出装置 | |
| Palacios et al. | A system for processing handwritten bank checks automatically | |
| CN101751550B (zh) | 快速指纹搜索方法及快速指纹搜索系统 | |
| Lacerda et al. | Segmentation of connected handwritten digits using Self-Organizing Maps | |
| CN103955674B (zh) | 掌纹图像采集装置及掌纹图像定位与分割方法 | |
| JP2000181993A (ja) | 文字認識方法および装置 | |
| JP3709803B2 (ja) | パターン照合装置とそのパターン照合方法、及びパターン照合プログラム | |
| Farooq et al. | Performance analysis of biometric recognition system based on palmprint | |
| JP4802176B2 (ja) | パターン認識装置、パターン認識プログラム及びパターン認識方法 | |
| Yan | Fuzzy curve-tracing algorithm | |
| JP4026738B2 (ja) | パターン認識方法及び装置、並びに記録媒体 | |
| Verma et al. | A novel approach for structural feature extraction: contour vs. direction | |
| JP4749884B2 (ja) | 顔判別装置の学習方法、顔判別方法および装置並びにプログラム | |
| Oldal et al. | Biometric Authentication System based on Hand Geometry and Palmprint Features. | |
| JP3370934B2 (ja) | 光学的文字読み取り方法とその装置 | |
| JP4176175B2 (ja) | パターン認識装置 | |
| JP4055974B2 (ja) | パターン辞書作成方法及び装置、並びに記録媒体 | |
| JP2002312719A (ja) | 文字切り出し装置及び文字切り出し方法並びに文字切り出し用プログラム | |
| JP3374762B2 (ja) | 文字認識方法及びその装置 | |
| Ning et al. | Scene text detection based on component-level fusion and region-level verification | |
| JP7404625B2 (ja) | 情報処理装置、及びプログラム |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20060529 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20060607 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20060807 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20070131 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20070402 |
|
| 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: 20071003 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20071004 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20101019 Year of fee payment: 3 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20101019 Year of fee payment: 3 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20111019 Year of fee payment: 4 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20121019 Year of fee payment: 5 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20131019 Year of fee payment: 6 |
|
| LAPS | Cancellation because of no payment of annual fees |