JP6938228B2 - 計算機、文書識別方法、及びシステム - Google Patents

Description

本発明は、文書を識別する計算機、方法、及びシステムに関する。

デジタル化の進展に伴い電子申請を利用する機会が増加している。電子申請では、対象の書類等が全てデジタル化されているわけではなく、紙ベースの文書又は紙をスキャンすることによって作成された画像が使用されている場合が多い。

本明細書では、電子化された文書を電子ベース文書と記載し、紙ベースの文書及び紙をスキャンすることによって作成された画像を紙ベース文書とも記載する。また、電子ベース文書及び紙ベース文書を区別しない場合、単に、文書とも記載する。

例えば、企業における出納業務では、（１）申請者が請求者から請求書を受け取り、（２）申請者が請求者への請求金額の支払いを記載した請求書を電子申請により財務部門に提出し、（３）財務部門に所属する人間が、請求書に記載された属性を確認し、電子申請が適正であると判断した場合、企業から請求者に請求金額を支払う、というような手続きが実行されている。

ここで、属性とは、審査対象であり、かつ、文書の特徴を示す文字列である。例えば、出納業務の場合、請求金額、請求金額の振込先の銀行口座番号等が属性に該当する。

紙ベース文書を扱う電子申請の場合、人が紙ベース文書を確認する必要があるため、業務の効率が低く、また、業務に要するコストが大きいという問題がある。

前述の問題に対し、光学文字認識（ＯＣＲ：Ｏｐｔｉｃａｌ Ｃｈａｒａｃｔｅｒ Ｒｅｃｏｇｎｉｔｉｏｎ）の技術を用いて、紙ベース文書から属性を読み出す方法が知られている。例えば、特許文献１に記載の技術が知られている。

特許文献１には、「顧客の請求書を電子的に提示する方法であって、顧客から電子的な請求書及び紙の請求書を受け取り、紙の請求書から電子イメージ情報を生成し、スキャンすることによって電子イメージ情報から第１ＯＣＲデータを抽出し、スキャンされた紙幣の種類の少なくとも１つの数値識別子を第１ＯＣＲデータから検索し、数値識別子の比較結果からスキャンされた紙の請求書のタイプを特定し、特定されたタイプに対応するテンプレートを用いて電子イメージ情報から第２ＯＣＲデータを抽出し、第２ＯＣＲデータから請求書情報を抽出し、請求書情報と知られた情報とを比較し、電子的な請求書及び請求書情報とを組み合わせた顧客請求提示を提示すること」が記載されている。

特許文献１に記載の技術を用いることによって、電子申請の業務において人が行う処理の工数を削減できるため、業務の効率を改善し、また、業務に要するコストを削減することができる。

米国特許第８６３０９４９号明細書 特開２００４−１７１３１６号公報

F.Kimura et. al. "Modified quadratic discriminant functions and the application to chinese character recognition" IEEETransaction on Pattern Analysis and Machine Intelligence、 vol.9、 pp.149-153 高橋他、「回帰的遷移ネットワークを用いた文字経路探索方式の開発」、電子情報通信学会技術研究報告 Vol.109 No.418 pp.141-146

特許文献１に記載の技術では、数値識別子と請求書のタイプを予め設定する必要がある。しかし、類似する属性を含む文書を用いるが審査内容が異なる電子申請が存在する場合、ユーザが数値識別子と請求書のタイプとを適切に関連付けることができない可能性がある。また、数値識別子が含まれていない可能性も考えられる。また、請求書の書式の変更等によって数値識別子が変更される可能性もある。

したがって、従来技術では、最適なテンプレートを選択できないことによって属性の抽出精度が低くなり、業務効率の改善及び業務に要するコストの削減の効果が低い。

本発明は、高い精度で属性を抽出できる装置、文書識別方法、及びシステムを提供する。

本願において開示される発明の代表的な一例を示せば以下の通りである。すなわち、紙に記載された文書の特徴を示す文字列である属性を抽出する計算機であって、プロセッサ及び前記プロセッサに接続される記憶装置を備え、前記記憶装置は、少なくとも一つ以上の属性の種別が定義された複数のテンプレートを管理するテンプレート情報、及び前記属性として抽出される文字列を定義する辞書情報を格納し、前記テンプレート情報は、前記テンプレートの識別情報、前記属性の種別を示す識別情報、及び前記属性の種別に対応する属性の紙面上の位置を示す位置情報から構成されるエントリを複数含み、前記プロセッサは、前記紙に記載された文書の画像データに対して文字認識処理を実行し、前記文字認識処理の結果及び前記複数のテンプレートを用いて、前記複数のテンプレートの各々に定義された前記属性の種別に対応する属性を抽出し、前記辞書情報、前記テンプレート情報、及び前記抽出された属性を用いて、前記複数のテンプレートの各々について、前記抽出された属性に関するスコアを算出し、前記スコアに基づいて、前記複数のテンプレートの中から属性の抽出精度が最も高いテンプレートを選択し、前記選択されたテンプレートを用いて抽出された属性を含む出力情報を生成し、前記選択されたテンプレートの前記スコアを用いて、前記紙に記載された文書の特徴を表す特徴ベクトルを生成し、前記特徴ベクトルを用いて、前記出力情報の信頼性を示す評価値を算出し、前記評価値及び閾値の比較結果に基づいて、前記出力情報の修正又は新たな出力情報の生成が必要であるか否かを判定することを特徴とする。

本発明によれば、紙の文書から高い精度で属性を抽出できる。上記した以外の課題、構成及び効果は、以下の実施例の説明により明らかにされる。

実施例１の通信システムの構成例を示す説明図である。 実施例１の計算機のハードウェア構成及びソフトウェア構成を説明する図である。 実施例１のテンプレート情報のデータ構造の一例を示す図である。 実施例１の単語辞書のデータ構造の一例を示す図である。 実施例１の表記辞書のデータ構造の一例を示す図である。 実施例１の計算機が実行する処理の概要を説明するフローチャートである。 実施例１の文書審査モジュールが実行する文書サマリ情報生成処理の概要を示す図である。 実施例１の文書審査モジュールが生成するＯＣＲ要素のデータ構造の一例を示す図である。 実施例１の文書審査モジュールが生成する特徴ベクトルのデータ構造の一例を示す図である。 実施例１の文書審査モジュールが実行する文書サマリ情報生成処理を説明するフローチャートである。 実施例１の文書審査モジュールが実行するＯＣＲ処理の一例を説明するフローチャートである。 実施例１の文書審査モジュールが実行するスコア算出処理を説明するフローチャートである。 実施例１の文書審査モジュールが実行する代表ＯＣＲ要素選択処理の一例を説明するフローチャートである。 実施例１の計算機が表示するテンプレート入力画面の一例を示す図である。 実施例１の計算機が表示するクラス分類設定画面の一例を示す図である。 実施例１の計算機が表示する出力画面の一例を示す図である。

以下、本発明の実施例について、図面を参照して説明する。

なお、実施例を説明する図において、同一の機能を有する箇所には同一の符号を付し、その繰り返しの説明は省略する。なお、以下に説明する実施例は特許請求の範囲にかかる発明を限定するものではない。また実施例において説明されている各要素及びその組み合わせの全てが発明の解決手段に必須であるとは限らない。

また、以下の説明では、情報の一例として「ｘｘｘテーブル」といった表現を用いる場合があるが、情報のデータ構造はどのようなものでもよい。すなわち、情報がデータ構造に依存しないことを示すために、「ｘｘｘテーブル」を「ｘｘｘ情報」と言うことができる。また、以下の説明において、各テーブルの構成は一例であり、一つのテーブルは、二つ以上のテーブルに分割されてもよいし、二つ以上のテーブルの全部又は一部が一つのテーブルであってもよい。

図１は、実施例１のシステムの構成例を示す図である。

システムは、計算機１００、入力端末１１０、クライアント端末１２０、及びスキャナ１３０から構成される。計算機１００、入力端末１１０、クライアント端末１２０は、ネットワーク１５０を介して互いに接続される。また、スキャナ１３０は、計算機１００に接続される。

なお、本発明はネットワーク１５０の種類に限定されない。ネットワーク１５０は、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）及びＷＡＮ（Ｗｉｄｅ Ａｒｅａ Ｎｅｔｗｏｒｋ）等が考えられる。また、本発明はネットワーク１５０の接続方式に限定されず、無線及び有線のいずれでもよい。また、スキャナ１３０は、計算機１００に直接接続されてもよいし、また、ネットワークを介して接続されてもよい。

なお、本発明のシステムに含まれる計算機１００、入力端末１１０、クライアント端末１２０、及びスキャナ１３０の数は任意の数に設定できる。

計算機１００は、電子申請に関する処理を実行する。

クライアント端末１２０は、電子申請を行うユーザ（申請者）が操作する端末である。ユーザは、クライアント端末１２０を操作して、電子申請に必要な文書を入力する。なお、ユーザは、電子申請を行う会社又は行政施設に直接文書を提出してもよい。なお、本発明は、扱う文書に限定されない。文書は、例えば、請求書、領収書、源泉徴収票、及び税金通知等が考えられる。

電子申請時に入力される文書には、電子申請の審査に用いる文字列である属性が複数含まれる。例えば、文書が請求書の場合、請求金額、請求者、請求宛先、並びに、振込先を指定する銀行名、支店名、口座種別、及び口座番号等の文字列が属性として含まれる。本実施例では、属性は、属性の種別（属性の名称）及び属性として抽出される文字列を対応づけて管理される。

入力端末１１０は、計算機１００を管理する管理者が操作する端末である。スキャナ１３０は、紙の文書から文書画像データ７０１（図７参照）を生成する。スキャナ１３０は、フラットベッドスキャナ及びオートシートフィーダ付きのスキャナ等が考えられる。

なお、スキャナ１３０の代わりに、ＣＣＤ（Ｃｈａｒｇｅ Ｃｏｕｐｌｅｄ Ｄｅｖｉｃｅ）等の素子を用いて画像を撮影するデジタルカメラを備えてもよい。

図２は、実施例１の計算機１００のハードウェア構成及びソフトウェア構成を説明する図である。

計算機１００は、プロセッサ２０１、主記憶装置２０２、副記憶装置２０３、ネットワークインタフェース２０４、入力装置２０５、及び出力装置２０６を有する。各ハードウェアは内部パス等を介して互いに接続される。図２では、各ハードウェアの数は一つであるが、二つ以上でもよい。

なお、入力端末１１０及びクライアント端末１２０のハードウェア構成は、計算機１００と同一である。

プロセッサ２０１は、主記憶装置２０２に格納されるプログラムを実行する。プロセッサ２０１がプログラムにしたがって処理を実行することによって、特定の機能を実現するモジュールとして動作する。以下の説明では、モジュールを主語に処理を説明する場合、プロセッサ２０１が当該モジュールを実現するプログラムを実行していることを示す。

主記憶装置２０２は、プロセッサ２０１が実行するプログラム及びプログラムが使用する情報を格納する。また、主記憶装置２０２は、プログラムが一時的に使用するワークエリアを含む。主記憶装置２０２は、例えば、メモリ等が考えられる。

本実施例の主記憶装置２０２は、文書審査モジュール２１１及び学習処理モジュール２１２を実現するプログラムを格納する。また、主記憶装置２０２は、テンプレート情報２２１、単語辞書２２２、及び表記辞書２２３を格納する。

文書審査モジュール２１１は、電子申請の審査処理を実行する。文書審査モジュール２１１が実行する処理については後述する。学習処理モジュール２１２は、データの選択方法、抽出方法、及び分類方法に関する学習処理を実行する。なお、機械学習のアルゴリズムには、ロジスティック回帰、デシジョン フォレスト、デシジョン ジャングル、ブースト デシジョン ツリー、ニューラルネットワーク、平均化パーセプトロン、サポート ベクタマシン、ローカル詳細サポート ベクタマシン、及びベイズ ポイント マシン等が知られている。

テンプレート情報２２１は、文書審査に使用する文字列を文書から読み出すためのテンプレートを管理する情報である。テンプレート情報２２１の詳細は図３を用いて説明する。単語辞書２２２及び表記辞書２２３は、属性として抽出する文字列を定義する情報であり、また、後述するスコアの算出時に使用される情報である。単語辞書２２２の詳細は図４を用いて説明し、表記辞書２２３は図５を用いて説明する。

副記憶装置２０３は、データを永続的に格納する。副記憶装置２０３は、例えば、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）及びＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等が考えられる。なお、主記憶装置２０２に格納されるプログラム及び情報は、副記憶装置２０３に格納されてもよい。この場合、プロセッサ２０１が、副記憶装置２０３からプログラム及び情報を読み出し、主記憶装置２０２にロードする。

ネットワークインタフェース２０４は、ネットワークを介して他の装置と接続するためのインタフェースである。

入力装置２０５は、計算機１００に対してデータを入力するための装置である。例えば、入力装置２０５は、キーボード、マウス、及びタッチパネル等を含む。

出力装置２０６は、データの入力画面及び処理結果等を出力する装置である。例えば、出力装置２０６は、タッチパネル及びディスプレイ等を含む。

図３は、実施例１のテンプレート情報２２１のデータ構造の一例を示す図である。

テンプレート情報２２１は、テンプレート番号３０１、属性３０２、及び位置情報３０３から構成されるエントリを含む。一つのエントリが一つのテンプレートに対応する。また、一つのエントリには、テンプレートにおいて定義された属性の行が一つ以上含まれる。

テンプレート番号３０１は、テンプレートを一意に識別する識別情報を格納するフィールドである。本実施例では、テンプレートの識別情報は、エントリの識別情報としても用いられる。属性３０２は、テンプレートに含まれる属性の種別を表す識別名称を格納するフィールドである。位置情報３０３は、属性の種別に対応する属性の紙面上の位置に関する情報を格納するフィールドである。例えば、矩形領域の右上及び左上の座標が位置情報３０３に格納される。なお、座標は、相対座標でもよいし、絶対座標でもよい。また、位置情報３０３には、複数の位置を指定する情報が格納されてもよい。

なお、本発明は、位置情報３０３に格納される情報に限定されない。例えば、エントリは、属性の長さ及び属性が記載されている範囲等を格納するフィールドを含んでもよい。

図４は、実施例１の単語辞書２２２のデータ構造の一例を示す図である。

単語辞書２２２は、属性として抽出する単語を定義する情報であり、属性４０１及び文字列４０２から構成されるエントリを含む。一つのエントリが一つの属性に対応する。

属性４０１は、属性の識別名称を格納する。文字列４０２は、属性４０１に分類される単語（文字列）を格納する。

図５は、実施例１の表記辞書２２３のデータ構造の一例を示す図である。

表記辞書２２３は、属性として抽出する数値に対応する文字列を定義する情報であり、属性５０１及び表記５０２から構成されるエントリを含む。一つのエントリが一つの属性に対応する。

属性５０１は、属性の識別名称を格納する。表記５０２は、属性５０１に分類される数値（文字列）の表記ルールを格納する。

図６は、実施例１の計算機１００が実行する処理の概要を説明するフローチャートである。

計算機１００の文書審査モジュール２１１は、ユーザが操作するクライアント端末１２０から、電子申請の要求を受け付ける（ステップＳ１０１）。電子申請の要求には、審査対象の文書画像データ７０１（図７参照）が含まれる。

なお、文書画像データ７０１が外部の記憶装置に格納されている場合、ユーザは、文書画像データ７０１の識別情報を電子申請の要求に含めてもよい。また、ユーザは、紙の文書を提出してもよい。紙の文書が提出された場合、計算機１００は、スキャナ１３０を用いて紙の文書をスキャンし、文書画像データ７０１を生成する。

次に、計算機１００の文書審査モジュール２１１は、文書サマリ情報生成処理を実行する（ステップＳ１０２）。

文書サマリ情報生成処理では、文書サマリ情報７０５（図７参照）が生成される。文書サマリ情報７０５は、文書画像データ７０１に対応する文書から抽出された属性をまとめた情報である。請求書に対応する文書画像データ７０１の場合、請求金額、並びに、振込先を特定する銀行名、支店名、口座種別、口座番号、請求者名、及び被請求者名等に対応する属性（文字列）が文書サマリ情報７０５に含まれる。領収書に対応する文書画像データ７０１の場合、金額、物を購入又はサービスの提供を受けた人又は組織の名称、及び物の販売又はサービスの提供を行った人又は組織の名称等に対応する属性（文字列）が文書サマリ情報７０５に含まれる。また、源泉徴収票に対応する文書画像データ７０１の場合、人の氏名、人が所属する組織の名称、人の収入額、及び人の源泉徴収額等に対応する属性（文字列）が文書サマリ情報７０５に含まれる。

なお、文書サマリ情報生成処理の詳細は図７から図１３を用いて説明する。

計算機１００は、文書サマリ情報７０５を用いて電子申請の審査を行う（ステップＳ１０３）。計算機１００は、審査の結果として「許可」及び「拒絶」のいずれかの応答をユーザに出力する。

図７は、実施例１の文書審査モジュール２１１が実行する文書サマリ情報生成処理の概要を示す図である。図８は、実施例１の文書審査モジュール２１１が生成するＯＣＲ要素のデータ構造の一例を示す図である。図９は、実施例１の文書審査モジュール２１１が生成する特徴ベクトルのデータ構造の一例を示す図である。

ステップＳ１では、文書審査モジュール２１１は、文書画像データ７０１が入力された場合、文書画像データ７０１に対してＯＣＲ処理を実行する。

ステップＳ２では、文書審査モジュール２１１は、ＯＣＲ処理の結果及びテンプレート情報２２１を用いて、各テンプレートに含まれる属性に関するスコアを算出する。後述するように、本実施例では、一つの属性に対して複数のスコアが算出される。文書審査モジュール２１１は、属性及びスコアを対応付けたＯＣＲ要素７０２を生成する。図７に示す一つの矩形が一つのＯＣＲ要素７０２に対応する。

図８に示すように、ＯＣＲ要素７０２は、属性８０１、項目値８０２、位置８０３、及びスコア８０４から構成される。

属性８０１は、属性の識別名称を格納するフィールドである。項目値８０２は、文書から抽出された属性（文字列）を格納するフィールドである。位置８０３は、紙面上の属性の位置を格納する。スコア８０４は、テンプレートを用いて抽出された属性（文字列）に関連するスコアを格納するフィールド群である。

本実施例では、表記スコア、単語スコア、位置スコア、面積スコア、項目スコア、及び出現回数スコアが算出される。

表記スコアは、属性が表記辞書２２３に登録された表記ルールに一致する度合いを表す値である。単語スコアは、属性が単語辞書２２２に登録された単語と一致する度合いを表す値である。

位置スコアは、文書画像データ７０１における属性の位置と、テンプレートにおける属性の位置とのズレの度合いを表す値である。面積スコアは、属性を含む矩形領域の面積に関連する値である。項目スコアは、属性の種別が同一である属性間の距離に関連する値である。出現回数スコアは、属性の出現回数に関する値である。

本実施例では、辞書に基づく文字列の類似度等を表すスコアの他に、文字列の位置に関するスコアが算出される点に特徴がある。なお、ＯＣＲ要素７０２には、表記スコア、単語スコア、位置スコア、面積スコア、項目スコア、及び出現回数スコアの全てが含まれていなくてもよい。例えば、表記スコア、単語スコア、及び位置スコアのみを含むＯＣＲ要素７０２でもよい。

ステップＳ３では、文書審査モジュール２１１は、各テンプレートのＯＣＲ要素７０２に基づいて、文書サマリ情報７０５の生成に適したテンプレートを選択する。さらに、文書審査モジュール２１１は、選択されたテンプレートに含まれる各属性の種別のＯＣＲ要素７０２の中から代表ＯＣＲ要素７０３を選択する。図７に示す一つの矩形が一つの代表ＯＣＲ要素７０３に対応する。選択されたテンプレートに三種類の属性が含まれる場合、三つの代表ＯＣＲ要素７０３が選択される。

ステップＳ４では、文書審査モジュール２１１は、代表ＯＣＲ要素７０３を用いて、特徴ベクトル７０４を算出し、また、文書サマリ情報７０５を生成する。

本実施例では、図９に示すように、各代表ＯＣＲ要素７０３のスコアを成分とするベクトルが特徴ベクトル７０４として生成される。また、文書サマリ情報７０５は、代表ＯＣＲ要素７０３の属性８０１及び項目値８０２等をまとめることによって生成される。

「発明が解決しようとする課題」に記載した課題とは別に次のような課題が存在する。従来技術では、テンプレートを用いて文書サマリ情報に相当する情報が生成されていた。しかし、当該情報は、必ずしも電子申請の審査に使用できる情報ではない。そこで、本実施例では、文書審査モジュール２１１が、生成された文書サマリ情報７０５の信頼性を評価する。これによって、電子申請における業務の停止を回避し、また、修正作業等を削減できる。

ステップＳ５では、文書審査モジュール２１１は、特徴ベクトル７０４を評価式に代入することによって文書サマリ情報７０５の信頼性を示す評価値を算出し、算出された評価値に基づいて操作方法（クラス）の分類を行う。評価式は、一つのパラメータを用いて定義される。なお、評価式のパラメータは、予め設定されているものとする。また、別の方法として、文書審査モジュール２１１は、予め機械学習を行った分類器に特徴ベクトル７０４を入力することによってクラスの分類を行ってもよい。本実施例では、ケース０、ケース１、ケース２の三つのクラスに分類される。

評価値が第１の閾値以上である場合、ケース０のクラスに分類される。ケース０では、文書サマリ情報７０５の信頼性が高いため、生成された文書サマリ情報７０５の修正は行われない。

評価値が第１の閾値より小さく、かつ、第２の閾値以上である場合、ケース１に分類される。ステップＳ６−１では、文書審査モジュール２１１は、一人の管理者に対して、文書サマリ情報の入力を促す。管理者は、文書画像データ７０１等を参照し、文書サマリ情報を生成し、入力端末１１０を操作して計算機１００に文書サマリ情報を入力する。

評価値が第２の閾値より小さい場合、ケース２に分類される。ステップＳ６−２では、文書審査モジュール２１１は、二人の管理者に対して、文書サマリ情報の入力を促す。二人の管理者は、それぞれ文書画像データ７０１等を参照し、文書サマリ情報を生成し、入力端末１１０を操作して計算機１００に文書サマリ情報を入力する。

ステップＳ７では、文書審査モジュール２１１は、申請の審査に用いる文書サマリ情報を選択する。

ケース０の場合、文書審査モジュール２１１が生成した文書サマリ情報７０５が選択される。

ケース１の場合、文書審査モジュール２１１は、文書審査モジュール２１１が生成した文書サマリ情報７０５と、管理者が生成した文書サマリ情報とが一致するか否かを判定する。判定結果がＹＥＳの場合、文書審査モジュール２１１は、文書審査モジュール２１１が生成した文書サマリ情報７０５を選択する。判定結果がＮＯの場合、文書審査モジュール２１１は、文書サマリ情報を入力した管理者又は他の管理者に、入力した文書サマリ情報の修正又は新たな文書サマリ情報の入力を促す。この場合、文書審査モジュール２１１は、修正された文書サマリ情報又は新たに入力された文書サマリ情報を選択する。

ケース２の場合、文書審査モジュール２１１は、文書審査モジュール２１１が生成した文書サマリ情報７０５と、二人の管理者が生成した文書サマリ情報とが一致するか否かを判定する。判定結果がＹＥＳの場合、文書審査モジュール２１１は、文書審査モジュール２１１が生成した文書サマリ情報７０５を選択する。判定結果がＮＯの場合、文書審査モジュール２１１は、文書サマリ情報を入力したいずれかの管理者又は他の管理者に、入力した文書サマリ情報の修正又は新たな文書サマリ情報の入力を促す。この場合、文書審査モジュール２１１は、修正された文書サマリ情報又は新たに入力された文書サマリ情報を選択する。

図１０は、実施例１の文書審査モジュール２１１が実行する文書サマリ情報生成処理を説明するフローチャートである。

文書審査モジュール２１１は、文書画像データ７０１が入力された場合、以下で説明する文書サマリ情報生成処理を開始する。

まず、文書審査モジュール２１１は、文書画像データ７０１に対してＯＣＲ処理を実行する（ステップＳ２０１）。ＯＣＲ処理の詳細は図１１を用いて説明する。ＯＣＲ処理によって、文書画像データ７０１は、計算機が扱うことができる文字列群のデータに変換される。

次に、文書審査モジュール２１１は、テンプレート情報２２１から一つのテンプレートを選択する（ステップＳ２０２）。例えば、文書審査モジュール２１１は、テンプレート情報２２１の上のエントリから順に選択する。

次に、文書審査モジュール２１１は、スコア算出処理を実行する（ステップＳ２０３）。スコア算出処理の詳細は図１２を用いて説明する。

次に、文書審査モジュール２１１は、全てのテンプレートについて処理が完了したか否かを判定する（ステップＳ２０４）。

全てのテンプレートについて処理が完了していないと判定された場合、文書審査モジュール２１１は、ステップＳ２０２に戻り、同様の処理を実行する。

全てのテンプレートについて処理が完了したと判定された場合、文書審査モジュール２１１は、代表ＯＣＲ要素選択処理を実行する（ステップＳ２０５）。代表ＯＣＲ要素選択処理の詳細は図１３を用いて説明する。

次に、文書審査モジュール２１１は、代表ＯＣＲ要素７０３を用いて、特徴ベクトル７０４を生成し（ステップＳ２０６）、また、文書サマリ情報７０５を生成する（ステップＳ２０７）。

次に、文書審査モジュール２１１は、特徴ベクトル評価処理を実行し（ステップＳ２０８）、ケース０、ケース１、及びケース２の三つのクラスに分類する（ステップＳ２０９）。

クラスがケース０の場合、文書審査モジュール２１１は、ステップＳ２０７において生成された文書サマリ情報７０５を出力する（ステップＳ２１４）。その後、文書審査モジュール２１１は、処理を終了する。

クラスがケース１の場合、文書審査モジュール２１１は、一人の管理者が入力したテンプレート及び文書サマリ情報の入力を受け付ける（ステップＳ２１０、ステップＳ２１１）。その後、文書審査モジュール２１１は、ステップＳ２０７において生成された文書サマリ情報７０５と入力された文書サマリ情報とが一致する場合、文書サマリ情報７０５を出力する（ステップＳ２１４）。なお、ステップＳ２０７において生成された文書サマリ情報７０５と入力された文書サマリ情報とが一致しない場合、文書審査モジュール２１１は、入力された文書サマリ情報を出力する。

クラスがケース２の場合、文書審査モジュール２１１は、二人の管理者が入力したテンプレート及び文書サマリ情報の入力を受け付ける（ステップＳ２１２、ステップＳ２１３）。その後、文書審査モジュール２１１は、ステップＳ２０７において生成された文書サマリ情報７０５と入力された文書サマリ情報とが一致する場合、文書サマリ情報７０５を出力する（ステップＳ２１４）。なお、ステップＳ２０７において生成された文書サマリ情報７０５と入力された文書サマリ情報とが一致しない場合、文書審査モジュール２１１は、入力された文書サマリ情報を出力する。

図１１は、実施例１の文書審査モジュール２１１が実行するＯＣＲ処理の一例を説明するフローチャートである。

文書審査モジュール２１１は、文書画像データ７０１から枠（セル）を検出し（ステップＳ３０１）、枠外の領域及び枠内の領域から文字列が存在する領域（文字列領域）を検出する（ステップＳ３０２）。なお、文字列領域は、矩形の領域として検出される。

ステップＳ３０１及びステップＳ３０２の処理としては、例えば、特許文献２に記載された方法を用いる。

次に、文書審査モジュール２１１は、辞書を用いて文字列領域に含まれる文字列の識別処理を実行する（ステップＳ３０３）。文字列の識別処理は、例えば、非特許文献１に記載の方法を用いる。その後、文書審査モジュール２１１は、ＯＣＲ処理を終了する。

図１２は、実施例１の文書審査モジュール２１１が実行するスコア算出処理を説明するフローチャートである。

文書審査モジュール２１１は、選択されたテンプレートに含まれる属性の種別の中からターゲット属性種別を選択する（ステップＳ４０１）。すなわち、選択されたテンプレートに対応するエントリに含まれる属性３０２が一つ選択される。

次に、文書審査モジュール２１１は、ターゲット属性種別に対応するＯＣＲ要素７０２を生成する（ステップＳ４０２）。具体的には、以下のような処理が実行される。

文書審査モジュール２１１は、単語辞書２２２を参照し、ＯＣＲ処理が実行された文書画像データ７０１からターゲット属性種別に対応するエントリの文字列４０２に一致又は類似する属性（文字列）を検索する。このとき、文書審査モジュール２１１は、図示しない類義語辞書を用いて、文字列４０２と同一の文字列だけではなく、意味等が一致又は類似する属性（文字列）を検索する。また、文書審査モジュール２１１は、表記辞書２２３を参照し、ＯＣＲ処理が実行された文書画像データ７０１からターゲット属性種別に対応するエントリの表記５０２に一致又は類似する属性（文字列）を検索する。

文書審査モジュール２１１は、空のＯＣＲ要素７０２を生成し、ターゲット属性種別を属性８０１に設定する。文書審査モジュール２１１は、検索された属性を項目値８０２に設定し、検索された属性の位置を位置８０３に設定する。この時点では、検索された一つの属性に対して、一つのＯＣＲ要素７０２が生成される。

文書審査モジュール２１１は、ＯＣＲ要素７０２の位置８０３に基づいて、検索された文字列間の距離を算出し、距離が閾値以下である文字列のＯＣＲ要素７０２を一つのＯＣＲ要素７０２に統合する。この場合、統合されたＯＣＲ要素７０２の項目値８０２及び位置８０３には、複数の値が設定される。

単語辞書２２２及び表記辞書２２３のいずれを用いても属性が抽出されなかった場合、文書審査モジュール２１１は、属性８０１にターゲット属性種別を設定し、項目値８０２及び位置８０３を空欄に設定し、スコア８０４の全ての値を「０」に設定する。また、文書審査モジュール２１１は、選択されたテンプレートを不適切なテンプレートであると判定し、スコア算出処理を終了してもよい。以上がステップＳ４０２の処理の説明である。

次に、文書審査モジュール２１１は、各ＯＣＲ要素７０２のスコアを算出する（ステップＳ４０３）。具体的には、以下のような処理が実行される。

文書審査モジュール２１１は、単語辞書２２２及び項目値８０２を参照し、ターゲット属性種別に対応するエントリの文字列４０２と、単語辞書２２２を用いて抽出された属性とを比較し、比較結果に基づいて単語スコアを算出する。例えば、文字列の類似度が単語スコアとして算出される。なお、類似度等の算出方法としては、例えば、特許文献２に記載の方法を用いる。

なお、単語辞書２２２を用いた検索処理によって抽出された属性が存在しない場合、文書審査モジュール２１１は、「０」等の既定値を単語スコアとして設定する。

文書審査モジュール２１１は、表記辞書２２３及び項目値８０２を参照し、ターゲット属性種別に対応するエントリの表記５０２と、表記辞書２２３を用いて抽出された属性とを比較し、比較結果に基づいて表記スコアを算出する。例えば、表記５０２の少なくとも一つの表記と属性との一致度が表記スコアとして算出される。なお、一致度等の算出方法は、例えば、非特許文献２に記載の技術を用いる。

なお、表記辞書２２３を用いた検索処理によって抽出された属性が存在しない場合、文書審査モジュール２１１は、「０」等の既定値を表記スコアとして設定する。

文書審査モジュール２１１は、項目値８０２に設定された属性の出現回数に基づいて出現回数スコアを算出する。例えば、出現回数そのものが出現回数スコアとして算出される。項目値８０２に二つ以上の属性が設定されている場合、いずれかの属性の出現回数を用いて出現回数スコアが算出されてもよい。なお、出現回数を評価できる値であればどのような算出方法でもよい。

文書審査モジュール２１１は、位置８０３及びターゲット属性種別に対応する行の位置情報３０３を用いて属性の位置の誤差を算出し、当該誤差に基づいて位置スコアを算出する。本実施例では、誤差をパラメータとする数式を用いて位置スコアが算出される。なお、属性の位置の誤差を評価できる値であればどのような算出方法でもよい。

文書審査モジュール２１１は、項目値８０２に設定された属性の領域の大きさに基づいて面積スコアを算出する。例えば、文書画像データ７０１に対応する紙における属性の領域の割合が面積スコアとして算出される。なお、項目値８０２に設定された属性の領域の大きさを評価できる値であればどのような算出方法でもよい。

文書審査モジュール２１１は、位置８０３を参照して、属性種別が同一である属性間の距離を算出し、当該距離に基づいて項目スコアを算出する。例えば、単語辞書２２２を用いて抽出された属性と、表記辞書２２３を用いて抽出された属性との間の距離が算出される。本実施例では、属性間の距離の逆数をパラメータとする数式を用いて項目スコアが算出される。なお、二つの属性の位置を評価できる値であればどのような算出方法でもよい。項目値８０２に複数の属性が設定されるＯＣＲ要素７０２の場合、前述した算出方法に基づいて項目スコアが算出される。一方、項目値８０２に一つの属性が設定されるＯＣＲ要素７０２の場合、「０」等の既定値が項目スコアとして算出される。

文書審査モジュール２１１は、上記で説明した各スコアをＯＣＲ要素７０２のスコア８０４に設定する。以上がステップＳ４０３の処理の説明である。

次に、文書審査モジュール２１１は、全ての属性種別について処理が完了したか否かを判定する（ステップＳ４０４）。

全ての属性種別について処理が完了していないと判定された場合、文書審査モジュール２１１は、ステップＳ４０１に戻り、同様の処理を実行する。

全ての属性種別について処理が完了したと判定された場合、文書審査モジュール２１１は、スコア算出処理を終了する。

図１３は、実施例１の文書審査モジュール２１１が実行する代表ＯＣＲ要素選択処理の一例を説明するフローチャートである。

文書審査モジュール２１１は、テンプレートを選択する（ステップＳ５０１）。また、文書審査モジュール２１１は、選択されたテンプレートに含まれる属性種別の中からターゲット属性種別を選択する（ステップＳ５０２）。

文書審査モジュール２１１は、ターゲット属性種別に対応するＯＣＲ要素７０２が複数存在するか否かを判定する（ステップＳ５０３）。すなわち、属性８０１がターゲット属性種別に一致するＯＣＲ要素７０２が二つ以上存在するか否かが判定される。

ターゲット属性種別に対応するＯＣＲ要素７０２が一つであると判定された場合、文書審査モジュール２１１は、一つのＯＣＲ要素７０２を候補ＯＣＲ要素に設定する（ステップＳ５０４）。

ターゲット属性種別に対応するＯＣＲ要素７０２が複数存在すると判定された場合、文書審査モジュール２１１は、複数のＯＣＲ要素７０２の中から候補ＯＣＲ要素を一つ選択する（ステップＳ５０５）。

例えば、文書審査モジュール２１１は、任意の数式にＯＣＲ要素７０２のスコア８０４を代入することによって選択指標を算出し、選択指標に基づいて候補ＯＣＲ要素を選択する。ここでは、選択指標が最も大きいＯＣＲ要素７０２が候補ＯＣＲ要素として選択される。また、文書審査モジュール２１１は、機械学習が行われた分類器を用いて候補ＯＣＲ要素を選択してもよい。

ステップＳ５０６では、文書審査モジュール２１１は、選択されたテンプレートに含まれる全ての属性種別について処理が完了したか否かを判定する（ステップＳ５０６）。

選択されたテンプレートに含まれる全ての属性種別について処理が完了していないと判定された場合、文書審査モジュール２１１は、ステップＳ５０２に戻り、同様の処理を実行する。

選択されたテンプレートに含まれる全ての属性種別について処理が完了したと判定された場合、文書審査モジュール２１１は、選択されたテンプレートの候補ＯＣＲ要素を用いて、当該テンプレートの比較値を算出する（ステップＳ５０７）。例えば、候補ＯＣＲ要素のスコア８０４をパラメータとする数式に基づいて比較値が算出される。なお、比較値は、テンプレートを用いて抽出された属性の抽出精度を評価するための値である。

次に、文書審査モジュール２１１は、全てのテンプレートについて処理が完了したか否かを判定する（ステップＳ５０８）。

全てのテンプレートについて処理が完了していないと判定された場合、文書審査モジュール２１１は、ステップＳ５０１に戻り、同様の処理を実行する。

全てのテンプレートについて処理が完了したと判定された場合、文書審査モジュール２１１は、各テンプレートの比較値を用いて代表テンプレートを選択する（ステップＳ５０９）。ここでは、比較値が最も大きいテンプレートが代表テンプレートとして選択される。

次に、文書審査モジュール２１１は、代表テンプレートに対応する候補ＯＣＲ要素を代表ＯＣＲ要素７０３として選択する（ステップＳ５１０）。その後、文書審査モジュール２１１は、代表ＯＣＲ要素選択処理を終了する。

図１４、図１５、及び図１６を用いて、計算機１００が表示する画面の一例を説明する。

図１４は、実施例１の計算機１００が表示するテンプレート入力画面１４００の一例を示す図である。

テンプレート入力画面１４００は、テンプレートを設定するための画面であり、初期設定時、又は、ステップＳ２１０及びステップＳ２１２において表示される。なお、テンプレート入力画面１４００は、管理者の要求に応じて任意のタイミングで表示できる。

テンプレート入力画面１４００は、属性設定欄１４０１、追加ボタン１４０２、位置設定欄１４０３、及び登録ボタン１４０４を含む。

属性設定欄１４０１は、テンプレートに含める属性の種別を設定する欄である。追加ボタン１４０２は、属性設定欄１４０１に行を追加するためのボタンである。位置設定欄１４０３は、属性設定欄１４０１に設定された属性の種別に対応する属性の紙面上の位置を設定する欄である。登録ボタン１４０４は、画面に入力したテンプレートをテンプレート情報２２１に設定するためのボタンである。

管理者が追加ボタン１４０２を操作した場合、属性設定欄１４０１に行が追加される。管理者は、追加された行に属性の種別を入力する。このとき、属性設定欄１４０１に設定された属性の種別に対応する属性のアイコンが、位置設定欄１４０３に表示される。管理者は、アイコンを動かすことによって、属性の種別に対応する属性の位置及び範囲を設定する。

管理者が登録ボタン１４０４を操作した場合、計算機１００は、テンプレート情報２２１にエントリを追加し、追加されたエントリのテンプレート番号３０１に識別番号を設定する。また、計算機１００は、追加されたエントリに、属性設定欄１４０１に設定された属性の種別の数と同一数の行を生成し、各行に属性設定欄１４０１の値を設定する。また、計算機１００は、位置設定欄１４０３に基づいて、各行の位置情報３０３に値を設定する。

図１５は、実施例１の計算機１００が表示するクラス分類設定画面１５００の一例を示す図である。

クラス分類設定画面１５００は、クラスの分類方法を設定するための画面であり、初期設定時に表示される。なお、クラス分類設定画面１５００は、管理者の要求に応じて任意のタイミングで表示できる。

クラス分類設定画面１５００は、第１の閾値設定欄１５０１、第２の閾値設定欄１５０２、パラメータ設定欄１５０３、追加ボタン１５０４、ＯＫボタン１５０５、及びキャンセルボタン１５０６を含む。

第１の閾値設定欄１５０１及び第２の閾値設定欄１５０２は、操作方法（クラス）の分類時に使用する閾値を設定する欄である。パラメータ設定欄１５０３は、代表ＯＣＲ要素７０３の選択、及び特徴ベクトルを用いた分類に使用するパラメータ（例えば、スコアの種別等）を設定する欄である。追加ボタン１５０４は、パラメータ設定欄１５０３に行を追加するためのボタンである。ＯＫボタン１５０５は、各入力欄に設定した値を計算機１００に登録するためのボタンである。キャンセルボタン１５０６は、各入力欄に設定した値を初期化するためのボタンである。

図１６は、実施例１の計算機１００が表示する出力画面１６００の一例を示す図である。

出力画面１６００は、電子申請の審査結果を表示する画面であり、電子申請の審査が完了した後に表示される。なお、出力画面１６００は、管理者又はユーザの要求に応じて任意のタイミングで表示できる。

出力画面１６００は、結果表示テーブル１６１０を含む。結果表示テーブル１６１０は、ＩＤ１６１１、審査結果１６１２、文書サマリ情報１６１３、分類結果１６１４、及びスコア１６１５から構成されるエントリを含む。

ＩＤ１６１１は、電子申請を一意に識別するための識別情報を格納する。例えば、計算機１００は、電子申請を受け付けた場合に、識別情報を付与する。審査結果１６１２は、ステップＳ１０３の処理結果を格納する。文書サマリ情報１６１３は、生成された文書サマリ情報にアクセスするためのアドレス又はＵＲＬ等を格納する。なお、文書サマリ情報７０５そのものが文書サマリ情報１６１３に格納されてもよい。分類結果１６１４は、ステップＳ２０９の分類結果を格納する。スコア１６１５は、ステップＳ２０９の分類において使用したスコア等を格納する。なお、スコア１６１５として表示する値は、任意に設定できる。

本発明によれば、計算機１００は、テンプレートに含まれる属性の位置及び文書画像データ７０１に含まれる属性の位置のズレ、文書画像データ７０１における属性の範囲等を考慮したスコアに基づいてテンプレートを選択できる。したがって、数値識別子とテンプレートとの対応関係が設定されていなくても、最適なテンプレートを選択できる。

また、当該テンプレートを用いて生成された文書サマリ情報７０５の信頼性を示す評価値に基づいて、文書サマリ情報７０５の修正又は新たな文書サマリ情報の入力が必要であるか否かを判定できる。これによって管理者の工程数を削減し、また、電子申請の不要な停止等を回避できるため、電子申請におけるコストの削減が可能となる。

なお、本発明は上記した実施例に限定されるものではなく、様々な変形例が含まれる。また、例えば、上記した実施例は本発明を分かりやすく説明するために構成を詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、各実施例の構成の一部について、他の構成に追加、削除、置換することが可能である。

また、上記の各構成、機能、処理部、処理手段等は、それらの一部又は全部を、例えば集積回路で設計する等によりハードウェアで実現してもよい。また、本発明は、実施例の機能を実現するソフトウェアのプログラムコードによっても実現できる。この場合、プログラムコードを記録した記憶媒体をコンピュータに提供し、そのコンピュータが備えるプロセッサが記憶媒体に格納されたプログラムコードを読み出す。この場合、記憶媒体から読み出されたプログラムコード自体が前述した実施例の機能を実現することになり、そのプログラムコード自体、及びそれを記憶した記憶媒体は本発明を構成することになる。このようなプログラムコードを供給するための記憶媒体としては、例えば、フレキシブルディスク、ＣＤ−ＲＯＭ、ＤＶＤ−ＲＯＭ、ハードディスク、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）、光ディスク、光磁気ディスク、ＣＤ−Ｒ、磁気テープ、不揮発性のメモリカード、ＲＯＭなどが用いられる。

また、本実施例に記載の機能を実現するプログラムコードは、例えば、アセンブラ、Ｃ／Ｃ＋＋、ｐｅｒｌ、Ｓｈｅｌｌ、ＰＨＰ、Ｊａｖａ（登録商標）等の広範囲のプログラム又はスクリプト言語で実装できる。

さらに、実施例の機能を実現するソフトウェアのプログラムコードを、ネットワークを介して配信することによって、それをコンピュータのハードディスクやメモリ等の記憶手段又はＣＤ−ＲＷ、ＣＤ−Ｒ等の記憶媒体に格納し、コンピュータが備えるプロセッサが当該記憶手段や当該記憶媒体に格納されたプログラムコードを読み出して実行するようにしてもよい。

上述の実施例において、制御線や情報線は、説明上必要と考えられるものを示しており、製品上必ずしも全ての制御線や情報線を示しているとは限らない。全ての構成が相互に接続されていてもよい。

１００ 計算機
１１０ 入力端末
１２０ クライアント端末
１３０ スキャナ
１５０ ネットワーク
２０１ プロセッサ
２０２ 主記憶装置
２０３ 副記憶装置
２０４ ネットワークインタフェース
２０５ 入力装置
２０６ 出力装置
２１１ 文書審査モジュール
２１２ 学習処理モジュール
２２１ テンプレート情報
２２２ 単語辞書
２２３ 表記辞書
７０１ 文書画像データ
７０２ ＯＣＲ要素
７０３ 代表ＯＣＲ要素
７０４ 特徴ベクトル
７０５ 文書サマリ情報
１４００ テンプレート入力画面
１５００ クラス分類設定画面
１６００ 出力画面

Claims (9)

1. 紙に記載された文書の特徴を示す文字列である属性を抽出する計算機であって、
   プロセッサ及び前記プロセッサに接続される記憶装置を備え、
   前記記憶装置は、少なくとも一つ以上の属性の種別が定義された複数のテンプレートを管理するテンプレート情報、及び前記属性として抽出される文字列を定義する辞書情報を格納し、
   前記テンプレート情報は、前記テンプレートの識別情報、前記属性の種別を示す識別情報、及び前記属性の種別に対応する属性の紙面上の位置を示す位置情報から構成されるエントリを複数含み、
   前記プロセッサは、
   前記紙に記載された文書の画像データに対して文字認識処理を実行し、
   前記文字認識処理の結果及び前記複数のテンプレートを用いて、前記複数のテンプレートの各々に定義された前記属性の種別に対応する属性を抽出し、
   前記辞書情報、前記テンプレート情報、及び前記抽出された属性を用いて、前記複数のテンプレートの各々について、前記抽出された属性に関するスコアを算出し、
   前記スコアに基づいて、前記複数のテンプレートの中から属性の抽出精度が最も高いテンプレートを選択し、
   前記選択されたテンプレートを用いて抽出された属性を含む出力情報を生成し、
   前記選択されたテンプレートの前記スコアを用いて、前記紙に記載された文書の特徴を表す特徴ベクトルを生成し、
   前記特徴ベクトルを用いて、前記出力情報の信頼性を示す評価値を算出し、
   前記評価値及び閾値の比較結果に基づいて、前記出力情報の修正又は新たな出力情報の生成が必要であるか否かを判定することを特徴とする計算機。
2. 請求項１に記載の計算機であって、
   前記プロセッサは、
   前記辞書情報を参照して、前記抽出された属性が前記辞書情報に登録された文字列に合致する度合いを示す第１のスコアを算出し、
   前記テンプレート情報を参照して、前記位置情報と前記抽出された属性の紙面上の位置とのズレを評価する第２のスコアを算出し、
   前記抽出された属性の前記第１のスコア及び前記第２のスコアを成分とする前記特徴ベクトルを生成することを特徴とする計算機。
3. 請求項２に記載の計算機であって、
   前記プロセッサは、
   前記抽出された属性の紙面上の範囲の大きさを評価する第３のスコアを算出し、
   前記属性の種別が同一である属性間の距離を評価する第４のスコアを算出し、
   前記抽出された属性の前記第１のスコア、前記第２のスコア、前記第３のスコア、及び前記第４のスコアを成分とする前記特徴ベクトルを生成することを特徴とする計算機。
4. 紙に記載された文書の特徴を示す文字列である属性を抽出する計算機が実行する文書識別方法であって、
   前記計算機は、プロセッサ及び前記プロセッサに接続される記憶装置を備え、
   前記記憶装置は、少なくとも一つ以上の属性の種別が定義された複数のテンプレートを管理するテンプレート情報、及び前記属性として抽出される文字列を定義する辞書情報を格納し、
   前記テンプレート情報は、前記テンプレートの識別情報、前記属性の種別を示す識別情報、及び前記属性の種別に対応する属性の紙面上の位置を示す位置情報から構成されるエントリを複数含み、
   前記文書識別方法は、
   前記プロセッサが、前記紙に記載された文書の画像データに対して文字認識処理を実行する第１のステップと、
   前記プロセッサが、前記文字認識処理の結果及び前記複数のテンプレートを用いて、前記複数のテンプレートの各々に定義された前記属性の種別に対応する属性を抽出する第２のステップと、
   前記プロセッサが、前記辞書情報、前記テンプレート情報、及び前記抽出された属性を用いて、前記複数のテンプレートの各々について、前記抽出された属性に関するスコアを算出する第３のステップと、
   前記プロセッサが、前記スコアに基づいて、前記複数のテンプレートの中から属性の抽出精度が最も高いテンプレートを選択する第４のステップと、
   前記プロセッサが、前記選択されたテンプレートを用いて抽出された属性を含む出力情報を生成する第５のステップと、
   前記プロセッサが、前記選択されたテンプレートの前記スコアを用いて、前記紙に記載された文書の特徴を表す特徴ベクトルを生成する第６のステップと、
   前記プロセッサが、前記特徴ベクトルを用いて、前記出力情報の信頼性を示す評価値を算出する第７のステップと、
   前記プロセッサが、前記評価値及び閾値の比較結果に基づいて、前記出力情報の修正又は新たな出力情報の生成が必要であるか否かを判定する第８のステップと、を含むことを特徴とする文書識別方法。
5. 請求項４に記載の文書識別方法であって、
   前記第３のステップは、
   前記プロセッサが、前記辞書情報を参照して、前記抽出された属性が前記辞書情報に登録された文字列に合致する度合いを示す第１のスコアを算出するステップと、
   前記プロセッサが、前記テンプレート情報を参照して、前記位置情報と前記抽出された属性の紙面上の位置とのズレを評価する第２のスコアを算出するステップと、を含み、
   前記第６のステップは、前記プロセッサが、前記抽出された属性の前記第１のスコア及び前記第２のスコアを成分とする前記特徴ベクトルを生成するステップを含むことを特徴とする文書識別方法。
6. 請求項５に記載の文書識別方法であって、
   前記第３のステップは、
   前記プロセッサが、前記抽出された属性の紙面上の範囲の大きさを評価する第３のスコアを算出するステップと、
   前記プロセッサが、前記属性の種別が同一である属性間の距離を評価する第４のスコアを算出するステップと、を含み、
   前記第６のステップは、前記プロセッサが、前記抽出された属性の前記第１のスコア、前記第２のスコア、前記第３のスコア、及び前記第４のスコアを成分とする前記特徴ベクトルを生成することを特徴とする文書識別方法。
7. 計算機及び端末を備えるシステムであって、
   前記計算機は、第１のプロセッサ及び前記第１のプロセッサに接続される第１の記憶装置を有し、
   前記端末は、第２のプロセッサ及び前記第２のプロセッサに接続される第２の記憶装置を有し、
   前記第１の記憶装置は、紙に記載された文書の特徴を示す文字列である属性の種別が少なくとも一つ以上定義された複数のテンプレートを管理するテンプレート情報、及び前記属性として抽出される文字列を定義する辞書情報を格納し、
   前記テンプレート情報は、前記テンプレートの識別情報、前記属性の種別を示す識別情報、及び前記属性の種別に対応する属性の紙面上の位置を示す位置情報から構成されるエントリを複数含み、
   前記第２のプロセッサは、前記紙に記載された文書を入力し、
   前記第１のプロセッサは、
   前記端末が入力した前記紙に記載された文書の画像データを生成し、
   前記画像データに対して文字認識処理を実行し、
   前記文字認識処理の結果及び前記複数のテンプレートを用いて、前記複数のテンプレートの各々に定義された前記属性の種別に対応する属性を抽出し、
   前記辞書情報、前記テンプレート情報、及び前記抽出された属性を用いて、前記複数のテンプレートの各々について、前記抽出された属性に関するスコアを算出し、
   前記スコアに基づいて、前記複数のテンプレートの中から属性の抽出精度が最も高いテンプレートを選択し、
   前記選択されたテンプレートを用いて抽出された属性を含む出力情報を生成し、
   前記出力情報を前記端末に出力し、
   前記選択されたテンプレートの前記スコアを用いて、前記紙に記載された文書の特徴を表す特徴ベクトルを生成し、
   前記特徴ベクトルを用いて、前記出力情報の信頼性を示す評価値を算出し、
   前記評価値及び閾値の比較結果に基づいて、前記出力情報の修正又は新たな出力情報の生成が必要であるか否かを判定し、
   前記出力情報の修正又は新たな出力情報の生成が必要であると判定された場合、前記端末を操作するユーザに、前記出力情報の修正又は新たな出力情報の生成が必要である旨を通知することを特徴とするシステム。
8. 請求項７に記載のシステムであって、
   前記第１のプロセッサは、
   前記辞書情報を参照して、前記抽出された属性が前記辞書情報に登録された文字列に合致する度合いを示す第１のスコアを算出し、
   前記テンプレート情報を参照して、前記位置情報と前記抽出された属性の紙面上の位置とのズレを評価する第２のスコアを算出し、
   前記抽出された属性の前記第１のスコア及び前記第２のスコアを成分とする前記特徴ベクトルを生成することを特徴とするシステム。
9. 請求項８に記載のシステムであって、
   前記第１のプロセッサは、
   前記抽出された属性の紙面上の範囲の大きさを評価する第３のスコアを算出し、
   前記属性の種別が同一である属性間の距離を評価する第４のスコアを算出し、
   前記抽出された属性の前記第１のスコア、前記第２のスコア、前記第３のスコア、及び前記第４のスコアを成分とする前記特徴ベクトルを生成することを特徴とするシステム。

Images