JP7097099B2 - 混合組版された文字を認識する方法、装置、チップ回路及びコンピュータプログラム製品 - Google Patents

Description

本発明は、ピクチャ処理の分野に関し、より具体的には、混合組版された文字を認識する方法、その方法を実現する装置、チップ回路、およびコンピュータプログラム製品に関する。

従来の文字検出および認識技術は、通常、例えば横組みや縦組みなどの単一の文字組版方向に基づいている。例えば、中国大陸又は欧米で出版された書籍については、文字組版方向は通常横組みであり、これらの書籍に対する文字認識過程は、横組み文字を利用してニューラルネットワークモデルを訓練して対応する認識モデルを生成することを含み、一方、香港・マカオ・台湾地区又は日本で出版された書籍については、文字の組版方向は通常縦方向に組版されており、これらの出版物に対する文字認識過程は、縦方向に組版された文字を利用してニューラルネットワークを訓練し、対応する認識モデルを生成することを含む。したがって、書籍文字認識や説明書認識のようなほとんどの応用場面では、単一組版の文字を用いてニューラルネットワークを訓練することでニーズを満たすことができる。

しかし、別の場合では、例えば新聞や雑誌などの混合組版された出版物にとって、単一の組版を使用した訓練モデルは正常に機能できない。図１は、混合組版された新聞ピクチャ１００の概略図である。図１に示すように、ピクチャ１００には、横方向に組み版された複数の文字段落（ボックス１１０に示す文字段落）と、縦方向に組み版された複数の文字段落（ボックス１２０、１３０、１４０に示す文字段落）とが含まれる。

この場合、単一組版の訓練モデルは正常に機能できない。例えば、横組みの文字訓練を用いて得られた認識モデルは、ボックス１２０、１３０、１４０に示されるように縦組みの文字を認識する場合、認識率が非常に低く、文の意味が完全に間違っている。

上記の課題に対して、本発明は、横組みと縦組みの２種類の文字の組版方向を含むピクチャ中の文字を認識することができる混合組版された文字を認識する方案を提供する。

本発明の一側面によると、混合組版された文字を認識する方法を提供する。この方法は、ピクチャから文字の段落を含む１つまたは複数のバウンディングボックスを検出することと、バウンディングボックス毎の幾何学的特性に基づいて、横組みおよび縦組みを含む前記バウンディングボックスの文字組版方向を確定することと、前記バウンディングボックスの文字組版方向に基づいて、前記ウンディングボックスを前記文字組版方向に対応する文字認識ネットワークに入力することによって、前記バウンディングボックス内の文字を認識することとを含む。

本発明の他の側面によると、混合組版された文字を認識する装置を提供する。この装置はコンピュータプログラムコードが格納されたメモリと、前記コンピュータプログラムコードを実行することによって、上記のような方法を実行するように配置されたプロセッサとを含む。

本発明の他の側面によると、コンピュータ読み取り可能な記憶媒体を提供する。このコンピュータ読み取り可能な記憶媒体に実行される時に上記のような方法を実行するコンピュータプログラムコードが格納された。

本発明の他の側面によると、電源投入時に上記のような方法を実行するように配置された回路ユニットを含むチップ回路を提供する。

本発明の態様を利用することにより、混合組版された文字における各部分の組版方向を正確に確定することができ、それにより、異なる認識モデルを用いてこれらの部分の文字認識を行うことができ、文字認識の精度をすることができる。

混合組版された新聞ピクチャを示す概略図である。 本発明の一実施例による混合組版された文字を識別するための方法を示すフローチャートである。 本発明の一実施例によるバウンディングボックスの文字組版方向を確定するためのステップを示す概略図である。 本発明の一実施例によるバウンディングボックスの文字組版方向を確定するためのステップを示す概略図である。 本発明の別の実施例によるバウンディングボックスの文字組版方向を確定するためのステップを示す概略図である。 本発明の実施例を実施するための例示的な装置の概略ブロック図である。

以下、本発明の目的、特徴および利点をよりよく理解するために、図面に結合して本発明の各実施例について詳細に説明する。図面に示される実施例は、本発明の保護範囲を限定することを意図するものではなく、単に本発明の技術方案の本質的な精神を説明することを理解するべきである。

以下の説明では、開示されたさ各発明の実施例を説明する目的から、各発明の実施例を完全に理解するために、何らかの具体的な詳細を記載する。但し、当業者は実施例がこれらの具体的な詳細のうちの１つまたは複数なしに実施されてもよいことを認識するべきである。他の場合では、実施例の説明を不必要に曖昧にすることを避けるために、本出願に関連する周知のデバイス、構造、および技術は詳細に示されないか、または記載されない可能性がある。

文脈で特に必要とされない限り、明細書および請求の範囲を通して、「備える」という言葉とそのバリエーション、例えば「含む」や「有する」などの用語は、オープンで包括的な意味と理解するべきであり、すなわち、「含むが、これらに限定されない」と解釈されるべきである。

明細書全体にわたる「一つ実施例」または「一実施例」への言及は、実施例に説明される特定の特点、構造、または特徴が少なくとも１つの実施例に含まれることを意味する。そのため、明細書全体の各箇所での「一つの実施例では」または「一実施例では」の表現は、必ずしもすべてが同じ実施例を指しているわけではない。また、特定の特点、構造、または特徴が１つまたは複数の実施例で任意の方法で組み合わせることができる。

また、説明書と請求項で用いられる第１、第２、第３、第４などの用語は、明確な説明のために個々の対象を区別するだけであり、その説明された対象の大きさやその他の順序などを限定するものではない。

図２は本発明の実施例による混合組版された文字を識別するための方法２００を示すフローチャートである。方法２００の操作対象は、例えば、図１に示される新聞ピクチャ１００であってもよく、ピクチャ１００は、横方向に組版された１つ以上の文字段落（ボックス１１０に示される文字段落）と、縦方向に組版された１つ以上の文字段落（ボックス１２０、１３０、１４０に示される文字段落）とを含む。

まず、ステップ２１０で、文字の段落を含む１つまたは複数のバウンディングボックスがピクチャ１００から検出される。ここで、バウンディングボックスとは、各種バウンディングボックス（ｂｏｕｎｄｉｎｇ ｂｏｘ）アルゴリズムを用いてピクチャから対象物を検出する過程で得られる対象物の領域をいう。検出されるバウンディングボックスのサイズは、使用されるバウンディングボックス・アルゴリズムおよび検出される対象物の特性に依存して異なってもよく、例えば、最小バウンディングボックスは、通常、１行の文字または１列の文字のみを含む。ここで、バウンディングボックスとは、検出されるピクチャをレイアウト分析し、レイアウト分析の結果に基づいて、隣接する最小バウンディングボックス近傍を連結することによって形成されるバウンディングボックスを指し、このバウンディングボックスは通常、１つの段落を含むので、ここでは段落バウンディングボックスとも呼んでもいい。バウンディングボックスは、レイアウト解析の結果に依存して、１つの最小バウンディングボックス（即ち１行の文字または１列の文字）のみを含んでもよく、複数の最小バウンディングボックスを含んでもいいことに注意してください。当業者は、本発明において、本発明の範囲を制限することなく、様々な既知または将来開発されるバウンディングボックス・アルゴリズムを使用して、文字の段落の検出を行うことができることを理解することができる。

一実施例では、ステップ２１０は、ピクチャ１００内の文字応答領域を取得するために、ピクチャ１００を文字検出ニューラルネットワークに入力することを含む。ここで、文字応答領域とは、ピクチャ中の背景部分に対応するピクチャ中の文字が含まれる部分を指し、ピクチャ１００の文字応答領域を得るとは、ピクチャ１００中の文字部分と背景部分とを区別するようにピクチャ１００を分割することを指す。一実施例では、テクスチャベースの方法を利用して、ピクチャの文字応答領域を取得することができる。テクスチャベースの方法の原理は、文字は独特のテクスチャ特性を持つ物体であり、文字のこのテクスチャ特性を浮き彫りすることでピクチャ中の文字部分と背景部分を分割することができるというものである。テクスチャベースの方法によって得られた文字応答領域は、基本的に背景部分と明確に区別することができるが、背景部分との交差部分にはぼやけが存在し、２つの部分間のコントラストが文字部分を正確に切り出すのに十分でない場合がある。

したがって、ピクチャ１００の文字応答領域を取得した後、ステップ２１０は、最小バウンディングボックスを取得するように、文字応答領域に対して平滑化処理、二値化処理、および近傍連結処理を実行することをさらに含むことができる。前述したように、最小バウンディングボックスのサイズは通常、１行または１列の文字のみを含むようになる。

最小バウンディングボックスを取得した後、ステップ２１０は、ピクチャ１００をレイアウト分析し、レイアウト分析の結果に基づいて最小バウンディングボックスに基づいてバウンディングボックスを生成することをさらに含むことができる。例えば、最小バウンディングボックスの周囲の空白領域がいずれも大きければ、当該最小バウンディングボックスは相対的に独立していると考えられ、単独で本明細書で説明する１つのバウンディングボックスを構成することができる。結果として生じるバウンディングボックスは、例えば、図１に示されるバウンディングボックス１１０、１２０、１３０、１４０であってもよく、その中、バウンディングボックス１４０にとって、レイアウト分析の結果（例えば、バウンディングボックス１４０の周囲の空白領域のサイズ）から、バウンディングボックス１４０が１列の文字のみを含むこと、すなわち、バウンディングボックスを構成する最小のバウンディングボックスに相当することが確定される。

上記ではテクスチャベースの方法を例に説明したが、本発明はこれに限定されるものではなく、文字応答領域を取得する方法は、例えば、連結領域ベースの方法、またはテクスチャベースの方法と連結領域ベースの方法との結合などをさらに含むことができ、これについては本明細書では詳細に説明しない。

次に、方法２００は、バウンディングボックスの文字組版方向を、当該バウンディングボックス毎の幾何学的特性に基づいて確定し、すなわち、バウンディングボックス内の文字段落が横組みされているか縦組みされているかを確定するステップ２２０をさらに含む。いくつかの実施例では、バウンディングボックスの幾何学的特性は、バウンディングボックスの縦横比（またはアスペクト比）を含むことができる。別の実施例では、バウンディングボックスの幾何学的特性は、バウンディングボックス内の文字の段落の特性を含むことができる。より具体的には、バウンディングボックス内の文字段落の特性は、例えば、バウンディングボックス内の文字段落の文字特性と、（例えば、文字行の高さ、文字行の占有率、文字列の幅、文字列の占有率、または、文字行の占有率と文字列の占有率との関係など）および／または文字間隔特性（例えば、文字間隔行の高さ、文字間隔行の占有率、文字間隔列の幅、文字間隔列の占有率、または文字間隔行の占有率と文字間隔列の占有率との関係など）を含む。以下では、バウンディングボックスの文字組版方向を確定するための本発明によるステップ２２０のいくつかの実施例について、図３～図５を用いて詳細に説明する。

図３は本発明の一実施例によるバウンディングボックスの文字組版方向を確定するためのステップ２２０を示す概略図である。

図３に示すように、ステップ２２０は、ステップ２１０で得られた１つのバウンディングボックスの領域がピクチャ１００から切り取られるサブステップ３０２を含むことができる。以下、図１に示すバウンディングボックス１１０を例に説明する。

次に、サブステップ３０４において、バウンディングボックス１１０のアスペクト比ｋが計算され、その後、サブステップ３０６において、アスペクト比ｋが第１の閾値ｔｈ１以下であるか否かが判定される。ここで、第１の閾値ｔｈ１は、横組みのバウンディングボックスを判定するための閾値条件であり、経験的な値であってもよく統計的な値であってもよく、刊行物の仕様等の規制に基づいて予め設定された値であってもよい。

バウンディングボックス１１０のアスペクト比ｋは、以下のように簡単に計算されることができる。
ｋ＝ｈ／ｗ、ここで、ｈはバウンディングボックス１１０の高さ、ｗは図１に示すようにバウンディングボックス１１０の幅である。高さｈおよび幅ｗは、例えば画素単位であってもよい。

サブステップ３０６の判定結果が“はい”である場合、すなわち、アスペクト比ｋが第１の閾値ｔｈ１以下であると判定された場合、サブステップ３０８において、バウンディングボックス１１０の文字組版方向が横組みであると確定される。この場合、サブステップ３０６の判定結果が“いいえ”である場合は、バウンディングボックス１１０の文字組版方向が縦組み（図示せず）であると判定してもよい。

または、代替方法として、バウンディングボックス１１０の文字組版方向は、第２の閾値ｔｈ２によってさらに確定されてもよい。図３に示すように、サブステップ３０６の判定結果が“いいえ”である場合、すなわち、アスペクト比ｋが第１の閾値ｔｈ１よりも大きいと判定された場合、ステップ２２０は、アスペクト比ｋが第１の閾値ｔｈ１よりも大きい第２の閾値ｔｈ２以上であるか否かをさらに判定するサブステップ３１０をさらに含むことができる。ここで、第２の閾値ｔｈ２は、縦組みのバウンディングボックスを判定するための閾値条件であり、経験的な値であってもよく、統計的な値であってもよく、或いは刊行物の仕様等の規制に基づいて予め設定された値であってもよい。

サブステップ３１０の判定結果が“はい”である場合、すなわち、アスペクト比ｋが第２の閾値ｔｈ２以上であると判定された場合、サブステップ３１２において、バウンディングボックス１１０の文字組版方向が縦組みであると判定される。

図３に示す実施例では、バウンディングボックスの文字組版方向は、バウンディングボックスの縦横比に基づいて確定され、これは横組みされた文字段落は通常、高さよりも幅が大きく、縦組みされた文字段落は通常、高さが幅よりも大きいという仮説または経験に基づく。しかし、このような仮説や経験が必ずしも成り立たない場合が多いため、バウンディングボックスの縦横比だけでは組版方向を決めることができない場合もある。このような場合、図３の実施例では、誤った検出結果が出力され、他のアルゴリズムによって訂正する必要がある。したがって、本発明は、以下図４および図５を結合して示すように、バウンディングボックス内の文字段落の特性によって文字の組版方向を確定する方法も提供する。図４または図５に示される方法は、文字組みの方向を確定するために単独で使用されてもよく、または図３に示される方法の補足として使用されてもよく、すなわち、サブステップ３１０の判断が“いいえ”である（即ちバウンディングボックスのアスペクト比ｋが第１の閾値ｔｈ１よりも大きく第２の閾値ｔｈ２よりも小さい）場合に、バウンディングボックスの文字組みの方向を確定するためにさらに使用されてもよい。

図４は本発明の別の実施例によるバウンディングボックスの文字組版方向を確定するためのステップ２２０を示す概略図である。

図４に示すように、ステップ２２０は、バウンディングボックス１１０内の各空白画素行を確定するサブステップ３１４を含む。ここで、空白（ｂｌａｎｋ）画素行とは、文字ストロークが出現しない画素行、すなわち背景色の画素行であり、必ずしも白色（ｗｈｉｔｅ）画素からなるものではない。しかし、新聞や雑誌、書籍の多くでは背景色が白であることが多いため、白を背景色とする判断基準の適用性も大きい。以下に、それぞれ背景色が既知色と未知色の場合の具体的な実現形態を示す。

一実施例では、ピクチャ１００の背景色は、基本的に白色であり（図１に示すように）、サブステップ３１４は、バウンディングボックス１１０内の各画素行の平均階調値を算出し、バウンディングボックス１１０内の各画素行の平均階調値が白色画素の階調値と基本的に等しいか否かを判定し、１つの画素行の平均階調値が白色画素の階調値と基本的に等しい場合に、その画素行が空白画素行であると判定することをさらに含む。

具体的には、例えば、白と黒との間を対数関係に基づいていくつかのレベル（例えば２５６レベル）に分割することができ、当該レベルを階調レベルと呼ばれ、その中、白画素の階調値を２５５とし、黒画素の階調値を０とする。次に、バウンディングボックス１１０内の各画素行の全ての画素の階調値を合計して、当該画素行の幅（すなわち当該画素行の画素数）で除算した平均値を当該画素行の平均階調値とする。

１つの画素行の平均階調値が白色画素の階調値に基本的に等しい（または非常に近い）場合（例えば、［２５０，２５５］の範囲内にある）、その画素行は空白画素行であると判定される、すなわち、その画素行は文字行と文字行との間にあると判定される。

ここで、サブステップ３１４については、ピクチャ１００自体がグレースケールピクチャである場合を想定して説明するが、ピクチャ１００がグレースケールピクチャでない場合には、サブステップ３１４の前に、ピクチャ１００（またはバウンディングボックス１１０）をグレースケールピクチャに変換するプロセスも含まれるので、ここでは説明しない。

また、サブステップ３１４については、図１００の背景色が白色であることを例に説明したが、当業者は、上述したサブステップ３１４の実行プロセスは、背景色が既知の他の任意の色である場合にも拡張されてもいいと理解するべきである。例えば、識別しようとする多数のピクチャが同じ背景色（例えば黒）を有する場合、上述のサブステップ３１４の実行プロセスは、各画素行の平均階調値を黒画素の階調値と比較することに等しく置き換えてもよい。

さらに、前述のサブステップ３１４の実行は、前述の画素レベルの分割方式および２つの極値画素（例えば、白および黒）の階調値の設定方式に限定されるものではなく、他の任意の同等の置換方式を採用することもできることを当業者は理解することができる。

別の実施例では、空白画素行は、画素行の平均階調値ではなく、画素行の階調値離散性に基づいて確定される。具体的には、サブステップ３１４は、バウンディングボックス１１０内の各画素行の階調値の離散性を計算することと、各画素行の階調値の離散性が基本的にゼロに等しいか否かを判定することと、１つの画素行の階調値の離散性が基本的にゼロに等しいと判定された場合、その画素行が空白画素行であると判定することとをさらに含むことができる。本明細書では、階調値離散性は、階調値の分散または平均二乗偏差などを含むことができる。しかしながら、当業者であれば、本発明はこれに限定されるものではなく、階調値離散性は、階調値分布の均一度を具現することができる任意の特性値をさらに含むことができることを理解することができる。

このような実現形態によれば、背景色を事前に知ることなく、また想定することなく、画素行が空白画素行であるか否かを判断することができ、より適用性が高い。

図３に戻ると、サブステップ３１４において、バウンディングボックス１１０内の各画素行が空白の画素行であるか否かが確定された後、サブステップ３１６において、隣接する空白の画素行を組み合わせて、バウンディングボックスの水平方向の各文字間隔行の高さを確定し、すべての文字間隔行の高さの合計とバウンディングボックス１１０の高さｈとの間の行占有率ｒ_ｒを確定することができる。ここで、図１に示されているように、文字間隔行１０１（図１では１つの文字間隔行１０１のみが例示的に示されている）とは、バウンディングボックス１１０内のテキスト段落内の隣接するテキスト行の間の空白の間隔を指し、その文字間隔行１０１は通常複数の隣接する空白の画素行から構成され、行占有率ｒ_ｒは、バウンディングボックス１１０内のテキスト段落内のすべての文字間隔行１０１の高さの合計（例えば、空白画素行の画素数の合計）と、バウンディングボックス１１０の高さｈ（例えば、画素単位の高さ）との間の比である。

次に、サブステップ３１８において、行占有率ｒ_ｒが第３の閾値ｔｈ３以上であるか否かが判定されることができ、サブステップ３１８の判定結果が“はい”である場合、すなわち、行占有率ｒｒが第３の閾値ｔｈ３以上であると判定された場合、サブステップ３２０において、バウンディングボックス１１０の文字組版方向が横組みであると判定されることができる。

さらに、文字間隔行の高さの合計とバウンディングボックスの高さとの間の行占有率ｒ_ｒを考慮することに加えて、サブステップ３１８において、各文字間隔行の高さが第４の閾値ｔｈ４以上であるか否かを判定することもでき、そして、サブステップ３１８の判定結果が“はい”である場合、すなわち、行占有率ｒ_ｒが第３の閾値ｔｈ３以上であり、且つ各文字間隔行の高さいずれも第４の閾値ｔｈ４以上であると判定された場合、サブステップ３２０において、バウンディングボックス１１０の文字組版方向が横組みであると判定される。

すなわち、横組みの文字に対して、通常、文字間隔行の行占有率と自身の高さが大きいので、この２つの要因による二重検定は、検出の精度をさらに高めることができる。

上述した実施例のサブステップ３１６～３２０において、バウンディングボックスの文字組版方向は、文字間隔行のサイズおよび行占有率に基づいて確定される。しかしながら、上述したサブステップ３１６～３２０は、文字行のサイズおよび行占有率を用いて文字の組版方向を確定することにも等しく置き換えてもいい。具体的には、サブステップ３１６において、すべての文字間隔行の高さの合計が確定された後、すべての文字間隔行の高さの合計とバウンディングボックス１１０の高さｈとの両方に基づいて、すべての文字行の高さの合計が確定され、すべての文字行の高さの合計とバウンディングボックス１１０の高さｈとの間の行占有率が計算されてもよい。この場合、文字間隔を利用した行占有率とは異なり、サブステップ３１８において、計算された文字行の行占有率があるの閾値以下であるか否かが判定され、文字行の行占有率がの閾値以下であると判定された場合、バウンディングボックスの文字組版方向が横組みであると判定される。

または、他の実施例では、バウンディングボックス１１０内の文字行の高さの離散性に基づいて、サブステップ３１６～３２０と並列に、または追加的に、バウンディングボックスの文字組版方向を確定または検証することができる。具体的には、隣接する文字間隔行の間の文字行の高さは、隣接する文字間隔行の位置に基づいて確定されてもよい、バウンディングボックス１１０内のすべての文字行の高さの離散性を確定し、全ての文字行の高さの離散性が第５の閾値ｔｈ５以下であるか否かを判定し、全ての文字行の高さの離散性が第５の閾値ｔｈ５以下であると判定された場合に、バウンディングボックス１１０の文字組版方向が横組みであると判定する。

さらに、当業者は、バウンディングボックス１１０内の文字の組版方向を文字の段落の特性に基づいて確定することは、上述した態様の変形または組み合わせをさらに含むことができることを理解することができる。例えば、バウンディングボックス１１０の文字組版方向は、文字行の高さの離散性と同様に、バウンディングボックス１１０内のすべての文字間隔行の高さの離散性によって確定または検証されてもよい。また、例えば、バウンディングボックス１１０の文字組版方向は、文字行の高さのばらつきと文字間隔行の高さのばらつきとの両方によって確定されてもよく、ここでは説明を省略する。

一方、サブステップ３１８での判定結果が“いいえ”である場合、すなわち、行占有率ｒ_ｒが第３の閾値ｔｈ３よりも小さいと判定された場合には、バウンディングボックス１１０の文字組版方向が横組みであると判定されることができる。

代替的に、または追加的に、バウンディングボックスの文字組版方向は、文字間隔列の幅および列占有率を計算することによって確定されてもよい。具体的に、図４に示すように、ステップ２２０は、バウンディングボックス１１０内の各空白画素列を確定するサブステップ３２２を含む。ここで、空白画素行と同様に、空白（ｂｌａｎｋ）画素列とは、文字ストロークが出現しない画素列、すなわち背景色の画素列であり、必ずしも白色（ｗｈｉｔｅ）画素からなるものではない。しかし、新聞や雑誌、書籍の多くでは背景色が白であることが多いため、白を背景色とする判断基準の適用性も大きい。以下に、それぞれ背景色が既知色と未知色の場合の具体的な実現形態を示す。ここで、空白画素列の確定する方法は、上述したサブステップ３１４における空白画素行を確定する方法と同様である。

一実施例では、ピクチャ１００の背景色は、基本的に白色であり（図１に示すように）、サブステップ３２２は、バウンディングボックス１１０内の各画素列の平均階調値を算出し、バウンディングボックス１１０内の各画素列の平均階調値が白色画素の階調値と基本的に等しいか否かを判定し、１つの画素列の平均階調値が白色画素の階調値と基本的に等しい場合に、その画素列が空白画素列であると判定することをさらに含む。ここでも、ピクチャ１００がグレースケールピクチャであることが同様に想定され、ピクチャ１００がグレースケールピクチャではない場合、サブステップ３２２の前に、ピクチャ１００（またはバウンディングボックス１１０）をグレースケールピクチャに変換するプロセスも含まれ、ここでは説明を省略する。

具体的には、上述したように、白画素と黒画素との間の階調レベルを設定することができる。次に、バウンディングボックス１１０内の各画素列の全ての画素の階調値を合計し、当該画素列の高さ（すなわち当該画素列の画素数）で除算した平均値を当該画素列の平均階調値とする。

１つの画素列の平均階調値が白画素の階調値に基本的に等しい（または非常に近い）場合には、その画素列が空白画素列であると判定され、すなわち、その画素列が文字列の間にあると判定される。

以上は、サブステップ３２２については、図１００の背景色が白色であることを例に説明したが、当業者は、上述したサブステップ３２２の実行プロセスは、背景色が既知の他の任意の色である場合にも拡張されてもいいと理解するべきである。例えば、識別しようとする多数のピクチャが同じ背景色（例えば黒）を有する場合、上述のサブステップ３２２の実行プロセスは、各画素列の平均階調値を黒画素の階調値と比較することに等しく置き換えてもよい。

さらに、前述のサブステップ３２２の実行は、前述の画素レベルの分割方式および２つの極値画素（例えば、白および黒）の階調値の設定方式に限定されるものではなく、他の任意の同等の置換方式を採用することもできることを当業者も理解することができる。

別の実施例では、空白画素列は、画素列の平均階調値ではなく、画素列の階調値の離散性に基づいて確定される。具体的には、サブステップ３２２は、バウンディングボックス１１０内の各画素列の階調値の離散性を計算することと、各画素列の階調値の離散性が基本的にゼロに等しいか否かを判定することと、１つの画素列の階調値の離散性が基本的にゼロに等しいと判定された場合、その画素列が空白画素列であると判定することとをさらに含むことができる。

このような実現形態によれば、背景色を事前に知ることなく、また想定することなく、画素列が空白画素列であるか否かを判断することができ、より適用性が高い。

図４に戻ると、サブステップ３２２において、バウンディングボックス１１０内の各画素列が空白の画素列であるか否かが確定された後、サブステップ３２４において、隣接する空白の画素列を組み合わせて、バウンディングボックスの垂直方向の各文字間隔列の幅を確定し、すべての文字間隔列の幅の合計とバウンディングボックス１１０の幅ｗとの間の列占有率ｒ_ｃを確定することができる。ここで、図１に示されているように、文字間隔列１０２（図１では１つの文字間隔列１０２のみが例示的に示されている）とは、バウンディングボックス１１０内のテキスト段落内の隣接するテキスト列の間の空白の間隔を指し、その文字間隔列１０２は通常複数の隣接する空白の画素列から構成され、列占有率ｒ_ｃは、バウンディングボックス１１０内のテキスト段落内のすべての文字間隔列１０２の幅の合計（例えば、空白画素列の画素数の合計）と、バウンディングボックス１１０の幅ｗ（例えば、画素単位の幅）との比である。

次に、サブステップ３２６において、行占有率ｒ_ｃが第６の閾値ｔｈ６以上であるか否かが判定されることができ、サブステップ３２６の判定結果が“はい”である場合、すなわち、行占有率ｒ_ｃが第６の閾値ｔｈ６以上であると判定された場合、バウンディングボックス１１０の文字組版方向が縦組みであると判定されることができる。

また、列占有率ｒ_ｃを考慮することに加えて、サブステップ３２６において、各文字間隔列の幅が第７の閾値ｔｈ７以上であるか否かを判定することもでき、そして、サブステップ３２６の判定結果が“はい”である場合、すなわち、列占有率ｒ_ｃが第６の閾値ｔｈ６以上であり、かつ、各文字間隔列の幅が第７の閾値ｔｈ７以上であると判定された場合、サブステップ３２８において、バウンディングボックス１１０の文字組版方向が縦組みであると判定される。

すなわち、横組みの文字に対して、通常、文字間隔行の列占有率と自身の幅が大きいので、この２つの要因による二重検定は、検出の精度をさらに高めることができる。

上述した実施例のサブステップ３２４～３２８において、バウンディングボックスの文字組版方向は、文字間隔列のサイズおよび列占有率に基づいて確定される。しかしながら、上述したサブステップ３１４～３２８は、文字列のサイズおよび列占有率を用いて文字の組版方向を確定することにも等しく置き換えてもいい。具体的には、サブステップ３２４において、すべての文字間隔列の幅の合計が確定された後、すべての文字間隔列の幅の合計とバウンディングボックス１１０の幅ｗとの両方に基づいて、すべての文字列の幅の合計が確定され、すべての文字列の幅の合計とバウンディングボックス１１０の幅ｗとの間の列占有率が計算されてもよい。この場合、文字間隔を利用した列占有率とは異なり、サブステップ３２６において、計算された文字列の列占有率があるの閾値以下であるか否かが判定され、文字列の列占有率がの閾値以下であると判定された場合、バウンディングボックスの文字組版方向が縦組みであると判定される。

または、他の実施例では、バウンディングボックス１１０内の文字列の幅の離散性に基づいて、サブステップ３１４～３２８と並列に、または追加的に、バウンディングボックスの文字組版方向を確定または検証することができる。具体的には、隣接する文字間隔列の間の文字列の幅は、隣接する文字間隔列の位置に基づいて確定されてもよい、バウンディングボックス１１０内のすべての文字列の幅の離散性を確定し、全ての文字列の幅の離散性が第８の閾値ｔｈ８以下であるか否かを判定し、全ての文字列の幅の離散性が第８の閾値ｔｈ８以下であると判定された場合に、バウンディングボックス１１０の文字組版方向が縦組みであると判定する。

さらに、当業者は、バウンディングボックス１１０内の文字の組版方向を文字の段落の特性に基づいて確定することは、上述した態様の変形または組み合わせをさらに含むことができることを理解することができる。例えば、バウンディングボックス１１０の文字組版方向は、文字列の幅の離散性と同様に、バウンディングボックス１１０内のすべての文字間隔列の幅の離散性によって確定または検証されてもよい。また、例えば、バウンディングボックス１１０の文字組版方向は、文字列の幅のばらつきと文字間隔列の幅のばらつきとの両方によって確定されてもよく、ここでは説明を省略する。

なお、図３ではサブステップ３１４～３２８の順序で説明されているが、当業者は、本発明が上記の特定の順序に限定されないことを理解することができることを注意してください。他の実施例では、ステップ２２０の実行プロセスは、サブステップ３１４～３２０のみを含むか、または、サブステップ３２２～３２８のみを含むか、または、サブステップ３２２～３２８をサブステップ３１４～３２０の前に実行することができ、これらは本発明の範囲に影響を与えない。

第３の閾値ｔｈ３、第４の閾値ｔｈ４、第５の閾値ｔｈ５、第６の閾値ｔｈ６、第７の閾値ｔｈ７、第８の閾値ｔｈ８、およびその他の閾値も、第１の閾値ｔｈ１および第２の閾値ｔｈ２と同様に、経験値または統計値であってもよく、出版物の仕様などの規制に従って予め設定された値であってもよい。

しかしながら、ある場合に、これらの閾値を事前に確定することができない可能性がある。このような状況に対して、本発明は、バウンディングボックスの文字の組版方向を確定することができる更なる方法を提供する。図５は本発明の別の実施例によるバウンディングボックスの文字組版方向を確定するためのステップ２２０を示す概略図である。

図４に示す実施例のサブステップ３１４および３１６と同様に、図５に示す実施例では、サブステップ３３０および３３２において、バウンディングボックス１１０内の各空白画素行およびすべての文字間隔行の行占有率ｒ_ｒがそれぞれ確定される。

図４に示す実施例のサブステップ３２２および３２４と同様に、図５に示す実施例では、サブステップ３３４および３３６において、バウンディングボックス１１０内の各空白画素列およびすべての文字間隔列の列占有率ｒ_ｃがそれぞれ確定される。

図４に示された実施例とは異なり、図５に示された実施例では、サブステップ３３８において、列占有率ｒ_ｃが行占有率ｒ_ｒ以上であるか否かが確定される。

サブステップ３３８の判定結果が”はい”である場合、すなわち、列占有率ｒ_ｃが行占有率ｒ_ｒ以上である場合には、サブステップ３４０において、バウンディングボックス１１０の文字組版方向が縦組みであると判定される。

一方、サブステップ３３８での判定結果が“いいえ”である場合、すなわち、列占有率ｒ_ｃが行占有率ｒ_ｒより小さい場合には、サブステップ３４２でバウンディングボックス１１０の文字組版方向が横組みであると判定される。

同様に、図５に示される実施例は、文字行の行占有率と文字列の列占有率との間の関係を利用して、バウンディングボックスの文字組版方向を確定することにも等しく置き換えられる。具体的には、サブステップ３３２において、文字間隔行の高さの合計を確定した後、文字間隔行の高さの合計とバウンディングボックスの高さｈとに基づいてバウンディングボックス内の文字行の高さの合計を確定し、文字行の高さの合計とバウンディングボックスの高さｈとの間の行占有率を計算することができる。サブステップ３３６において、文字間隔列の幅の合計を確定した後、文字間隔列の幅の合計とバウンディングボックスの幅ｗとに基づいてバウンディングボックス内の文字列の幅の合計を確定し、文字列の幅の合計とバウンディングボックスの幅ｗとの間の列占有率を計算することができる。この場合、サブステップ３２８において、文字行の行占有率が文字列の列占有率以上であるか否かが判定され、文字行の行占有率が文字列の列占有率以上である場合にはバウンディングボックスが横組みであると判定され、文字行の行占有率が文字列の列占有率よりも小さい場合にはバウンディングボックスが縦組みであると判定される。

以上では、本発明によるバウンディングボックスの文字組版方向を確定するための異なる実施例を図３～図５に結合して説明したが、これらの実施形態は独立して実施されてもよく、いくつかの形態を組み合わせて実施されてもよいことに注意する必要がある。例えば、図４または図５に示される方法は、バウンディングボックスの文字の組版方向を確定するために単独で使用されてもよく、またはバウンディングボックスの文字の組版方向を確定するために図３に示される方法と組み合わせて使用されてもよい。すなわち、図３はバウンディングボックスのアスペクト比に基づいて予備確定し、アスペクト比に基づいて確定できない場合（図３のサブステップ３１０の判定結果が“いいえ”の場合）には、図４または図５に示す方法を用いてさらに確定する。図１に示されるボックス１１０、１２０、１３０、１４０を例にとると、バウンディングボックス１３０、１４０の文字組版方向は、図３に示される方法に基づいて縦組みであると判断することができ、一方、ボックス１１０、１２０については、バウンディングボックス１１０の文字組版方向は横組みであり、バウンディングボックス１２０の文字組版方向は縦組みであると、図４または図５に示される方法に結合して判断する必要がある。

図２に戻ると、バウンディングボックスの文字組版方向がステップ２２０で確定された後、ステップ２３０で、バウンディングボックスの文字組版方向に基づいて、バウンディングボックスを、それの文字組版方向に対応する文字認識ネットワークに入力されることによって、その中の文字を認識する。

例えば、バウンディングボックス１１０の文字組版方向は、ステップ２２０で横組みであることが確定されるので、バウンディングボックス１１０のスライスは、ステップ２３０で横組みのＯＣＲ（光学文字認識）ネットワークに入力されることによって、その中の文字を認識する。

別の例として、バウンディングボックス１２０、１３０、１４０の文字組版方向は、ステップ２２０において縦組みであることが確定されるため、バウンディングボックス１２０、１３０、１４０のスライスは、ステップ２３０において縦組みのＯＣＲネットワークにそれぞれ入力されることによって、その中の文字を認識する。

上記方案によって、文字段落を含むバウンディングボックスの幾何学的特性（例えば、バウンディングボックスのアスペクト比及び／又は文字段落の特性（例えば、文字特性又は文字間隔特性）に基づいて、混合組版の文字組版方向を確定することにより、単一モデルを使用する場合に比べて認識精度を向上させることができる。また、混合組版の文字組版方向を確定した後も、単一組版文字を用いて訓練した認識モデルに基づいて認識することができ、混合組版された文字を用いて直接訓練することによる計算の複雑さを回避することができる。

図６は本発明の実施例を実施するための例示的な装置６００の概略ブロック図である。装置６００は、例えば、文字認識を行うためのデスクトップ・コンピュータやポータブル・コンピュータなどであってもよい。図示するように、装置６００は、読出し専用メモリ（ＲＯＭ）６２０に記憶されたコンピュータプログラム命令または記憶ユニット６８０からランダムアクセスメモリ（ＲＡＭ）６３０にロードされたコンピュータプログラム命令に従って、様々な適切な動作および処理を実行することができる１つまたは複数の中央処理ユニット（ＣＰＵ）６１０（図中には１つのみが概略的に示されている）を含んでもいい。ＲＡＭ６３０には、装置６００の操作に必要な様々なプログラムおよびデータも記憶されていてもよい。ＣＰＵ６１０、ＲＯＭ６２０およびＲＡＭ６３０は、バス６４０を介して互いに接続されている。入出力（Ｉ／Ｏ）インターフェース６５０もバス６４０に接続されている。

装置６００内の複数の部品は、Ｉ／Ｏインターフェース６５０に接続され、例えばキーボード、マウス等の入力ユニット６６０と、例えば様々なタイプのディスプレイ、スピーカ等の出力ユニット６７０と、例えば磁気ディスク、光ディスク等の記憶ユニット６８０と、例えばネットワークカード、モデム、無線通信トランシーバなどの通信ユニット６９０を含む。通信ユニット６９０は、装置６００がインターネットなどのコンピュータネットワークおよび／または様々な電気通信ネットワークを介して他の装置と情報／データを交換することを可能にする。

上述した方法２００は、例えば、装置６００の処理ユニット６１０によって実行されてもよい。例えば、いくつかの実施例では、方法２００は、例えば記憶ユニット６８０のような機械可読媒体に物理的に組み込まれたコンピュータソフトウェアプログラムとして実現されてもよい。ある実施例では、コンピュータプログラムの一部または全部がＲＯＭ６２０および／または通信ユニット６９０を介して装置６００にロードおよび／またはインストールされることができる。コンピュータプログラムがＲＡＭ６３０にロードされて、ＣＰＵ６１０によって実行されると、上述した方法６００の１つまたは複数の操作が実行されることができる。さらに、通信ユニット６９０は、有線または無線の通信機能をサポートすることができる。

本発明に従って混載された文字を認識するための方法２００および装置６００について、添付の図面に結合して説明した。しかしながら、当業者は、装置６００が図６に示されたすべての部品を含む必要はなく、本発明に記載された機能を実行するために必要な部品のうちのいくつかのみを含んでもよく、これらの構成要素の接続方式が図に示された形態に限定されないことを理解することができる。例えば、装置６００が例えば携帯電話だどの携帯デバイスである場合、装置６００は、図６とは異なる構成を有してもいい。

本発明は、方法、装置、チップ回路、および／またはコンピュータ・プログラム製品として実現することができる。コンピュータプログラム製品は、本発明の様々な態様を実行するためのコンピュータ読み取り可能なプログラム命令を搭載したコンピュータ読み取り可能な記憶媒体を含んでもいい。チップ回路は、本発明の様々な態様を実行するための回路ユニットを含んでもいい。

コンピュータ読み取り可能な記憶媒体は、命令実行デバイスによって使用される命令を保持および記憶することができる有形デバイスであってもよい。コンピュータ読み取り可能な記憶媒体は、例えば、電気記憶装置、磁気記憶装置、光学記憶装置、電磁記憶装置、半導体記憶装置、または上述の任意の適切な組み合わせであってもよいが、これらに限定されるものではない。コンピュータ読み取り可能な記憶媒体のより具体的な例（網羅しないリスト）は、ノートブックコンピュータディスク、ハードディスク、ランダムアクセスメモリ（ＲＡＭ）、読出し専用メモリ（ＲＯＭ）、消去可能プログラマブル読出し専用メモリ（ＥＰＲＯＭまたはフラッシュメモリ）、スタティックランダムアクセスメモリ（ＳＲＡＭ）、ポータブルコンパクトディスク読出し専用メモリ（ＣＤーＲＯＭ）、デジタル多機能ディスク（ＤＶＤ）、メモリスティック、フロッピーディスク、機械的符号化装置、例えば命令が記憶されたパンチカードまたは溝内突起構造、および上記の任意の適切な組み合わせを含む。本願に使用されるコンピュータ読み取り可能な記憶媒体は、電波または自由に伝搬する他の電磁波、導波路または他の伝送媒体を介して伝搬する電磁波（例えば、光ファイバケーブルを介した光パルス）、または電気配線を介して伝送される電気信号などの瞬時信号そのものとは解釈されない。

本明細書で説明されるコンピュータ読み取り可能なプログラム命令は、コンピュータ読み取り可能な記憶媒体から各計算／処理装置に、または例えばインターネット、ローカルエリアネットワーク、ワイドエリアネットワーク、および／または無線ネットワークなどのネットワークを介して外部コンピュータまたは外部記憶装置にダウンロードしてもいい。ネットワークは、銅線伝送ケーブル、光ファイバ伝送、無線伝送、ルータ、ファイアウォール、スイッチ、ゲートウェイコンピュータ、および／またはエッジサーバを含んでもいい。各計算／処理装置内のネットワークアダプタカードまたはネットワークインターフェースは、各計算／処理装置内のコンピュータ読み取り可能な記憶媒体に記憶するように、ネットワークからコンピュータ読み取り可能なプログラム命令を受信し、そのコンピュータ読み取り可能なプログラム命令を転送する。

本発明の操作を実行するためのコンピュータプログラム命令は、アセンブル命令、命令セットアーキテクチャ（ＩＳＡ）命令、機械命令、機械関連命令、マイクロコード、ファームウェア命令、状態設定データ、または１つ以上のプログラミング言語の任意の組み合わせで書かれたソースコードまたはオブジェクトコードであってもよい、前記プログラミング言語は、Ｓｍａｌｌｔａｌｋ、Ｃ＋＋などのオブジェクト指向プログラミング言語と、「Ｃ」言語または同様のプログラミング言語などの従来の手続き型プログラミング言語とを含む。コンピュータ読み取り可能なプログラム命令は、ユーザコンピュータ上で完全に実行され、ユーザコンピュータ上で部分的に実行され、独立したソフトウェアパッケージとして、部分的にユーザコンピュータ上で実行され、部分的にリモートコンピュータ上で実行され、または完全にリモートコンピュータまたはサーバ上で実行されてもいい。リモートコンピュータに係わる場合、リモートコンピュータは、ローカルエリアネットワーク（ＬＡＮ）またはワイドエリアネットワーク（ＷＡＮ）を含む任意の種類のネットワークを介してユーザコンピュータに接続することができ、または（例えば、インターネットサービスプロバイダを利用してインターネットを介して接続する）外部コンピュータに接続することができる。いくつかの実施例では、コンピュータ読み取り可能なプログラム命令を実行することができる例えばプログラム可能論理回路、フィールドプログラム可能ゲートアレイ（ＦＰＧＡ）、またはプログラム可能論理アレイ（ＰＬＡ）などの電子回路を、コンピュータ読み取り可能なプログラム命令の状態情報を利用してカスタマイズすることによって、本発明の様々な態様が実現される。

ここで、本発明の様々な態様は、本発明の実施例による方法、装置（システム）、およびコンピュータ・プログラム製品のフローチャートおよび／またはブロック図を参照して説明される。フローチャートおよび／またはブロック図の各ブロック、ならびにフローチャートおよび／またはブロック図における各ブロックの組み合わせは、コンピュータ読み取り可能なプログラム命令によって実現されてもよいことが理解されるべきである。

これらのコンピュータ読み取り可能なプログラム命令は、汎用コンピュータ、専用コンピュータ、または他のプログラム可能なデータ処理デバイスの処理ユニットに提供することができ、このようにして、コンピュータまたは他のプログラム可能なデータ処理装置の処理ユニットを介してこれらの命令が実行されると、フローチャートおよび／またはブロック図の１つまたは複数のブロックに規定された機能／動作を実現する装置が生成されるような機械が製造される。これらのコンピュータ読み取り可能なプログラム命令は、コンピュータ読み取り可能な記憶媒体に格納してもよく、これらの命令は、コンピュータ、プログラム可能なデータ処理装置、および／または他のデバイスを特定の方法で動作させ、したがって、命令を記憶するコンピュータ読み取り可能な媒体は、フローチャートおよび／またはブロック図の１つまたは複数のブロックに規定された機能／動作の様々な態様を実現する命令を含む製造品を備える。

コンピュータ、他のプログラム可能なデータ処理装置、または他のデバイス上で実行される命令が、フローチャートおよび／またはブロック図の１つまたは複数のブロックに規定された機能／動作を実行するように、コンピュータ実現プロセスを生成するために、一連の操作ステップをコンピュータ、他のプログラム可能なデータ処理装置、または他のデバイス上で実行されるように、コンピュータ読み取り可能なプログラム命令は、コンピュータ、他のプログラム可能なデータ処理デバイス、または他のデバイス上にロードされてもよい。

図面中のフローチャートおよびブロック図は、本発明の複数の実施例によるシステム、方法、およびコンピュータ・プログラム製品の実現可能なのアーキテクチャ、機能、および操作を示している。この点において、フローチャートまたはブロック図中の各ブロックは、所定の論理機能を実現するための１つまたは複数の実行可能な命令を含む一つのモジュール、セグメント、または命令の一部を表してもよい。いくつかの代替実現では、ブロックに記載された機能は、添付の図面に記載された順序とは異なる順序で発生してもいい。例えば、２つの連続したブロックは、実際には基本的に並列に実行されてもよく、場合によっては、係わる機能に応じて逆の順序で実行されてもよい。ブロック図および／またはフローチャート中の各ブロック、ならびにブロック図および／またはフローチャート中のブロックの組み合わせは、規定の機能または動作を実行する専用ハードウェアベースのシステムによって実現されてもよく、または専用ハードウェアとコンピュータ命令との組み合わせによって実現されてもよいことにも注意してください。

本発明のいくつかの実施例によれば、ピクチャから文字の段落を含む１つまたは複数のバウンディングボックスを検出することと、バウンディングボックス毎の幾何学的特性に基づいて、横組みおよび縦組みを含む前記バウンディングボックスの文字組版方向を確定することと、前記バウンディングボックスの文字組版方向に基づいて、前記ウンディングボックスを前記文字組版方向に対応する文字認識ネットワークに入力することによって、前記バウンディングボックス内の文字を認識することと、を含む混合組版された文字を認識するための方法を提供する。

本発明のいくつかの実施例によれば、ピクチャから文字の段落を含む１つまたは複数のバウンディングボックスを検出することは、前記ピクチャを文字検出ニューラルネットワークに入力することによって、前記ピクチャ内の文字応答領域を取得することと、前記文字応答領域に対して平滑化処理、二値化処理、および近傍連結処理を実行することによって、最小バウンディングボックスを得ることと、前記ピクチャのレイアウト解析を行い、レイアウト解析の結果に応じて、前記最小バウンディングボックスに基づいて前記バウンディングボックスを生成することと、を含む。

本発明のいくつかの実施例によれば、前記バウンディングボックスの文字組版方向を確定することは、前記ピクチャから前記バウンディングボックスの領域を切り出すことと、前記バウンディングボックスのアスペクト比を計算することと、前記アスペクト比が第１の閾値以下であるか否かを判定することと、前記アスペクト比が前記第１の閾値以下であるとの判定に応じて、前記バウンディングボックスの文字組版方向が横組みであると判定することと、を含む。 本発明のいくつかの実施例によれば、前記バウンディングボックスの文字組版方向を確定することは、前記アスペクト比が前記第１の閾値よりも大きいという判定に応じて、前記アスペクト比が前記第１の閾値よりも大きい第２の閾値以上であるか否かを判定することと、前記アスペクト比が前記第２の閾値以上であるという判定に応じて、前記バウンディングボックスの文字組版方向が縦組みであると判定することとをさらに含む。

本発明のいくつかの実施例によれば、前記バウンディングボックスの文字組版方向を確定することは、前記バウンディングボックス内の各空白画素行を確定することと、前記バウンディングボックス内の前記空白画素行によって前記バウンディングボックスの文字組版方向を確定することとを含む。

本発明のいくつかの実施例によれば、前記バウンディングボックス内の前記空白画素行によって前記バウンディングボックスの文字組版方向を確定することは、隣接する空白画素行を組み合わせることによって、前記バウンディングボックスの水平方向の各文字間隔行の高さを確定することと、前記各文字間隔行の高さに応じて前記バウンディングボックスの文字組版方向を確定することとを含む。

本発明のいくつかの実施例によれば、前記各文字間隔行の高さによって前記バウンディングボックスの文字組版方向を確定することは、すべての文字間隔行の高さの合計と前記バウンディングボックスの高さとの間の行占有率を確定することと、すべての文字間隔行の高さの合計と前記バウンディングボックスの高さとの間の行占有率が第３の閾値以上であるか否かを判定することと、前記行占有率が前記第３の閾値以上であるとの判定に応答して、前記バウンディングボックスの文字組版方向が横組みであると判定することとを含む。

本発明のいくつかの実施例によれば、前記バウンディングボックスの文字組版方向を前記各文字間隔行の高さによって確定することは、隣接する文字間隔行の位置に基づいて隣接する前記文字間隔行間の文字行の高さを確定することと、前記バウンディングボックス内のすべての文字行の高さの離散性を確定することと、すべての文字行の高さの離散性が第５の閾値以下であるか否かを判定することと、全ての文字行の高さの離散性が前記第５の閾値以下であるとの判定に応答して、前記バウンディングボックスの文字組版方向が横組みであると判定することとを含む。

本発明のいくつかの実施例によれば、前記バウンディングボックス内の各空白画素行を確定することは、前記バウンディングボックス内の各画素行の平均階調値を計算することと、前記バウンディングボックス内の各画素行の平均階調値が白色画素の階調値に基本的に等しいか否かを判定することと、前記画素行の平均階調値が白色画素の階調値と基本的に等しいことに応答して、前記画素行が空白画素行であると確定することと、を含む。

本発明のいくつかの実施例によれば、前記バウンディングボックス内の各空白画素行を確定することは、前記バウンディングボックス内の各画素行の階調値離散性を計算することと、前記バウンディングボックス内の各画素行の階調値離散性が基本的にゼロであるか否かを判定することと、前記画素行の階調値離散性が基本的にゼロであるという判定に応答して、前記画素行が空白画素行であると確定することと、を含む。

本発明のいくつかの実施例によれば、すべての文字間隔行の高さの合計と前記バウンディングボックスの高さとの間の行占有率が第３の閾値以上であるか否かを判定することは、各文字間隔行の高さが第４の閾値以上であるか否かを判定することをさらに含み、且つ前記バウンディングボックスの文字組版方向が横組みであると確定することは、各文字間隔行の高さがいずれも前記第４の閾値以上であると判定することに応じて、前記バウンディングボックスの文字組版方向が横組みであると確定することをさらに含む。

本発明のいくつかの実施例によれば、前記バウンディングボックスの文字組版方向を確定することは、前記バウンディングボックス内の各空白画素列を確定することと、前記バウンディングボックス内の前記空白画素列によって前記バウンディングボックスの文字組版方向を確定することとを含む。

本発明のいくつかの実施例によれば、前記バウンディングボックス内の前記空白画素列によって前記バウンディングボックスの文字組版方向を確定することは、隣接する空白画素列を組み合わせることによって、前記バウンディングボックスの垂直方向の各文字間隔列の幅を確定することと、前記各文字間隔列の幅に応じて前記バウンディングボックスの文字組版方向を確定することとを含む。

本発明のいくつかの実施例によれば、前記各文字間隔列の幅によって前記バウンディングボックスの文字組版方向を確定することは、すべての文字間隔列の幅の合計と前記バウンディングボックスの幅との間の列占有率を確定することと、すべての文字間隔列の幅の合計と前記バウンディングボックスの幅との間の列占有率が第６の閾値以上であるか否かを判定することと、全ての文字間隔列の幅の合計と前記バウンディングボックスの幅との間の列占有率が前記第６の閾値以上であるとの判定に応答して、前記バウンディングボックスの文字組版方向が縦組みであると判定することとを含む。

本発明のいくつかの実施例によれば、前記バウンディングボックスの文字組版方向を前記各文字間隔列の幅によって確定することは、隣接する文字間隔列の位置に基づいて隣接する前記文字間隔列間の文字列の幅を確定することと、前記バウンディングボックス内のすべての文字列の幅の離散性を確定することと、すべての文字列の幅の離散性が第８の閾値以下であるか否かを判定することと、全ての文字列の幅の離散性が前記第８の閾値以下であるとの判定に応答して、前記バウンディングボックスの文字組版方向が縦組みであると判定することとを含む。

本発明のいくつかの実施例によれば、前記最小バウンディングボックス内の各空白画素列を確定することは、前記バウンディングボックス内の各画素列の平均階調値を計算することと、前記バウンディングボックス内の各画素列の平均階調値が白色画素の画素値に基本的に等しいか否かを判定することと、前記画素列の平均階調値が白色画素の画素値と基本的に等しいことに応答して、前記画素列が空白画素列であると判定することと、を含む。

本発明のいくつかの実施例によれば、前記バウンディングボックス内の各空白画素列を確定することは、前記バウンディングボックス内の各画素列の階調値離散性を計算することと、前記バウンディングボックス内の各画素列の階調値離散性が基本的にゼロであるか否かを判定することと、前記画素列の階調値離散性が基本的にゼロであるという判定に応答して、前記画素列が空白画素列であると判定することと、を含む。

本発明のいくつかの実施例によれば、前記列占有率が第６の閾値以上であるか否かを判定することは、各文字間隔列の幅が第７の閾値以上であるか否かを判定することをさらに含み、且つ、前記バウンディングボックスの文字組版方向が縦組みであることを判定することは、各文字間隔列の幅がいずれも前記第７の閾値以上であると判定されたことに応じて、前記バウンディングボックスの文字組版方向が縦組みであると判定することをさらに含む。

本発明のいくつかの実施例によれば、前記バウンディングボックスの文字組版方向を確定することは、前記バウンディングボックス内の各空白画素行を確定することと、隣接する空白画素行を組み合わせることによって、前記バウンディングボックスの水平方向の各文字間隔行の高さを確定し、且つすべての文字間隔行の高さの合計と前記バウンディングボックスの高さとの間の行占有率を確定することと、前記バウンディングボックス内の各空白画素列を確定することと、隣接する空白画素列を組み合わせることによって、前記バウンディングボックスの垂直方向の各文字間隔列の幅を確定し、且つ全ての文字間隔列の幅の合計と前記バウンディングボックスの幅との間の列占有率を確定することと、全ての文字間隔列の幅の合計と前記バウンディングボックスの幅との間の列占有率が全ての文字間隔行の高さの合計と前記バウンディングボックスの高さとの間の行占有率以上であるか否かを判定することと、全ての文字間隔列の幅の合計と前記バウンディングボックスの幅との間の列占有率が全ての文字間隔行の高さの合計と前記バウンディングボックスの高さとの間の行占有率以上であるという判定に応答して、前記バウンディングボックスの文字組版方向が縦組みであると判定することと、全ての文字間隔列の幅の合計と前記バウンディングボックスの幅との間の列占有率が、全ての文字間隔行の高さの合計と前記バウンディングボックスの高さとの間の行占有率よりも小さいと判定されたことに応答して、前記バウンディングボックスの文字組版方向が横組みであると判定することを含む。

本発明のいくつかの実施例によれば、前記バウンディングボックスの文字組版方向を確定することは、前記バウンディングボックス内の各空白画素行を確定することと、隣接する空白画素行を組み合わせることによって、前記バウンディングボックスの水平方向の各文字間隔行の高さを確定し、全ての文字間隔行の高さの合計を確定し、全ての文字間隔行の高さの合計と前記バウンディングボックスの高さとに基づいて全ての文字行の高さの合計を確定し、全ての文字行の高さの合計と前記バウンディングボックスの高さとの間の行占有率を確定することと、前記バウンディングボックス内の各空白画素列を確定することと、隣接する空白画素列を組み合わせることによって、前記バウンディングボックスの垂直方向の各文字間隔列の幅を確定し、全ての文字間隔列の幅の合計を確定し、全ての文字間隔列の幅の合計と前記バウンディングボックスの幅とに基づいて全ての文字列の幅の合計を確定し、且つ全ての文字列の高さの合計と前記バウンディングボックスの幅との間の列占有率を確定することと、全ての文字行の高さの合計と前記バウンディングボックスの高さとの間の行占有率が、全ての文字列の高さの合計と前記バウンディングボックスの幅との間の列占有率以上であるか否かを判定することと、全ての文字行の高さの合計と前記バウンディングボックスの高さとの間の行占有率が、全ての文字列の高さの合計と前記バウンディングボックスの幅との間の列占有率以上であるという判定に応答して、前記バウンディングボックスの文字組版方向が横組みであると確定されることと、全ての文字行の高さの合計と前記バウンディングボックスの高さとの間の行占有率が、全ての文字列の高さの合計と前記バウンディングボックスの幅との間の列占有率よりも小さいとの判定に応答して、前記バウンディングボックスの文字組版方向が縦組みであると判定することを含む。

本発明のいくつかの実施例によれば、コンピュータプログラムコードが格納されたメモリと、前記コンピュータプログラムコードを実行することによって、上記方法を実行するように配置されたプロセッサとを含む混合組版された文字を認識する装置を提供する。

本発明のいくつかの実施例によれば、実行される時に上記方法を実行するコンピュータプログラムコードが格納されたコンピュータ読み取り可能な記憶媒体を提供する。

本発明のいくつかの実施例によれば、電源投入時に上記の方法を実行するように配置された回路ユニットを含むチップ回路を提供する。

以上、本発明の各実施例について説明したが、上記の説明は例示的であり、網羅的ではなく、開示された各実施例に限定されるものではない。説明された各実施例の範囲および精神を逸脱することなく、当業者にとって多くの修正および変更は自明である。本明細書で使用される用語の選択は、各実施例の原理、実際の応用、または市場の技術に対する技術的改良を最もよく解釈することと、または本技術分野の他の当業者が本願で開示された各実施例を理解できるようにすることを目的とする。

Claims (13)

1. ピクチャから文字の段落を含む１つまたは複数のバウンディングボックスを検出することと、
   バウンディングボックス毎の幾何学的特性に基づいて、横組みおよび縦組みを含む前記バウンディングボックスの文字組版方向を確定することと、
   前記バウンディングボックスの文字組版方向に基づいて、前記バウンディングボックスを前記文字組版方向に対応する文字認識ネットワークに入力することによって、前記バウンディングボックス内の文字を認識することと、を含み、
   前記バウンディングボックスの文字組版方向を確定することは、
   前記バウンディングボックス内の各空白画素行を確定することと、
   隣接する空白画素行を組み合わせることによって、前記バウンディングボックスの水平方向の各文字間隔行の高さを確定することと、
   前記各文字間隔行の高さに応じて前記バウンディングボックスの文字組版方向を確定することと、を含み、
   および／または、
   前記バウンディングボックス内の各空白画素列を確定することと、
   隣接する空白画素列を組み合わせることによって、前記バウンディングボックスの垂直方向の各文字間隔列の幅を確定することと、
   前記各文字間隔列の幅に応じて前記バウンディングボックスの文字組版方向を確定することと、を含む、コンピュータにより実現される、混合組版された文字を認識するための方法。
2. 請求項１に記載の方法において、
   前記バウンディングボックスの文字組版方向を確定することは、前記ピクチャから前記バウンディングボックスの領域を切り出すことと、
   前記バウンディングボックスのアスペクト比を計算することと、
   前記アスペクト比が第１の閾値以下であるか否かを判定することと、
   前記アスペクト比が前記第１の閾値以下であるとの判定に応じて、前記バウンディングボックスの文字組版方向が横組みであると判定することと、を含む。
3. 請求項２に記載の方法において、
   前記バウンディングボックスの文字組版方向を確定することは、前記アスペクト比が前記第１の閾値よりも大きいという判定に応じて、前記アスペクト比が前記第１の閾値よりも大きい第２の閾値以上であるか否かを判定することと、
   前記アスペクト比が前記第２の閾値以上であるという判定に応じて、前記バウンディングボックスの文字組版方向が縦組みであると判定することとをさらに含む。
4. 請求項１に記載の方法において、
   前記各文字間隔行の高さによって前記バウンディングボックスの文字組版方向を確定することは、すべての文字間隔行の高さの合計と前記バウンディングボックスの高さとの間の行占有率を確定することと、
   すべての文字間隔行の高さの合計と前記バウンディングボックスの高さとの間の行占有率が第３の閾値以上であるか否かを判定することと、
   前記行占有率が前記第３の閾値以上であるとの判定に応答して、前記バウンディングボックスの文字組版方向が横組みであると判定することとを含む。
5. 請求項１に記載の方法において、
   前記バウンディングボックスの文字組版方向を前記各文字間隔行の高さによって確定することは、隣接する文字間隔行の位置に基づいて隣接する前記文字間隔行間の文字行の高さを確定することと、
   前記バウンディングボックス内のすべての文字行の高さの離散性を確定することと、
   すべての文字行の高さの離散性が第５の閾値以下であるか否かを判定することと、
   全ての文字行の高さの離散性が前記第５の閾値以下であるとの判定に応答して、前記バウンディングボックスの文字組版方向が横組みであると判定することとを含む。
6. 請求項１に記載の方法において、
   前記バウンディングボックス内の各空白画素行を確定することは、前記バウンディングボックス内の各画素行の平均階調値を計算することと、
   前記バウンディングボックス内の各画素行の平均階調値が白色画素の階調値に基本的に等しいか否かを判定することと、
   前記画素行の平均階調値が白色画素の階調値と基本的に等しいことに応答して、前記画素行が空白画素行であると確定することと、を含む。
7. 請求項１に記載の方法において、
   前記バウンディングボックス内の各空白画素行を確定することは、前記バウンディングボックス内の各画素行の階調値離散性を計算することと、
   前記バウンディングボックス内の各画素行の階調値離散性が基本的にゼロであるか否かを判定することと、
   前記画素行の階調値離散性が基本的にゼロであるという判定に応答して、前記画素行が空白画素行であると確定することと、を含む。
8. 請求項４に記載の方法において、
   すべての文字間隔行の高さの合計と前記バウンディングボックスの高さとの間の行占有率が第３の閾値以上であるか否かを判定することは、各文字間隔行の高さが第４の閾値以上であるか否かを判定することをさらに含み、
   前記バウンディングボックスの文字組版方向が横組みであることを確定することは、各文字間隔行の高さがいずれも前記第４の閾値以上であると判定することに応じて、前記バウンディングボックスの文字組版方向が横組みであると確定することをさらに含む。
9. 請求項１に記載の方法において、
   前記バウンディングボックスの文字組版方向を確定することは、前記バウンディングボックス内の各空白画素行を確定することと、
   隣接する空白画素行を組み合わせることによって、前記バウンディングボックスの水平方向の各文字間隔行の高さを確定し、且つすべての文字間隔行の高さの合計と前記バウンディングボックスの高さとの間の行占有率を確定することと、
   前記バウンディングボックス内の各空白画素列を確定することと、
   隣接する空白画素列を組み合わせることによって、前記バウンディングボックスの垂直方向の各文字間隔列の幅を確定し、且つ全ての文字間隔列の幅の合計と前記バウンディングボックスの幅との間の列占有率を確定することと、
   全ての文字間隔列の幅の合計と前記バウンディングボックスの幅との間の列占有率が全ての文字間隔行の高さの合計と前記バウンディングボックスの高さとの間の行占有率以上であるか否かを判定することと、
   全ての文字間隔列の幅の合計と前記バウンディングボックスの幅との間の列占有率が全ての文字間隔行の高さの合計と前記バウンディングボックスの高さとの間の行占有率以上であるという判定に応答して、前記バウンディングボックスの文字組版方向が縦組みであると判定することと、
   全ての文字間隔列の幅の合計と前記バウンディングボックスの幅との間の列占有率が、全ての文字間隔行の高さの合計と前記バウンディングボックスの高さとの間の行占有率よりも小さいと判定されたことに応答して、前記バウンディングボックスの文字組版方向が横組みであると判定することを含む。
10. 請求項１に記載の方法において、
    前記バウンディングボックスの文字組版方向を確定することは、前記バウンディングボックス内の各空白画素行を確定することと、
    隣接する空白画素行を組み合わせることによって、前記バウンディングボックスの水平方向の各文字間隔行の高さを確定し、全ての文字間隔行の高さの合計を確定し、全ての文字間隔行の高さの合計と前記バウンディングボックスの高さとに基づいて全ての文字行の高さの合計を確定し、全ての文字行の高さの合計と前記バウンディングボックスの高さとの間の行占有率を確定することと、
    前記バウンディングボックス内の各空白画素列を確定することと、
    隣接する空白画素列を組み合わせることによって、前記バウンディングボックスの垂直方向の各文字間隔列の幅を確定し、全ての文字間隔列の幅の合計を確定し、全ての文字間隔列の幅の合計と前記バウンディングボックスの幅とに基づいて全ての文字列の幅の合計を確定し、且つ全ての文字列の高さの合計と前記バウンディングボックスの幅との間の列占有率を確定することと、
    全ての文字行の高さの合計と前記バウンディングボックスの高さとの間の行占有率が、全ての文字列の高さの合計と前記バウンディングボックスの幅との間の列占有率以上であるか否かを判定することと、
    全ての文字行の高さの合計と前記バウンディングボックスの高さとの間の行占有率が、全ての文字列の高さの合計と前記バウンディングボックスの幅との間の列占有率以上であるという判定に応答して、前記バウンディングボックスの文字組版方向が横組みであると確定されることと、
    全ての文字行の高さの合計と前記バウンディングボックスの高さとの間の行占有率が、全ての文字列の高さの合計と前記バウンディングボックスの幅との間の列占有率よりも小さいとの判定に応答して、前記バウンディングボックスの文字組版方向が縦組みであると判定することを含む。
11. コンピュータプログラムコードが格納されたメモリと、
    前記コンピュータプログラムコードを実行することによって、請求項１から請求項１０のいずれか一項に記載の方法を実行するように配置されたプロセッサと、
    を含む混合組版された文字を認識する装置。
12. コンピュータ読み取り可能な記憶媒体であって、
    請求項１から請求項１０のいずれか一項に記載の方法を実行するためのプログラムコードが記憶されている。
13. 電源投入時に請求項１から請求項１２のいずれか一項に記載の方法を実行するように配置された回路ユニットを含むチップ回路。

Images