JPH02125392A - 文字認識方法およびこれを用いた文字認識装置 - Google Patents

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】 ［発明の目的］ （産業上の利用分野） 本発明は、例えば光学的文字読取装置等において用いら
れる文字認識方法およびこれを用いた文字認識技術に関
する。

（従来の技術） 近年、光学的文字読取装置等においては、パターン・マ
ツチング等の文字認識技術の向上により、活字の読取り
に限ることなく手書き文字の読取りを行うことも可能と
されている。

このような装置では、入力文字パターンと複数の文字パ
ターン候補とのパターンφマツチングによりそれぞれの
類似度を算出し、その中で最大類似度を得た文字パター
ン候補を最終的な文字認識結果として判定し出力するこ
とで文字認識が行われている。

しかしながら、このような文字認識方法では、文字パタ
ーンの特徴の変化により、入力文字パターンと正しい文
字パターン候補との類似度がその他の文字パターン候補
との類似度よりも低くなってしまう事態が多々生じ、こ
れにより誤った文字認識が行われてしまうという難点が
ある。

このことから従来からの文字認識装置では、例えば入力
文字パターンと文字パターン候補とのマツチング基準そ
のものに文字パターンの特徴の変化に応じた修正や追加
を加えることにより、最低限の認識率を確保するように
していたが、このようにマツチング基準そのものを修正
するためには多大な手間と時間を必要とするので必ずし
も望ましい方法とはいえなかった。

（発明が解決しようとする課題） 上述したように従来からの文字認識方法では、文字パタ
ーンの特徴の変化に対応して良好な文字認識結果を得る
ためには、パターン・マツチングの際用いられるマツチ
ング基準そのものに修正や追加を加えたりする必要があ
るので、多大な手間と時間がかかるという問題があった
。

本発明は上述した課題を解決するためのもので、パター
ンΦマツチングの際用いられる入力文字パターンと文字
パターン候補とのマツチング基準そのものに修正や追加
を加えることなく、文字パターンの特徴の変化に応じた
良好な文字認識を安定して行うことのできる文字認識方
法およびこれを用いた文字認識装置の提供を目的として
いる。

［発明の構成〕 （課題を解決するための手段） 第１の発明は上記した目的を達成するために、入力文字
パターンと複数の文字パターン候補との各類似度から入
力文字パターンの認識結果として最も確信度の高い文字
パターン候補を判定するにあたり、入力文字パターンの
認識結果に誤りが生じた場合、その入力文字パターンに
対する次回からの文字認識において本来類似度が最大と
なってしかるべき文字パターン候補が得られるような方
向性を持って、入力文字パターンの各類−似度から最も
確信度の高い文字パターン候補を判定する方法を変更す
るようにしたものである。

また第２の発明は上記した目的を達成するために、入力
文字パターンと複数の文字パターン候補との各類似度か
ら入力文字パターンの認識結果として最も確信度の高い
文字パターン候補を判定する文字認識装置において、入
力文字パターンの認識結果に誤りが生じた場合、その入
力文字パターンに対する次回からの文字認識において本
来類似度が最大となってしかるべき文字パターン候補が
得られるような方向性を持って学習を行い、かつその入
力文字パターンの各類似度から最も確信度の高い文字パ
ターン候補を判定するニューラルネットを具備したもの
である。

またさらに第３の発明は上記した目的を達成するために
、最大類似度を得た文字パターン候補が本来類似度が最
大となってしかるべきものと一致するか否かを学習し判
断する第１のニューラルネットと、最大類似度を得た文
字パターン候補が本来類似度が最大となってしかるべき
ものと一致しないことが第１のニューラルネットにおい
て判断される場合の入力文字パターンを対象に、次回か
らの文字認識において本来類似度が最大となってしかる
べき文字パターン候補が得られるような方向性を持って
学習を行い、かつその入力文字パターンの各類似度から
最も確信度の高い文字パターン候補を判定する第２のニ
ューラルネットとを具備したものである。

またさらに第４の発明は上記した目的を達成するために
、類似度の高い上位所定数までの文字パターン候補のい
ずれかが本来類似度が最大となってしかるべきものと一
致するか否かを学習し判断する第１のニューラルネット
と、この第１のニューラルネットにおいて各文字パター
ン候補のいずれかが本来類似度が最大となってしかるべ
きものと一致すると判断される場合の入力文字パターン
を対象に、そのいずれが本来類似度が最大となってしか
るべき文字パターン候補かを学習し判断する第２のニュ
ーラルネットと、第１のニューラルネットにおいて各文
字パターン候補のいずれも本来類似度が最大となってし
かるべきものと一致しないと判断される場合の入力文字
パターンを対象に、次回からの文字認識において本来類
似度が最大となってしかるべき文字パターン候補が得ら
れるような方向性を持って学習を行い、かつその入力文
字パターンの各類似度から最も確信度の高い文字パター
ン候補を判定する第３のニューラルネットとを具備した
ものである。

（作　用） すなわち第１の発明では、入力文字パターンの認識結果
に誤りが生じた場合、その入力文字パターンに対する次
回からの文字認識において本来類似度が最大となってし
かるべき文字パターン候補が得られるような方向性を持
って、入力文字パターンの各類似度から最も確信度の高
い文字パターン候補を判定する方法を変更するようにし
たので、パターン・マツチングの際用いられる入力文字
パターンと文字パターン候補とのマツチング基準そのも
のに修正や追加を加えることなく、文字パターンの特徴
の変化に応じた良好な文字認識を安定して行うことがで
きる。

また第２の発明では、ニューラルネットを用いて第１の
発明と同様の作用を実現するようにしたので、第１の発
明と同様の効果を得ることができる。

さらに第３の発明では、まず第１のニューラルネットに
おいて、最大類似度を得た文字パターン候補が本来類似
度が最大となってしかるべきものと一致するか否かを学
習させるとともに、第２のニューラルネットにおいては
、第１のニューラルネットにおいて最大類似度の文字パ
ターン候補が本来類似度が最大となってしかるべきもの
と一致しないと判断される場合の入力文字パターンを対
象に、次回からの文字認識において本来類似度が最大と
なってしかるべき文字パターン候補が得られるような方
向性を持って学習させる。

そして、文字認識を行うにあたって、第１のニューラル
ネットにおいて最大類似度の文字パターン候補が本来類
似度が最大となってしかるべきものと一致すると判断さ
れた場合は、最大類似度の文字パターン候補をそのまま
文字認識結果として出力する。

一方、第１のニューラルネットにおいて、最大類似度の
文字パターン候補が、本来類似度が最大となってしかる
べきものと一致しないと判断された場合は、第２のニュ
ーラルネットを用いて判定された文字パターン候補を文
字認識結果として出力する。

したがって、この発明によれば、パターン・マツチング
の際のマツチング基準そのものに修正や追加を加えるこ
となく、文字パターンの特徴の変化に応じた良好な文字
認識を安定して行うことができ、しかもより少ない学習
回数で目的の作用を実現するニューラルネットを構築す
ることができる。

またさらに第４の発明では、まず第１のニューラルネッ
トにおいて、類似度の高い上位所定数までの文字パター
ン候補のいずれかが本来類似度が最大となってしかるべ
きものと一致するか否かを学習させる。

これに伴い第２のニューラルネットにおいては、第１の
ニューラルネットにおいて各文字パターン候補のいずれ
かが本来類似度が最大となってしかるべきものと一致す
ると判断される場合の各入力文字パターンを対象に、そ
のいずれが本来類似度が最大となってしかるべき文字パ
ターン候補であるかを学習させる。

さらにこれに伴って第３のニューラルネットでは、第１
のニューラルネットにおいて各文字パターン候補のいず
れも本来類似度が最大となってしかるべきものと一致し
ないと判断される場合の各入力文字パターンを対象に、
次回からの文字認識において本来類似度が最大となって
しかるべき文字パターン候補が得られるような方向性を
持って学習させる。

そして、文字認識を行うにあたって、第１のニューラル
ネットにおいて各文字パターン候補のいずれかが本来類
似度が最大となってしかるべきものと一致すると判断さ
れた場合は、第２のニューラルネットを用いて判定され
た文字認識結果を出力する。

一方、第１のニューラルネットにおいて各文字パターン
候補のいずれも本来類似度が最大となってしかるべきも
のと一致しないと判断された場合は、第３のニューラル
ネットを用いて判定された文字認識結果を出力する。

したがって、この発明によっても上述した第３の発明と
同様の効果を得ることができる。

（実施例） 以下、本発明の実施例を図面に基づいて詳細に説明する
。

第１図はこの発明に係る一実施例の文字認識装置を説明
するためのブロック図である。

同図において、１は帳票上に手書きされた文字を光学的
に読取って文字パターンを得るスキャナ部、２はスキャ
ナ部１により読取られた文字パターンとのマツチング対
象となる文字パターン候補群が登録されたパターン候補
格納部、３はスキャナ部１からの入力文字パターンとパ
ターン候補格納部２に格納された文字パターン候補との
所定のパターン・マツチングを行ってそれぞれの類似度
を算出するパターン・マツチング部、４はパターン・マ
ツチング部３において算出された各文字パターン候補に
対する類似度の組合せから、最も確からしい文字パター
ン候補を文字認識結果として判定する判定部、５は判定
部４において判定された文字認識結果を格納するデータ
格納部である。

ところで上述した判定部４は、その判定結果において誤
りが検出された場合の入力文字パターンに対する次回か
らの判定において、正しい文字認識結果が得られるよう
な方向性を持って、その判定の方法を変更するよう構成
されている。

この実施例ではこの判定方法を変更する機能を実現する
ため、例えばパックプロパゲーションアルゴリズム等の
学習アルゴリズムを用いて学習を行うニューラルネット
が採用されている。

第２図はこのニューラルネットの構成を示している。

同図に示すように、このニューラルネットにおけるネッ
トワークは、パターン・マツチングにより算出された各
パターン候補に対する類似度がそれぞれ入力される複数
の入力ノードＡからなる入力層と、各入力ノードＡとア
ークＢを介してネットワークで結合された複数の中間ノ
ードＣからなる中間層と、各中間ノードＣとアークＤを
介してネットワークで結合され、各パターン候補に対す
る類似度からそれぞれの最終的な正解確信度を示す値を
出力する出力ノードＥからなる出力層とから構成されて
いる。

また上述した各アークＢＳＤには、各ノード間の結合の
強さを示す荷重値が設定されており、これらの荷重値は
、次のネットワーク管理部により修正されるようになっ
ている。

このネットワーク管理部の構成を第３図に基づいて説明
する。

同図において、１１は入力ノードＡおよび中間ノードＣ
からそれぞれ出力されたデータを一時的に保持するノー
ド出力値テーブル、１２は各アークＢ、Ｄに設定された
荷重値を保持する荷重値テーブル、１３は各入力ノード
Ａや中間ノードＣからの出力データにそれぞれ荷重値テ
ーブル１２上の対応する荷重値を乗じて積算を行う積算
器、１４は個々の中間ノードＣや出力ノードＥに終結さ
れる積算結果を加算する加算器である。また１５は通常
の文字認識において出力された各文字パターン候補に対
する最終的な積算値の中から最大値を得た文字パターン
候補を文字認識結果として判定する判定器、１６は学習
時において出力された各文字パターン候補に対する最終
的な積算値と本来類似度が最大となってしかるべき正解
のデータとをそれぞれ取込んで比較し、それぞれが一致
しているかどうかを評価する評価器、１７は評価器１６
において各データが一致しないと判定されたとき、当該
入力文字パターンに対する次回からの文字認識処理にお
いて正解を得るような方向性を持って荷重値テーブル１
２上の各荷重値を修正する荷重値修正器、１８は判定部
４に入力された各類似度の組合せと正解のデータとを学
習データとして格納する学習データベース、１９は学習
データベース１８の登録内容を管理する学習管理器であ
る。

次にこの実施例装置の動作を説明する。

まず認識の対象となる文字パターンのサンプルを幾つか
集め、これらのパターンイメージをスキャナ部１で順次
読取らせる。この後、パターン−マツチング部３におい
て、入力文字パターンと各文字パターン候補とのパター
ン・マツチングが行われることにより、各文字パターン
候補に対するそれぞれの類似度が判定部４に小力される
。

通常の文字認識では、この後、判定部４は入力された全
ての類似度データの中から最大類似度を得た文字パター
ン候補を判定器１５で判定し、これを最終的な文字認識
結果としてデータ格納部５に出力するが、入力文字パタ
ーンの特徴の変化に応じた学習を行う場合は次のように
処理が行われる。これを第４図のフローチャートを用い
て説明する。

まず、パターン・マツチング部３において求められた各
文字パターン候補に対する類似度の組合せは、その類似
度の組合せに対して最終的に得られることが望ましい正
解のデータとともに学習データとして学習データベース
１８に登録される。

学習の実行は、この学習データベース１８から、類似度
の組合せとこれに対応する正解のデータを１組ずつ抽出
しくステップａ）、これらを判定部４におけるニューラ
ルネットの入力ノード出力値テーブル１１と評価器１６
にそれぞれセットすることにより開始される（ステップ
ｂ）。

さて入力ノード出力値テーブル１１に類似度がセットさ
れると、各類似度は入力ノードＡから中間ノードＣを介
して出力ノードＥに至るまでの間において、アークＢお
よびアークＤにそれぞれ設定された荷重値を用いて積算
、さらに加算され（ステップＣ）、この結果、最終的に
各出力ノードＥに終結されたそれぞれの値が各文字パタ
ーン候補に対する確からしさを示す値（確信度）となる
。

この後、各出力ノードＥから出力された各文字パターン
候補に対する値は評価器１６に出力される。比較器１６
は、その各出力ノードＥから出力されたデータと正解の
データとを比較評価しくステップｄ）、その比較評価の
結果、両者が一致していなければ、荷重値修正器１７を
起動させて荷重値テーブル１２における各荷重値を修正
する（ステップｅ）。同時に学習管理器１９は、今１回
の文字認識処理における入力類似度の組合せと正解のデ
ータとを学習データとして学習データベース１８に格納
する。

全ての文字パターンのサンプルに対する　１回目の学習
が終了すると、学習管理器１９は、２回目の学習を開始
させるため学習データベース１８から再度１組ずつ各類
似度の組合せと正解のデータとを抽出し、これらをニュ
ーラルネットにそれぞれセットする。

以上の学習動作を延々と繰り返し、全ての文字パターン
のサンプルについて正解のデータが得られるようになっ
た時点で、あるいは所定回数の荷重値修正を終えた時点
で、全ての学習を終了させる（ステップｆ）。

かくしてこの実施例の文字認識装置によれば、各文字パ
ターン候補に対する類似度から最終的に文字認識結果を
判定する方法を、ニューラルネットを用いて修正するよ
うにしたので、パターン・マツチングの際用いられるマ
ツチング基準そのものに修正や追加を加えることなく、
入力文字パターンの特徴の変化に応じた良好な文字認識
を安定して行うことが可能となる。

次に本発明の他の実施例について説明する。

第５図はこの実施例の文字認識装置における判定部を示
しており、その他の構成部分については先に説明した実
施例と同じである。

同図に示すように、この文字認識装置における判定部は
、次の２つのニューラルネット２１．２２を主要構成部
としている。

第１のニューラルネット２１は、入力文字パターンに対
して類似度が最大となった文字パターン候補が本来類似
度が最大となってしかるべきものと一致するか否かを学
習し判断するためのものである。

第２のニューラルネット２２は、第１のニューラルネッ
ト２１において、入力文字パターンに対し類似度が最大
となった文字パターン候補が本来類似度が最大となって
しかるべきものと一致しないことが判断された場合、当
該入力文字パターンに対する次回からの文字認識におい
て正解のデータが得られるような方向性を持って学習を
行うとともに、通常の文字認識時においてその入力文字
パターンに対する文字認識時において最終的な文字パタ
ーン候補の判定を行うためのものである。

また２３は判定器である。この判定器２３は、第１のニ
ューラルネット２１において、入力文字パターンに対し
て最大類似度を得た文字パターン候補が本来類似度が最
大となってしかるべきものと一致することが判断された
場合に、パターン・マツチングで最大類似度を得た文字
パターン候補を最終的な文字認識結果と判定し、逆に、
最大類似度の文字パターン候補が本来類似度が最大とな
ってしかるべきものと一致しないと判断された場合は、
第２のニューラルネット２２を介して判定された文字パ
ターン候補を最終的な文字認識結果として判定し出力す
るためのものである。

さらに２４は全体学習データベースである。この全体学
習データベース２４には、認識すべき全ての文字パター
ンを対象とした学習データ、すなわち入力文字パターン
と各文字パターン候補とのそれぞれの類似度とこれに対
応する正解のデータとの組が格納される。またこの全体
学習データベース２４に格納された学習データは、学習
実行の原、第１および第２のニューラルネット２１．２
２における各学習データベース（図示省略）に転送され
ることになるが、第２のニューラルネット２２に対して
は、データ選別器２５により選別された学習データのみ
が転送されるようになっている。

次にこの実施例装置の動作を説明する。

まず“０”から“９″までの手書き文字を認識する場合
を例にとって説明する。

ここで正解が“４”である入力文字パターンに対し各文
字パターン候補との類似度を算出したところ、 ０・・・・・・・・・００１ １・・・・・・・・・０．１ ２・・・・・・・・・０．１ ３・・・・・・・・・０．２ ４・・・・・・・・・０，７ ５・・・・・・・・・０．８ ６・・・・・・・・・０．３ ７・・・・・・・・・０．１ ８・・・・・・・・・０．１ ９・・・・・・・・・０．１ という結果が得られたとする。

この場合、最大の類似度の文字パターン候補は“４”で
はなく　“５°であることから、ここでは“４°の文字
パターン候補に対する類似度を“５”の文字パターン候
補に対する類似度よりも確信度が高いものとして判定が
なされるように第２のニューラルネット２２における各
アークの荷重値を修正することが必要となる。

この実施例装置では、上記した各文字パターン候補に対
する類似度とこれに対応する正解のデータとを学習デー
タとして用いて、次のような学習を各ニューラルネット
２１．２２において実行させる。

まず認識の対象となる文字パターンのサンプルを幾つか
集め、これらを順次この文字認識装置に入力して、その
入力文字パターンと各文字パターン候補との類似度を算
出する。

算出された各類似度は、これに対応する正解のデータと
ともに全体学習データベース２４に格納される。

この後、全体学習データベース２４から一組ずつ学習デ
ータを読出し、これを第１および第２のニューラルネッ
ト２１．２２に入力してそれぞれの学習を開始させる。

ここで第１のニューラルネット２１においては、入力文
字パターンに対し最大類似度を得た文字パターン候補が
本来類似度が最大となってしかるべきものと一致する場
合は「ＹＥＳ」、そうでない場合はｒＮＯＪを出力する
よう各アークの荷重値を修正して学習させる。

また、第２のニューラルネット２２においては、第１の
ニューラルネット２１で最大類似度を得た文字パターン
候補が本来類似度が最大となってしかるべきものと一致
しないと判断された場合の入力文字パターンに対しての
み、次回からの文字認識において正解が得られるような
方向性を持って各アークの荷重値を修正して学習させる
。

こうして第１および第２の二二−ラルネット２１．２２
の修正を行い、全てのサンプルについて正解のデータが
得られるようになった時点で学習を終了させる。

このような判定部で文字認識結果の判定を行うときは、
まず第１のニューラルネット２１において、入力文字パ
ターンに対し最大類似度を得た文字パターン候補が本来
類似度が最大となってしかるべきものと一致すると判断
された場合、パターン・マツチングで得た各類似度をそ
のまま判定基準とし、最大類似度を得た文字パターン候
補を文字認識結果として出力する。

また、入力文字バタ・−ンに対し最大類似度を得た文字
パターン候補が本来類似度が最大となってしかるべきも
のと一致しないと判断された場合は、第２のニューラル
ネット２２を用いて判定された文字パターン候補を文字
認識結果として出力する。

かくしてこの実施例の文字認識装置によれば、文字パタ
ーンの特徴の変化により正確な認識を行うことができな
かった入力文字パターンに対する判定においてのみ用い
られる第２のニューラルネット２２を備えたので、より
少ない学習回数で、文字パターンの特徴に変化に応じた
良好な文字認識を安定して行うための判定部を構築する
ことができる。したがって、特徴の変化が大きい文字パ
ターンのグループに対しても効率良く学習を行って良好
な文字認識を行うことができる。

次に本発明のさらに他の実施例を説明する。

第６図はこの実施例の文字認識装置における判足部を示
しており、その他の構成部分については第１図の実施例
と同じである。

同図に示すように、この文字認識装置における判定部は
、次の３つのニューラルネット３１．３２．３３を主要
な構成部としている。

第１のニューラルネット３１は、類似度が最大となった
文字パターン候補と　２番目に高い文字パターン候補の
いずれかが本来類似度が最大となってしかるべきものと
一致するか否かを学習し判断するよう構成されている。

第２のニューラルネット３２は、類似度が最大となった
文字ノドターン候補と　２番目に高い文字パターン候補
のいずれかが本来類似度が最大となってしかるべきもの
と一致することが第１のニューラルネット３１において
判定される場合に、そのどちらが正解であるかを当該入
力文字パターンに対する次回からの文字認識において判
定できるような方向性を持って学習を行う。

第３のニューラルネット３３は、入力文字パターンに対
して類似度が最大となった文字パターン候補と　２番目
に高い文字パターン候補のいずれも本来類似度が最大と
なってしかるべきものと一致しないと判定される場合に
、その入力文字パターンに対する次回からの文字認識に
おいて正解のデータが得られるような方向性を持って学
習を行う。

また３４は判定器である。この判定器３４は、第２のニ
ューラルネット３２で判定された結果と第３のニューラ
ルネット３３で判定された結果のどちらを最終的な文字
認識結果として出力するかを第１のニューラルネット３
１の判定結果に基づいて決定するためのものである。

さらに３５は全体学習データベースである。この全体学
習データベース３５には、認識すべき全ての文字パター
ンを対象とした学習データ、すなわち入力文字パターン
と各文字パターン候補とのそれぞれの類似度とこれに対
応する正解のデータとの組が格納される。またこの全体
学習データベース３５に格納された学習データは、学習
実行の際、各二二−ラルネット３１．３２．３３におけ
る各学習データベース（図示省略）に転送されることに
なるが、第２のニューラルネット３２と第３のニューラ
ルネット３３に対しては、それぞれデータ選別器３６に
より選別されたもの、つまりそれぞれ自身のニューラル
ネットにおいて学習の対象とされた入力文字パターンに
対応する学習データのみが転送されるようはなっている
。

次にこの実施例装置の動作を説明する。

まず認識の対象となるべき文字パターンのサンプルを幾
つか集め、これらを文字認識装置に順次入力して、入力
文字パターンと各文字パターン候補とのそれぞれの類似
度を算出する。

算出された各類似度は、これに対応する正解のデータと
ともに全体学習データベース３５に格納される。

この後、全体学習データベース３５から一組ずつ学習デ
ータを抽出し、これを第１、第２、第３のニューラルネ
ット３１．３２．３３に入力してそれぞれの学習を開始
させる。

すなわちここで、第１のニューラルネット３１において
は、類似度が最大となった文字パターン候補と２番目に
高い文字パターン候補のいずれかが本来類似度が最大と
なってしかるべきものと一致する場合は「ＹＥＳ」、そ
うでない場合は「ＮＯ」を出力するように各アークの荷
重値を修正して学習させる。

また、第２のニューラルネット３２においては、類似度
が最大の文字パターン候補または２番目に高い文字パタ
ーン候補のいずれかが本来類似度が最大となってしかる
べきものと一致することが第１のニューラルネット３１
で判断される場合に、さらにそのどちらが正解であるか
を判断できるよう各アークの荷重値を修正して学習させ
る。

さらに第３のニューラルネット３３においては、類似度
が最大の文字パターン候補と　２番目に高い文字パター
ン候補のいずれも本来類似度が最大となってしかるべき
ものと一致しないことが第１のニューラルネット３１で
判断される場合に、その入力文字パターンに対する次回
からの文字認識において正解のデータが得られるような
方向性を持って学習させる。

こうして第１、第２、第３のニューラルネット３１．３
２．３３の修正を行って全てのサンプルについて正解の
データが出力されるようになった時点で、または所定の
回数修正を行った時点で全ての学習を終了させる。

さてこの文字認識装置において通常の文字認識を行う場
合は、まず第１のニューラルネット３１において、類似
度が最大の文字パターン候補と２番目に高い文字パター
ン候補のいずれかが本来類似度が最大となってしかるべ
きものと一致するが否かを判断する。

この判断の結果、そのいずれかが本来類似度が最大とな
ってしかるべきものと一致すると判断された場合は、第
２のニューラルネット３２でそのどちらが正解であるか
判定した結果を文字認識結果として出力する。

一方、そのいずれも本来類似度が最大となってしかるべ
きものと一致しないことが判断された場合は、第３のニ
ューラルネット３３により判定された結果を文字認識結
果として出力する。

かくしてこの実施例の文字認識装置においても先に説明
した２つの実施例と同様の効果が得られる。

なお、以上説明した実施例は学習アルゴリズムを用いた
ニューラルネットにより、各パターン候補に対する類似
度から最終的な文字認識結果を判定する方法を変更する
ものであるが、さらに学習の範囲を広めて修正の方法ま
でも変更するようにすれば、より一層の学習効率アップ
を図ることも可能である。

［発明の効果］ 以上説明したように本発明の文字認識方法およびこれを
用いた文字認識装置によれば、パターン・マツチングの
際用いられるマツチング基準そのものに修正や追加を加
えることなく、文字パターンの特徴の変化に応じた良好
な文字認識を安定して行うことができる。

【図面の簡単な説明】

第１図は本発明の一実施例の文字認識方法を採用した文
字認識装置の構成を説明するためのブロック図、第２図
は第１図におけるニューラルネットの構成を説明するた
めの図、第３図は第２図のニューラルネットを管理する
ネットワーク管理部の構成を説明するためのブロック図
、第４図は第３図のネットワーク管理部における学習動
作の流れを示すフローチャート、第５図は本発明の他の
実施例の文字認識装置を示すブロック図、第６図は本発
明のさらに他の実施例の文字認識装置を示すブロック図
である。 ３・・・パターン・マツチング部、４・・・判定部、１
１・・・ノード出力値テーブル、１２・・・荷重値テー
ブル、１３・・・積算器、１４・・・加算器、１５・・
・判定器、１６・・・評価器、１７・・・荷重値修正器
、１８・・・学習データベース、１９・・・学習管理器
。 出願人　　　　　株式会社　東芝 代理人　弁理士　須　山　佐　− 第４図

Claims (4)

【特許請求の範囲】
1. （１）入力文字パターンと複数の文字パターン候補との
   各類似度から前記入力文字パターンの認識結果として最
   も確信度の高い文字パターン候補を判定するにあたり、
   前記入力文字パターンの認識結果に誤りが生じた場合、
   その入力文字パターンに対する次回からの文字認識にお
   いて本来類似度が最大となってしかるべき文字パターン
   候補が得られるような方向性を持って、該入力文字パタ
   ーンの各類似度から最も確信度の高い文字パターン候補
   を判定する方法を変更することを特徴とする文字認識方
   法。
2. （２）入力文字パターンと複数の文字パターン候補との
   各類似度から前記入力文字パターンの認識結果として最
   も確信度の高い文字パターン候補を判定する文字認識装
   置において、前記入力文字パターンの認識結果に誤りが
   生じた場合、その入力文字パターンに対する次回からの
   文字認識において本来類似度が最大となってしかるべき
   文字パターン候補が得られるような方向性を持って学習
   を行い、かつその入力文字パターンの前記各類似度から
   最も確信度の高い文字パターン候補を判定するニューラ
   ルネットを具備したことを特徴とする文字認識装置。
3. （３）入力文字パターンと複数の文字パターン候補との
   各類似度から前記入力文字パターンの認識結果として最
   も確信度の高い文字パターン候補を判定する文字認識装
   置において、最大類似度を得た文字パターン候補が本来
   類似度が最大となってしかるべきものと一致するか否か
   を学習し判断する第１のニューラルネットと、該最大類
   似度を得た文字パターン候補が本来類似度が最大となっ
   てしかるべきものと一致しないことが前記第１のニュー
   ラルネットにおいて判断される場合の入力文字パターン
   を対象に、次回からの文字認識において本来類似度が最
   大となってしかるべき文字パターン候補が得られるよう
   な方向性を持って学習を行い、かつその入力文字パター
   ンの前記各類似度から最も確信度の高い文字パターン候
   補を判定する第２のニューラルネットとを具備したこと
   を特徴とする文字認識装置。
4. （４）入力文字パターンと複数の文字パターン候補との
   各類似度から前記入力文字パターンの認識結果として最
   も確信度の高い文字パターン候補を判定する文字認識装
   置において、類似度の高い上位所定数までの文字パター
   ン候補のいずれかが本来類似度が最大となってしかるべ
   きものと一致するか否かを学習し判断する第１のニュー
   ラルネットと、この第１のニューラルネットにおいて該
   各文字パターン候補のいずれかが本来類似度が最大とな
   ってしかるべきものと一致すると判断される場合の入力
   文字パターンを対象に、そのいずれが本来類似度が最大
   となってしかるべき文字パターン候補かを学習し判断す
   る第２のニューラルネットと、前記第１のニューラルネ
   ットにおいて該各文字パターン候補のいずれも本来類似
   度が最大となってしかるべきものと一致しないと判断さ
   れる場合の入力文字パターンを対象に、次回からの文字
   認識において本来類似度が最大となってしかるべき文字
   パターン候補が得られるような方向性を持って学習を行
   い、かつその入力文字パターンの前記各類似度から最も
   確信度の高い文字パターン候補を判定する第３のニュー
   ラルネットとを具備したことを特徴とする文字認識装置
   。