JPH033090A - パターン認識装置 - 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】 Ａ　産業上の利用分野 本発明は文字や図形等のパターンを認識する方法に関す
るものである。

Ｂ１発明の概要 本発明は、文字や図形等のパターンを、照合対象となる
辞書を用いて認識する方法において、パターンの特徴点
の位置的特徴及び方向的特徴をあいまい集合（ファジィ
集合）で表した辞書を用い、認識対象のパターンの特徴
点の位置及び方向に対応するメンバーシップ値について
演算を行い、演算結果にらとづいて認識結果を得ること
によって、 パターンの認識を高い精度でかつ高速に実行できるよう
にしたらのである。

Ｃ従来の技術 文字や図形等のパターンを認識する場合、例えば、書類
や図面等をイメージスキャナ等の人力装置で操作して得
られる黒と白の２値画像データ（入カバターン）に基づ
いて、予め記憶されている文字や図形の標準パターン（
辞書パターン）と位置等を照合し、辞書パターンの中か
ら最も重なり合うものを最終的に認識結果として求めて
いる。

認識方法の具体例として、例えば、入カバターンと辞書
パターンをそれぞれ小さな正方格子状（メツツユ）に区
切り、格子点が文字や図形である場合には黒（１）、そ
うでないときは（０）と表す場合において、人力と辞書
の２つのパターンの重なりの程度をハミング距離を用い
て求めることができる。これは、人力と辞書が黒と黒ま
たは白と白の場合には０、黒と白または白と黒の場合に
はｌとおき、その総和を求めるものである。つまり、黒
と黒、白と白のように重なり合っていればいるほど、そ
の総和（ハミング距離）が小さくなる。この性質により
、多数の辞書パターンの中から入カバターンと最も重な
り合っているもの、すなわち、ハミング距離が最ら小さ
いものを認識結果とするものである。

Ｂ１発明が解決しようとする課題 この方法だと入カバターンの位置が辞書パターンの位置
とずれていたり、大きさが異なっていたリ、傾きか異な
−・ていたりすると、重なりの程度か変わってしまい、
認識の誤りか生しやすい欠点がある。

また記憶容量の点でし問題がある。１文字あるいは１図
形パターンの必要空間は表示のための文字フォントのよ
うに８×８画素（英数字）や２４×２４画素（漢字）の
空間では済まず、線の切れやつぶれを極力避けるため少
なくとしその３〜５倍の空間を特徴とする特に、漢字や
複雑な図形の場合＋２８ｘ１２８画素程度以上確保しな
いと安定な処理が望めないことになる。

文字や図形パターンの辞書種別は漢字の場合第二水準を
含めると６０００字種以上に及び、図形の場合でも多い
ときには１０００字種以上になる。

このような膨大な辞書種別に対して、１辞書毎に１２８
ｘ１２８画索を確保するとすれば、メモリとして２にバ
イトが必要となる。つまり、先の漢字では１２Ｍバイト
以上、図形で２Ｍバイト以上らの記憶領域が必要となる
。

ハードウェア構成上この容量は無視できないほど大きく
、また、辞書の探索や整合処理にも処理時間などで影響
を与えることになる。

更に、辞書種別の点からいえば、上述の膨大な種別につ
いてひとつひとつ辞書をマニュアルで登録する作業が必
要とされており、そのための作業時間ら膨大となる問題
点がある。

以上まとめると、従来技術には以下の大きな３つの課題
が残されている。

■認識精度の高い認識手法の確立 ■記憶容儀低減のための辞書構成方法の確立■辞書の自
動生成方法の確立 本発明は、このような課題を解決４−ることを目的とす
る。

Ｅ　課題を解決するための手段及び作用文字や図形パタ
ーンは人間の歴史的または経験的規則に従−）で記述さ
れた位置関係にあるが、パターンを特徴づける点（特徴
点）そのものはあいまい性を何している。

例えば、第３図ａの○印で示す文字“Ａ”の代表的な特
徴点の場合（これを頂点と呼ぶしのとする）、頂点の位
置そのらのは他の特徴点からみて左に振れたり（同図ｂ
）、右に振れたり（同図Ｃ）４−る。また、頂点のとこ
ろで切れたり（同図ｄ）らする。

しかし、同図ｅのように、頂点の部分だけが他の特徴点
より下の方に位置することはありえない。

結局、文字“八”の頂点というしのは、他の特徴点より
位置関係でいうと上の方でかつまん中付近にある、とい
う極めてあいまいな尺度で規Ｉｑ性を持っているという
ことになる。

本発明は、このように文字や図形パターンの特徴点の位
置関係にあいまい性があることを考慮して、その位置関
係をあいまい集合（ファジィ集合）の概念を取り入れて
表現することによりパターン毎にファジィ辞書を登録し
、認識対象のパターンと各パターンのファジィ辞書とを
比較してその比較結果にもとづいて認識結果を得ようと
するものである。

第１図に本発明方法のうちファジィ辞書作成のフローを
示すと、先ずあるパターンに対して多数のサンプルを作
成し、各サンプル毎に光学的走査によりパターンを入力
する。

次いでこの入力したパターン即ち画像情報に対してノイ
ズ処理等の前処理を行う。続いてこの画像情報にらとづ
いて例えば白画素に隣接する黒画素群を輪郭画素群とし
て抜き出し、これらについて直線近似処理等の情報圧縮
化を行った後、各輪郭画素群を例えば右回りに結合して
隣接画素同士Ｐｎ、Ｐ、□を結ぶベクトルを抽出し、こ
のベクトルを画素Ｐｎの位置とベクトルの方向とにより
特定して記憶する。ここでＰ　１１の位置についてはＸ
Ｘ座標により表され、方向については、次のように墳子
化した方向コードθとして表される。一般に座標点ａ　
（Ｘ、、Ｙ、）を始点とし、座標点しくＸ、、Ｙ、）を
終点とする線分の方向αは次式で表される。

ａ−Ｌａｎ＝　（（Ｙ、−Ｙ、）　／　（Ｘ、−Ｘ−）
　）ここに方向コード０は例えば方向αを４５度単位に
ｍ子化したちのであり、第２図（ａ）に示ずようにｅ＝
０．ｌ、２・・・７としたとき、次の条件を満たずとき
のθを求めることにより得られる。

（２θ−ｉ）　π／８　≦ａ　＜　（２ｏ＋１）　π／
８なお向きを考慮しない場合には第２図（ｂ）に示すよ
うにθ−０．１，２．３の４つのコードとして取り扱う
ことらできろ。

一方、パターンか描かれる領域をａＸｂ　（ａｂは整数
）のメツツユに区分して、このメツシュ群よりなる領域
（メツツユ領域）に対応する領域を方向コードの数だけ
メモリ内に確保し、確保したメツツユ領域に夫々方向コ
ードを割り当てる。

例えば方向コードθが第２図（ａ）に示すようにＯ〜７
までの８通りある場合、メモリ内にａＸｂのメツツユ領
域を８個確保し、そのうちの１つを０−０に対応したメ
ツツユ領域、他の１つをθｌに対応したメツツユ領域、
　　・・・といった具合に割り当てる。

次に各サンプルにおけろパターンの特徴点例えば先述し
た輪郭画素群を抽出し、メモリ内の８つのメツツユ領域
の中でその特徴点の位置及び方向コードに対応するメツ
シュ位置（メツシュ領域内のメツシュの位置）に出現頻
度つまり出現回数を書き込む。例えばサンプルの数が１
００個あり、そのうちの１個についてのみメツシュ位置
（２３）にθ＝０の特徴点か現れた場合、θ＝０の方向
コードにおけるメツシュ領域のメツシュ位置に出現回数
（出現頻度）■が古き込まれる。出現頻度の計算は、特
徴点の位置を特定するＸ座標及びＸ座標と方向コードと
により規定される３次元空間つまりａＸｂＸｋ　（ｋは
方向コートの数）のメツツユ空間において、あるサンプ
ルについてメツシュ位置（Ｘ＋、Ｙ＋、θ１）に特徴点
か現れたとすると、当該メツシュ位置における今までの
出現頻度に１を加えることによって実行される。

例えばパターンが描かれる領域を５×５のメツシュ群に
分割し、θを第２図（ａ）のように８つに規定した場合
、５Ｘ５Ｘ８のメツシュ空間をとる。そしである特徴点
の位置（メツツユ領域のメツツユに対応する位置）のＸ
座標、Ｘ座標が（５゜３）、その方向コードがθ＝６で
ある場合には、メツシュ空間上の位置（５，３，６）に
対応する頻度に１を加えたしのとなる。特徴点の位置の
Ｘ座標、Ｙ座砿を（Ｘ、Ｙ）、方向コートをθとすれば
、メソツユ空間上のメソツユ位置（Ｘ、Ｙ。

０）における出現頻度Ｐ（Ｘ、Ｙ、θ）は次式のように
カウントアツプされる。

Ｐ（Ｘ、Ｙ、θ）　　＝　Ｐ（Ｘ、　Ｙ、θ）］」ただ
しＩ）（Ｘ、Ｙ、ｌの初期値は０である。

こうして０１１記メソツユ空間の谷メソツユ位置毎に特
徴点の出現頻度を求め、出現頻度分布を作成する。第４
図は、作成された出現頻度分布の一例を示す分布図であ
る。

こうして求めた特徴点出現頻度分布は、特徴点かとの様
な位置に出現し、との様な方向性を持っているかという
傾向を示している。つまり、同一の文字、または、図形
に対して、複数のサンプルによる頻度分布を取ると、似
通った位置と似通った方向性を持って特徴点か出現しや
すく、その付近にピークが存在することが多いことを示
している。

本発明は、この考え方をファジィ集合におけるメンパー
ンツブ値の設定に応用したものである。

ファジィ集合におけるメンパーンツブ値は、あいまいな
尺度のものを［０，Ｉ］区間の実数領域における主観的
な量として表現したものである。

メンバーシップ値の定義は、［０，ｌ］区間の実数領域
をヒントに、また、特徴点が頻度分布のピーク値周辺に
現れやすいことをヒントにしている。

つまり、頻度分布は出現しやすい位置と方向性を、特徴
点の評価に反映した指標となりうるため、０〜Ｉの実数
区間で正規化Ｃればそのままメンバーシップ値として用
いることができることになる。

本発明ではこのようにして正規化した特徴点頻度分布を
ファジィ辞書としてパターン毎に辞書記憶部に登録して
おく。またこの辞書記憶部には、パターン毎に特徴点の
基準個数Ｊを登録しておく。

この基準個数ｊとは、例えば各サンプルにおけるパター
ンの特徴点の平均個数である。

そして認識対象であるパターンについて特徴点を抽出し
、その特徴点の総数ｍと各特徴点のメツシュ領域におけ
るメツシュ位置（Ｘ□、Ｙ、、θ１）（１≦１≦ｍ）と
を求め、 辞書記憶部内のあるパターンＰＴ、を照合対象として、
これのファジィ辞書の前記メツシュ位置（Ｘ、、Ｙ、、
　θ１）に対応するメンバーシップ値ｆｋ（Ｘｌ、Ｙ７
．θＩ）を求め、 各メンバーシップ値ｆ　ｋ（Ｘ　ｌ、　　Ｙ　ｔ　、　
Ｏｌ）を確信度１．０から差し引いた値の合計値点の基
準個数ｊと前記特徴点の総数ｍとに乙とづいて、認識対
象のパターンと照合対象のパターンＰＴｋとの離れてい
る度合いに相当する距離り。

を演算し、 この距離Ｄｋを辞書記憶部内の総てのパターンについて
計算し、そのうちの小さい値から順にパターンを適数選
んで認識結果とする。

ここで前記距離Ｄｋの意味について説明する。

今認識対象であるパターン（入カバターン）の特徴点の
総数がｍ、各特徴点のメツシュ位置が（Ｘ、、Ｙ、、θ
、）、（Ｘｌ、Ｙ、、θｔ）−＝・（Ｘ、。

Ｙ、、θ１）であったとする。先ず辞書記憶部内に登録
されているあるパターンＰＴ、を照合対象として、その
２次元ファノイ辞書について＋ｉｉｉ記メッンユ位置（
ＸＩ、Ｙｌ、０＋）（ただしｌ≦ｉ≦ｒｎ　）に対応す
るメンパーンツブ値ｆｋ（ＸＩ、Ｙｌ、θｌ）を拾い出
す。このｒ　ｋ（ｘ　＋、Ｙ　Ｉ、θｌ）は、（ｘｔＹ
３．θ、）に位置する人カバターンの特徴点がパターン
Ｐ　Ｔ　ｋのひとつの特徴点であることの確信度を示す
ものである。そこで本発明では、例えば確信度１．０か
らｆｈ（ＸＩ、Ｙｌ、θｌ）を差し引いた値を入カバタ
ーンの全特徴点数【ｎあるいはパターンＰ　’ｌ’　ｋ
に係る特徴点の基亭個数ｊで割った値を、（ＸＩ、Ｙ、
、　０．）に位置する特徴点とパターンＰ　’ｒ　ｋと
の距離という概念で捉え、そして人カバターンの全特徴
点についての前記距離の合計値を当該パターンと照合対
象であるパターンＰ　ｉ’、との距離１〕つとして捉え
ろ。このり、の演算式の一例を示すと、ｊとｍか等しい
ときにはＤｋ−Σ（１，０ｆｋ　（Ｘｉ、　Ｙｌ、θＩ
））７ｍ）ト４ となる。またｊとｍとが異なるときは ｊ＞ｍ　で、 Ｄ、−（Σ（１，０−ｆ、（Ｘ、、　Ｙ、、θ、）＋（
ｊ　−ｍ）））　／　ｊｍ＞ｊで Ｄｋ−Σ（１，０−ｆｋ（Ｘｌ、　Ｙｌ、　０＋））７
ｍに１ となる。これらの式をまとめると次式となる。

Ｄｈ−（ＩＩＩａｘ（ｍ、ｊ）−Σｆｋ（Ｘ、、Ｙｌ、
θｔ））　／ｍａｘ（ｍ、ｊ）　−−（１）１・ｌ ただしｍａｘ（＋、　Ｄはｍ、ｊの大きい方の値である
。

Ｆ　実施例 第５図は辞書記憶部に登録すべきデータを作成するため
の回路のブロック図である。この例におけろ特徴点出現
頻度分布の正規化の方法についてはじめに述へておくと
、全サンプルの特徴点数をＮとしたとき、次式に示すよ
うにある一定の割合Ｃ１、を乗じたものをＭ１点までの
ピーク抽出数ｎとして求める。

ｎ　　＝　　Ｃｎ−Ｎ 次に、特徴点出現頻度分布において、頻度の大きいらの
から順に捜していき、ｎ番目の頻度の値を取るしのを求
め、これを基準点の頻度Ｐ、、とする。

Ｐｎをもとに、特徴点頻度分布を次式により正規化する
。分布上の頻度を！〕、正規化後の頻度をＭとすれば、 Ｍ＝１．０　　　　・・・・・・Ｐ≧ＰｏのときＰ／Ｐ
、、　　・・・・・Ｐ＜Ｐｎのとき分布上の全ての頻度
について行うことで、正規化した結果か得られる。

第５図中１は文字や図形等のサンプルパターンであり、
このサンプルパターン１に対して走査回路２により定在
か行われ、次いでその走査結果に対してノイズ処理や大
きさの正規化といった＋ｉｉ７処理が前処理回路３によ
り施される。なお走査回路２はコントローラ６の制御の
下に多数のサンプルについて走査を行う。前処理回路３
から出力されたデータは特徴点抽出回路４に人力され、
特徴点抽出回路４は、文字や図形の黒白境界に沿って輪
郭画素群を抽出し、これらを直線近似処理等により情報
圧縮化し、こうして得られた特徴点群を、文字１図形を
常に右側（または左側）に見るようにして輪郭ベクトル
として結合する。第６図は文字「Ａ」について得られた
輪郭ベクトルを示す図であり、ベクトル群より構成され
る閉じた線分を１つの輪郭ベクトル系列と呼ぶならば、
この例では２つの輪郭ベクトル系列Ａ　１．　Ａ　ｔを
有している。

更に特徴点抽出回路４は、特徴点の位置を正規化すると
共に当該特徴点を始点とする輪郭ベクトルの方向フード
を求め、その結果を特徴点出現頻度分布作成器５に出力
すると」（に、特徴点数を特徴点数カウンタ回路７に渡
す。特徴点出現頻度分布作成器５では、特徴点抽出回路
４によって得られる特徴点出現位置及びその方向コード
にもとづき、−時記憶メモリ５．に記憶された頻度をカ
ウントアツプして第７図に示すような特徴点出現頻度分
布を作成する。コントローラ６は、辞書のサンプル数に
よって走査回路２への人力を繰り返し、特徴点出現頻度
分布の作成処理をコントロールずろと共に、作成処理終
了後基準頻度検出回路８に処理を進める。基準頻度検出
回路８では、特徴点数カウンタ回路７から得られる全特
徴点数（出現頻度の合計値）とコントローラ６から与え
られる設定値により、基準頻度を求めるためのピーク数
を決定し、そのピーク数をしとに一時記憶メモリ１０に
記憶されている特徴点出現頻度分布からピーク頻度を順
次大きいしのから読み出すとと乙に、与えられたピーク
数に達した頻度を基準頻度として検出する。基準頻度検
出回路８における処理が終了したのち、特徴点出現頻度
分布正規化回路は、−時記憶メモリ５、に記憶されてい
る特徴点出現頻度分布を基準頻度検出回路８で検出され
た基準頻度を用いて第８図に示すように正規化された頻
度分布をメンパーンツブ値としてファジィ辞書ＩＯに記
憶する。

以上において特徴点数カウノタ回路７にて求める全特徴
点数としては、方向コードθ−０〜８毎に特徴点数を合
計した値であってもよいし、あるいは各合計値を合計し
た値であ−）てしよく、前者の場合全特徴点数が方向コ
ード毎に独立した値となる。

次に認識対象であるパターンを入力して、辞書記憶部内
のパターン群と照合する方法の一例について述べる。第
９図中辞書記憶部ＩＩ内にはパターン毎にファジィ辞書
と特徴点の基準個数Ｊとが登録されている。特徴点の基
準個数ｊは、例えばファジィ辞書を作成するときに用い
たパターンのサンプルの特徴点の平均個数である。

先ずパターン入力部１２にてパターンを人力し、特徴点
個数加算部Ｉ３により当該パターンの特徴点の総数（全
特徴点数）ｍを求める。続いてメンパーンツブ値加算部
Ｉ４により辞書記憶部内のあるパターンｌ’　Ｔ、につ
いて、パターン人力部１２に人力したパターン（認識対
象のパターン）の特徴点のメツシュ位置（Ｘ、、Ｙ、、
　０．）（１≦ｉ≦ｍ）に対応するメンバーシップ値ｆ
ｋ（ＸＹｌ、θＩ）を求め、これらｆｈ（Ｘｌ、Ｙｌ、
θｌ）を距離演算部！５に出力する。そして最大値検出
部１６によりｊｌｍのうちの大きい方ｍａｘ（ｊ、ｍ）
を出力し、距離演算部１５にて先述した（１）式の演算
を実行して距離Ｄｋを求める。こうした試行を登録され
ているすべてのパターンについて行い、近距離判定部１
７にてＤｋの小さい順にＱ個のパターンを取り出し、こ
れを認識結果として認識結果出力部１８より出力する。

Ｇ１発明の効果 本発明によれば、文字や図形等のパターンの特徴点の出
現頻度分布を、多数のサンプルを用意することにより作
成し、この出現頻度分布の各頻度を正規化して、その値
をメンバーシップ値として登録するようにしているため
、辞書を自動的に作成することができると共に辞書登録
のためのマニュアル作業が大幅に低減し、また人カバタ
ーンの位置や傾きにばらつきがあっても認識の誤りが生
じにくい。

しかも特徴点の位置的特徴に加えて方向的特徴の考え方
を導入したものであるため、ａＸｂＸｋのメツシュ空間
で辞書を構成することがらメツツユのとり方によっては
大きな辞書構成となるか、実際には方向的特徴を加えた
ことで、ａ、ｂのメツツユのとり方は可成り粗くとって
も問題なく、英数字で５ｘ５ｘ８メッンユ、漢字でも１
５×１５×８メツシュ程度で十分である。この場合漢字
１文字当たり１５ｘ１５ｘ８ｘ４ヒツト−９００バイト
となり、従来の技術における２にバイトと比較してＩ／
２程度以下である。従って辞書の記憶容重の低減化を図
ることができる。

また人カバターンを認識するにあたっては、人カバター
ンの特徴点のメツツユ位置に対応するメンバーシップ値
を辞書より求めるだけで確信度が得られ、その確信度を
確信度１．０　から差し引いた値を特徴点側々の照合対
象であるパターンとの距離として捉え、この距離を用い
て例えば（１）式により２つのパターンの距離Ｄｋを演
算し、その値が小さい程パターンのマツチングの程度が
高いとして認識しているため、演算が簡単であって、高
速なパターン認識を実現できる。そして辞書そのものに
あいまい性があるので、位置ずれに極めて強い特性があ
る。

【図面の簡単な説明】

第１図は本発明方法のフローを示すフローチャート図、
第２図は方向コードを示す説明図、第３図は特徴点のあ
いまい性を示す説明図、第４図は特徴点出現頻度分布図
、第５図は本発明の実施例の一部に係る回路のブロック
図、第６図は輪郭ベクトル系列を示す説明図、第７図、
第８図は夫々正規化前後の特徴点出現頻度分布図、第９
図は本発明の実施例の一部に係る回路のブロック図であ
る。 ト・・パターン、２・・・走査回路、４・・・特徴点抽
出回路、５　・特徴点出現頻度分布作成器、８　基亭頻
度検出回路、９・・・特徴点出現頻度分布正規化回路、
■　・辞書記憶部、１３・・特徴点個数加算部、１４・
・・メンバーシップ値加算部、１５・・・距離演算部。 外２名 第１図 本発明方法の一部のフローチャート 第３図 特徴点のあいまい性の説明図 第２図 方向コードの説明図 （ａ） （ｂ） 第６図 輪郭ベクトル系列の説明図 ４＃＠璧ヨボ医駕 言ｍＪ＠ヨ都録属

Claims (1)

【特許請求の範囲】
1. （１）文字や図形等のパターンを照合対象となる辞書を
   用いて認識する方法において、 あるパターンに対して多数のサンプルを作成し各サンプ
   ルにおけるパターンについて特徴点群Ｐ＿１、Ｐ＿２・
   ・・Ｐ＿Ｎ（Ｎは整数）を抽出すると共に、隣接する特
   徴点Ｐ＿１、Ｐ＿ｉ＿＋＿１（ｉ≧１）を結ぶ線分の方
   向を量子化してその値を特徴点Ｐ＿１の方向コードとし
   、 パターンが描かれる平面領域に横縦ａ×ｂ（ａｂは整数
   ）個のメッシュ領域を割り当てると共にメッシュ領域の
   横方向、縦方向の座標をメッシュに対応させて（Ｘ（１
   ≦Ｘ≦ａ）、Ｙ（１≦Ｙ≦ｂ））とし、また方向コード
   の数及び値を夫々ｋ、θとし、 メモリにａ×ｂ×ｋのメッシュ空間に対応する領域を設
   定すると共に、当該メッシュ空間におけるメッシュ位置
   を（Ｘ、Ｙ、θ）とし、前記特徴点をＸ、Ｙ、θにより
   特定してその特徴点の出現をメッシュ位置（Ｘ、Ｙ、θ
   ）における出現とし、各メッシュ位置毎に特徴点の出現
   回数である出現頻度を求めて出現頻度分布を作成し、次
   いで各出現頻度を基準頻度を用いて正規化することによ
   りメンバーシップ値として表し、こうして正規化された
   出現頻度分布をファジィ辞書として特徴点の基準個数ｊ
   と共に予めパターン毎に辞書記憶部内に登録しておき、 認識対象であるパターンについて特徴点を抽出し、その
   特徴点の総数ｍと各特徴点のメッシュ領域におけるメッ
   シュ位置（Ｘ＿１、Ｙ＿１、θ＿１）（１≦ｉ≦ｍ）と
   を求め、 辞書記憶部内のあるパターンＰＴ＿ｋを照合対象として
   、これのファジィ辞書の前記メッシュ位置（Ｘ＿１、Ｙ
   ＿１、θ＿１）に対応するメンバーシップ値ｆ＿ｋ（Ｘ
   ＿１、Ｙ＿１、θ＿１）を求め、各メンバーシップ値ｆ
   ＿ｋ（Ｘ＿１、Ｙ＿１、θ＿１）を確信度１．０から差
   し引いた値の合計値 ▲数式、化学式、表等があります▼ 点の基準個数ｊと前記特徴点の総数ｍとにもとづいて、
   認識対象のパターンと照合対象のパターンＰＴ＿ｋとの
   離れている度合いに相当する距離Ｄ＿ｋを演算し、 この距離Ｄ＿ｋを辞書記憶部内の総てのパターンについ
   て計算し、そのうちの小さい値から順にパターンを適数
   選んで認識結果とすることを特徴とするパターン認識方
   法。