JPH04316183A - 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】

【０００１】

【産業上の利用分野】本発明は、日本語文字等の多くの
文字カテゴリを分類する文字認識装置に関する。

【０００２】

【従来の技術】従来、漢字を含む日本語文字認識装置で
は、入力文字パターンより特徴ベクトルを抽出し、得ら
れた特徴ベクトルとあらかじめ蓄えられている特徴辞書
の各標準文字パターンの特徴ベクトルとの距離を調べ、
最も距離が近い標準文字パターンのカテゴリを認識候補
文字としていた。

【０００３】

【発明が解決しようとする課題】しかし、日本語文字認
識のように多くの文字カテゴリが存在する場合、特徴辞
書の全てのカテゴリについて距離を調べる方法では、計
算量が増すため、高速な文字認識装置を実現することは
できないという問題点がある。これを解決するために、
各カテゴリを、類似文字を形成する数個のクラスタに分
類し、最初に各クラスタの代表ベクトルとの距離を調べ
、最適なクラスタを選択し、選択されたクラスタ内のカ
テゴリに対して詳細な識別を行なうことにより、高速化
を行なう方法が用いられている。ここで、類似文字を形
成するクラスタの決定に際しては、多くの文字画像を用
いて実験的に求められる。しかし、クラスタとクラスタ
に重なりが生じている場合、クラスタの決定があいまい
となることが問題とされていた。そこで、本発明は、こ
のような問題を解決するもので、クラスタとクラスタの
重なる部分の確率を求めることにより、最適なクラスタ
を選択し、高速かつ正確な文字認識装置を提供するもの
である。

【０００４】

【課題を解決するための手段】本発明は、２値化された
文書画像に対して、入力文字パターンを文字枠により切
取る文字枠切取り手段と、文字枠切取り手段により得ら
れた文字パターンから特徴ベクトルを抽出し、あらかじ
め蓄えておいた特徴辞書の各カテゴリの標準ベクトルと
の距離を調べ、距離の大きさにより認識候補文字を決定
する手段からなる文字認識装置において、前記特徴辞書
の各カテゴリの標準ベクトルは、類似文字を形成してい
る各クラスタにあらかじめ分類されており、最初に入力
文字パターンの特徴ベクトルと各クラスタの代表ベクト
ルとの距離を調べ、最も距離が小さいクラスタに応じて
、複数のクラスタを選択することを特徴とする。

【０００５】また、前記入力文字パターンの特徴ベクト
ルと各クラスタの代表ベクトルとの距離を調べ、最も距
離が小さい１位候補クラスタに応じて、複数のクラスタ
を選択する方法は、あらかじめ複数の文字パターンを用
いて得られた１位候補クラスタに対する事後確率及びク
ラスタの発生頻度に応じて最適なクラスタを選択するこ
とを特徴とする。

【０００６】また、前記最適なクラスタを選択する方法
は、文書画像より得られる事後確率に応じて変更できる
ことを特徴とする。

【０００７】

【実施例】

（実施例１）以下に、本発明を図面を用いて詳細に説明
する。

【０００８】図１は、本発明の文字認識装置における文
字認識方法を示すブロック図である。２値化された入力
文字画像に対して、文字枠による切取り処理１０１を行
い、文字パターンを切取る。次に、得られた文字パター
ンより特徴量を抽出１０２し、特徴ベクトルを作成する
。次に、入力文字パターンの特徴ベクトルと特徴辞書１
０３中の各クラスタの代表ベクトルとを比較１０４し距
離を調べ、最適なクラスタを選択１０５し、文字を分類
する。次に、選択されたクラスタ内の各文字カテゴリに
対して詳細な識別１０６を行い、認識候補文字を選択１
０７する。

【０００９】次に、本発明におけるクラスタ選択方法を
説明する。

【００１０】特徴辞書は、あらかじめ複数の文字パター
ンを用いて数個のクラスタに分類されている。図２は、
クラスタＡの特徴空間２０１とクラスタＢの特徴空間２
０２を表わしたものである。クラスタＡに属する入力パ
ターンとクラスタＡの代表ベクトル２０３及びクラスタ
Ｂの代表ベクトル２０４との距離を計算すると、斜線領
域２０５では、クラスタＡの代表ベクトルとの距離より
もクラスタＢの代表ベクトルとの距離の方が近くなるた
め、誤判別する可能性がある。一般に数個のクラスタに
分類した場合、特徴空間上では、クラスタの分布が重な
ることは必至であり、この重なる部分では、選択するク
ラスタを１つに決定することが不可能となる。従って、
選択されたクラスタ内に正解となる文字カテゴリが含ま
れるようにするために、複数のクラスタを選択する必要
がある。

【００１１】複数のクラスタを選択することを前提に、
本発明における最適なクラスタ選択方法について説明す
る。ここでは、特徴空間上での各クラスタの分布を考慮
して、入力文字パターンと各クラスタの代表ベクトルを
比較したとき、距離が最も小さいクラスタを選択したと
きの信頼度、つまりそのクラスタを選択したとき、真に
そのクラスタから生じたものであるかという確率（事後
確率）をあらかじめ求めておくことにより最適なクラス
タを選択する。ここで、事後確率は、図２における斜線
領域を除いたクラスタＡの空間における確率密度に相当
する。

【００１２】

【表１】

【００１３】表１は、複数文字パターンを入力して求め
られた、該当するクラスタが選択されたときの事後確率
を示したものであり、例えば、クラスタ１の距離が最小
となり、クラスタ１を選択したとき、それがクラスタ１
から生じたものである事後確率Ｐ（クラスタ１｜クラス
タ１）は０．８３０である。また、クラスタ１を選択し
たとき、クラスタ３から生じたものである事後確率Ｐ（
クラスタ３｜クラスタ１）は０．０１７である。これに
よると、クラスタ１の距離が最小となった場合、可能性
のあるクラスタは、クラスタ１、クラスタ３、クラスタ
４、クラスタ５、クラスタ６及びクラスタ７となる。 従って、クラスタ１の距離が最小になったとき、これら
のすべてのクラスタを参照することにより、これらのク
ラスタの中に正解となる文字カテゴリが含まれることに
なる。しかし、可能性のあるすべてのクラスタを参照し
た場合、参照する文字数は非常に多くなり、高速性を望
むことはできない。さらに高速化するという問題に対し
ては、事後確率が低いものは除外し事後確率が高いもの
のみ参照する方法を用いることで解決できる。この場合
、クラスタ１が１位候補クラスタとなったときクラスタ
１である確率は０．８３０と高く、これに対してクラス
タ３または、クラスタ４である確率は０．０１７と低い
。本発明では、確率の高低を決定する判定基準として２
つの方法を与える。１つの方法（方法１）は、事後確率
が低いものをしきい値を設定して削除する方法である。 図３は、しきい値α＝０．０２とした場合において、事
後確率がしきい値αより小さいクラスタを削除したとき
の参照するクラスタを示したものであり、この場合、統
計的な結果に基づきクラスタ３及びクラスタ４である可
能性は低いと判断し除外される。従って、クラスタ１が
選択されたときに参照するクラスタは減少し、高速化が
可能となる。もう１つの方法（方法２）は、クラスタの
発生頻度も考慮して決定する方法である。例えば、 発生頻度×事後確率 を求め、これを評価値として参照するクラスタを決定す
る。表１における場合事後確率Ｐ（クラスタ５｜クラス
タ１）とＰ（クラスタ８｜クラスタ２）はほぼ同じであ
る。しかし、クラスタ１の発生頻度の方がクラスタ２の
発生頻度より高いため、全体の発生確率としては、クラ
スタ５のもとでクラスタ１が生じる確率の方が大きいと
言える。

【００１４】

【表２】

【００１５】

【表３】

【００１６】表２及び表３は、上記の方法に基づいてし
きい値を設定し、実際にクラスタの参照パターンを作成
したときの結果であり、可能性の低いクラスタを削除し
たときの全体の誤り率と、その時の１文字あたりの平均
候補文字数である。ここで、表２は事後確率を考慮した
場合の全体の誤り率と１文字あたりの平均候補文字数を
示したものであり、表３はクラスタの発生頻度及び事後
確率を考慮したときの全体の誤り率と１文字あたりの平
均候補文字数を示したものである。文字種は１２５０文
字であり、また、クラスタ数は２０とした。可能性のあ
るすべてのクラスタを参照した場合、平均文字数は、３
５１文字と多い。これに対して誤り率を１％にした場合
、１文字あたりの平均文字数は、方法１で２２８文字、
方法２で２７７文字と減少している。特に方法２では、
事後確率及びクラスタの発生頻度を考慮して求められて
いるため、クラスタの発生頻度及び事後確率の小さいク
ラスタのみが除外されることになり、実用上、誤り率は
問題とならず、高速かつ正確に分類を行なうことができ
る。

【００１７】以上学習文字パターンの結果より、最適な
クラスタを決定する方法について示したが、変形した文
字パターンが入力された場合、該当するクラスタを選択
することができずリジェクトされる場合が生じる。例え
ば、クラスタ１が１位候補として選択された場合、正解
となるクラスタが参照するテーブル中に存在しない場合
が起こりうる。この場合、認識結果より、誤認識した情
報を外部操作によりフィードバックすることで常に最適
な参照テーブルが作成できる。図４は、参照テーブルの
書換え方法について示した図であり、まず、最初に文書
画像中の数文字を入力４０１し、表１における様な統計
をとり、事後確率Ｐ１を算出する４０２。次に差｜Ｐ１
　−Ｐ｜としきい値βとを比較４０３して、差が設定し
たしきい値β以上であれば事後確率を入れ換える。次に
新たに求められた事後確率について参照するクラスタを
上記で述べた方法に基づいて決定し、参照テーブルの書
換え４０４を行い終了４０５する。これにより、容易に
参照テーブルを書換えることができ、文字画像に応じて
最適なクラスタを作成することができる。

【００１８】

【発明の効果】以上、本発明によれば、事後確率及び発
生頻度を基準として参照するクラスタを決定することに
より、誤り率の少ない、効率のよい参照方法を提供する
ことができる。また、基準が明確であるため、文書画像
に応じて、容易に参照テーブルを設定でき、認識結果に
応じて参照テーブルを再構成することにより、常に高速
な文字認識装置を提供することができる。

【図面の簡単な説明】

【図１】本発明の文字認識装置における文字の分類方法
を示した説明図。

【図２】クラスタＡ及びクラスタＢの分布を示した説明
図。

【図３】発生頻度及び事後確率により選択されたクラス
タを示した説明図。

【図４】参照テーブルの書換え方法を示した説明図。

【符号の説明】

１０１　　文字枠切り取り処理 １０２　　特徴抽出 １０３　　特徴辞書 １０４　　各代表ベクトルとの比較 １０５　　カテゴリの選択 １０６　　詳細識別 １０７　　候補文字の選択 ２０１　　クラスタＡのベクトル空間 ２０２　　クラスタＢのベクトル空間 ２０３　　クラスタＡの代表ベクトル ２０４　　クラスタＢの代表ベクトル ２０５　　誤判別される領域 ３０１　　削除するクラスタ ３０２　　削除するクラスタ ４０１　　文字入力 ４０２　　事後確率の算出 ４０３　　しきい値との比較 ４０４　　テーブル書換え ４０５　　終了

Claims (3)

【特許請求の範囲】
1. 【請求項１】　　２値化された文書画像に対して、入力
   文字パターンを文字枠により切取る文字枠切取り手段と
   、文字枠切取り手段により得られた文字パターンから特
   徴ベクトルを抽出し、あらかじめ蓄えておいた特徴辞書
   の各カテゴリの標準ベクトルとの距離を調べ、距離の大
   きさにより認識候補文字を決定する手段からなる文字認
   識装置において、前記特徴辞書の各カテゴリの標準ベク
   トルは、類似文字を形成している各クラスタにあらかじ
   め分類されており、最初に入力文字パターンの特徴ベク
   トルと各クラスタの代表ベクトルとの距離を調べ、最も
   距離が小さいクラスタに応じて、複数のクラスタを選択
   することを特徴とする文字認識装置。
2. 【請求項２】　　前記入力文字パターンの特徴ベクトル
   と各クラスタの代表ベクトルとの距離を調べ、最も距離
   が小さい１位候補クラスタに応じて、複数のクラスタを
   選択する方法は、あらかじめ複数の文字パターンを用い
   て得られた１位候補クラスタに対する事後確率及びクラ
   スタの発生頻度に応じて最適なクラスタを選択すること
   を特徴とする請求項１記載の文字認識装置。
3. 【請求項３】　　前記、最適なクラスタを選択する方法
   は、文書画像より得られる事後確率に応じて変更できる
   ことを特徴とする請求項１記載の文字認識装置。