JPH0484287A - パターン認識方法及び認識用辞書作成方法 - 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） 本発明は文字パターンの認識に際して、多段階のクラス
タリングを利用したパターン認識方法及び装置並ひにそ
のパターン認識に用いる認識用辞書の作成方法に関する
。

（従来の技術） 従来、高速なパターン認識を可能とする認識方式として
、特開平１−１１１７Ｆ＋８５号公報に示される多段階
のクラスタリングを用いた文字認識方式か存在する。こ
の文字認識方式を第２２図を用いて説明する。

認識に用いる辞書は、認識の第１段階て使用する大分類
（Ａクラスタ）と第２段階で使用する分類（Ｂクラスタ
）との２段階で構成されている。

第２段階のＢクラスタには各文字の標準特徴量が各文字
毎に記載されており、大分類（Ａクラスタ）は、Ｂクラ
スタの各文字の特徴量が相互に定の類似関係にあるもの
を１つのグループとして、各々複数のグループて構成さ
れている。そして、大分類（Ａクラスタ）の各グループ
毎の代表標準特徴量としては、例えはグループ内のＪＩ
Ｓコートの一番若い文字の特重量か使用されている。こ
のような認識用辞書を用いた文字認識の手順を説明する
と、先ず第１段階として認識すべき被読取文字の特徴量
を検出し、その被読取文字の特ｔ’ｌＪ　ｉと大分類（
Ａクラスタ）の各グループ毎の代表標準特徴量とを比較
照合し、最も類似するグループを抽出し、そのグループ
に属する文字のいずれかであると判断する。そして、こ
のグループを判別すると第２段階に移り、当該グループ
内の各文字の標準特徴量と被読取文字の特徴量とを比較
照合し、特徴量の最も類似する文字であると判断し、そ
の結果を認識結果として出力するようになっている。

以上のように、文字認識に際して多段階のクラスタリン
グを行なうことにより、高速な認識を実現している。

（発明が解決しようとする課題） しかしなから、上記従来の文字認識方式では、例えは被
読取媒体か読取りの際に変動（回転すれ等）した場合に
は、読取ったパターンの特徴量は、変動か生していない
場合と比へて多少すれてしまい、大分類のクラスタリン
グの際に、本来抽出するへきグループとは別のグループ
を抽出してしまうことかある。

このような抽出ミスが生するのは、標準パターンの特徴
量が第１段階の分類内のものであっても、代表標準特徴
量に対して比較的類似度の低いパターンの場合である。

第２３図を用いて具体的に説明すると、例えば“０”〜
°“９°゛の文字の標準パターンの特徴量に基づいて大
分類を作成し、４つのグループ（Ｎｏ、ｌ〜Ｎｏ、４）
に分けることができたと仮定し、その代表標準パターン
がグループＮｏ、　１では［０」、グループＮ００２で
は「３」、グループＮｏ、３では「８」、グループＮｏ
、４ではｒｌ」になったとする。この場合、例えば７”
はその代表標準パターン“１”の特徴量を代表標準特徴
量とするグループＮ００４内であっても、代表標準時ｆ
ｆ１ｌ量に対して比較的類似度の低い特徴量であるため
、読取りの際に変動（回転、すれ等）が生しると検出し
た特徴量は「７」の標準特徴量に対してずれか生じ、そ
のずれによってグループＮｏ、４外となってしまったり
、又はグループＮｏ、３に属すると判断してしまうこと
がある。同様のことかグループＮｏ、２の「５」、グル
ープＮｏ、３の「９」についても言える。このように、
大分類て分類を失敗してしまうと、第２段階て照合を行
なっても該当するものがなく認識不可能となフてしまい
、結局大分類の分類の失敗か認識率の低下をもたらし問
題となっている。

本発明は上述のような問題に鑑みてなされたものであり
、本発明の目的は、文字パターンの読取りの際に生じる
変動（回転、ずれ等）を予め考慮して作成した２識用辞
書を用いてパターン認識を行ない、認識率の低下をもた
らすことなく、しかも高速でパターン認識を可能とする
パターン認識方法及び装置並びにそのパターン認識に用
いるＵ識用辞書の作成方法を提供することに競る。

発明の構成。

（課題を解決するための手段） 本発明はパターン認識方法に関するものて、本発明の上
記目的は、認識可能な文字の標準的なパターンである標
準パターンを相互の類似関係によって複数のクラスター
に分類構成すると共に、各クラスター毎にクラスターを
代表するクラスター特徴量か定められた大分類辞書と、
この大分類辞書には画像読取の際に生ずるであろう変動
を予め考慮した変動パターンに基づいて、変動が生じた
際、前記変動パターンが入るクラスターにその対応する
標準パターンが予め追加登録されており、各標準パター
ン毎の特徴量である標準特徴量が定められた中分類辞書
とを備え、読取った被認識パターンの特徴量である入力
パターン特徴量を抽出し、この入力パターン特徴量と前
記大分類辞書に定められた各クラスター特徴量とを比較
して入力パターンが属するクラスターを判別し、この判
別されたクラスター内の標準パターンについて、前記中
分類辞書に定められた標準パターンに対応する標準特徴
量と入力パターン特徴量とを比較し、最も類似する標準
パターンを認識結果として出力するようにすることによ
って達成される。

また、認識可能な文字の標準的なパターンである標準パ
ターンを相互の類似関係によって複数のクラスターに分
類構成すると共に、・各クラスター毎にクラスターを代
表するクラスター特徴量が定められた大分類辞書と、こ
の大分類辞書には画像読取の際に生ずるであろう変動を
予め考慮した変動パターンに基づいて、変動か生じた際
、前記変動パターンが入るクラスターにその対応する標
準パターンが予め追加登録されており、各標準パターン
毎の特徴量である標準特徴量か定められた中分類辞書と
を備え、読取った被認識パターンの特徴量である入力パ
ターン特徴量を抽出し、この入力パターン特徴量と前記
大分類辞書に定められた各クラスター特徴量とを比較し
て入カバターンが属するクラスターを判別し、この判別
されたクラスター内の標準パターンについて、前記中分
類辞書に定められた標準パターンに対応する標準特徴量
と入力パターン特徴量を比較し、類似する標準パターン
を複数候補として抽出し、この候補として抽出された標
準パターン間で非類似なエリアを抽出し、この非類似な
エリアについて候補として抽出された各標準パターンの
標準特徴量と入力パターン特徴量とを比較し、最も類似
する標準パターンを認識結果として出力することによっ
て達成される。さらに、本発明はパターン認識用辞書作
成方法に関するもので、未発明の上記目的は、認識可能
な文字の標準的なパターンである標準パターンを画像入
力して、各標準パターン毎の標準特徴量を抽出し、この
標準時ｔ３５！量に基づいて相互の類似関係により複数
のクラスターに分類構成すると共に、各゛クラスター毎
にクラスターを代表するクラスター特徴量を定めて分類
辞書を作成して後、画像入力に際して生ずるであろう変
動を考慮して作成された前記標準パターンに対する変動
パターンの特徴！である変動パターン特徴量を抽出し、
前記各クラスター特′重量と変動パターン特徴量とを比
較することによって前記変動パターンがどのクラスター
に属するかを判別し、判別されたクラスター内に変動パ
ターンに対応する標準パターンか存在していない場合に
は、そのクラスター内にその標準パターンを追加登録す
ることによって達成される。

（作用） 本発明は小切手１手形等にチエツクライタて記入された
数字等を確実に認識するための方法及びその認識に最も
通した認識用辞書の作成方法を提供している。

請求項１の発明では、認識可能な文字の標準パターンを
類似するもの同±１つのグループとしてクラスターを作
成し、しかも各クラスター毎にクラスターを代表するク
ラスター特徴量を定めた大分類辞書と、各標準パターン
及びその特徴量である標準特命量を定めた中分類辞書と
を予め作成しである。そして、これら辞書を用いて大分
類−中分類によって認識する。すなわち、被認識パター
ンの特ＩＳ５！量と大分類辞書のクラスター特（軟量と
を比較照合し、被認識パターンがどのクラスターに属す
るかを判別し、大まかな大分類を行なう。そして、大分
類でクラスターか判別されると、クラスター内に属する
標準パターンであって中分類辞書に記憶されたその標準
パターンに対応する標準特徴量と被認識パターンの特徴
量とを比較照合して中分類を行ない、最も類似する標準
パターンをπこ識結果として出力する。このように多段
階て認識を進めて行くため、高速な認識か可能となる。

また、被認識パターンに読取の際に生する回転。

すれ等による変動を考慮した変動パターンについても予
め大分類辞書で分類しておき、変動が生した際にも正し
く認識できるかどうかを確認し、正しく認識できすに誤
ったクラスターと判別したときには変動パターンに対応
する標準パターンを大分類辞書のそのクラスターに追加
登録をしである。従って、被認識パターンの読取りの際
に変動カ生しても大分類で失敗することはない。

請求項２の発明では中分類の段階で最終結果を出力せず
に、類似する複数の候補を挙げておき、この候補に挙が
った標準パターン間で非類似なエリアを抽出し、そのエ
リアで標準パターンの特徴量と被認識パターンの特徴量
とを比較照合するようにして、このエリアて最も類似す
る標準パターンを認識結果として出力する。従って、類
似するパターンのうちとちらのパターンであるかの最終
判断か確実にてきるのて開織の誤りかなく、信頼性の高
い認識か可能となる。

請求項３の発明は、認識に用いる辞書の作成方法に関す
るものである。先ず認識可能な標準パターンに基づいて
その類似性によって複数のクラスターを作成し、そのク
ラスター毎にクラスターを代表するクラスター特ｍｉを
定めて分類辞書を作成しておき、その作成後、画像の読
取の際に生ずるであろう変動を考慮して、標準パターン
にその変動を加えた変動パターンを分類辞書に基づいて
予め分類を行なって、正しく分類てきるかどうかを確認
しておき、正しく分類てきずに誤ったクラスターに分類
されたときにはその対応する標準パターンをそのクラス
ターに追加登録しておく。

このような方法を採用することにより、クラスター特徴
量は最初に辞書を作成したときのものをそのまま利用で
き、変動等によって分類を誤った場合にはただ単にクラ
スター内に誤ったパターンに対応する標準パターンを追
加登録するのみて済み、辞書の更新か非常に簡単であり
、しかもこの辞書による分類失敗か減少し認識率が向上
する。

（実施例） 以下に本発明の詳細な説明する。

本実施例は小切手１手形等に記入されている金額を認識
するためのものであり、最終的に認識すべき文字の種類
は数字の「０〜も」及び日記号「￥Ｊ、’＊Ｊ等の終桁
符号の１２種類である。第２図は手形の一例を示してお
り、中央部にチエツクライタで金額を記入するための金
額記入欄１か設けられている。また、第３図は小切手の
一例を示しており、中央部にチエツクライタで金額を記
入するための金額記入欄４が設けられている。本発明は
、これら手形又は小切手等の金額記入欄（１，４）にチ
エツクライタで記入される数字１日記号及び「＊」等の
終桁符号を認識するものである。

先ず、本発明の認識に用いる認識用辞書について説明す
る。

第１図は認識用辞書の作成動作を示す概略フローてあり
、第１図において、初めに標準パターン毎の標準特徴量
の抽出までの概略を説明すると、標準パターンについて
の画像入力が行なわれ（ステップＳ１）、前処理として
スムージングが行なわれ（ステップＳ２）、その後に標
準パターン毎の標準特徴量の抽出が行なわれる（ステッ
プＳ３）。ここで、標準パターン及びその画像入力。

スムージング処理、標準特徴量の抽出の工程を詳しく説
明する。

標準パターンの種類は第６図に示すようなものであり、
１２種の文字に対して文字の形態を考慮して予め２２０
個のパターンが作成されている。かかる２２０個のパタ
ーンの各々が標準パターンであり、通常使用されている
文字形態の大部分が含まれている。画像入力はこの予め
作成された所定の大きさの標準パターンを、例えば２４
Ｘ２４画素の矩形範囲で各画素毎に濃度階調を８ビツト
の２５６階調て読取っている。この入力された画像デー
タの例か第４図（八）であり、この画像データは前処理
としてスムージング処理がなされるか、このスムージン
グ処理を次に説明する。

第７図はス・ムージンーグ処理の動作例を示すフローチ
ャートであり、第８図〜第１Ｏ図゛はその説明図である
。スムージング処理は第１０図に示す３×３画素のスム
ージングマスクを、入力画像データについて走査するこ
とにより入力画像データの平滑化を行なっている。すな
わち、先ず第８図に示すように入力画像データの各画素
毎の濃度値に基づいて、その濃度値の画素数のヒストグ
ラムを作成しくステップ５２０）、そのピークとなる濃
度値を背景−濃度値（ＢＰ）として算出する（ステップ
５２１）。

これは、通常文字パターンは文字部分よりも背景部分か
多く、背景部分の濃度値は一定となるため、ピークとな
る濃度値（ＢＰ）が背景の濃度値となるからである。そ
して、第９図に示すように背景濃度値を２４Ｘ２４画素
の周囲に１画素配置し、２５Ｘ２６画素の画像データと
する（ステップ５２２）。

これは、３×３画素のスムージングマスクが２４ｘ２４
画素内の入力画素データの全てについて作用し得るよう
にするためである。次に、２６Ｘ２６画素の画像データ
に第１０図に示すスムージングマスクを走査しくステッ
プ５２３）、入力画像データの平滑化を行ない、その結
果を以後の画像データとして使用する。この段階の画像
データの例が第４図（Ｂ）である。このようにスムージ
ング処理を行なっておくことにより、チエツクライタで
の文字の刻印による模様を文字の濃度値で埋めることに
なり、文字刻印模様を消去することが出来る。

よって、安定な文字特徴が得られる利点がある。

次に、上述のようにしてスムージング処理された画像デ
ータに対して標準特徴量の抽出を行なう（ステップＳ３
）。この標準特徴量の抽出動作を第１１図〜第１４図を
参照して説明する。

第１１図は標準パターンの標準特徴量の抽出動作を示す
フローチャートであり、先ずスムージング処理された画
像データにロビンソン・オペレータを使用して各画素毎
に濃度勾配強度及び濃度勾配方向を求める（ステップ５
３０〜５３２）。ロビンソン・オペレータを示すのか第
１２図てあり、３Ｘ３画素の各画素に重みが付けられて
い、る８種類のマスクＭ。−Ｍ７て成っており、各マス
クＭ。−Ｍ７はそのマスクが有する方向の勾配強度を抽
出するためのものである。例えはマスクＭ。により画像
データを走査すれば、各画素毎に１方向の勾配強度（Ｅ
Ｐ　ｏ）が求められる。このように、８方向のマスクＭ
ｏ〜Ｍ、を用いて画像データを走査することによって、
各画素毎に各方向毎の濃度勾配強度（ＥＰｏ＝ＥＰ７）
を求めることができる（ステップ５３０）。なお、濃度
勾配強度ＥＰ、〜ＥＰ７はそれぞれマスクＭ０〜Ｍ７に
対応している。このようにして各画素毎に求めた濃度勾
配強度（ＥＰ０〜ＥＰ７）の中から最大値（ＥＰ、）を
求める（ステップ５３１）。゛そして、最大値（ＥＰ、
）をその画素の濃度勾配強度とし、その最大値ＥＰ、に
対応する方向を濃度勾配方向とする（ステップ５３２）
。第４図（Ｃ）　に、このようにして求めた画像データ
を示す。

次に、このようにして求めた各画素毎のａ度勾配強度に
関して２値化処理を行なう（ステップＳ３３，５４０〜
５４３）。第１３図を参照して、２値化処理のためのし
きい値を決定する方法を説明する。

先ず全ての画素の中から濃度勾配強度の最大値（ＥＰｍ
ａＸ）を求め（ステップ５３３）、この最大価（ＥＰｍ
ａ、）か所定の範囲にあるとことをチェツクしくステッ
プ５４０）、それ以外の値かあると画像入力ミスとして
エラー処理をする（ステップ５４１）。これにより、画
像処理の初期の段階で画像入力ミスを発見できる。そし
て、最大値（ＥＰ−８）か所定範囲内であれは、この１
／８のＥＰ□ｘ／８をしきい値（ＥＰＴＨ；以下「有効
レベルしきい値」という）とする（ステップ５４２）。

そして、各画素の濃度勾配節ｙ　（Ｅｐｔ）か有効レベ
ルしき値（ＥＰＴＨ）より太きけれはその画素の濃度勾
配強度を°１″とし、有効レベルしきい値（ＥＰＴＨ）
より小さけれはその画素の濃度勾配強度を°°０゛とす
る（ステップ５４３）。これにより、各画素の濃度勾配
強度はＯ°′又は”１”’の２値化か行なわれる。この
２値化された画像データの例か第４図（Ｄ）であり、更
にことに濃度勾配方向も合せて表示した例か第４図（［
）である。

次に、第１４図の（Ａ）　に示すようにこの２値化され
た画像データを（ｉｘｊ）等分し、複数のエリアに区分
する（ステップ５４４）。ここでは、４Ｘ４の１６のエ
リア（ＳＰ、［ｉｌ［ｊｌ［ｋ］　ｊ−０〜３．ｊ〜０
〜３）に区分した場合を示している。但し、ｉは水平方
向の区分番号、ｊは垂直方向の区分番号、Ｘは標準パタ
ーンの番号である。そして、第１４図ＣＢ）のように各
エリア毎に濃度勾配方向毎の濃度勾配強度の総和（ＳＰ
、［ｉｌ［ｊｌ［ｋ］；　ｊ−０〜３．」−〇〜３ｋ・
０〜７）を求める（ステップ５４５）。但し、ｋは濃度
勾配方向である。このようにして求められた値ＳＰ、　
［ｊｌ　［ｊｌ　［ｋ］が標準パターンの標準特徴量で
あり、ｉ　ｘ　ｊ　Ｘ　ｋ　（’１２８）次元のベクト
ル量である。

以上の工程によって標準パターンの標準特徴量か求めら
れる。そして、１つの標準特徴量について所定回数、例
えは同一の１０個の標準パターンにより各々特徴量を求
め、その平均値をその標準パターンの正規の標準時ｍ　
量として記憶する（ステップＳ３）。

第１図において、２２０個の全ての標準パターンについ
て同様にして標準特徴量（ＳＰｘ［’ｌ　［Ｊ］　［ｋ
］）を求める（ステップ５４）。次に、各標準パターン
の標準特徴量ＳＰ、　［ｉｌ　［ｊｌ　［ｋ］に基づい
て大分類辞書を作成する（ステップＳ５）。大分類辞書
の内容は第１５図に示すようになっており、この大分類
辞書は各標準パターンの標準特徴量が一定の類似関係に
あるものを１つの小集団（以下、クラスターとする）と
して、複数のクラスターから構成されている。具体的に
は標準特徴量に基づいて一般に知られているクラスター
分析法、例えはつオート法でクラスターを作成する。す
なわち、標準パターンの標準特徴量間の類似度を示すシ
ティ−ブロック距［（Ｄｉ□）を全ての標準パターンの
川合せについて、次の（１）式により求める。

Ｄｕｓｔ（Ｘ＋Ｘ２） ・・・・・・・・・（１） （但し、ｘｉ、ｘ２は標準パターン番号）そして、全て
の組合せについてシティブロック距離を算出した結果、
距離が最も小さいもの同士を１つのクラスターとし、そ
のクラスターに属する標準パターンの標準特徴量の平均
値を・そのクラスターの特徴量とする。次に、再度クラ
スター及びその他の標準パターンとの全ての組合せにつ
いて特徴量のシティ−ブロック距離を算出し、距離の最
も小さいものを１つのクラスターとする。以下、同し動
作をシティブロック距離が所定値以下、例えは１００以
下になるまで、又はクラスターの数か所定数、例えは５
０個になるまで繰返す。このように、ウォード法により
標準パターンの標準特徴量の類似度によりクラスター分
けされたものか大分類辞書である。

更に各クラスター毎に特徴量が定められる。これをクラ
スター特徴ｌという。クラスター特徴量（Ｃ５Ｐｏ［ｉ
ｌ　［ｊｌ　［ｋｌ　；但し、ｎはクラスタ一番号）は
、各クラスターに属する標準パターンの標準特徴量の平
均である。後述するように、実際の認識の際にはこのク
ラスター特重量に基づいて大分類か行なわれるのであり
、このクラスター毎ｍＲとクラスターとの対応関係が大
分類辞書である。なお、この段階の大分類辞書の例が第
１５図に示すものである。これに対し、中分類辞書は各
標準パターンとその標準特徴量との対応関係を示すもの
である。第１５図の１つについて説明しておくと、例え
はクラスター［１４〕てはこのクラスターに属する標準
パターンはｂ３の’３．　、ｂ５の「５」てあり、又、
このクラスターのクラスター特徴量Ｃ３ＰＩ４　［＋］
　［Ｊ］　［ｋｌはｂ３の標準特徴量５Ｐｂｓ　ｔｉ］
［ｊｌ［ｋｌとｂ５の標準特徴量ＳＲ，，ｔｉ］ｔｊ］
［ｋｌの平均値となっている。

次に、第１５図の大分類基本辞書に変動パターンの追加
登録をする動作について、第１図のステップ５１０以下
で説明する。変動パターンは、認識用辞書か実際に使用
される認識装置の被認識媒体（文字パターン）の読取精
度に応して決められている。具体的には、認識装置て被
認識媒体の読取精度か回転！て±４度、ずれ量では±１
画素（０，２５ｍ、＋ｎ）であったとすると、その変動
パターンは例えは回転の場合のものとして一４度、−３
度。

−２度、−１度　＋１度、＋２度、＋３度、＋４度、ず
れの場合で一１画素、＋１画素の１０種類の変動パター
ンか標準パターン（２２０個）に対して各々作成する。

その例を、文字“０”について第１６図に示す。すなわ
ち、第１６図（Ａ）の標準パターンに対して、変動パタ
ーンは同図（Ｂ）の如く示される。又、この実施例では
回転とずれとを別々にして変動パターンを作成している
が、回転−４度°゛でずれ“”−１画素°°のように回
転とずれを組合せた変動パターンを加えておくこともで
きる。

操作部により、画像入力される変動パターンに対応する
標準パターンのパターン信号を入力し、その変動パター
ンを画像入力する（ステップ５１０）。入力された画像
データには標準パターンを入力したときと同様にスムー
ジング処理を行ない（ステップ５１１）、その後に変動
パターン特徴量（ｖｐ、［ｉｌ　［ｊｌ　［ｋｌ）ヲ求
メ（ステップ５１２）、コノ特徴量に基づいて大分類辞
書により大分類の分類を行なう。大分類は、大分類辞書
の各クラスターのクラスター標準特徴量（Ｃ５Ｐｏ［ｉ
ｌ　［ｊｌ　［ｋｌ）　と変動パターン特徴量（ＶＰ、
　［ｊｌ　［ｊｌ　［ｋｌ　）との類似度（Ｄ＋−ｔｎ
）を下記（２）式により算出しくステップ５１３）、最
も類似度の高い（Ｄｉｓｔ、か最小となる）クラスター
に属すると判断する（ステップ５１４）。

Ｄ＋ｓｔｎ ・・・・・・・・・（２） ただし、ｎはクラスタ一番号である。

そして、判断されたクラスター内にその変動パターンに
対応する標準パターンが既に登録されているかどうかを
チエツクしくステップ５１５）、登録されていなければ
、そのパターンをそのクラスター内に追加登録する（ス
テップ５１５，５１７）。登録は標準パターンに対応す
るパターン番号のみで、既に登録されてあれは次の変動
パターンについて上記動作を行なう。上述のような変動
パターンの追加登録動作は、標準パターン（２２０個）
に対応する変動パターンの全てについて行ない、全て終
れは終了となる。なお、変動パターンの追加登録の際に
は標準パターンのパターン番号をクラスター内に追加登
録するのみで、大分類に使用するクラスター特徴量につ
いては更新しない。これは、既存の２２０個とは別の新
規の標準パターン追加時に、再度全標準パターン内での
大分類の必要性かなくなる上、クラスター特徴■の鈍化
を助き、クラスター内のクラスター特徴量の類似性の差
の拡大を行なうためである。

次に、上記変動パターンの追加登録の際には、後述する
詳細分類で使用するパターン毎の各エリア毎の重みを算
出しているか（ステップ５１８Ｓ１８八、５１９）　、
これについて説明する。これは画像入力の際に変動が生
じた場合であっても、とのエリアか変動による影響か少
ないかを予め調へておくためである。この算出動作を第
１７図に従って説明する。

大分類辞書の作成時に処理された標準パターン番号Ｘの
入力文字のｎ個の変動パターン特（数量（ＶＰ、　、　
ｐ［ｉｌ　［ｊｌ　［ｋ］）　（Ｐ　　文字変動パター
ン番号１〜ｎ）に対し、４×４のメツシュエリア（ｉ、
、ｉ）毎の平均特徴量°π、　［ｉｌ　［ｊｌ　［ｋ］
及びそのエリア毎の特徴！分散Ｏｘ’　［＋］　［」］
を次の（３）及び（４）式により算出し、エリア毎の特
徴量分散Ｏつ’　［ｉｌ　［ｊｌの逆数を重みＷＴ−［
ｉｌ　［ｊｌ　　として記憶しておく。全変動パターン
について特徴量の算出か終了すると、算出された変動パ
ターン特徴量ＶＰう［］　ｆｊ］　ｒｋｌのメツシュエ
リア（ｉ、ｊ）　＠の平均特徴量て及び特徴量分散０８
′を下記（３）及び（４）に従って算出する（ステップ
５５０）。そして、特徴量分散ＣＸ２の逆数を重みＷＴ
、　ｒｉ　］　［ｊ］　としくステップ５５１）、重み
辞書登録する（ステップ５５２）。この重みＷＴ、　［
ｉｌ　［ｊｌの大きいエリアか、画像入力の際に変動か
生してもその影響の少ない安定したエリアである。

ｏ　、’　［ｉｌ　［ｊｌ 第１８図か変動パターンを追加登録したこの段階の大分
類辞書の例であり、第１５図の大分類辞書と比較すると
、例えはクラスターＮｏ、１４では°’ｅ３ｅ５　、　
ｂ８　、ｏ８″の４個の標準パターン番号か追加登録さ
れているのが分る。なお、第１８図に示す大分類辞書が
実際のパターンｇ識の際に使用されるものである。ここ
で、大分類辞書とは類似する文字集団であるクラスター
と、そのクラスターかもつクラスター特徴量との対応関
係を示すものであり、大分類辞書に基づく大分類とは被
認識文字の特徴量とクラスター特徴量とを比較し、被認
識文字がどのクラスターに属する文字であるかを判別す
る処理である。

次に、上記認識用辞書を用いた場合の文字パターン認識
動作について第１９図の機能ブロック図に基づいて説明
する。

先ず画像入力部１０の画像センサて、例えは第３図に示
す小切手の金額記入欄４の画像を入力する。この金額記
入欄４は予め定められた位置であり、この欄内の濃淡濃
度を２５６階調で画像センサにより取得する。第５図（
Ａ）か金額記入欄４の原画を示している。このように取
得された画像ブタを前処理部１１てスムージングして平
滑化を行なう。この結果第５図（Ｂ）のようになり、ス
ムージング処理された画像データに基つき文字切出部１
２は文字の切出しを行なう。文字の切出しは上述したロ
ヒンソン・オペレータにより画像データを走査し、水平
方向については左一方向成分（第４図（Ｆ））及び右方
向成分（第４図（Ｆ））を持つ画素のヒストグラムによ
り切出しｉ＋＝を抽出する。その結果、第５図（Ｅ）の
左方向ヒストグラム及び同図ＣＦ）の右方向ヒストグラ
ムか得られる。つまり、右方向による濃度か極端に変化
している個所か文字の右端てあり、左方向による濃度か
極端に変化する個所か文字の左端である。そして、垂直
方向についても同しように、上方向成分（第４図（Ｈ）
　）　、下方向成分（第４図（Ｉ））を持つ画像のヒス
トグラムにより垂直方向についても切出す。

この実施例では水平方向に一列であるので、金額記入欄
４の全体について行なうのみで良い。水平方向に切出さ
れたものの各々について垂直方向に切出すようにすれは
、水平方向に一列でないときても可能である。そして、
このようにして切出された領域の中心点を求め、この点
を中心として２４ｘ２４画素の領域を文字の切出領域と
する。これは、上述した標準パターンの特徴量が２４Ｘ
２４画素として得られているため、これに合せるためで
ある。

第５図（Ｃ）は濃度勾配の画像であり、同図（Ｄ）は濃
度勾配を２値化したものを示している。また、第５図（
Ｅ）は左方向ピストグラムてあり、各文字の左端を規定
する左端線１００か求められ、同図（Ｆ）は右方向ヒス
トグラムであり、各文字の右端を規定する右端線２００
か求められ、これら左端線１００及び右端線２００によ
って同図（Ｂ）の如く文字の切出しか行なわれる。

次に、上述のようにして切出された各文字について、特
徴量算出部２０で特ｆｆ１ｌ量（以下、人カバターン特
徴！という）を抽出する。入カバターン特復量（ＩＰｆ
ｆｌ［ｉｌ　［ｊ］　［ｋ］　：但し、ｍは切出し番号
、ｉは水平方向の区分番号、ｊは垂直方向の区分番号、
には濃度勾配方向番号）は標準パターンの特徴量を抽出
した方法と同様であり、切出された文字の画像データに
ロビンソン・オペレータのマスクを利用して画素毎に濃
度勾配強度及び濃度勾配方向を求めて２値化し、更に文
字の切出領域を４×４の１６エリア（ＩＰＩｌｌ［ｉｌ
　［ｊ］）に区分し、各エリア毎に各濃度勾配方向毎の
画素数の総和を求める。こうして求められる１２８次元
ベクトル量か入力パターン特徴量である。そして、切出
された文字の全てについて入力パターン特徴量の抽出か
終了すると、この入力パターン特徴量に基つき辞書２５
を利用して、大分類部２１ての大分類、中分類部２２て
の中分類、詳細分類部２４ての詳細分類の３段階によっ
てパターン認識を進めていく。

すなわち、最初にクラスターを判別するために大分類を
行なうか、大分類は第１８図の大分類辞書のクラスター
毎の各クラスター標準特徴量ｃｓｐｎ［ｌ］　［ｊ］　
［ｋ］　との類似度（Ｄｉ、ｔ、）を下記（５）式によ
り算出し、最も類似するもの（Ｄｕｓｔが最小となるも
の）を求め、そのクラスターに属する文字と判断する。

１Ｓｔｎ なお、上述したように大分類辞書のクラスター内の標準
パターンは、画像入力の際に回転ずれによる変動か生じ
た場合の特徴量によりクラスター内に追加登録かなされ
ているので、大分類て失敗することはない。大分類によ
って切出文字の属するクラスターか判断されると、次に
中分類部２２で中分類を行なう。中分類は、入力パター
ン特徴量ＩＰｍ［ｉｌ　［ｊ］　［ｋ］とクラスターに
属する全ての標準パターンの標準特徴量ＳＰ、　Ｈ］　
［ｊ］　［ｋ］との類似度（Ｄｊｓｔ、）を上記（５）
式により算出し、所定値以上類似するものであって最も
類似する方から（Ｄｉｓｔｘの小さい方から）２つを候
補として抽出する。

この際、類似するものかないとき（Ｄ、□８が所定曖 以下のものがないとき）には標準パターンにない文字と
判断し、数字「０〜９」又は日記号「￥Ｊ、’＊Ｊ等の
終桁符号の文字てないとする。又、類似するものか１つ
のときには、その標準パターンと判断する。通常は２つ
の候補か抽出され、この場合には２つの標準パターンか
同し文字か否かを判断する。例えは同し文字種の標準パ
ターン゛’ａＯ°゛の「０」と°’ｆｏ°゛の「Ｏ」が
抽出されたような場合には最も類似する方の標準バ々−
ンとし、文字を「０」と判断する。これは最終的に文字
が「０〜９」、「￥Ｊ、「＊Ｊのとれであるかが分れは
良いからであり、標準パターンはａＯｏ”でも“ｆＯパ
でもどちらでも良いからである。又、異なる文字標準パ
ターンか２つ抽出されたときには、詳細分類部２４ての
詳細分類に移行する。

詳細分類は、抽出された２つの候補の標準パターンを比
較し、両パターンの各区分毎の特徴量のうち安定した非
類似なエリアを抽出し、そのエリアについてのみパター
ン照合を行なうものである。具体的に第２Ｄ図のフロー
チャートに従って、第２１図の説明図を用いて説明する
。

第２１図の（Ａ）及び（８）　に示すように、中分類で
標準パターン×１及びｘ２の２つの候補として抽出され
たとする。そして、抽出された標準パターン間の相違度
Ｄ＋ｒｒ［ｉ］　［ｊ］を各エリア（４Ｘ４）毎に下記
（６）式により求める。

１ｒｆ ＝に、に（ＳＰ、ｌ［ｉ］　［ｊ］　［ｋ］　−５ＰＸ
２　［ｉ］　［ｊ］　［ｋ］ビＸ（ＷＴＸ＋［司［ｊ］
　　＋　ＷＴ、２　［ｉ］　［ｊ］）　　・・・・−（
６）この（６）式の意味は、あるエリアにおける２つの
候補文字標準バタ ン間の特徴量の相違度に、 そのエリアでの特徴量の安定度（重み）を掛は合せた式
になっており、パターンの変動か生している場合におい
ても２つの候補文字間の非類似性か高く、かつ安定した
エリアを抽出するための尺度か表現されている。そして
、（６）式におりるＷＴ、、［ｉ］　［ｊ］　は辞書作
成処理における変動パターンの追加登録時に求められて
いる。　（６）式により各エリア毎の相違度を求めた具
体例か第２１図（Ｃ）　であり、このようにして求めた
各エリア毎の相違度の中から相違度の大きい３つのエリ
アを抽出する。第２】図（Ｃ）の例では、Ｄｔｒｆ［］
］　［１］Ｄ１□［０コ［月、Ｄ、　ｒｔ　［３］　［
０］か抽出され、同図（Ｄ）の斜線エリアか得られる。

この３つのエリアは標準パターン同士か非常に相違して
いる部分であると共に、画像入力の際生じる変動による
提響の／ＪＸさい部分であるのて、このエリアについて
のみ入カバターンかどちらの標準パターンに類似してい
るかを見れは、より正確に判別できる。ます、抽出され
た３つのエリアについてのみ、人カバターンの特徴量と
２候補の標準パターンの特徴量の類似度ＡＤｉＳｔｘｒ
ｉ］［ｊコを次の（７）式により求める。

そして、３つのエリアの相違度の総和をエリア類似度へ
Ｄ１ｓｔｘ［！］　ｃ、ｒ］とする。第２１図の例では
各エリア類似度は次の（８）式、（９）式で表わせる。

八Ｄ −Ｄ；ｓｔｘ＋Ｉｌ］　　［］］＋　Ｄ＋ｓｔｘ＋［Ｏ
コ　［１］”　　Ｄｉｓｔｘ＋　　［３コ　［０］・・
・・・・（８） ＾Ｄ −Ｄ＋５ｔｘｚ［Ｉコ　［］〕・　Ｄ１ｓｔｘｚｒＤ］
　　［１〕＋　Ｊ５ｔｘ２［３］　　ｔｏ］・・・・・
・（９） こうして求められた２候補の標準パターン（Ｘ＋及び×
２）とのエリア類似度ＡＤ、□。ｌ＋八へ］１ＳｔＸ２
の類似度を比較し、より類似する方（八〇１ｓｔの小さ
い方）を人カバターンの文字と判断する。この人カバタ
ーンの文字認識動作は上述の切出された文字の全てにつ
いて行ない、その後認識動作を終了する。

この段階で小切手等の金額記入欄に記入されている金額
情報が認識できる。

なお、上記実施例では大分類時点作成時にクラスター分
析のウォート法を用いているか、これに限定されるもの
ではなく、パターン間の一定の類似関係によって分類で
きるものてあれば何ても良い。又、上記実施例てはクラ
スター特徴量としてクラスター内のパターンの特徴量の
平均を用いているか、平均を用いす、クラスター内のパ
ターンの１つの特徴量を代表してクラスター特徴量とし
ても良く、要するにクラスター内のパターンを代表して
表現てきる特徴！てあれは良い。さらに、上記実施例で
は特徴量として濃度勾配強度及び濃度勾配方向を採用し
ているか、これに限定されるものではなく、パターンの
特徴を表わせることかてきるものてあれば良い。ざらに
又、上記実施例では変動パターンを予め作成し、それを
画像入力することにより変動パターン特徴量を抽出する
ようにしているが、この方法に限定されるものではなく
、例えば、標準パターンを画像入力した際の画像データ
に回転、ずれ等の画像処理を行なって変動パターンの画
像データを作成して、変動パターン特徴量を抽出するよ
うにしても良い。

発明の効果。

以上のように本発明によれは、認識用辞書として変動パ
ターンを考慮した変動バタン特徴量によってクラスター
を構成しており、大分類から中分類に従って複数候補を
挙げた後に、文字特徴の変動が校了された詳細分類をし
ている。このため、高速で確実な認識を実現てきる。ま
た、変動パターンを考慮した辞書作成であるが、辞書と
しては大分類辞書の文字コートの増加及び詳細分類での
重みパターンの増加のみにおさえられ、辞書容量の大き
な増大は防くことか出来る。

請求項１の発明は、多段階クラスタリングの採用によっ
て高速なパターン認識が可能であり、大分類辞書に変動
パターンによって追加登録しているのて大分類での失敗
をなくし、認識率の向上を図れる。また、請求項２の発
明は、中分類の段階で類似する標準パターンの候補を複
数上げておき、その候補に上った標準パターン間て非類
似なエリアを抽出し、この部分に基づいて最終的に認識
している。これにより、類似するもの同士の判別であっ
ても確実に判別できる。さらに、請求項３の発明は標準
パターンに基づいて分類辞書作成後、予め変動パターン
による分類を行なって分類かまちがったクチスターに追
加登録しておく方法を採用したので、更新が非常に容易
であると共に、分類の際には認識率が向上する。

【図面の簡単な説明】

第１図は本発明の認識用辞書の作成方法を示すフローチ
ャート、第２図は手形の一例を示す図、第３図は小切手
の一例を示す図、第４図（八）〜（＋）及び第５図はそ
れぞれ具体的な画像例を示す図、第６図は標準パターン
の例を示す図、第７図はスムージング処理例を示すフロ
ーチャート、第８図〜第１θ図はスムージングを説明す
るための図、第１１図は標準特徴量の抽出動作を示すフ
ローチャート、第１２図〜第１４図はその抽出動作を説
明するための図、第１５図は大分類辞書の例を示す図、
第１６図は標準パターンを説明するための図、第１７図
は中分類辞書の例を示す図、第１６図は標準パターンを
説明するための図、第１７図は中分類辞書の作成例を示
す図、第１８図は中分類辞書の例を示す図、第１９図本
発明の認識装置のブロック構成図、第２０図は詳細分類
の動作例を示すフローチャート、第２１図は詳細分類を
説明するための図、第２２図及び第２３図は従来技術を
説明するための図である。 １．４・・・金額記入欄、２．５・・・情報欄、３．６
・・・金額情報欄、１０・・・画像入力部、１１・・・
前処理、１２・・・文字抽出部、２０・・・特徴量算出
部、２１・・・大分類部、２２・・・中分類部、２４・
・・詳細分類部。 １１４区（Ａ） 出願人代理人　　　安　形　雄　三 第ｄ邑（８） Ｙ４間 （し） 第 孕 図 （Ｃ） 第 図 （Ｆ） 第 図 （Ｇ） 茶 ブ１ 図 第 図 （Ａ） 第 図 必 図 ｃ　　　　　Ｓ　　　　ヱ ７９　　　百 ７゜　　　　　８゜　　、。　　　　　　　　　　　　
　　　　　　　　　　　　　　　　　　　　　　　　　
　　　　　−′Ｄゝ　　０″”　　　　　　　　　　　
　　　　　　　　　　　　　　　　　　　　　　　　　
　　　　　　　　　　　　　−二？二！　　　　、。　
ε。− 〇−〜　　０ψトののに４　　　　　　　（Ｑ　　　　
　　　　　　　ｃ２　　　　　％％　　　　　　　　　
　　毒　　　葬夏？ニツ　μ′８′！！瓢管魚七　　　
　　　ｔ　　　　　　亡　　百７？名２”Ｈｏｔ；巴２
；以　７℃壮蓄９Ｉ　さ　１客　忠　　　　　　雲　　
二＝り１１曵ユ　　？−−〜　　　メ　−　Φ　　　　
　畳 ユ客霊；２２ヱ２２９二で’：Ｓ　　ｍ　ｘ　ｗ−コ−
＝　宕ｃｇ９！７．％Ｑｇ（４％９二ＱＱ？、　　’！
＝””％２”！　　’！０−Ｎ＋１’１ｔ＋ｌ’１１４
）Ｎ＋！１ｆｆ１％費０ＮＩＱ？ＬＯのｃｎ　ｏ　警ｇ
　七ｔ６　零ｏ　；２１昔ｃｇ　Ｆ、　７２９　ｔｚ　
ｔｇ　ｚ　ｙ　２　ｇ　Ｋ　−；　２　Ｓ　Ｓ　Ｒ００
ｃｌｅ＋Ｃ＋Ｃｌ０ｃ１０ｃ＋０ＯＪ）４１）ｊｌｊｌ
ｊｌＡｊｌｌ）０１〜０ψＣわ００ψΦｎ吟ｎ−〜〜〜
的−−財　へ一つ１１１１１１１１よよよよ本よ状本ま
りよよ本妹　＆菰本１ｆｆｉｂｆｆｉｆｆｉ７ｆｆｉ２
墜ｉ７２！ｉｌニアｉ！ｉｌニア？７７７７２ｉ７＋３
度面回 転１画素 一３／ｆ回転 −４度回転 ０　　　）Ｉ　　　　　　　　　　　　　　　　　　　
　　　　　　　　　　　　　　　　　　　　　　　　　
　　　　　　　　　　　　　　　　　　　　　　　　　
　　　　　　　　　　　　　　ψ　ｎＯｏ　　　　　　
　　ψ　の　　　−−〇−５客　ｑ　　＞　　　　　　
　　　　　　　　　　　　　　　　　　　　　　　　　
　　　　　＄１１−　　　　（α　　　　　　　　　　
　　　　　　　　　　　　　　　＼’ｊ！　’ｘ　Ｔ−
’！：　ｙ首−零　嘆台Ｏ−〜　？Ｑψト約Φ）井　　
　　の ｇ−ｙ　　ｏｏｘｅｔｓｉｃａ＋

Claims (1)

1. 【特許請求の範囲】 １、認識可能な文字の標準的なパターンである標準パタ
   ーンを相互の類似関係によつて複数のクラスターに分類
   構成すると共に、各クラスター毎にクラスターを代表す
   るクラスター特徴量が定められた大分類辞書と、この大
   分類辞書には画像読取の際に生ずるであろう変動を予め
   考慮した変動パターンに基づいて、変動が生じた際、前
   記変動パターンが入るクラスターにその対応する標準パ
   ターンが予め追加登録されており、各標準パターン毎の
   特徴量である標準特徴量が定められた中分類辞書とを備
   え、読取った被認識パターンの特徴量である入力パター
   ン特徴量を抽出し、この入力パターン特徴量と前記大分
   類辞書に定められた各クラスター特徴量とを比較して入
   力パターンが属するクラスターを判別し、この判別され
   たクラスター内の標準パターンについて、前記中分類辞
   書に定められた標準パターンに対応する標準特徴量と入
   力パターン特徴量とを比較し、最も類似する標準パター
   ンを認識結果として出力するようにしたことを特徴とす
   るパターン認識方法。 ２、認識可能な文字の標準的なパターンである標準パタ
   ーンを相互の類似関係によって複数のクラスターに分類
   構成すると共に、各クラスター毎にクラスターを代表す
   るクラスター特徴量が定められた大分類辞書と、この大
   分類辞書には画像読取の際に生ずるであろう変動を予め
   考慮した変動パターンに基づいて、変動が生じた際、前
   記変動パターンが入るクラスターにその対応する標準パ
   ターンが予め追加登録されており、各標準パターン毎の
   特徴量である標準特徴量が定められた中分類辞書とを備
   え、読取った被認識パターンの特徴量である入力パター
   ン特徴量を抽出し、この入力パターン特徴量と前記大分
   類辞書に定められた各クラスター特徴量とを比較して入
   力パターンが属するクラスターを判別し、この判別され
   たクラスター内の標準パターンについて、前記中分類辞
   書に定められた標準パターンに対応する標準特徴量と入
   力パターン特徴量を比較し、類似する標準パターンを複
   数候補として抽出し、この候補として抽出された標準パ
   ターン間で非類似なエリアを抽出し、この非類似なエリ
   アについて候補として抽出された各標準パターンの標準
   特徴量と入力パターン特徴量とを比較し、最も類似する
   標準パターンを認識結果として出力することを特徴とす
   るパターン認識方法。 ３　認識可能な文字の標準的なパターンである標準パタ
   ーンを画像入力して、各標準パターン毎の標準特徴量を
   抽出し、この標準特徴量に基づいて相互の類似関係によ
   り複数のクラスターに分類構成すると共に、各クラスタ
   ー毎にクラスターを代表するクラスター特徴量を定めて
   分類辞書を作成して後、画像入力に際して生ずるであろ
   う変動を考慮して作成された前記標準パターンに対する
   変動パターンの特徴量である変動パターン特徴量を抽出
   し、前記各クラスター特徴量と変動パターン特徴量とを
   比較することによって前記変動パターンがどのクラスタ
   ーに属するかを判別し、判別されたクラスター内に変動
   パターンに対応する標準パターンが存在していない場合
   には、そのクラスター内にその標準パターンを追加登録
   するようにしたことを特徴とするパターン認識用辞書作
   成方法。