JPH06162268A

JPH06162268A - サイン認識装置

Info

Publication number: JPH06162268A
Application number: JP31360592A
Authority: JP
Inventors: Kenzo Obata; 賢三小幡; Yoshiki Uchikawa; 嘉樹内川; Takeshi Furuhashi; 武古橋; Shigeru Watanabe; 成渡辺
Original assignee: NipponDenso Co Ltd
Current assignee: Denso Corp
Priority date: 1992-11-24
Filing date: 1992-11-24
Publication date: 1994-06-10

Abstract

(57)【要約】【目的】筆者の手書きによるサインをオンライン入力
で的確に認識すること。【構成】ペン２０２を用いてタブレット２０３上に手
書きされると、タブレット２０３では、ペン２０２の軌
跡がＸ−Ｙデータとして出力される。Ｐ形フーリエ変換
部２０５では、このデータに離散フーリエ変換を実行す
ることにより、余弦波成分および正弦波成分のスペクト
ルが出力される。そして入力ファジィ部２０７ａ，２０
７ｂでは、スペクトル選択部２０６ａ，２０６ｂを介し
たスペクトル強度をファジィ密度に各々変換する。する
と、ファジィネット部２０８ａ，２０８ｂおよび出力フ
ァジィ部２０９では、この変換されたファジィ密度に基
づいて、サインデータの真偽判定を行う。したがって、
筆者の筆記速度のばらつきによりスペクトルデータに変
化が生じたとしても、このスペクトル強度に対してファ
ジィ推論処理を施すことにより、上述したばらつきを吸
収して、サインを的確に認識することができる。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明はサイン認識装置に関する
ものであり、例えば端末等に接続された筆記手段を使用
してオンライン入力で筆者の手により書かれたサインを
認識するための認識装置に用いられるものである。

【０００２】

【従来の技術】従来、端末等に接続された筆記手段（ペ
ン等）を使用してオンライン入力で文字を認識する装置
は、図９に示す構成から成り立っている。

【０００３】すなわち図９に示すオンライン入力型の手
書き文字認識装置１は、ペン２およびタブレット３から
なる手書き入力部４を介して文字をオンラインで入力，
認識している。その具体的作動を説明すると、まず筆者
がペン２を用いてタブレット３上に文字を手書きする。
一般的には、タブレット３の入力面には文字の大きさ及
び入力位置を指す枠１１が表示されており、筆者は、こ
の枠１１内に収まるように文字を書くことになる。

【０００４】筆者がタブレット３上に文字を手書きする
と、タブレット３では、ペン２およびタブレット３の電
磁結合により、ペン２の軌跡（連続座標データ）とペン
タッチ情報（文字が書かれている状態にあるか否かを知
らしめるデータ）とを出力する。すると、この２つのデ
ータは特徴抽出部６に入力されて、一文字の区切りがい
ずれの場所であるかが判断される。

【０００５】この特徴抽出部６にて一文字ごとの連続座
標データが区別されると、認識部７に設けられた比較部
９では、辞書部１０に記憶された文字ストローク座標列
データと、上記連続座標データとが逐次比較される。こ
の文字ストローク座標列データは、例えばストロークご
との相対位置，一文字を構成する複数のストロークの発
生順序，ストロークの長さや方向（ストロークベクト
ル）等を有している。

【０００６】ここで、比較部９における比較処理では、
入力された文字が手書き文字である関係上、手書き文字
からなる連続座標データと文字ストローク座標列データ
とが一致するケースは少ないので、比較部９では、最も
比較誤差の少ない文字ストローク座標列データを第１候
補として出力し、以後、順次、第２候補および第３候補
を出力する。

【０００７】このようにして認識部７より認識結果が順
次出力されると、出力部８では、この認識結果を各々表
示する。すると、筆者によって、手書き入力部４により
入力した文字が表示された第１候補，第２候補，および
第３候補のいずれであるかを選択されることになる。

【０００８】

【発明が解決しようとする課題】ところが上述した従来
の文字認識装置は、いわゆる活字として登録可能な文字
を認識対象とするものであるため、例えば、個人差ある
いは同一人物によるものでも書くごとに微妙に文字形態
が異なるサインのような文字については、文字ストロー
ク座標列データを一義的に設定することができないた
め、文字としての認識が困難であるという問題がある。

【０００９】特に、オンライン入力の文字認識装置で
は、タブレット３を設けることによって、文字の大きさ
や書込み範囲が制限されたり、筆記速度のばらつきによ
り連続座標データに誤差が生じたりするので、活字とし
て登録されておらず、しかも一般には連続的に記載され
るサインのような文字については、認識が困難であると
いう問題がある。

【００１０】そこで本発明は上記問題点に鑑みてなされ
たものであり、筆者の手書きによるサインをオンライン
入力で的確に認識することが可能なサイン認識装置を提
供することを目的とするものである。

【００１１】

【課題を解決するための手段】そのため本発明は、オン
ライン入力で手書きのサインを認識するサイン認識装置
であって、前記サインをオンラインで入力して、前記サ
インに対応した情報信号を出力する入力手段と、この入
力手段からの情報信号に対してＰ形フーリエ変換処理を
施すことによって、前記サインのスペクトル強度を検出
する検出手段と、この検出手段により検出されたスペク
トル強度に対してファジィ推論処理を行うことにより、
前記スペクトル強度をデータ圧縮した、ファジィ密度に
変換する推論手段と、この推論手段により変換された前
記ファジィ密度に基づいて前記サインの真偽を判定する
判定手段と、を備えることを特徴とするサイン認識装置
を採用するものである。

【００１２】

【作用】上記構成により、推論手段は、検出手段により
検出されたスペクトル強度に対してファジィ推論処理を
行うことにより、スペクトル強度をデータ圧縮した、フ
ァジィ密度に変換している。そして、判定手段は、この
ファジィ密度に基づいてサインの真偽を判定している。

【００１３】したがって、推論手段におけるファジィ推
論処理によって、スペクトル強度はファジィ推論に基づ
くルール数に圧縮することができるので、データ量とし
て膨大となるスペクトル強度のデータを圧縮することが
できる。しかも、この作動によって、筆者の筆記過程で
の筆記速度のばらつきによるデータ変化をも吸収させる
ことができる。

【００１４】

【実施例】以下、本発明を図に示す実施例に基づいて説
明する。図１は本発明の一実施例を表す概略構成図であ
る。

【００１５】図１において、ペン２０２およびタブレッ
ト２０３を有する手書き入力部２０４（入力手段に相
当）は、ペン２０２およびタブレット２０３の電磁結合
によって、ペン２の軌跡（連続座標データ）とペンタッ
チ情報（文字が書かれている状態にあるか否かを知らし
めるデータ）とを検出し、このデータをサインデータと
して出力する。なお、この手書き入力部４は、ペン２０
２のタブレット２０３への感圧を検出する方式のもので
もよい。

【００１６】検出手段に相当するＰ形フーリエ変換部２
０５は、以下の数式１に示す平面上の連続曲線ＣのＰ表
現と呼ばれる複素数値関数ωを用いて、以下の数式２に
示す平面上の連続曲線ＣのＰ形記述子と呼ばれる複素数
値関数ωの離散フーリエ変換を実行するものである。

【００１７】

【数１】

【００１８】

【数２】

【００１９】なお、上記数式１において、ａ（ｊ）は連
続曲線Ｃの点ｚ（ｊ）における偏角関数、θ（ｊ）は全
曲率関数である。ここで、上述した数式１をω（ｊ）に
ついて解くと、以下の数式３となる。

【００２０】

【数３】

【００２１】この数式３に示されているように、Ｐ形記
述子ｃと複素数値関数ωとは１対１に対応しているの
で、平面上の連続曲線Ｃは、Ｐ形記述子ｃと１対１に対
応することになる。そのため、このＰ形フーリエ記述子
は線図形の曲りの特徴をよく抽出でき、図形の平行移
動、拡大、縮小に関して不変である。なお、上述したＰ
形記述子については電子通信学会論文誌（ '84/3 Vol.J
67-A No.3 p.166-173 ）で発表された『開曲線にも適用
できる新しいフーリエ記述子』に述べられているので、
詳細な説明については省略するものとする。

【００２２】そして、上述した手書き入力部２０４より
出力されたサインデータに対して上記フーリエ変換を実
行することにより、Ｐ形フーリエ変換部２０５からは、
図３（ｂ）に示すような余弦波成分（ｃｏｓ）のパワー
スペクトルと、図３（ｃ）に示すような正弦波成分（ｓ
ｉｎ）のパワースペクトルとが出力される。なお、図３
（ｂ）および図３（ｃ）に示す特性図は、図３（ａ）に
示す「Ｗａｔａｎａｂｅ」というサインを手書き入力部
４で入力した場合の、余弦波成分および正弦波成分のパ
ワースペクトルである。そして、この余弦波成分および
正弦波成分パワースペクトルは、以後、各々別系統で処
理される。

【００２３】スペクトル選択部２０６ａは、Ｐ形フーリ
エ変換部２０５より出力された正弦波成分のパワースペ
クトルから不必要なパワースペクトルを除去して、必要
なパワースペクトルのみを抽出するものであり、この実
施例では６４次以上の高周波成分を除去している。これ
は、６４次以上のパワースペクトルのスペクトル強度が
非常に小さいため、この６４次以上の高周波成分を除去
することにより、後述する演算処理の負担を軽減してい
る。

【００２４】同様に、スペクトル選択部２０６ｂは、Ｐ
形フーリエ変換部２０５より出力された余弦波成分のパ
ワースペクトルから不必要なパワースペクトルを除去し
て、必要なパワースペクトルのみを抽出する。

【００２５】推論手段に相当する入力ファジィ部２０７
ａ，２０７ｂは、三角形（Λ型）メンバシップ関数を内
部関数に有している。そして、このメンバシップ関数を
用いたファジィ推論を行うことにより、パワースペクト
ルの正弦波成分，余弦波成分ごとに、スペクトル強度を
ファジィ密度に各々変換して、選択されたパワースペク
トルのデータを圧縮すると共に、筆記速度のばらつきに
よるパワースペクトルの変動を吸収するためのものであ
る。なお、ファジィルールは三角形のメンバシップ関数
であり、１つのルールに対して１つの出力を有してい
る。このため、パワースペクトルのデータ数は、用意さ
れた複数のメンバシップ関数の数に集約される。

【００２６】ファジィネット部２０８ａ，２０８ｂは、
図４に示すような２種類（Ｓｍａｌｌ，Ｂｉｇ）のメン
バシップ関数と、図５に示す特性を有するシグモイド関
数Ｏを内部関数として有するものであり、入力ファジィ
部２０７ａ，２０７ｂにより変換されたパワースペクト
ルの正弦波成分，余弦波成分ごとのファジィ密度に対し
てさらにファジィ推論を行って、オンライン入力したサ
インデータの確からしさを出力するものである。なお、
この２種類のメンバシップ関数は、サインの筆跡におけ
る特徴の一つである線間の間隔を抽出するものであり、
同時に、このファジィネット部２０８ａ，２０８ｂにお
ける入力信号の線形化を行い、結合荷重係数の収束を保
証するものである。

【００２７】学習部２１１ａ，２１１ｂは、ファジィネ
ット部２０８ａ，２０８ｂの学習時に動作するものであ
り、ファジィネット部２０８ａ，２０８ｂにおける結合
荷重係数αを設定し、学習を収束させるものである。こ
の学習部２１１ａ，２１１ｂの出力は結合荷重係数αと
してファジィネット部２０８ａ，２０８ｂに帰還されて
いる。

【００２８】デファジィ部２１２ａ，２１２ｂは、結合
荷重係数αからｉ次の周波数成分の強度として、メンバ
シップ関数の重心ｃ（ｉ）、つまりスペクトル強度を求
めるためのものである。すなわち、入力ファジィ部２０
７ａ，２０７ｂのメンバシップ関数のままではスペクト
ルの（０．０，１．０）付近の値を再生することができ
ないので、図８（ａ）に示す破線部分を加えた三角形型
のメンバシップ関数を生成し、結合荷重計数を掛け合わ
せたメンバシップ関数の重心ｃ（ｉ）を、ファジィ密度
の各パラメータ（ｎ〜ｍ）ごとに求めることになる。

【００２９】ここで、メンバシップ関数の重心ｃ（ｉ）
を求める関係式は以下の数式４になる。

【００３０】

【数４】ｃ（ｉ）＝α_i2／（α_i1＋α_i2）こうして得られた各々のメンバシップ関数の重心ｃ
（ｉ）のデータは、Ｐ形逆フーリエ変換部２１３に入力
される。

【００３１】Ｐ形逆フーリエ変換部２１３は、上述した
Ｐ形フーリエ変換部２０５の逆フーリエ変換を実行する
ものであり、Ｐ形フーリエ変換部２０５と同様に、Ｐ形
記述子による性質を備えているものである。そして、Ｐ
形逆フーリエ変換部２１３で変換された結果は表示部２
１０に入力され、図８（ｃ）に示す再生曲線が表示され
る。

【００３２】判定手段に相当する出力ファジィ部２０９
は、入力ファジィ部２０７ａ，２０７ｂと同様の構成を
有するものであり、ファジィネット部２０８ａ，２０８
ｂからの出力結果（後述するシグモイド関数Ｏに代入し
て算出された確からしさ）に対して、出力ファジィ部２
０９が有するファジィ推論を適用することにより手書き
入力部２０４で入力したサインデータが本物か偽物であ
るかを判別する。

【００３３】この出力ファジィ部２０９には、ファジィ
ネット部２０８ａより出力された、正弦波成分のパワー
スペクトルに関する確からしさと、ファジィネット部２
０８ｂより出力された、余弦波成分のパワースペクトル
に関する確からしさという２つの入力に対して１つの出
力がなされるものである。この時、出力ファジィ部２０
９では、両者の論理積を単純にとるのではなく、上述し
たように、ファジィネット部２０８ａ，２０８ｂの出力
に対して各々ファジィ推論を行い、正しいか偽りかを判
定させた後に、その出力の論理積をとっている。これに
よって、単純な論理積ではなく、正弦波成分と余弦波成
分とのバランスを考慮した結果を得ることができる。

【００３４】また、上記のようにサインデータの真偽判
定にファジィ推論を適用するのは、例えばサインデータ
が本物であるという判定基準を０．９以上、偽物である
という判定基準を０．１と設定した場合、ファジィネッ
ト部２０８，２０８ｂからの出力結果が０．３あるいは
０．８９であった場合には、わずかの数値差で真偽いず
れの判断かが行えないという状況が発生して、多少の矛
盾が生じてしまう。そのためファジィ推論を行うことに
より、閾い値的な判定を防止して、上記矛盾を極力除去
しようとする目的でサインデータの真偽判定にファジィ
推論を適用している。

【００３５】表示部２１０は、例えばドットマトリクス
構成の液晶表示器やＣＲＴが用いられるものであり、こ
の実施例においては、サインデータが本物であるか偽物
であるかの判定結果と共に、デファジィ部２１２ａ，２
１２ｂおよびＰ形逆フーリエ変換部２１３の作動によっ
て、オンライン入力したサインを再生曲線として再生し
て表示する。

【００３６】スイッチ２１４は、ファジィネット部２０
８ａ，２０８ｂが学習モードとなっている時に、出力フ
ァジィ部２０９での入力サインの真偽の判断が正しいか
否かを筆者が判断して、この筆者がスイッチ２１４を操
作して学習部２１１ａ，２１１ｂへ伝えるものであり、
これにより、学習部２１１ａ，２１１ｂにおける結合荷
重係数αの設定変更の度合いが決定されている。

【００３７】なお、上述したＰ形フーリエ変換部２０
５、スペクトル選択部２０６ａ，２０６ｂ、入力ファジ
ィ部２０７ａ，２０７ｂ、ファジィネット部２０８ａ，
２０８ｂ、学習部２１１ａ，２１１ｂ、出力ファジィ部
２０９、Ｐ型逆フーリエ変換部２１３、およびデファジ
ィ部２１２ａ，２１２ｂは、ＣＰＵ２１５のプログラム
により実現されている。

【００３８】次に、上記構成における全体作動を説明す
る。図１において、ペン２０２を用いてタブレット２０
３上に手書きされると、タブレット２０３では、ペン２
０２の軌跡がＸ−Ｙデータ（ストローク座標列）として
出力され、かつペンタッチ情報がＺデータとして出力さ
れる。このペンタッチ情報とは、ペン２０２がタブレッ
ト２０３に接した状態であるか否かを検出することによ
り入力可能か否かを判別するための情報であり、ペン２
０２がタブレット２０３に接していない時に出力され
る。なお、サインの筆記中にサイン文字の不連続部分で
も同様な状態になることがあるが、その場合も同様にペ
ンタッチ情報が出力される。

【００３９】また、手書き入力部２０４は入力を常にサ
ンプリングしており、筆記速度が早い時は少なく、遅い
時は多くのＸ−Ｙデータが出力されることになる。こう
して出力されたＸ−Ｙデータ（ストローク座標列）とＺ
データ（ペンタッチ情報）とはＰ型フーリエ変換部２０
５に入力される。そして、これ以後の処理はＣＰＵ２１
５で行われる。

【００４０】ＣＰＵ２１５では、図１１のＣＰＵ２１５
の作動を表すフローチャートに示すように、まずステッ
プＳ１０において、数式１に示す複素数値関数ωの離散
フーリエ変換を実行することにより、余弦波成分のパワ
ースペクトルと正弦波成分のパワースペクトルとを出力
する。続いて、ステップＳ２０では、Ｐ形フーリエ変換
部２０５より出力された正弦波成分および余弦波成分の
パワースペクトルから６４次以上の高周波成分という不
必要なパワースペクトルを除去して、必要なパワースペ
クトルのみを抽出する。

【００４１】そして、ステップＳ３０では、ステップＳ
２０により抽出されたパワースペクトルのスペクトル強
度をファジィ密度に各々変換する。なお、これは図１に
おける入力ファジィ部２０７ａ，２０７ｂの作動に相当
するものであるが、詳細な作動については後述する。

【００４２】続くステップＳ４０では、現在の装置の作
動が認識モードであるか学習モードであるかを図示され
ない選択部からの信号により判定しており、認識モード
である場合にはステップＳ９０へ進み、学習モードであ
る場合にはステップＳ５０へ進む。

【００４３】ステップＳ４０の判定で学習モードと判定
されると、ステップＳ５０では、学習部２１１ａ，２１
１ｂおよびファジィネット部２０８ａ，２０８ｂを各々
接続する。続いてステップＳ６０では、ニューラルネッ
トワークによる学習制御を行って、結合荷重係数αの設
定変更を行う。これは、図１におけるファジィネット部
２０８ａ，２０８ｂおよび学習部２１１ａ，２１１ｂの
作動に相当するものであるが、詳細な作動については後
述する。

【００４４】ステップＳ７０では、この結合荷重係数α
の設定変更が収束方向、すなわち結合荷重係数αが所定
の値に固定されたか否かを判定しており、固定されてい
ない場合には上述したステップＳ６０の処理を再度行
い、そうでない場合にはステップＳ８０へ進む。

【００４５】ステップＳ８０では、ステップＳ７０にて
収束したと判定された結合荷重係数αを固定値として、
後述するレジスタ３１３ｎ〜３１３ｍに記憶させて、一
連の学習処理を終了させる。

【００４６】一方、ステップＳ４０で認識モードと判定
されると、ステップＳ９０では、学習部２１１ａ，２１
１ｂおよびファジィネット部２０８ａ，２０８ｂの接続
を遮断し、結合荷重係数αを変更しないようにする。こ
れは例えば学習ユニット３０７とレジスタ部３１３ｎと
を遮断しても良いし、あるいはレジスタ３１３ｎの結合
荷重係数αの書き替えを禁じるようにしてもよい。

【００４７】続いて、ステップＳ１００では、ニューラ
ルネットワークによる認識処理を行って、手書き入力部
２０４により入力したサインの確からしさを算出する。
これは、図１におけるファジィネット部２０８ａ，２０
８ｂの作動に相当するものであるが、詳細な作動につい
ては後述する。

【００４８】ステップＳ１１０では、ステップＳ１００
にて算出された入力したサインの確からしさに対してフ
ァジィ推論を行って、入力したサインが正しいものか偽
りのものかを判定する。そして、ステップＳ１２０に
て、この判定結果に相当する表示信号を表示部２１０に
出力することにより表示部上でサインの真偽を表示させ
て、一連の認識処理を終了させる。

【００４９】一方、ステップＳ１１０と平行して処理さ
れるステップＳ１３０では、手書き入力部２０４により
入力したサインを再生曲線として表示部２１０に表示せ
させるべく、結合荷重係数αからｉ次の周波数成分の強
度として、メンバシップ関数の重心ｃ（ｉ）、つまりス
ペクトル強度を求める。これは、図１におけるデファジ
ィ部２１２ａ，２１２ｂの作動に相当するものである
が、詳細な作動については後述する。

【００５０】そしてステップＳ１４０では、ステップＳ
１１０で求められたスペクトル強度に対してＰ形逆フー
リエ変換を実行し、ステップＳ１２０にて、この変換結
果に相当する表示信号を表示部２１０に出力する。これ
により表示部２１０では、図８（ｃ）に示すような入力
サインの再生曲線と、その入力サインの正偽判定結果と
が表示されて、一連の認識処理を終了させる。

【００５１】以上述べた一連の作動が本実施例における
全体作動であるが、次に、上述した各々の詳細な作動に
ついて説明する。まず、ステップＳ３０、すなわち入力
ファジィ部２０７ａ，２０７ｂの詳細な作動について説
明する。図１２は入力ファジィ部２０７ａ，２０７ｂの
作動を示すフローチャートである。図１２において、ス
テップＳ２００では、メインルーチンにおけるステップ
Ｓ２０、すなわちスペクトル選択部２０６ａ，２０６ｂ
で選択されたスペクトル強度のデータを入力する。

【００５２】続いて、ステップＳ２１０では、入力ファ
ジィ部２０７ａ，２０７ｂ自身が内蔵する三角形メンバ
シップ関数（図１０（ｂ））を用いてスペクトル強度に
対してファジィ推論を行う。

【００５３】このファジィ推論は、図１０（ａ）〜図１
０（ｃ）に示すように、パラメータ（Ｓｉ）に対して三
角形メンバシップ関数を用いることによりＸ軸に対応し
た係数（ｇｉ）を求め、この係数（ｇｉ）とパラメータ
（Ｓｉ）との積を各々のパラメータ（Ｓｉ）ごとに算出
し、同一の三角形メンバシップ関数内で、各々を加算
（ΣＳｉ・ｇｉ）する。この算出結果を各々の三角形メ
ンバシップ関数内ごとに行うことにより、スペクトル選
択部２０６ａ，２０６ｂで選択されたスペクトル強度
は、図１０（ｃ）に示すようなファジィ密度に変換され
る。

【００５４】ここで、このファジィ推論処理は、以下に
述べる目的により行われている。すなわち、サインのよ
うに、一般に横長に書かれる手書き文字においては、特
にスペクトル強度のデータ数が著しく多くなってしまう
ので、以後の認識過程において処理速度を低下させる要
因になってしまう。さらに、スペクトル強度のデータの
特徴が微細なものである場合には、サインを行う筆者自
身が筆記過程において筆記速度に変化が生じた際、デー
タ変化が大きくなってしまって、以後の認識処理に大き
な負荷をかけてしまう可能性がある。

【００５５】そこで、入力ファジィ部２０７ａ，２０７
ｂでは、１つのファジィルールに対し１つの出力が得ら
れるようにルールを設定する。そして、スペクトル選択
部２０６ａ，２０６ｂで選択された図１０（ａ）に示す
スペクトル強度に対して、図１０（ｂ）に示す三角形メ
ンバシップ関数を用いたファジィ推論を行うことによ
り、多量のスペクトル強度のデータ数を入力ファジィ部
２０７ａ，２０７ｂにおけるファジィルールのルール数
に圧縮することができる。これにより、スペクトル強度
のデータ圧縮化を図ると共に、筆者の筆記過程での筆記
速度のばらつきによるデータ変化を吸収させたデータを
求めることができる。

【００５６】そして、ステップＳ２２０では、ステップ
Ｓ２１０における算出結果をファジィネット部２０５へ
出力する。次に、ステップＳ６０、すなわちファジィネ
ット部２０８ａ，２０８ｂおよび学習部２１１ａ，２１
１ｂによる学習処理の詳細な作動について説明する。図
１３はファジィネット部２０８ａ，２０８ｂおよび学習
部２１１ａ，２１１ｂによる学習処理の作動を示すフロ
ーチャートであり、図２はファジィネット部２０８ａ，
２０８ｂおよび学習部２１１ａ，２１１ｂの詳細な構成
を示すブロック図である。

【００５７】図２および図１３において、ステップＳ３
００では、上述した処理により入力ファジィ部２０７
ａ，２０７ｂで圧縮された、パワースペクトルのファジ
ィ密度を各々入力する。そして、ステップＳ３１０にて
レジスタ３１３ｎ〜３１３ｍの各々を初期化（リセッ
ト）する。

【００５８】ここで、図２に示すようにファジィネット
部２０８ａ，２０８ｂの入力層にはファジィ部３０１が
用意されており、続くステップＳ３２０では、入力した
ファジィ密度におけるパラメータ（ｎ〜ｍ）ごとに、フ
ァジィ部３０１に内蔵されたＳｍａｌｌ，Ｂｉｇの双方
のメンバシップ関数を用いて各々に対応した係数（ｇ
ｉ）を求める。

【００５９】また、Ｓｍａｌｌ，Ｂｉｇという２種類の
メンバシップ関数があるのは、サインの個人性が密度特
徴の大小いずれにあるのかを抽出するためであり、デー
タの密の部分だけでなく、粗の部分もデータとして有効
なため、粗／密の両データを有効に利用して認識を行い
たいがためである。

【００６０】そして、ステップＳ３３０では、積算部３
０３ｎ〜３０３ｍにおいて双方の係数（ｇｉ）に対して
レジスタ３１３ｎ〜３１３ｍに設定された結合荷重係数
α_n〜α_mを各々積算し、続くステップＳ３４０では各
々の積算値を加算部３０４にて加算する。なお、この加
算部３０４は、図４に示すような構成が採用されてい
る。

【００６１】続いてステップＳ３５０では、この加算値
（Σ）を、以下に示す数式５および図５に示すような特
性曲線を有するシグモイド関数Ｏに代入して、対応する
確からしさを算出する。このシグモイド関数Ｏは出力部
３０５に内蔵されており、この関数による出力値は、図
５に示す特性図から明らかなように、０〜１の間で算出
されることになる。

【００６２】

【数５】Ｏ＝１／（１＋ｅｘｐ^-s）但し、ｓは出力ユニットの入力の総和であり、Ｏはニュ
ーラルネットワークの出力である。

【００６３】ここで、筆者は、入力のサインデータが本
物であるか否かの判断をスイッチ２１４により学習部２
１１ａ，２１１ｂに伝送する。この際、入力したサイン
が本物である場合には、ネットワークの教示信号Ｔとし
て１を、偽物であれば教示信号Ｔとして０を伝送する。
そして、ステップＳ３６０では、この教示信号Ｔが入力
されたか否かを判定しており、入力された場合にはステ
ップＳ３７０へ進み、そうでない場合にはステップＳ３
８０へ進む。

【００６４】ステップＳ３７０では、差分器３０６によ
ってファジィネット部２０８ａ，２０８ｂの出力Ｏと教
示信号Ｔとの信号差分が取られ、この信号差分は、学習
ユニット３０７に入力される。すると、学習ユニット３
０７の作動を示すステップＳ３８０では、公知の最急降
下法（デルタルール）を実現するように作用する。

【００６５】この最急降下法とは、学習ユニット３０７
の出力である結合荷重係数αを、ファジィネット部２０
８ａ，２０８ｂの出力Ｏと教示信号Ｔとの差が最小にな
るように作動するものである。本実施例では、結合荷重
係数αの初期値をすべて０として、学習を開始する。な
お、この学習の終了タイミングとしては、本物と偽物と
の例の出力誤差Ｅの２乗和が例えば０．１以下の時に終
了させればよい。

【００６６】続いて、ステップＳ３９０では、学習ユニ
ット３０７により算出された結合荷重係数α_n〜α_mを
レジスタｎ〜ｍに設定する。これにより、例えば図７
（ａ）および図７（ｂ）に示すような余弦波成分および
正弦波成分ごとの結合荷重係数の分布となる。そして、
図１１に示すメインルーチンへリターンする。

【００６７】なお、図２に示すように、ファジィネット
部２０８ａ，２０８ｂでは、特に入力層３００と出力層
（出力部３０５）からなる２層パーセプトロン構成のネ
ットワークを使用している。これは、後述するデファジ
ィ部２１２ａ，２１２ｂで行われる、結合荷重係数αか
らスペクトル強度を求める過程を容易に行うことを目的
として上記構成を採用している。すなわち、２層パーセ
プトロン構成とすることにより結合荷重係数は１次元的
に設定されて、多数の結合荷重係数による相関関係を考
慮しなくてもよくなるため、この結合荷重係数からスペ
クトル強度を容易に求めることができる。

【００６８】次に、ステップＳ１００、すなわちファジ
ィネット部２０８ａ，２０８ｂによる認識処理の詳細な
作動について説明する。図１４は、ファジィネット部２
０８ａ，２０８ｂによる認識処理の作動を示すフローチ
ャートである。

【００６９】図２および図１４において、ステップＳ４
００では、上述した処理により入力ファジィ部２０７
ａ，２０７ｂで圧縮されたファジィ密度を各々入力す
る。ここで、図２に示すようにファジィネット部２０８
ａ，２０８ｂの入力層にはファジィ部３０１が用意され
ており、続くステップＳ４１０では、入力したファジィ
密度におけるパラメータ（ｎ〜ｍ）ごとに、ファジィ部
３０１に内蔵されたＳｍａｌｌ，Ｂｉｇの双方のメンバ
シップ関数を用いて各々に対応した係数（ｇｉ）を求め
ている。なお、Ｓｍａｌｌ，Ｂｉｇという２種類のメン
バシップ関数があるのは、サインの個人性が密度特徴の
大小いずれにあるのかを抽出するためであり、データの
密の部分だけでなく、粗の部分もデータとして有効なた
め、粗／密の両データを有効に利用して認識を行いたい
がためである。

【００７０】そして、ステップＳ４２０では、積算部３
０３ｎ〜３０３ｍにおいて双方の係数（ｇｉ）に対して
レジスタ３１３ｎ〜３１３ｍに設定された結合荷重係数
α_n〜α_m（上述した学習制御により固定された結合荷
重係数）を各々積算し、続くステップＳ３３０では、各
々の積算値を加算部３０４にて加算する。なお、この加
算部は、図６に示すような構成が採用されている。

【００７１】続いてステップＳ４４０では、この加算値
（Σ）を、数式５および図５に示すような特性曲線を有
するシグモイド関数Ｏに代入して、対応する確からしさ
を算出する。なお、このシグモイド関数Ｏは、出力部３
０５に内蔵されている。そして、図１１に示すメインル
ーチンへリターンする。

【００７２】次に、ステップＳ１３０、すなわちデファ
ジィ２１２ａ，２１２ｂの詳細な作動について説明す
る。図１５はデファジィ２１２ａ，２１２ｂの作動を示
すフローチャートである。

【００７３】図１５において、ステップＳ５００では、
ファジィ密度のパラメータ（ｎ）に対応した結合荷重係
数α_i1，α_i2（Ｓｍａｌｌ，Ｂｉｇという２種類のメン
バシップ関数に対応した結合荷重係数）をレジスタ３１
３ｎ〜３１３ｍより各々読出す。そして、ステップＳ５
１０では、図８（ｂ）に示すように、各パラメータごと
に結合荷重係数α_i1，α_i2およびＳｍａｌｌ，Ｂｉｇと
いう２種類のメンバシップ関数とを掛け合わせて斜線部
に示すメンバシップ関数を生成する。

【００７４】続いてステップＳ５２０では、図８（ｂ）
に示す斜線部のメンバシップ関数の重心ｃ（ｉ）を算出
して、図１１に示すメインルーチンへリターンする。以
上述べたように上記一実施例においては、手書きによる
サインのオンライン入力データをファジィ化することに
よって、多量のスペクトル強度のデータ数を入力ファジ
ィ部２０７ａ，２０７ｂにおけるファジィルールのルー
ル数に圧縮することができるので、スペクトル強度のデ
ータ圧縮化を図ると共に、筆者の筆記過程での筆記速度
の変化によるデータ変化を吸収させたデータを求めるこ
とができる。

【００７５】さらに、得られたデータをもとにファジィ
ネットの学習機能を利用して認識処理を行うため、良好
な認識精度を得ることができる。また、手書き入力した
サインを再生曲線として表示する際、結合荷重係数αか
ら容易にスペクトル強度が求められるように、ファジィ
ネット部２０８ａ，２０８ｂの構成を２層パーセプトロ
ン構成として、結合荷重係数αを１次元化して、スペク
トル強度を容易に求めることができる。そして、ファジ
ィネット部２０８ａ，２０８ｂより出力されたサインの
確からしさに対してさらにファジィ処理を行うことによ
り、より確度の高い認識結果を得ることができる。

【００７６】次に、他の実施例について説明する。上記
一実施例では、手書きサインを一筆書きで行うという前
提であったが、これはサインの区切りを明確にするため
であり、現実には筆記中にペン２０２はタブレット２０
３から浮き上がってしまうことがある。この場合は、ペ
ンタッチ情報Ｚを監視し、ペンタッチ情報に関する信号
がオフになっている時間が短ければサインの筆記途中と
判断でき、長ければサイン終了であると判断できる。な
お、このペンタッチ情報に関する信号がオフの時間が短
ければ、サインの筆記途中であるという判断ができるの
で、この短いオフ時間の発生タイミングを個人性情報の
一つとして利用してもよい。

【００７７】また、手書き入力部２０４は、上述したサ
イン認識装置に一体型である必要はなく、例えば遠隔地
でテレライティングのようなもので手書きサインデータ
をオンラインかつリアルタイムで読み込む装置に使用し
てもよい。

【００７８】さらに、上記一実施例におけるファジィネ
ット部２０５のメンバシップ関数では、２種類（Ｓｍａ
ｌｌ，Ｂｉｇ）用意したが、ここでのメンバシップ関
数、つまりはファジィルール数は多いほどより判別能力
が高めることができる。

【００７９】また、ファジィルールのメンバシップ関数
は三角形形状のものである必要はないが、上記実施例の
ような２層パーセプトロン構成のニューラルネットワー
クの場合、学習機能を保証するにはニューラルネットワ
ークの入力層のファジィ部を線形化手段として機能させ
る必要がある。

【００８０】

【発明の効果】以上述べたように本発明においては、デ
ータ量として膨大となるスペクトル強度のデータを圧縮
することができるばかりでなく、筆者の筆記過程での筆
記速度のばらつきによるデータ変化をも吸収させること
ができるので、手書き、しかも書く文字が個人差あるい
は同一人物によるものでも書くごとに微妙に文字形態が
異なるようなサインであっても、推論手段でのファジィ
推論処理によるデータ圧縮によって、的確に手書きによ
るサインを認識し易いサインデータを得ることができる
という優れた効果がある。

【図面の簡単な説明】

【図１】本発明の一実施例を表す概略構成図である。

【図２】ファジィネット部および学習部の詳細な構成を
示すブロック図である。

【図３】Ｐ形フーリエ変換部より出力されるパワースペ
クトルの一例を説明するための説明図である。

【図４】上記ファジィネット部が有するメンバシップ関
数を示す特性図である。

【図５】上記ファジィネット部が有するシグモイド関数
Ｏの特性曲線を示す特性図である。

【図６】加算部の具体的構成を表す回路図である。

【図７】レジスタに記憶された、正弦波成分および余弦
波成分のパワースペクトルの結合荷重係数の分布を示す
分布図である。

【図８】デファジィ部で行われる、結合荷重係数よりス
ペクトル強度を算出する算出過程を説明するための説明
図である。

【図９】従来のオンライン入力式文字認識装置の概略構
成を示すブロック図である。

【図１０】入力ファジィ部で行われるファジィ推論の処
理過程を説明するための説明図である。

【図１１】ＣＰＵの作動を示すフローチャートである。

【図１２】入力ファジィ部の作動を示すフローチャート
である。

【図１３】ファジィネット部および学習部による学習処
理の作動を示すフローチャートである。

【図１４】ファジィネットによる認識処理の作動を示す
フローチャートである。

【図１５】デファジィ部によるスペクトル強度算出処理
の作動を示すフローチャートである。

【符号の説明】

２０４手書き入力部２０５Ｐ形フーリエ変換部２０７ａ，２０７ｂ入力ファジィ部２０８ａ，２０８ｂファジィネット部２０９出力ファジィ部

Claims

【特許請求の範囲】

【請求項１】オンライン入力で手書きのサインを認識
するサイン認識装置であって、前記サインをオンラインで入力して、前記サインに対応
した情報信号を出力する入力手段と、この入力手段からの情報信号に対してＰ形フーリエ変換
処理を施すことによって、前記サインのスペクトル強度
を検出する検出手段と、この検出手段により検出されたスペクトル強度に対して
ファジィ推論処理を行うことにより、前記スペクトル強
度をデータ圧縮した、ファジィ密度に変換する推論手段
と、この推論手段により変換された前記ファジィ密度に基づ
いて前記サインの真偽を判定する判定手段と、を備えることを特徴とするサイン認識装置。