JPH06195520A - 識別用辞書生成方法 - Google Patents
識別用辞書生成方法Info
- Publication number
- JPH06195520A JPH06195520A JP4344960A JP34496092A JPH06195520A JP H06195520 A JPH06195520 A JP H06195520A JP 4344960 A JP4344960 A JP 4344960A JP 34496092 A JP34496092 A JP 34496092A JP H06195520 A JPH06195520 A JP H06195520A
- Authority
- JP
- Japan
- Prior art keywords
- dictionary
- shape
- learning
- character
- feature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
Landscapes
- Character Discrimination (AREA)
- Image Analysis (AREA)
Abstract
(57)【要約】
【目的】手書き文字認識等の形状認識のための辞書生成
方法に関し、認識率の高い辞書の生成を目的とする。 【構成】学習用形状パターンからｎ個の特徴データを抽
出し、それらをｎ次元特徴空間の位置座標とみなし、形
状種毎に、その形状種に属する全ての学習用形状パター
ンのｎ次元特徴空間における分布を求め、分布空間を格
子状に分割し、分割した各領域に属する学習用形状パタ
ーンの数をカウントし、その数が閾値以上であるとき、
その領域にある学習用形状パターンから辞書を生成す
る。
方法に関し、認識率の高い辞書の生成を目的とする。 【構成】学習用形状パターンからｎ個の特徴データを抽
出し、それらをｎ次元特徴空間の位置座標とみなし、形
状種毎に、その形状種に属する全ての学習用形状パター
ンのｎ次元特徴空間における分布を求め、分布空間を格
子状に分割し、分割した各領域に属する学習用形状パタ
ーンの数をカウントし、その数が閾値以上であるとき、
その領域にある学習用形状パターンから辞書を生成す
る。
Description
【０００１】
【産業上の利用分野】本発明は、手書き文字認識、物体
の形状による認識（識別）、物体表面の疵の形状による
疵種類の識別等の形状認識を行う場合における認識率を
高くするための辞書生成方法に関する。
の形状による認識（識別）、物体表面の疵の形状による
疵種類の識別等の形状認識を行う場合における認識率を
高くするための辞書生成方法に関する。
【０００２】形状認識とは、物体や図形の形を識別する
ことであり、形状の特徴を抽出し、標準パターンの特徴
を記した辞書と比較して、どのパターンに近いかを判断
することにより行なう。辞書が形状をよく代表するよう
にできていれば認識率が高くなり、そうでなければ何で
あるか認識できないか、区別すべき他の形状と区別でき
ない（誤認識する）率が高くなる。
ことであり、形状の特徴を抽出し、標準パターンの特徴
を記した辞書と比較して、どのパターンに近いかを判断
することにより行なう。辞書が形状をよく代表するよう
にできていれば認識率が高くなり、そうでなければ何で
あるか認識できないか、区別すべき他の形状と区別でき
ない（誤認識する）率が高くなる。
【０００３】
【従来の技術】以下に形状認識の代表的な例として手書
き文字の認識について説明する。文字をコンピュータで
扱うため、文字を数値（特徴値）で表す。図３は良く使
われる方向指数特徴方式の例である。文字を２値画像と
して入力しそれを碁盤目に並ぶ点の集まりとして扱う。
この点の並び方の特徴を数値化することにより文字を表
す。
き文字の認識について説明する。文字をコンピュータで
扱うため、文字を数値（特徴値）で表す。図３は良く使
われる方向指数特徴方式の例である。文字を２値画像と
して入力しそれを碁盤目に並ぶ点の集まりとして扱う。
この点の並び方の特徴を数値化することにより文字を表
す。
【０００４】図３（Ａ）に示すように文字の領域を縦横
適当な数に分割し分割した各領域における文字の輪郭上
の縦・横・斜め（２方向）の成分の数を数え、それを１
列に並べることで１つの文字を表現する。図３（Ｂ）に
示すように、この数字の組（特徴ベクトル）を座標と考
えると、文字はある空間（特徴空間）に位置する点と考
えることができる。図３（Ａ）のように分割領域の数が
１６で方向成分数が４とすると６４次元の空間である。
一般に特徴空間の次元は数百次元になりうる。
適当な数に分割し分割した各領域における文字の輪郭上
の縦・横・斜め（２方向）の成分の数を数え、それを１
列に並べることで１つの文字を表現する。図３（Ｂ）に
示すように、この数字の組（特徴ベクトル）を座標と考
えると、文字はある空間（特徴空間）に位置する点と考
えることができる。図３（Ａ）のように分割領域の数が
１６で方向成分数が４とすると６４次元の空間である。
一般に特徴空間の次元は数百次元になりうる。
【０００５】辞書とは、各文字種のとる特徴ベクトルの
座標の代表値のことであり、一般には、１つの文字種に
対して数千〜数万個の異なる人の書いた文字を集め、そ
れらの特徴ベクトルの座標の平均値をとるなどして作成
される。これらの辞書を作成するための文字を学習用文
字と呼ぶ。
座標の代表値のことであり、一般には、１つの文字種に
対して数千〜数万個の異なる人の書いた文字を集め、そ
れらの特徴ベクトルの座標の平均値をとるなどして作成
される。これらの辞書を作成するための文字を学習用文
字と呼ぶ。
【０００６】図４に特徴空間における辞書と入力文字の
関係を示す。文字の識別は、入力文字（識別したい文
字）の特徴ベクトルの座標と各辞書の座標との距離を計
算し、最も近い（かつ、一定距離以下の）辞書の属する
文字種がその文字の文字種であるとすることにより行な
われる。図の場合、入力文字は文字種「９」の辞書の１
つに最も近いので文字種「９」と認識される。
関係を示す。文字の識別は、入力文字（識別したい文
字）の特徴ベクトルの座標と各辞書の座標との距離を計
算し、最も近い（かつ、一定距離以下の）辞書の属する
文字種がその文字の文字種であるとすることにより行な
われる。図の場合、入力文字は文字種「９」の辞書の１
つに最も近いので文字種「９」と認識される。
【０００７】ところで、例えば文字種『９』をとっても
色々に変形した９があるので、それらの変形を代表する
ように、各文字種に対して複数の辞書を作成しておく。
識別辞書の作成についての基本的考え方は、多数の学習
用文字から互いに似たものを集めてグループ（クラス
タ）を作り、そのクラスタのメンバーである各文字の特
徴座標の平均値をとるとか、クラスタの中心にある文字
の特徴座標をとる等によって辞書とすることにより、ク
ラスタ毎の辞書を作成するというものである。従って、
その文字種に関してクラスタの数の辞書ができることに
なる。
色々に変形した９があるので、それらの変形を代表する
ように、各文字種に対して複数の辞書を作成しておく。
識別辞書の作成についての基本的考え方は、多数の学習
用文字から互いに似たものを集めてグループ（クラス
タ）を作り、そのクラスタのメンバーである各文字の特
徴座標の平均値をとるとか、クラスタの中心にある文字
の特徴座標をとる等によって辞書とすることにより、ク
ラスタ毎の辞書を作成するというものである。従って、
その文字種に関してクラスタの数の辞書ができることに
なる。
【０００８】従来の方法（クラスタリング）の例を以下
に２つ説明する。 Ａ）学習用文字から任意に１つを選びだし、それをク
ラスタ１の中心とする。別の学習用文字とこの文字
（クラスタ１の中心）との距離を計算し、閾値未満であ
れば同じクラスタのメンバーとし、閾値以上であれば別
のクラスタ（クラスタ２）の中心とする。このように
して、全ての学習用文字に対しそのときできている各ク
ラスタの中心との距離を計算し、近ければ（閾値未満）
最も近いクラスタのメンバーとみなし、遠ければ（閾値
以上）新たなクラスタの中心とするという操作を続け
る。クラスタの数があまり多いときは閾値を変えてや
り直すか、適当な数までで打ち切る。 Ｂ）学習用文字から任意に１つを選びだし、それをク
ラスタ１の中心とする。残りの全ての文字との距離を
計算して、近いものから一定数をあつめてクラスタ１と
し、残った文字の内最も近いものをクラスタ２の中心と
する。残った文字との距離を計算し近いものから一定
数を集めてクラスタ２とする。このようにして全文字を
クラスタ分けする。なお、クラスタのメンバー数はクラ
スタの数を幾つにするかによって決めておけばよい。
に２つ説明する。 Ａ）学習用文字から任意に１つを選びだし、それをク
ラスタ１の中心とする。別の学習用文字とこの文字
（クラスタ１の中心）との距離を計算し、閾値未満であ
れば同じクラスタのメンバーとし、閾値以上であれば別
のクラスタ（クラスタ２）の中心とする。このように
して、全ての学習用文字に対しそのときできている各ク
ラスタの中心との距離を計算し、近ければ（閾値未満）
最も近いクラスタのメンバーとみなし、遠ければ（閾値
以上）新たなクラスタの中心とするという操作を続け
る。クラスタの数があまり多いときは閾値を変えてや
り直すか、適当な数までで打ち切る。 Ｂ）学習用文字から任意に１つを選びだし、それをク
ラスタ１の中心とする。残りの全ての文字との距離を
計算して、近いものから一定数をあつめてクラスタ１と
し、残った文字の内最も近いものをクラスタ２の中心と
する。残った文字との距離を計算し近いものから一定
数を集めてクラスタ２とする。このようにして全文字を
クラスタ分けする。なお、クラスタのメンバー数はクラ
スタの数を幾つにするかによって決めておけばよい。
【０００９】どちらの例でも以上の操作を文字種毎に行
い、識別用辞書を完成させる。クラスタの数、即ち１つ
の文字種当たりの辞書の数は一般に多いほど認識率を向
上させられるが、メモリ容量や処理速度等による制約に
よって制限を受ける。
い、識別用辞書を完成させる。クラスタの数、即ち１つ
の文字種当たりの辞書の数は一般に多いほど認識率を向
上させられるが、メモリ容量や処理速度等による制約に
よって制限を受ける。
【００１０】
【発明が解決しようとする課題】Ａ）の方法では遠く離
れたものがクラスタの中心となってしまう可能性があ
り、そこに辞書ができてしまう。これは極端に変形した
文字を辞書としてしまうようなことに相当し、誤認識に
つながりやすい。
れたものがクラスタの中心となってしまう可能性があ
り、そこに辞書ができてしまう。これは極端に変形した
文字を辞書としてしまうようなことに相当し、誤認識に
つながりやすい。
【００１１】Ｂ）の方法では、辞書がある領域に集中し
やすくなり、少しの変形なのに認識できないことが起こ
りやすくなる。また漢字のように数千以上の字種がある
場合クラスタリングには膨大な時間が掛かる。
やすくなり、少しの変形なのに認識できないことが起こ
りやすくなる。また漢字のように数千以上の字種がある
場合クラスタリングには膨大な時間が掛かる。
【００１２】本発明は、学習用パターン（上記の例では
文字）の特徴空間における全体の分布状況を考慮するこ
とにより、認識率を高くできる識別用辞書を少ない計算
時間で生成する方法を提供することを目的としている。
文字）の特徴空間における全体の分布状況を考慮するこ
とにより、認識率を高くできる識別用辞書を少ない計算
時間で生成する方法を提供することを目的としている。
【００１３】
【課題を解決するための手段】本発明の着眼点は、 １つの形状種に着目してその学習用パターンの特徴空
間における分布を調べて、学習用パターンが多く集まっ
ている領域には必ず辞書を作る。 あまり分布していない領域は無視する。従って変形の
強いパターンは辞書作成から自動的に外れるようにす
る。ことである。
間における分布を調べて、学習用パターンが多く集まっ
ている領域には必ず辞書を作る。 あまり分布していない領域は無視する。従って変形の
強いパターンは辞書作成から自動的に外れるようにす
る。ことである。
【００１４】図１は本発明方法の原理図を示す。図１
（Ａ）はある１つの形状種の学習用パターンの分布と分
布領域の分割を示した概念図であり、図１（Ｂ）はその
分布領域の形状パターン数と辞書生成領域の判断法を示
した概念図である。
（Ａ）はある１つの形状種の学習用パターンの分布と分
布領域の分割を示した概念図であり、図１（Ｂ）はその
分布領域の形状パターン数と辞書生成領域の判断法を示
した概念図である。
【００１５】本発明は、学習用形状パターンからｎ個の
特徴データを抽出し、それらをｎ次元特徴空間の位置座
標とみなし、形状種毎に、その形状種に属する全ての学
習用形状パターンのｎ次元特徴空間における分布を求
め、分布空間を格子状に分割し（ 図１（Ａ））、分割
した各領域に属する学習用形状パターンの数をカウント
し、その数が閾値以上であるとき、その領域にある学習
用形状パターンから辞書を生成する（ 図１（Ａ））。
辞書の生成にはその領域にある学習用形状パターンの特
徴座標の平均値をとるなどにより行なう。
特徴データを抽出し、それらをｎ次元特徴空間の位置座
標とみなし、形状種毎に、その形状種に属する全ての学
習用形状パターンのｎ次元特徴空間における分布を求
め、分布空間を格子状に分割し（ 図１（Ａ））、分割
した各領域に属する学習用形状パターンの数をカウント
し、その数が閾値以上であるとき、その領域にある学習
用形状パターンから辞書を生成する（ 図１（Ａ））。
辞書の生成にはその領域にある学習用形状パターンの特
徴座標の平均値をとるなどにより行なう。
【００１６】また、形状種毎に求めたｎ個の特徴データ
の主成分分析を行って、特徴空間の次元を減少させると
共に、特徴毎に求めた分散によって座標軸に順位付けを
行い、分布空間を格子状に分割するときに、前記分散に
基づいて各軸の分割数を決めるようにすれば、より目的
に適う辞書ができる。
の主成分分析を行って、特徴空間の次元を減少させると
共に、特徴毎に求めた分散によって座標軸に順位付けを
行い、分布空間を格子状に分割するときに、前記分散に
基づいて各軸の分割数を決めるようにすれば、より目的
に適う辞書ができる。
【００１７】なお分割した各領域に属する学習用形状パ
ターンの数をカウントして多い順に並べ、先頭から一定
数までの領域について辞書を生成するようにしてもよ
い。
ターンの数をカウントして多い順に並べ、先頭から一定
数までの領域について辞書を生成するようにしてもよ
い。
【００１８】
【作用】分割した各領域に属する学習用形状パターンの
数をカウントし、その数が多いとき、その領域にある学
習用形状パターンから辞書を生成することから、特徴空
間の学習用形状パターンの分布密度が高い領域を代表す
る辞書を必ず作ることができる。また、分布密度の低い
領域の形状パターンを無視することになり、学習用形状
パターンの内あまりに変形が強く、その形状種を代表す
るとは言えないものを自動的に排除できる。
数をカウントし、その数が多いとき、その領域にある学
習用形状パターンから辞書を生成することから、特徴空
間の学習用形状パターンの分布密度が高い領域を代表す
る辞書を必ず作ることができる。また、分布密度の低い
領域の形状パターンを無視することになり、学習用形状
パターンの内あまりに変形が強く、その形状種を代表す
るとは言えないものを自動的に排除できる。
【００１９】また特徴毎に求めた分散によって座標軸に
順位付けを行い、分布空間を格子状に分割するときに、
前記分散に基づいて、例えば分散に比例するように各軸
の分割数を決めるようにすれば、より適切な領域設定が
できる。
順位付けを行い、分布空間を格子状に分割するときに、
前記分散に基づいて、例えば分散に比例するように各軸
の分割数を決めるようにすれば、より適切な領域設定が
できる。
【００２０】
【実施例】以下、図面を参照して本発明の実施例を説明
する。図２に一般的な光学的手書き文字認識装置（ＯＣ
Ｒ）の構成を示す。入力された手書き文字は観測部で光
電変換され、前処理部で正規化・ノイズ除去等の処理が
施される。さらに特徴抽出部で文字パターンの特徴が所
定の方法で抽出され、照合部で備えつけられている辞書
と照合されて認識結果が得られる。
する。図２に一般的な光学的手書き文字認識装置（ＯＣ
Ｒ）の構成を示す。入力された手書き文字は観測部で光
電変換され、前処理部で正規化・ノイズ除去等の処理が
施される。さらに特徴抽出部で文字パターンの特徴が所
定の方法で抽出され、照合部で備えつけられている辞書
と照合されて認識結果が得られる。
【００２１】本発明はこれらの内の辞書を作成する方法
に関する。辞書はコンピュータによってあらかじめ生成
され、ＯＣＲ装置に組み込んで使われるが、辞書の作成
時において学習用文字の入力から特徴抽出まではＯＣＲ
装置の一部またはそれと同等のハードウェアが使われ
る。
に関する。辞書はコンピュータによってあらかじめ生成
され、ＯＣＲ装置に組み込んで使われるが、辞書の作成
時において学習用文字の入力から特徴抽出まではＯＣＲ
装置の一部またはそれと同等のハードウェアが使われ
る。
【００２２】以下の手順により手書き文字認識における
識別用辞書を生成する。 学習用文字を収集し、それらを２値（白黒）の画像デ
ータとし、かつ格子状に区分した点の集まりである文字
パターンとする。 文字パターンを格子状にあらかじめ定めた領域に分割
し、各領域での４つの方向指数特徴（従来技術の項で説
明したもの：図３参照）を抽出する。 抽出した特徴を各文字に対する特徴空間での座標と見
なす。この座標を用いて各文字種毎に学習用文字の分布
を求め、公知の主成分分析を行なう。 各座標軸（特徴軸）の分割数を、各座標軸に対する分
布の分散に比例するように決定し、分布空間の分割を行
なう。 分割した空間の各領域に属する学習用文字の数をカウ
ントする。 閾値を定め、閾値以上のカウントを示す領域であるか
どうかを調べ、閾値以上であれば、その領域の学習用文
字の座標の平均値を計算する。 以上の操作を全文字種に対して行ない、文字種に対応
した特徴座標の組を作成しファイルにする。これが完成
した識別用辞書となる。
識別用辞書を生成する。 学習用文字を収集し、それらを２値（白黒）の画像デ
ータとし、かつ格子状に区分した点の集まりである文字
パターンとする。 文字パターンを格子状にあらかじめ定めた領域に分割
し、各領域での４つの方向指数特徴（従来技術の項で説
明したもの：図３参照）を抽出する。 抽出した特徴を各文字に対する特徴空間での座標と見
なす。この座標を用いて各文字種毎に学習用文字の分布
を求め、公知の主成分分析を行なう。 各座標軸（特徴軸）の分割数を、各座標軸に対する分
布の分散に比例するように決定し、分布空間の分割を行
なう。 分割した空間の各領域に属する学習用文字の数をカウ
ントする。 閾値を定め、閾値以上のカウントを示す領域であるか
どうかを調べ、閾値以上であれば、その領域の学習用文
字の座標の平均値を計算する。 以上の操作を全文字種に対して行ない、文字種に対応
した特徴座標の組を作成しファイルにする。これが完成
した識別用辞書となる。
【００２３】以上、手書き文字認識により本発明の実施
例を説明したが、本発明はこれに限るものではない。例
えば物体の形状認識、鋼板の表面の疵の疵種認識等にお
いても本発明が適用できる。
例を説明したが、本発明はこれに限るものではない。例
えば物体の形状認識、鋼板の表面の疵の疵種認識等にお
いても本発明が適用できる。
【００２４】
【発明の効果】以上説明したように、本発明によれば特
徴空間における学習用パターンの分布密度が高い領域に
は必ず識別用辞書を配置し、分布密度が低い領域は除外
するため、パターンの特徴をより良く代表する辞書、す
なわち、より識別能力の高い辞書を生成することができ
る。なお、分布密度が低い領域を除外することから、学
習用パターンの内極端に変形したものは自動的に除外す
ることができ、これらのパターンの悪影響を除くことが
できる。
徴空間における学習用パターンの分布密度が高い領域に
は必ず識別用辞書を配置し、分布密度が低い領域は除外
するため、パターンの特徴をより良く代表する辞書、す
なわち、より識別能力の高い辞書を生成することができ
る。なお、分布密度が低い領域を除外することから、学
習用パターンの内極端に変形したものは自動的に除外す
ることができ、これらのパターンの悪影響を除くことが
できる。
【図１】本発明方法の原理図である。
【図２】手書き文字認識装置（ＯＣＲ）と識別用辞書の
説明図である。
説明図である。
【図３】特徴抽出の説明図である。
【図４】特徴空間における辞書と入力文字の関係を示す
説明図である。
説明図である。
───────────────────────────────────────────────────── フロントページの続き (72)発明者 秋元 晴雄 神奈川県川崎市中原区上小田中1015番地 富士通株式会社内
Claims (3)
- 【請求項１】 学習用形状パターンからｎ個の特徴デー
タを抽出し、それらをｎ次元特徴空間の位置座標とみな
し、 形状種毎に、その形状種に属する全ての学習用形状パタ
ーンのｎ次元特徴空間における分布を求め、 分布空間を格子状に分割し、 分割した各領域に属する学習用形状パターンの数をカウ
ントし、 その数が閾値以上であるとき、その領域にある学習用形
状パターンから辞書を生成することを特徴とする識別用
辞書生成方法。 - 【請求項２】 形状種毎に求めたｎ個の特徴データの主
成分分析を行って、特徴空間の次元を減少させると共
に、特徴毎に求めた分散によって座標軸に順位付けを行
い、 分布空間を格子状に分割するときに、前記分散に基づい
て各軸の分割数を決めることを特徴とする請求項１に記
載の識別用辞書生成方法。 - 【請求項３】 分割した各領域に属する学習用形状パタ
ーンの数をカウントして多い順に並べ、 先頭から一定数までの領域について辞書を生成すること
を特徴とする請求項１に記載の識別用辞書生成方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP4344960A JPH06195520A (ja) | 1992-12-25 | 1992-12-25 | 識別用辞書生成方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP4344960A JPH06195520A (ja) | 1992-12-25 | 1992-12-25 | 識別用辞書生成方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH06195520A true JPH06195520A (ja) | 1994-07-15 |
Family
ID=18373323
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP4344960A Withdrawn JPH06195520A (ja) | 1992-12-25 | 1992-12-25 | 識別用辞書生成方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH06195520A (ja) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1997034258A1 (fr) * | 1996-03-15 | 1997-09-18 | Komatsu Ltd. | Dispositif et procede d'inspection utilisant un appareillement de motifs |
| WO1999026164A1 (fr) * | 1997-11-19 | 1999-05-27 | Yamatake Corporation | Procede pour generer un modele de classification, et support d'enregistrement |
| JP2009282824A (ja) * | 2008-05-23 | 2009-12-03 | Toyota Central R&D Labs Inc | 感情推定装置及びプログラム |
-
1992
- 1992-12-25 JP JP4344960A patent/JPH06195520A/ja not_active Withdrawn
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1997034258A1 (fr) * | 1996-03-15 | 1997-09-18 | Komatsu Ltd. | Dispositif et procede d'inspection utilisant un appareillement de motifs |
| WO1999026164A1 (fr) * | 1997-11-19 | 1999-05-27 | Yamatake Corporation | Procede pour generer un modele de classification, et support d'enregistrement |
| US6510245B1 (en) | 1997-11-19 | 2003-01-21 | Yamatake Corporation | Method of generating classification model and recording medium |
| JP2009282824A (ja) * | 2008-05-23 | 2009-12-03 | Toyota Central R&D Labs Inc | 感情推定装置及びプログラム |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US5005205A (en) | Handwriting recognition employing pairwise discriminant measures | |
| US4028674A (en) | Automated signature verification system | |
| Bhattacharya et al. | On recognition of handwritten Bangla characters | |
| CN110263673A (zh) | 面部表情识别方法、装置、计算机设备及存储介质 | |
| US3755780A (en) | Method for recognizing characters | |
| US20070065003A1 (en) | Real-time recognition of mixed source text | |
| Biswas et al. | Writer identification of Bangla handwritings by radon transform projection profile | |
| JP2001337993A (ja) | 文字認識結果を利用して情報を検索する検索装置および方法 | |
| JPH06195520A (ja) | 識別用辞書生成方法 | |
| US5684892A (en) | Method for pattern recognition | |
| Li et al. | Handprinted Chinese character recognition using the probability distribution feature | |
| Heutte et al. | Combining structural and statistical features for the recognition of handwritten characters | |
| Fan et al. | A feature point clustering approach to the recognition of form documents | |
| Kimpan et al. | Fine classification of printed Thai character recognition using the Karhunen-Loeve expansion | |
| JPH0934862A (ja) | パターン学習方法および装置 | |
| Han et al. | Coarse classification of Chinese characters via stroke clustering method | |
| Chi et al. | Handwritten digit recognition using combined ID3-derived fuzzy rules and Markov chains | |
| Kekre et al. | Off-line signature recognition using morphological pixel variance analysis | |
| EP0593204B1 (en) | A method and apparatus for symbol recognition using multidimensional preprocessing and symbol sorting | |
| Dubey et al. | Comparative analysis of off-line signature recognition | |
| Javed et al. | Computerized system for fingerprint classification using singular points | |
| Mahar et al. | Comparative study of feature extraction methods with K-NN for off-line signature verification | |
| Arora et al. | Comparative Analysis of Off-line Signature Recognition | |
| Srihari et al. | Machine learning for signature verification | |
| Chaudhari | Comparative study of feature extraction and classification techniques for printed bilingual Gujarati-English text |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A300 | Application deemed to be withdrawn because no request for examination was validly filed |
Free format text: JAPANESE INTERMEDIATE CODE: A300 Effective date: 20000307 |