JPH07168910A - 文書レイアウト解析装置及び文書フォ−マット識別装置 - Google Patents

Abstract

(57)【要約】 【目的】 文書画像データの項目領域を識別する知識ベ
ース型の文書レイアウト解析装置において、知識ベース
を改良して識別精度を向上させる。 【構成】 参照用文章の基準項目領域を参照ベクトルに
変換してこれを参照ベクトル格納部５に格納しておく。
識別対象となる未知文書は、画像入力部１で画像データ
に変換され、基本矩形領域抽出部２で複数の矩形領域に
分割され、各矩形領域毎に特徴ベクトル化される。項目
領域識別部６ではこれら特徴ベクトルに最も適応する参
照ベクトルを各々参照ベクトル格納部５から抽出し、こ
れを各矩形領域に対応付ける。これにより未知文書の項
目領域の識別が容易となる。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、文書を光学的読取手段
等で読み取ってデータベースを構築する知識ベース型シ
ステムに係り、特に、複数の項目領域を有する文書の画
像データから知識ベースを用いて各項目領域を識別する
文書レイアウト解析装置、及び入力された文書がどのフ
ォーマット種の文書であるかを識別する文書フォーマッ
ト識別装置に関する。

【０００２】

【従来の技術】文書画像中の論理構成要素、即ち、文章
の「本文」、「標題」、「あらまし」、「みだし」、
「著者」、「頁番号」等の項目領域を抽出する際に、文
書の記述内容とそのレイアウト方法との関係性（以下、
レイアウト規則と呼ぶ）に着目し、このレイアウト規則
を知識として用いることにより上記各項目領域の識別を
行う文書レイウト解析装置が知られている。この場合、
レイアウト規則は文書ごとに異なるから、これを知識ベ
ースとして扱い、知識ベース型のシステムを構築するの
が一般的である。この文書レイアウト解析装置は、例え
ば「山下、天野：モデルに基づいた文書画像のレイアウ
ト解析，電子情報通信学会論文誌，vol.J75-D-II,No.1
0,pp1637-1681,1992」等に開示されている。

【０００３】従来の文書レイアウト解析装置では、知識
ベースをプロダクション・ルール（ＩＦ−ＴＨＥＮ型の
生成規則）やフレームモデル等で記述し、推論エンジン
によって入力文書画像から得られた画像特徴と知識ベー
スとのマッチングを行うことで特定の知識を表現してい
た。

【０００４】また、文書画像を光学文字読み取り装置
（ＯＣＲ）等で読み取る場合、上記のような各項目のレ
イアウト情報が予め得られていると、各文書画像に対し
て再度上記のようなレイアウト解析を行う必要がなくな
るので、認識処理時間を短縮することができる。

【０００５】特に、帳票等においては文書画像中におい
ては、売上高や請求金額等に関する一部の項目領域のみ
が認識対象となる。従って、レイアウト情報が予め得ら
れていると、文書画像中において読み取り対象となる項
目領域のみを限定して読み取り処理を行うことができ、
処理時間が短縮される。更に、読み取り対象となる項目
領域を誤判定することもないので、認識精度も高くな
る。

【０００６】このように、文書画像のレイアウト情報が
予め得られていると有利な点が多いので、処理対象とな
る文書のレイアウト配置（フォーマット）の種別を識別
する装置が求められている。現在、このような文書フォ
ーマット識別手法として、例えば予めフォーマット種を
登録しておくとともに、処理対象となる文書画像を入力
するたびに、そのフォーマット種をオペレータ等がマニ
ュアル指定する手法が用いられている。

【０００７】しかし、この手法ではオペレータ等が人為
的にフォーマット種を入力する必要があり、自動識別を
行うことはできない。そこで、入力するすべての文書の
共通する位置に文書のフォーマット種を識別するための
記号等をあらかじめ印刷し、これを文書の光学的読み取
りに先だって認識する文書フォーマット識別手法が用い
られている。

【０００８】また、表フィールドで構成される帳票に関
しては、表フィールドの数や位置、大きさに関する特徴
を用いた手法が特願平１−４９８００号公報（帳票識別
装置）に開示されている。

【０００９】

【発明が解決しようとする課題】しかしながら、従来の
文書レイアウト解析装置では、知識ベースの記述形式が
ルールやモデル形式であり、厳密な数値データとして記
述することが困難なので、画像特徴と知識ベースとのマ
ッチングの最適化処理による識別精度の向上に一定の限
界があり、これに代わる知識ベースの形態が望まれてい
た。

【００１０】また、従来の文書フォーマット識別手法で
は、入力文書の固定位置に識別のための記号等を予め印
刷し、これを文書の認識に先だって認識している。しか
しながら、このような手法では、識別記号が印刷されて
いない既存の文書や識別記号等の印刷ができない文書の
フォーマットを識別することができなかった。

【００１１】更に、表フィールドから構成される帳票に
関しては、表フィールドの数や位置、大きさに関する特
徴を用いた手法が用いられているが、表フィールドのな
い一般文書に関してはこのような手法は適用できなかっ
た。

【００１２】本発明は、上記背景に鑑みて創案したもの
で、所定レイアウトの文字領域を対象として、項目領域
を抽出するための知識ベースを参照用文書データを用い
て獲得する際に、その知識ベースを数値データとして表
すことで、上記識別精度の向上を図り得る文書レイアウ
ト解析装置を提供することを目的としている。本発明の
他の目的は、文書画像を解析してそのフォーマット種を
識別する文書フォーマット識別装置を提供することにあ
る。

【００１３】

【課題を解決するための手段】本発明は、文書の項目領
域のレイアウトの規則性が、画像データから抽出した矩
形領域の画像特徴として表れる点、及びこれら画像特徴
が本来的にベクトルにより数値化される点に着目し、
「本文」、「標題」、「あらまし」のような記述内容表
示や頁番号等の基準項目領域に対してそれぞれの画像特
徴を表す参照ベクトルを知識ベースとして用意すると共
に、識別対象となる文字領域を複数の矩形領域に分割
し、各矩形領域における特徴ベクトルと上記各参照ベク
トルとを比較して領域毎の識別を行うようにしたもので
ある。

【００１４】即ち、本発明が提供する文書レイアウト解
析装置は、文章の記述内容表示や頁番号等の複数種類の
項目領域を有する文書を画像データに変換して取り込
み、この画像データと予め保持された前記文書のレイア
ウト知識とを参照して当該文書の前記項目領域の識別を
行う文書レイアウト解析装置において、前記取り込んだ
画像データから複数の文字領域を検出して各文字領域の
画像特徴をベクトル化するベクトル生成手段と、予めレ
イアウトが判明している参照用文書の基準項目領域の画
像特徴を前記ベクトル生成手段で参照ベクトルに変換
し、これら参照ベクトルを前記レイアウト知識として格
納する参照ベクトル格納手段と、識別対象となる未知文
書中の複数の文字領域の画像特徴を前記ベクトル生成手
段で特徴ベクトルに変換し、これら特徴ベクトルに各々
最も適応する参照ベクトルを未知文書の当該文字領域の
項目領域に対応付ける項目領域識別手段と、を有するこ
とを特徴とする。

【００１５】また、本発明が提供する文書フォーマット
識別装置は、入力された文書画像を画像データに変換し
て取り込む文書画像入力手段と、前記取り込んだ画像デ
ータから、その画像特徴を表すベクトルを生成するベク
トル生成手段と、それぞれ対応するフォーマットの特徴
を表す参照ベクトルを格納する参照ベクトル格納手段
と、識別対象となる未知文書の画像特徴を前記ベクトル
生成手段で特徴ベクトルに変換し、この特徴ベクトルに
最も適応する参照ベクトルに対応するフォーマット種を
検出し、検出されたフォーマット種を前記未知文書のフ
ォーマットとして選択するフォーマット種識別手段と、
を有することを特徴とする。

【００１６】上記各装置において、個々の特徴ベクトル
と参照ベクトルとの適応性基準としては、例えば、ユー
クリッド距離が最も小さくなる参照ベクトルを最も適応
する参照ベクトルとする。

【００１７】これらの構成において、前記ベクトル生成
手段は、例えば、前記取り込んだ画像データから文字画
素の連結毎に外接する矩形領域を抽出し、その間隔が所
定の閥値以下となる隣接矩形領域に対しては各矩形領域
を内包する最小の矩形領域に統合することで前記画像デ
ータを複数の矩形領域に分割するとともに、分割された
各矩形領域の画像特徴をそれぞれベクトル化するもので
ある。また、特定の矩形領域のみを抽出して該領域の画
像特徴をベクトル化するものであっても良い。

【００１８】更に、前記参照ベクトル格納手段は、同一
種類の複数の項目領域の特徴ベクトルの線形判別分析処
理を含む前処理を行う前処理手段と、項目領域毎の特徴
ベクトルの平均ベクトルを演算する演算手段とを有し、
この平均ベクトルを参照ベクトルとして格納する構成で
あっても良い。この構成によれば、前処理手段によって
有効な画像特徴のみが取り出されるので処理が的確且つ
迅速になるとともに、ベクトルが平均化されるから参照
ベクトルがより客観的なものとなり、未知文書の項目領
域の識別の信頼性が高まる。

【００１９】なお、特徴ベクトルとしては、例えば各矩
形領域の大きさや座標等の数値を構成要素とするベクト
ルを用いる。これらの値は文書のレイアウトに直結する
値であり、レイアウトを特徴ベクトルという数値によっ
て定量化することができる。

【００２０】

【作用】本発明の文書レイアウト解析装置においては、
参照ベクトル格納手段にて「本文」、「標題」、「あら
まし」等の基準項目領域の画像特徴を表す参照ベクト
ル、又はフォーマットの特徴を表す参照ベクトルを予め
格納する。

【００２１】ベクトル生成手段は、入力された未知文書
の画像データにおける文字領域を複数の矩形領域に分割
し、各分割された矩形領域の画像特徴をベクトル化す
る。分割の要領としては、例えば、画像データから文字
画素の連結毎に外接する矩形領域を抽出し、その間隔が
所定の閥値以下となる隣接矩形領域に対しては各矩形領
域を内包する最小の矩形領域に統合することで上記画像
データを複数の矩形領域に分割する。

【００２２】この閾値を小さく設定すると、各矩形領域
が文字の１つ１つに対応し、閾値を大きく設定すると、
各矩形領域が文字列に対応するようになる。これら矩形
領域は、座標等の数値によって表されるので、未知文書
のレイアウトやフォーマットというあいまいな情報が、
ベクトルという厳密な数値情報として表され、客観的に
評価できるようになる。

【００２３】項目識別手段では、各矩形領域から生成さ
れた特徴ベクトル毎に各々最も適応する参照ベクトルを
求め、各参照ベクトルに対応する基準項目領域を当該矩
形領域に対応付ける。これにより未知文書の項目領域の
識別が容易になる。同様に、フォーマット識別手段で
は、未知文書の画像データから生成された特徴ベクトル
毎に各々最も適応する参照ベクトルを求め、各参照ベク
トルに対応するフォーマット種を未知文書に対応付け
る。これにより未知文書のフォーマット種の識別が容易
になる。

【００２４】

【実施例】以下、図面を参照して本発明の実施例を詳細
に説明する。 （第１実施例）図１は本発明の第１実施例に係る文書レ
イアウト解析装置のブロック構成図である。図１におい
て、１は画像入力部、２は基本矩形領域抽出部、３は特
徴ベクトル抽出部、４は参照ベクトル生成部、５は参照
ベクトル格納部、６は項目領域識別部、７は項目領域出
力部である。

【００２５】この実施例においては、図２の手順で、
「本文」、「標題」、「あらまし」等の基準項目領域の
レイアウトが既知である参照用文書を用いて各基準項目
領域毎に参照ベクトルを生成するとともに、図３の手順
で、上記参照用文書と同一のレイアウト規則によって印
刷された入力文書（未知文書）の文字領域の項目領域の
識別を行う。図２及び図３において、Ｓは各処理ステッ
プを表す。

【００２６】まず、図１及び図２に基づいて参照ベクト
ルの生成過程について説明する。本実施例では、画像入
力部１にて上記参照用文書を１頁づつ走査し、メモリ
（図示省略）に２値のデジタル画像として格納する（Ｓ
２１）。基本矩形領域抽出部２では、デジタル画像とし
て格納された参照用文書の画像データから、基本矩形領
域を抽出する（Ｓ２２）。ここで、基本矩形領域とは、
入力画像の黒画素連結成分に外接する矩形を求め、互い
に重なり合う矩形をそれぞれ１つに統合することによっ
て得られる領域の意である。図４にこの基本矩形領域の
一例を示す。特徴ベクトル抽出部３では、図４に示すよ
うな各基本矩形領域の画像特徴をベクトル化（特徴ベク
トル）し、これを参照ベクトル生成部４に出力する（Ｓ
２３）。

【００２７】図５に本実施例による画像特徴の一例を示
す。図５を参照すると、この画像特徴は、例えば、基本
矩形領域の位置（２次元座標）とその幅及び高さ、該基
本矩形領域が含まれる行の高さとその行の上下の各行間
隔、該基本矩形領域が含まれる行の用紙左端、右端まで
のマージン（左マージン、右マージン）で、特徴ベクト
ルは、これらの９個の数値を要素とする。

【００２８】参照ベクトル生成部４では、各基本矩形領
域がとの項目領域に所属するかを決定するとともに、各
項目領域に対してそれぞれ所属する基本矩形領域の特徴
ベクトルの平均ベクトルを算出して参照ベクトル格納部
５に出力する（Ｓ２４）。本実施例においては、参照用
文書において各項目領域に対応する基本矩形領域をそれ
ぞれマン・マシンによって指示する。また、平均ベクト
ルをそれぞれ算出する前に、すべての特徴ベクトルを用
いて線形判別分析を行うことにより、後述する未知文書
の基本矩形領域の項目の識別精度が向上する。

【００２９】この線形判別分析を行った特徴ベクトル空
間の一例を図６に示す。図６において、横軸は線形判別
分析を行った結果の第一軸、縦軸は線形判別分析を行っ
た結果の第二軸を示し、各点はそれぞれ各項目に対応す
る平均ベクトルの位置を示している。

【００３０】次に、図１及び図３を参照して未知文書の
項目領域の識別過程を説明する。参照ベクトル生成時と
同様、画像入力部１に未知文書を１ページづつ入力し、
メモリに２値のデジタル画像として格納する（Ｓ３
１）。基本矩形領域抽出部２では、デジタル画像として
格納された入力画像から、基本矩形領域を抽出する（Ｓ
３２）。特徴ベクトル抽出部３では、各基本矩形領域の
画像特徴を抽出し、特徴ベクトルを項目領域識別部６に
出力する（Ｓ３３）。項目領域識別部６では、基本矩形
領域の特徴ベクトルと参照ベクトル格納部５に格納され
た各参照ベクトルとの距離をそれぞれ計算し、最も距離
の近い参照ベクトルに対応する項目をその基本矩形領域
の項目ラベルとする。そして、各基本矩形領域及びその
項目ラベルを項目領域出力部７に出力する。（Ｓ３
４）。図７に「あらまし」領域としてラベル付けされた
基本矩形領域を示す。

【００３１】項目領域出力部７は、項目ラベルが共通す
る基本矩形領域を含み、かつ他の項目ラベルが付けられ
た基本矩形領域を含まないように領域を設定して出力す
る。このように項目領域を決定することで、未知文書に
対してレイアウト解析を容易に行うことができる。特
に、線形判別分析を行うことで、項目領域を高い精度で
識別することができる。

【００３２】なお、この実施例においては基本入力画像
の黒画素連結成分に外接する矩形を求め、互いに重なり
合う矩形をそれぞれ１つに統合することによって得られ
る領域を基本矩形領域としている。図７に示されるよう
に、このように定められた基本矩形領域は、通常１文字
分に対応するが、隣接する基本矩形領域間の距離が予め
定められた閥値よりも小さい基本矩形領域を統合するこ
とによって得られる領域を基本矩形領域としてもよい。
この場合、適切な値の閥値を用いることにより、基本矩
形領域を行、あるいは複数行のブロックに対応させるこ
とができる。このように基本矩形領域を定めることで、
１文字毎の項目領域の識別を行う場合よりも迅速な識別
が可能になる。

【００３３】（第２実施例）図８は、本発明の第２実施
例に係る文書フォーマット識別装置のブロック構成図で
ある。図８において、８１は画像入力部、８２は文字列
領域抽出部、８３は特徴ベクトル抽出部、８４は参照ベ
クトル生成部、８５は参照ベクトル格納部、８６はフォ
ーマット種識別部、８７はフォーマット種出力部であ
る。

【００３４】この実施例においては、図９に示す手順に
より、フォーマット種が既知である参照用文書を用いて
そのフォーマット種に対応する参照ベクトルを生成して
おく。このように各フォーマット種に対応する参照ベク
トルを生成した後に、図１０の手順で、フォーマット種
が未知の文書のフォーマット種を識別する。図９及び図
１０において、Ｓは各処理ステップを表す。

【００３５】まず、図８及び図９に基づいて、図１１に
示される参照用文書から参照ベクトルを生成する過程に
ついて説明する。この実施例では、画像入力部８１にて
上記参照用文書を走査し、メモリ（図示省略）に二値の
デジタル画像として格納する（Ｓ９１）。文字列領域抽
出部８２では、デジタル画像として格納された参照用文
書の画像データから、文字列に相当する文字列領域を抽
出する（Ｓ９２）。この文字列領域は、例えば、文書画
像データから黒画素の連結成分を抽出し、さらに、入力
文書が横書きの場合は水平方向、入力文書が縦書きの場
合は垂直方向に一定値以下の距離をもつ黒画素の連結成
分を統合して矩形を抽出することにより得られる。この
場合には抽出された矩形が文字列領域となる。

【００３６】例えば図１１に示す入力画像から抽出され
る文字列領域を図１２に示す。特徴ベクトル抽出部８３
では、図１２に示されるような各文字列領域における文
字列の位置や大きさ等に関する画像特徴をベクトル（特
徴ベクトル）化し、参照ベクトル生成部８４に出力する
（Ｓ９３）。

【００３７】次に、すべての参照用画像を入力したかど
うかを検出し、未入力の参照用画像がある場合にはＳ９
１に戻り、未入力の参照用画像を入力する。すべての参
照用画像の入力が終了していれば、次のステップに進む
（Ｓ９４）。参照ベクトル生成部８４では、各参照用文
書の特徴ベクトルを線形変換し、得られたベクトルに対
してフォーマット種ごとに平均ベクトルを求める。そし
て、得られた平均ベクトルをそのフォーマット種の参照
ベクトルとして（Ｓ９５）、参照ベクトル格納部８５に
格納する（Ｓ９６）。

【００３８】ここで用いる線形変換行列は、第１実施例
と同様に線形判別分析によっても求めれことができ、こ
れにより後述するフォーマット種が未知である文書の識
別精度が向上する。

【００３９】以下に、特徴ベクトルの一算出例を述べ
る。文字列領域抽出部８２の出力から特徴ベクトルを算
出するために、図１３に示すように、入力文書画像の左
上端を原点、水平方向をｘ軸、垂直方向をｙ軸とする座
標系を考える。

【００４０】文字列抽出部８３から出力された文字列領
域に相当する矩形の左上端のｘ座標をｓｘ、ｙ座標をｓ
ｙ、右下端のｘ座標をｅｘ、ｙ座標をｅｙとする。さら
に、文字列領域に相当する矩形領域内に含まれる黒連結
矩形の領域の面積の和が文字列に相当する矩形領域の面
積に占める割合をｄｎｓｔとする。各文字列領域それぞ
れについて、これら５つの値を成分とする５次元ベクト
ルを算出する。さらに、フォーマット種が同一である文
字列領域のベクトルから平均ベクトルを算出し、これを
入力文書の特徴ベクトルとする。従って、この例におい
ては特徴ベクトルは、５次元のベクトルとなる。

【００４１】次に、図８及び図１０を参照してフォーマ
ット種が未知である文書の項目領域の識別過程を説明す
る。

【００４２】参照ベクトル生成時と同様、文書画像入力
部８１にフォーマットが未知の文書を１ページづつ入力
し、メモリに２値のデジタル画像として格納する（Ｓ１
０１）。文字列領域抽出部８２では、デジタル画像とし
て格納された入力画像から、文字列領域を抽出する（Ｓ
１０２）。特徴ベクトル抽出部８３では、各文字列領域
の画像特徴を抽出し、特徴ベクトルをフォーマット種識
別部８６に出力する（Ｓ１０３）。

【００４３】フォーマット種識別部８６では、文字列領
域の特徴ベクトルと参照ベクトル格納部８５に格納され
た各参照ベクトルとの距離をそれぞれ計算し、最も距離
の近い参照ベクトルに対応するフォーマット種をその文
書のフォーマット種として識別し（Ｓ１０４）、その結
果をフォ−マット種出力部８７へ出力する（Ｓ１０
５）。このようにして、未知文書のフォーマット種を容
易に識別することができる。特に、入力文書の特徴ベク
トルを線形変換し、各参照ベクトルとのユークリッド距
離を個別に算出し、最も距離の短い参照ベクトルに対応
するフォーマット種を識別結果とすることで、認識精度
を向上することができる。

【００４４】

【発明の効果】以上詳細に説明したように、本発明によ
れば、従来、厳密な数値データとして扱うことが困難で
あったレイアウト情報やフォーマット情報を、文書の画
像特徴を表す特徴ベクトル、参照ベクトル、矩形領域と
して数値化して扱うことができるので、識別精度が従来
に比べて格段に向上する効果がある。

【００４５】特に、本発明の文書レイアウト解析装置に
おいては、特定の項目領域のみを選択的に抽出して該領
域の画像特徴をベクトル化できるので、文書紙面全体の
レイアウト解析が不要となり、実用上の効率化が図れる
効果もある。

【００４６】更に、文書フォーマット識別装置において
は、文書の種類を識別するために記号等をあらかじめ印
刷することなく文書の種類を識別することが可能となる
ので、あらかじめ文書の種類を識別するための記号等が
印刷されていない文書の種類の識別が可能となる効果が
ある。従って、既存の文書をコンピュータ等に電子化し
て自動入力する際に、入力処理の効率化が図れるように
なる。

【図面の簡単な説明】

【図１】本発明の文書レイアウト解析装置のブロック構
成例を示す図。

【図２】参照ベクトルの生成過程を示すフローチャー
ト。

【図３】入力文書の項目領域の抽出過程を示すフローチ
ャート。

【図４】入力文書の基本矩形領域の一例の説明図。

【図５】基本矩形領域の画像特徴の説明図。

【図６】基本矩形領域の特徴ベクトル空間の一例の説明
図。

【図７】未知文書から抽出された「あらまし」領域にラ
ベル付けされた基本矩形領域の一例を示す説明図。

【図８】本発明の文書フォーマット識別装置のブロック
構成例を示す図。

【図９】参照ベクトルの生成過程を示すフローチャー
ト。

【図１０】入力文書のフォーマット種の識別過程を示す
フローチャート。

【図１１】入力文書の一例の説明図。

【図１２】入力文書から抽出した文字列領域の説明図。

【図１３】特徴ベクトルの算出手法の説明図。

【符号の説明】

１ 画像入力部 ２ 基本矩形領域抽出部 ３ 特徴ベクトル抽出部 ４ 参照べクトル生成部 ５ 参照ベクトル格納部 ６ 項目領域識別部 ７ 項目領域出力部 ８１ 画像入力部 ８２ 文字列領域抽出部 ８３ 特徴ベクトル抽出部 ８４ 参照ベクトル生成部 ８５ 参照ベクトル格納部 ８６ フォーマット種識別部 ８７ フォーマット種出力部

Claims (9)

【特許請求の範囲】
1. 【請求項１】 文章の記述内容表示や頁番号等の複数種
   類の項目領域を有する文書を画像データに変換して取り
   込み、この画像データと予め保持された前記文書のレイ
   アウト知識とを参照して当該文書の前記項目領域の識別
   を行う文書レイアウト解析装置において、 前記取り込んだ画像データから複数の文字領域を検出し
   て各文字領域の画像特徴をベクトル化するベクトル生成
   手段と、 予めレイアウトが判明している参照用文書の基準項目領
   域の画像特徴を前記ベクトル生成手段で参照ベクトルに
   変換し、これら参照ベクトルを前記レイアウト知識とし
   て格納する参照ベクトル格納手段と、 識別対象となる未知文書中の複数の文字領域の画像特徴
   を各々前記ベクトル生成手段で特徴ベクトルに変換し、
   個々の特徴ベクトルに最も適応する前記参照ベクトルを
   各々当該文字領域に対応付ける項目領域識別手段と、を
   有することを特徴とする文書レイアウト解析装置。
2. 【請求項２】 請求項１記載の文書レイアウト解析装置
   において、 前記ベクトル生成手段は、 前記取り込んだ画像データの文字領域から文字画素の連
   結毎に外接する矩形領域を抽出し、その間隔が所定の閥
   値以下となる隣接矩形領域に対しては各矩形領域を内包
   する最小の矩形領域に統合することで前記文字領域を複
   数の矩形領域に分割するとともに、分割された各矩形領
   域の画像特徴をそれぞれベクトル化することを特徴とす
   る文書レイアウト解析装置。
3. 【請求項３】 請求項２記載の文書レイアウト解析装置
   において、 前記ベクトル生成手段は、特定の矩形領域のみを選択的
   に抽出し、該矩形領域の画像特徴をベクトル化すること
   を特徴とする文書レイアウト解析装置。
4. 【請求項４】 請求項１ないし３のいずれかの項記載の
   文書レイアウト解析装置において、 前記参照ベクトル格納手段は、同一種類の複数の項目領
   域の特徴ベクトルの線形判別分析処理を含む前処理を行
   う前処理手段と、項目領域毎の特徴ベクトルの平均ベク
   トルを演算する演算手段とを有し、この平均ベクトルを
   前記参照ベクトルとして格納することを特徴とする文書
   レイアウト解析装置。
5. 【請求項５】 入力された識別対象文書を画像データに
   変換して取り込む文書画像入力手段と、 前記取り込んだ画像データから、その頁単位の画像特徴
   を表すベクトルを生成するベクトル生成手段と、 異なる文書フォーマット種の特徴をそれぞれ表す複数の
   参照ベクトルを格納する参照ベクトル格納手段と、 識別対象となる未知文書の画像特徴を前記ベクトル生成
   手段で特徴ベクトルに変換し、この特徴ベクトルに最も
   適応する参照ベクトルを前記参照ベクトル格納手段から
   選択抽出し、抽出した参照ベクトルに対応するフォーマ
   ット種を前記未知文書のフォーマット種として識別する
   フォーマット種識別手段と、を有することを特徴とする
   文書フォーマット識別装置。
6. 【請求項６】 請求項５記載の文書フォーマット識別装
   置において、 前記ベクトル生成手段は、 前記取り込んだ画像データから文字列領域を全て検出し
   て各文字列領域の画像特徴をそれぞれベクトル化し、得
   られた各ベクトルから前記画像特徴を表す特徴ベクトル
   を生成することを特徴とする文書フォーマット識別装
   置。
7. 【請求項７】 請求項６記載の文書フォーマット識別装
   置において、 前記ベクトル生成手段は、 前記取り込んだ画像データから文字画素を検出するとと
   もに、文字画素の連結毎に外接する矩形領域を抽出し、
   その間隔が所定の閥値以下となる隣接矩形領域に対して
   は各矩形領域を内包する最小の矩形領域に統合すること
   で前記文字列領域を検出することを特徴とする文書フォ
   ーマット識別装置。
8. 【請求項８】 請求項５乃至７のいずれかの項記載の文
   書フォーマット識別装置において、 予めフォーマット種が判明している参照文書の画像特徴
   を前記ベクトル生成手段で特徴ベクトルに変換し、同一
   フォーマット種の特徴ベクトルから該フォーマット種に
   対応する参照ベクトルを生成する参照ベクトル生成手段
   を有し、生成した参照ベクトルを前記参照ベクトル格納
   手段に格納することを特徴とする文書フォーマット識別
   装置。
9. 【請求項９】 請求項８記載の文書フォーマット識別装
   置において、 前記参照ベクトル生成手段は、 同一フォーマット種の複数の文書の特徴ベクトルの線形
   判別分析処理を含む前処理を行う前処理手段と、 各フォーマット種毎の特徴ベクトルの平均ベクトルを演
   算する演算手段とを有し、この平均ベクトルを前記参照
   ベクトルとして生成することを特徴とする文書フォーマ
   ット識別装置。