JPH07234937A - 図面認識方法及び図面認識システム - Google Patents

Abstract

(57)【要約】 【目的】 本発明は，図面認識方法及び図面認識システ
ムに関し，認識率の向上および操作性の向上を実現する
ことを目的とする。 【構成】 事例データを生成し蓄積するデータ生成蓄積
手順と，蓄積された多量の事例データからクラスタリン
グ処理により一般性の高い少数の事例データを抽出する
基本データ生成手順と，生成された事例データを最新の
ものから一定数保持する最新履歴データを生成更新する
データ生成更新手順と，基本データと最新履歴データと
からなる学習用データを元に認識作業時に逐次的に認識
処理をニューラルネットにより学習する学習手順と，ニ
ューラルネットにより学習された認識処理を利用して図
形の認識を行う図形認識手順とを有する。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は，図面認識方法及び図面
認識システムに関し，特に，地形図や設備図等の図面
を，オペレータの判断を介在させながら効率的に計算機
入力する図面認識方法及び図面認識システムであって，
対象とする図面の様々な状況の変化に柔軟に対応するた
めの図面認識方法及び図面認識システムに関する。

【０００２】

【従来の技術】従来の図面認識方法において，図面中の
図形の認識を行うための処理は手続き型の処理として実
現されており，その処理手続きは固定的である。

【０００３】一方，地形図等を認識の対象とする場合に
は，同じ種類の図形であっても，その様子は地形や地域
によって大きく異なる。その一例として，図７に，認識
の対象が市街地付近の等高線である場合（図７（Ａ））
と，山間部の等高線である場合（図７（Ｂ））とを示
す。

【０００４】図７に示すように，同じ（１本の）等高線
でも市街地と山間部では，他の図形との重なり方や分断
のされ方等が大きく異なっている。例えば，図７（Ａ）
において，左上から右下に斜めに走る太線が等高線（区
別のために太線で示した）であり，道路や建築物等の
「平面として意味を持つ図形」によって分断されている
（重なっている）。一方，図７（Ｂ）において，略等間
隔で走る多数の線が等高線であり，図中やや左側を縦に
走る「経度線」や右上から左下へ走る「川」等の線によ
って分断されている（交差している）。

【０００５】また，図面を局所的に見ると，類似した状
況が集中して現れることが多い。例えば，図７（Ｂ）に
おいては，等高線が「経度線」や「川」によって繰り返
し分断されている（交差している）。このような状況
は，単に図形の形状だけでなく，図８に示すようなスキ
ャナー等による読み込みのむら（図面の保存状態や色の
具合等による）や，手書き図面の場合の書き手のくせ等
によっても，同様に発生する。例えば，図８において，
何も障害物がないので本来連続しているはずの１本の等
高線が，読み込みのむら等により，多数の短い線に分断
されている。

【０００６】

【発明が解決しようとする課題】前述した従来の図面認
識方法によれば，図面中の図形の認識を行うための処理
として固定的な手続き型の処理を用いているために，様
々な図面状況の変化に対して柔軟に対応することができ
ないという問題がある。特に，地形図等を認識の対象と
する場合には，同じ種類の図形であっても，その様子は
地形や地域によって大きく異なるため，すべての場合に
十分に対応することができないという問題がある。

【０００７】例えば，図形認識の一例として，図７に示
した等高線の追跡を考える。この場合，図７に示すよう
に，同じ等高線でも市街地と山間部とで他の図形との重
なり方や分断のされ方等が大きく異なる。従って，固定
的な処理を用いると十分に対応することができない。即
ち，等高線の追跡の手続きを，等高線が「平面として意
味を持つ図形」によって分断されている場合の認識処理
に固定すると，等高線が「経度線」等の線と交差してい
る場合の追跡に対応できない。逆に，等高線の追跡の手
続きを，等高線が「経度線」等の線と交差している場合
の認識処理に固定すると，等高線が「平面として意味を
持つ図形」によって分断されている場合の追跡に対応で
きない。

【０００８】また，図面を局所的に見て類似した状況が
集中して現れる状況（図７（Ｂ）及び図８）において
は，固定的な処理を用いると同様の認識誤りを繰り返し
てしまうという事態が発生してしまう。即ち，図７
（Ｂ）の場合には，「経度線」等の線を誤って等高線と
認識する処理を繰り返す。また，図８の場合には，本来
の等高線である多数の短い線の各々を，次に接続すべき
接続候補図形として認識できないという処理を繰り返
す。

【０００９】以上のような問題点は，手続き型の処理を
用いた場合に限らず，図面中の図形の認識を行うために
ニューラルネット等の学習機能を用いた場合でも，それ
らが固定的に使用されているために，同様に発生する。

【００１０】即ち，様々な図面状況の変化に対応するた
めには，認識作業中に逐次的に学習を行い，認識処理を
動的に変化させることが望ましい。しかし，生成される
事例データのみを逐次的に学習する方式を用いた場合，
柔軟性はあるものの学習結果が一般性を持たず偏り過ぎ
てしまう。これは，例えば前述した等高線の追跡の手続
きを，等高線が「平面として意味を持つ図形」によって
分断されている場合の認識処理に固定した場合と等価で
ある。

【００１１】逆に，蓄積された大量の事例データを学習
すれば一般性の高い認識処理を獲得することはできる
が，大量の事例データの中に新しい事例データを追加し
ても，学習結果には殆ど反映されず柔軟性を失ってしま
う。これも，結果として，等高線の追跡の手続きを，あ
る特定の認識処理に固定した場合と等価である。

【００１２】従って，図面中の図形の認識を行う場合，
従来の図面認識方法は，様々な図面状況の変化に柔軟に
対応できないため，認識率が低く，また，同じような誤
りを繰り返してしまうという欠点を持っている。このた
め，作業効率が低いだけでなく，作業を行うオペレータ
に対しては不快感を与えることにもなる。

【００１３】本発明は，以上のような問題点を解決し，
図面認識における認識率の向上及び操作性の向上を実現
するための図面認識方法及び図面認識システムを提供す
ることを目的とする。

【００１４】また，本発明は，オペレータとの対話によ
り図面を認識して計算機へ入力する図面認識方法及び図
面認識システムであって，図面認識の認識率の向上及び
操作性の向上を実現するための図面認識方法及び図面認
識システムを提供することを目的とする。

【００１５】また，本発明は，ニューラルネットを用い
て図面認識中に逐次学習を行い，図面認識の認識率の向
上及び操作性の向上を実現するための図面認識方法及び
図面認識システムを提供することを目的とする。

【００１６】また，本発明は，ニューラルネットを用い
て図面認識中に逐次学習を行う際に現れる事例を素早く
学習結果に反映させ，短時間で学習を終了させるための
図面認識方法及び図面認識システムを提供することを目
的とする。

【００１７】また，本発明は，一般性の高い少数のデー
タを予め抽出して，図面認識における認識率の向上及び
操作性の向上を実現するための図面認識方法及び図面認
識システムを提供することを目的とする。

【００１８】

【課題を解決するための手段】本発明の図面認識方法
は，紙面に描かれた地図等の図面を認識する図面認識方
法であって，蓄積された多量の事例データから一般性の
高い少数の事例データを抽出することにより生成された
基本データと，事例データを最新のものから一定数保持
することにより生成された最新履歴データとを合わせて
なる学習用データを用いて，認識処理を逐次的に学習す
る学習手順と，学習した認識処理を利用して図形の認識
を行う図形認識手順とを有する。

【００１９】また，本発明の図面認識システムは，紙面
に描かれた地図等の図面を認識する図面認識システムで
あって，蓄積された多量の事例データから一般性の高い
少数の事例データを抽出することにより生成された基本
データと，事例データを最新のものから一定数保持する
ことにより生成された最新履歴データとからなる学習用
データを有し，この学習用データを用いて認識処理を逐
次的に学習し，学習した認識処理を利用して図形の認識
を行う手段を有する。

【００２０】

【作用】本発明によれば，図面認識作業時の認識処理の
結果を事例データとして生成して，多数の事例データか
ら抽出された一般性の高い基本データと最新の事例デー
タに対応した最新履歴データとを合わせて学習すること
により，事例データを有効に活用し，図面の様々な状況
の変化に対して柔軟に認識処理を適応させることが可能
となる。これにより，図面の認識率の向上と共に認識作
業時のオペレータの負担を軽減することができ，図面認
識作業の効率を大幅に向上させることができる。

【００２１】

【実施例】以下，本発明の実施例を図面とともに説明す
る。図１は実施例構成図であり、本発明による図面認識
システムを示す。

【００２２】この図面認識システム１は，ＣＰＵ（中央
処理装置）とメモリとからなり，対話型図形認識処理部
２を備える。対話型図形認識処理部２は，メモリ上に存
在する対話型図形認識処理プログラムとＣＰＵとからな
り，紙面に描かれた地図等の図面をオペレータとの対話
により認識して入力する処理（認識作業処理）を実行す
る。

【００２３】即ち，図面認識システム１又は対話型図形
認識処理部２では，図面４が図面入力装置（図示せず）
から入力されると，入力装置（図示せず）を介してのオ
ペレータからの指示により，当該図面４を認識してメモ
リに入力した結果である図面４についての構造化データ
５を得る。また，構造化データ５を得ると共に，図面認
識システム１又は対話型図形認識処理部２は，図面４中
の図形（候補図形）の認識のためにオペレータが与えた
指示等を元に，事例データを作成し，これを本発明の学
習データ管理方式（後述する）に反映させる。

【００２４】事例データは，認識作業処理において図形
の認識処理を実行した結果から生成されるデータであっ
て，幾何学的特徴量と認識結果とからなる。具体的に
は，ある幾何学的特徴量と，そのような幾何学的特徴量
を有する図形は当該認識処理の結果，認識対象図形とさ
れたか否かを示す情報とからなる。

【００２５】ここで，幾何学的特徴量について述べる。
線画で表現される地図を対象とする場合，指定されたカ
テゴリーの図形を構成する部分図形を追跡し抽出するこ
とによって，図形の認識を行うことができる。図形の認
識を行う際には，図形の幾何学的形状及び図形間の幾何
学的相関関係（これらを合わせて幾何学的特徴量と言
う）から判定を行う。具体的な幾何学的特徴量を用いた
図形の認識の例は，本願出願人が先に出願した特願平４
−１８０６４５号に開示されている。但し，図形の認識
の方法としては，前記幾何学的特徴量を用いた図形の認
識の方法の他にも，認識対象とする図面，図形の種類に
よって様々なものが考えられので，本発明はこれに限定
されるものではない。

【００２６】対話型図形認識処理部２は，ニューラルネ
ット３を備える。本実施例では，図面の認識処理の一部
をニューラルネット３によって行う。このために，ニュ
ーラルネット３は，作成された事例データを学習し，こ
の学習結果を用いて図形認識のための所定の処理を行
う。

【００２７】ニューラルネット３は，例えば入力ユニッ
ト（入力層），中間ユニット（中間層）及び出力ユニッ
ト（出力層）からなる３層構造とされる。入力ユニット
の数は複数個（事例データを構成する幾何学的特徴量の
数に応じた数であり，通常十数個）とされ，中間ユニッ
トの数は経験的に得られる適切な個数とされ，出力ユニ
ットの数は１個とされる。

【００２８】事例データの学習時，入力ユニットには学
習信号として幾何学的特徴量が入力され，出力ユニット
には各候補図形の認識される確かさ度（認識確かさ度，
後述する））が出力され，教師信号である各候補図形の
認識確かさ度との比較を繰り返すことにより学習する。
学習結果を用いた図形認識のための所定の処理時，入力
ユニットには入力信号として幾何学的特徴量が入力さ
れ，出力ユニットには出力信号として各候補図形の認識
される確かさ度が出力される。

【００２９】なお，ここでは学習機能を実現する手段と
してニューラルネット３を用いているが，本発明は，ニ
ューラルネット３に限らず，事例から学習を行うことの
できる学習機構一般を用いることができる。このような
学習機構は，例えばプログラム等により実現される。

【００３０】図面４についての様々な図面状況の変化に
対応するために，本発明では，認識作業中に逐次的に学
習を行い，認識処理を動的に変化させる。このため，ニ
ューラルネット３の学習には次の２点が要求される。 現れる事例を素早く学習結果に反映させること（柔
軟性）。 逐次的に学習を行うため短時間で学習が終了するこ
と。

【００３１】しかし，対話認識時に生成される事例デー
タのみを逐次的に学習する方式を用いた場合，柔軟性は
あるものの，学習結果が一般性を持たず偏り過ぎてしま
う。実際の認識作業を行う際には，同様の事例だけが集
中して現れるわけではないので，ある程度の一般性を持
っていなければならない。

【００３２】逆に，蓄積された大量の事例データを学習
すれば，一般性の高い認識処理を獲得することはできる
が，大量の事例データの中に新しい事例データを追加し
ても，学習結果にはほとんど反映されない。つまり地形
の変化に柔軟に対応できなくなり，また，学習時間も大
きくなってしまう。

【００３３】そこで，本発明では，図１に示すような学
習データ（又は事例データ）管理方式を用いる。事例デ
ータは認識作業中において図形の認識処理を実行した結
果から生成される。事例データは，一方で生成後直ちに
直接学習に反映され，他方で一定の時間の後間接に学習
に反映される。

【００３４】即ち，本発明では，学習データ（又は事例
データ）は，蓄積データ６と学習用データ７とからなる
二重構造とされて管理される。蓄積データ６は事例デー
タを蓄積したものである。事例データは生成後直ちに蓄
積データ６として蓄積されるので，蓄積データ６のデー
タ数は通常基本データ９の数に比べて多量である。学習
用データ７は，更に，最新履歴データ８と基本データ９
とからなる二重構造とされて管理され，ニューラルネッ
ト３の学習に用いられる。最新履歴データ８は常に最新
の事例データによって更新され，最新の事例データの内
容を反映している。このために，最新履歴データ８は認
識作業中に生成される事例データを最新のものから一定
数だけ保持している。基本データ９は，事前処理（後述
する）によって，蓄積データ６から抽出された一般性の
高い少数のデータである。蓄積データ６，学習用データ
７，最新履歴データ８及び基本データ９はメモリ内の所
定の領域に格納される。

【００３５】オペレータが与えた指示（又は自動判定の
結果）を元に作成された事例データは，全て，蓄積デー
タ６の一部としてそれまでの蓄積データ６に追加され保
存される。これにより，大量の事例データを蓄積でき，
蓄積データ６の一般性を高めることができる。一方，蓄
積データ６は，ニューラルネット３の学習には用いられ
ないので，大量の事例データを蓄積してもニューラルネ
ット３の学習には支障がない。

【００３６】また，事例データは最新履歴データ８の更
新に用いられる。従って，学習用データ７は常に最新の
事例データによって更新され，最新の事例データの内容
を反映していると言うことができる。これにより，現れ
る事例を素早く学習結果に反映させることができる。即
ち，柔軟性があり，新しい事例データを追加すると学習
結果に確実に反映され，地形の変化に柔軟に対応できる
学習用データ７を得ることができる。

【００３７】一方，基本データ９は蓄積データ６から抽
出された一般性の高いデータである。従って，学習用デ
ータ７はある程度の一般性を備えており，大量の事例デ
ータが蓄積される程その一般性が高くなると言うことが
できる。これにより，学習結果が一般性を持ち，地形の
変化に柔軟に対応できる。

【００３８】また，基本データ９は蓄積データ６から抽
出された少数のデータである。従って，学習用データ７
の数は，最新履歴データ８を加えたとしても，蓄積デー
タ６の数と比べると極めて少ない。これにより，新しい
事例データを追加した時の学習時間を極めて短くするこ
とが可能となる。

【００３９】以上から判るように，本発明によれば，柔
軟性があり，かつ，学習結果が一般性を持ち，新しい事
例データを追加すると，学習結果に確実に反映され，地
形の変化に柔軟に対応でき，また，学習時間も短い図面
認識が可能となる。従って，様々な図面状況の変化に対
応するために，認識作業中に逐次的に学習を行い，認識
処理を動的に変化させることができる。

【００４０】また，以上から判るように，最新履歴デー
タ８は事例データの生成の都度に更新されるが，基本デ
ータ９は一定の時間（例えば，１日の作業の開始前）を
置いて更新される。従って，本発明の図面認識処理は，
基本データ９を作成するために認識作業を開始する前に
行う事前処理と，認識作業時の処理（認識作業処理）と
からなる。

【００４１】事前処理は，図面認識システム１又は対話
型図形認識処理部２が実行し，前述の学習データ管理方
式を実現するための処理であり，具体的には基本データ
９を作成する処理である。

【００４２】事前処理では，蓄積データ６として蓄積さ
れた事例データの各々について，図形の幾何学的特徴及
び幾何学的相関関係を表現する幾何学的特徴量空間内に
おいてクラスタリングし（ステップｂ１），生成された
クラスターの各々についての詳細（クラスター）情報を
算出し（ステップｂ２），各クラスターの詳細情報を利
用し一般性の高い少数の基本データ９を抽出する（ステ
ップｂ３）。

【００４３】認識作業処理は，図面認識システム１又は
対話型図形認識処理部２が実行し，ニューラルネット３
による図面認識を含む処理であり，これと並行して認識
結果を事例データとして蓄積すると共に学習用データ７
を更新し，更新した学習用データ７によりニューラルネ
ット３に逐次学習させる処理である。

【００４４】認識作業時の処理では，オペレータからの
図面４の認識作業の開始指示に応じて（ステップ１），
注目する領域内に存在する全ての認識候補図形を抽出し
（ステップ２），抽出された図形の幾何学的特徴および
相関関係（幾何学的特徴量）を算出し（ステップ３），
学習によって獲得された図形認識機構（ニューラルネッ
ト３）に入力し（ステップ４），図形認識機構が各候補
図形の認識確かさ度を算出し（ステップ５），算出され
た認識確かさ度から判定の信頼度を算出し（ステップ
６），判定の信頼度が高い場合には以後のステップ８お
よびステップ９は行わず対話型図形認識処理部２が自動
的に判定し（ステップ７），判定の信頼度が低い場合に
は，認識確かさ度の高い有力候補図形からオペレータに
提示し判断を仰ぎ（ステップ８），それに対してオペレ
ータが指示を与え（ステップ９），対話型図形認識処理
部２による自動判定，又は，オペレータによる判断の結
果に従い適切な認識対象図形の有無を判定し（ステップ
１０），適切な認識対象図形がないと判断された場合に
は作業を終了し（ステップ１１），適切な認識対象図形
がある場合には，認識処理の結果を元に事例データを生
成し（ステップ１２），生成された事例データを蓄積デ
ータ６に追加するとともに，事例データを最新のものか
ら一定数保持している最新履歴データ８の更新を行い
（ステップ１３），更新された最新履歴データ８と事前
処理によって抽出された基本データ９とからなる学習用
データ７による学習を行い（ステップ１４），その学習
結果を図形認識機構にフィードバックして図形認識処理
を更新し（ステップ１５），その後ステップ２に戻り認
識作業を継続していく。

【００４５】次に，本発明による図形認識について具体
的に説明する。ここで，説明の簡単化のために，図形認
識の一例として地図中の線図形の追跡処理，具体的には
図２に示した等高線の追跡処理を例にとって説明する。
但し，ここでは線図形の追跡について説明するが，本発
明は線図形の追跡に限らず，図形の抽出，図形種の判定
など，図形の認識一般に広く適用できるものである。

【００４６】図２及び図３は線図形追跡の一例である等
高線の追跡の様子を示したものである。等高線の追跡
は，道路や記号といった他の図形によって分断された等
高線を順次追跡し，１本の等高線として抽出するもので
ある。

【００４７】線画で表現される地図を対象とする場合，
指定されたカテゴリーの図形を構成する部分図形を追跡
し抽出することによって，図形の認識を行うことができ
る。ここでは，交点，端点で区切られる部分図形を最小
単位として追跡を行うものとする。

【００４８】図２において，部分図形ａ０，ａ５及びａ
８は等高線であり，部分図形ａ１，ａ２，ａ９及びａ１
０は道路であり，部分図形ａ３，ａ４，ａ６及びａ７は
広葉樹林のマークである。図２中の部分図形ａ０（太線
で示してある）が追跡元図形であり，その端点付近に存
在する複数の部分図形ａｉ（ｉ＝１〜１０）が追跡候補
図形である。なお，部分図形ａ１，ａ２，ａ９及びａ１
０は，端点から等高線との交点までがその領域である。
追跡対象である等高線は，部分図形ａ０，ａ５及びａ８
の３個の部分図形に分断されている。部分図形ａ０とａ
５とは，道路により分断されている。部分図形ａ５とａ
８とは，部分図形ａ６により分断されている。

【００４９】一方，認識対象が地図等の複雑な図面であ
るので，図形相互の複雑な関係や情報の欠損などのため
に１００％自動的に認識することは極めて困難であり，
オペレータの判断を介在させる対話型認識が実用上有効
な手段になる。従って，対話型図形認識処理部２は，オ
ペレータとの対話による認識処理を繰り返すことによ
り，等高線の追跡を行う。ここでは，オペレータが追跡
元図形を指示すると，図面認識システム１又は対話型図
形認識処理部２が接続先（候補図形）を自動判定し，又
は判定困難時にはオペレータの指示を求めてその指示に
より判定し，これを繰り返すことにより，図面中の線分
群の中から等高線を順次追跡し，１本の等高線として抽
出する。

【００５０】概略的な手順として，まず，オペレータ
が，追跡元図形ａ０（及び必要に応じて追跡方向）を指
示する。これに応じて，対話型図形認識処理部２が当該
図形ａ０の交点，端点まで追跡し（ステップｔ１），近
傍の追跡候補図形ａ１〜ａ１０を抽出する（ステップｔ
２）。更に，対話型図形認識処理部２が，追跡元図形ａ
０と各追跡候補図形ａｉとの間の幾何学的相関関係，及
び，追跡候補図形ａｉの幾何学的特徴（幾何学的特徴
量）を算出すると，ニューラルネット３がこの幾何学的
特徴量を用いて接続確かさ度（等高線の場合の認識確か
さ度）を算出する（ステップｔ３）。この接続確かさ度
を用いて，対話型図形認識処理部２が，接続先を自動判
定し（ステップｔ４），追跡候補図形ａ１〜ａ１０の中
から１つの図形ａ５を選択する。自動判定が困難な時
は，オペレータに指示を求めて，その指示により判定す
る（ステップｔ４）。

【００５１】まず，ニューラルネット３の実行する処理
について説明する。ニューラルネット３は，学習結果に
従って，その入力ユニットに各追跡候補図形ａｉの幾何
学的特徴量が順次入力されると，これに応じて，その出
力ユニットに順次各追跡候補図形ａｉの認識確かさ度を
出力する。等高線の追跡の場合，追跡候補図形の認識確
かさ度として，接続確かさ度が出力される。接続確かさ
度は，例えば０から１の間の値を採り，その値が大きい
程その追跡候補図形が追跡元図形（既に認識された等高
線）に接続される可能性が高いことを示す。

【００５２】例えば，追跡候補図形ａ５の接続確かさ度
が１に近く，他の追跡候補図形の接続確かさ度が０に近
ければ，ニューラルネット３による判定（処理）の信頼
度は高いと考えられるので，自動判定により追跡候補図
形ａ５が選択される。また，追跡候補図形ａ５の接続確
かさ度と他の追跡候補図形ａ１又はａ１０の接続確かさ
度とが近似していれば，その信頼度は低いと考えられる
ので，自動判定が困難であるから，オペレータに指示を
求めて，その指示により判定し追跡候補図形ａ５を選択
する。

【００５３】ここで，信頼度とは，ニューラルネット３
による判定結果を元に，接続されるべき図形を１つに特
定できるかどうかを評価するものである。例えば，接続
確かさ度の高い候補図形（有力候補）が１つだけ存在す
る場合には判定の信頼度は高い。逆に，複数の有力候補
が存在する場合や，有力候補が１つも存在しない場合に
は判定の信頼度は低い。そこで，対話型図形認識処理部
２が，ニューラルネット３による判定（処理）の信頼度
を判定するための評価関数を備える。評価関数は，有力
候補が１つだけ存在する場合には信頼度が高く，逆に，
複数の有力候補が存在する場合や，有力候補が１つも存
在しない場合には判定の信頼度が低くなるように，設定
される。この信頼度の判定により，例えば追跡候補図形
ａ５が正解図形であると認識される。即ち，図形の認識
（及び入力）が行われる。

【００５４】本発明によれば，直前に等高線が道路によ
って分断されている図形の認識を行っていたとすれば，
この認識結果が最新履歴データ８を介して学習用データ
７に反映されるので，追跡候補図形ａ５の接続確かさ度
を大きくできる。一方，直前に等高線が経度線等と交差
する図形の認識を行っていたとしても，学習用データ７
は基本データ９によって一般性を持つようにされている
ので，追跡候補図形ａ５の接続確かさ度を大きくでき
る。

【００５５】次に，この場合に生成される事例データに
ついて説明する。対話型の認識作業におけるオペレータ
の指示は比較的単純なものであり，線図形追跡の場合で
は，複数の追跡候補図形の中でどの図形が接続されるの
かを指示する。そして，このオペレータの指示（又は自
動判定の結果）を元に事例データを生成する。線図形追
跡の場合には，それぞれの追跡候補図形の幾何学的特徴
量とその候補図形が接続されるのか，接続されないのか
という情報を合わせて事例データとする。１回のオペレ
ータの指示（又は自動判定）により，接続される図形の
データを１個と接続されない図形のデータを（追跡候補
図形の数−１）個とを含む事例データが１個生成され
る。

【００５６】図２に示す場合，部分図形ａ５の幾何学的
特徴量とこれが接続されること，及び，部分図形ａ１〜
ａ４及びａ６〜ａ１０の幾何学的特徴量とこれらが接続
されないことが，１個の事例データとして生成される。

【００５７】この事例データの生成に先立って，既に，
他の等高線の追跡の結果得られた事例データが等高線の
追跡の蓄積データ６として多量に蓄積されている。そし
て，この蓄積データ６から等高線の追跡の基本データ９
が抽出されている。また，直前の他の等高線の追跡の結
果得られた事例データが等高線の追跡の最新履歴データ
８として生成されている。従って，最新履歴データ８と
基本データ９とからなる学習用データ７が生成されてい
る。そして，この学習用データ７を用いて学習したニュ
ーラルネット３により部分図形ａ５の認識が行われる。

【００５８】部分図形ａ５の認識処理により生成された
事例データは，蓄積データ６に蓄積され，最新履歴デー
タ８に追加される。最新履歴データ８に追加された分
は，学習用データ７として例えば次の部分図形ａ８の認
識に活用される。蓄積データ６に蓄積された分は，事例
データとして蓄積されると共に，基本データ９の生成に
用いられ間接的に学習用データ７として活用される。

【００５９】学習時，ニューラルネット３の入力ユニッ
トに接続される部分図形ａ５の幾何学的特徴量が入力さ
れ，教師信号としてその値が１である接続確かさ度が与
えられる。これに応じて，ニューラルネット３は，その
出力ユニットに出力される接続確かさ度が教師信号の値
１に近づくように学習する。即ち，ニューラルネット３
の結線の荷重値や各ユニットのしきい値を変更する。次
に，ニューラルネット３の入力ユニットに接続されない
部分図形ａ１〜ａ４，ａ６〜ａ１０の幾何学的特徴量が
順次入力され，教師信号としてその値が０である接続確
かさ度が与えられる。これに応じて，ニューラルネット
３は，その出力ユニットに出力される接続確かさ度が教
師信号の値０に近づくように学習する。

【００６０】次に，図４乃至図６により，図２の等高線
追跡について説明する。図４は事前処理フローを示す。
図５及び図６は認識処理フローを示す。図５及び図６は
両者を合わせて１つの認識処理フローを表す。

【００６１】（１）事前処理 まず，事前処理から説明する。事前処理は，認識作業処
理前に大量の蓄積データ６から少数の基本データ９をク
ラスタリング処理によって抽出する過程である。

【００６２】図４において，対話型の認識作業処理を通
して生成される事例データは蓄積データ６に追加保存さ
れる。対話型図形認識処理部２は，この大量の蓄積デー
タ６を，幾何学的特徴量空間内においてクラスタリング
して，複数のクラスターとする（ステップｂ１）。

【００６３】クラスタリングの手法には様々なものがあ
るが，ここでは簡便な最近接法を用いる。最近接法は，
新規に与えられたデータがあるクラスターの中心から一
定距離内に含まれる場合に，そのクラスターに所属する
ものとし，また，既存のクラスターに含まれないデータ
に対してはその点を中心とするクラスターを新たに生成
するというものである。ここで，データが複数のクラス
ター内に重複して含まれる場合には最も近い位置にある
クラスターに所属させるものとする。

【００６４】次に，対話型図形認識処理部２がクラスタ
リングの結果から各クラスターについてクラスター情報
を抽出する（ステップｂ２）。クラスター情報は例えば
各クラスターに所属するデータ（事例データ）数からな
る。所属するデータ数の大きいクラスターはその付近に
事例データが密に分布していることを示し，逆にデータ
数の極端に少ないクラスターはその付近で事例データが
疎になっていることを示す。

【００６５】そして，対話型図形認識処理部２が，クラ
スター情報に基づいて，クラスターに所属するデータ数
に比例する数の事例データを各クラスターから抽出す
る。また，極端にデータ数の少ないクラスターからは抽
出しない。これにより，一般性の高い少数の基本データ
９を得ることができる（ステップｂ３）。

【００６６】これにより，等高線の追跡の基本データ９
（及び等高線の追跡の学習用データ７）が生成される。 （２）認識作業時の処理 次に，認識作業時の処理について述べる。

【００６７】図５及び図６において，オペレータが，追
跡元図形である部分図形ａ０を入力して，図面４の認識
作業の開始を指示する（ステップ１）。対話型図形認識
処理部２が，当該図形ａ０の交点，端点まで追跡し，そ
の端点の近傍付近の注目する領域内に存在する全ての
（複数の）部分図形ａｉ（ｉ＝１〜１０）を追跡候補図
形として抽出する（ステップ２）。

【００６８】対話型図形認識処理部２が，追跡元図形ａ
０と各追跡候補図形ａｉとの間の幾何学的相関関係，お
よび各追跡候補図形ａｉの幾何学的特徴（幾何学的特徴
量）を算出する（ステップ３）。

【００６９】次に，対話型図形認識処理部２が，この算
出された各追跡候補図形ａｉの幾何学的特徴量を，順
次，学習機能を有する図形認識処理機構に入力する（ス
テップ４）。ここでは，学習機能を実現する手段の１つ
としてニューラルネット３を用いる。

【００７０】ニューラルネット３は入力された各追跡候
補図形ａｉの幾何学的特徴量から，各追跡候補図形ａｉ
の接続確かさ度を算出する（ステップ５）。次に，対話
型図形認識処理部２が，評価関数を用いて，ニューラル
ネット３によって算出されたそれぞれの各追跡候補図形
ａｉの接続確かさ度の値から，ニューラルネット３によ
る判定の信頼度を評価する（ステップ６）。

【００７１】まず，ニューラルネット３による判定の信
頼度が高い場合には，オペレータの判断を仰ぐことな
く，対話型図形認識処理部２が，自動的に接続図形とし
て例えば追跡候補図形ａ５を確定する（ステップ７）。

【００７２】一方，ニューラルネット３による判定の信
頼度が低い場合には，対話型図形認識処理部２が，接続
確かさ度の高い候補図形から順に，表示装置（図示せ
ず）に強調表示することにより，オペレータの判断を仰
ぐ（ステップ８）。例えば，追跡候補図形ａ５，ａ１
０，ａ１が，この順に強調表示される。

【００７３】これに対して，オペレータが正解図形とし
て例えば追跡候補図形ａ５を指示すると，この指示を元
に対話型図形認識処理部２が接続図形として例えば追跡
候補図形ａ５を確定する（ステップ９）。

【００７４】次に，対話型図形認識処理部２が，接続さ
れるべき図形（認識対象図形）の有無を判断する（ステ
ップ１０）。接続されるべき図形が無いと判断された場
合には追跡を終了する（ステップ１１）。

【００７５】接続されるべき図形が有ると判断された場
合，対話型図形認識処理部２が，確定された候補図形例
えば追跡候補図形ａ５を正解とし，選択されなかった他
の候補図形例えば追跡候補図形ａ１〜ａ４乃至ａ６〜ａ
１０を不正解とする事例データを生成する（ステップ１
２）。

【００７６】次に，対話型図形認識処理部２が，この事
例データを蓄積データ６に追加保存する（生成する）。
また，対話型図形認識処理部２が，この事例データを最
新履歴データ８に追加し，最も古い事例データ（１個）
の削除を行うことにより，最新履歴データ８を生成更新
する（ステップ１３）。

【００７７】次に，ニューラルネット３が，事前処理に
よって抽出された少数の基本データ９と更新された最新
履歴データ８を合わせて学習用データ７として，学習を
行う（ステップ１４）。この学習は逐次行われる。即
ち，計算時間などの条件が許す限り頻繁に行うことが望
ましい。例えば，新しい事例データが生成されるごと
に，又は，最新履歴データ８が更新されるごとに学習が
行われる。これにより，抽出データ数，保存履歴数，及
びそれらの比率を適正に設定することができ，柔軟性，
一般性の両立する学習を短時間で行うことができる。

【００７８】そして，ニューラルネット３は，学習結果
（ここでは学習後のニューラルネット３の結線の荷重値
や各ユニットのしきい値）をフィードバックし，図形認
識処理を更新する（ステップ１５）。これにより，地形
の変化などの状況の変化に対して，図形認識処理が柔軟
に対応することができる。

【００７９】このようにして，図形認識処理を認識作業
中に逐次更新しながら図形認識作業を行っていく。

【００８０】

【発明の効果】以上説明したように，本発明によれば，
図面認識処理において，対話型の図面認識作業時のオペ
レータの指示情報を有効に活用しながら，図面の様々な
状況の変化に対して柔軟に認識処理を適応させることに
より，認識率を向上し認識作業時のオペレータの負担を
軽減することができるので，図面認識作業の効率を大幅
に向上させることができる。

【図面の簡単な説明】

【図１】実施例構成図である。

【図２】線図形追跡の一例である等高線の追跡処理の様
子を示す図である。

【図３】追跡処理フローである。

【図４】事前処理フローである。

【図５】認識処理フローである。

【図６】認識処理フローである。

【図７】実際の地図の地域や地形による相違を説明する
ための図である。

【図８】スキャナーの読み込み時のむらによって発生す
る局所的な状況の変化を説明するための図である。

【符号の説明】

１ 図面認識システム ２ 対話型図形認識処理部 ３ ニューラルネット ４ 図面 ５ 構造化データ ６ 蓄積データ ７ 学習用データ ８ 最新履歴データ ９ 基本データ

Claims (9)

【特許請求の範囲】
1. 【請求項１】 紙面に描かれた地図等の図面を認識する
   図面認識方法であって，蓄積された多数の事例データか
   ら一般性の高い少数の事例データを抽出することにより
   生成された基本データと，事例データを最新のものから
   一定数保持することにより生成された最新履歴データと
   を合わせた学習用データを元に，認識処理を逐次的に学
   習する学習手順と，学習した認識処理を利用して図形の
   認識を行う図形認識手順とを有することを特徴とする図
   面認識方法。
2. 【請求項２】 事例データを生成し，生成された事例デ
   ータを蓄積するデータ生成蓄積手順と，蓄積された多数
   の事例データから一般性の高い少数の事例データを基本
   データとして抽出する基本データ生成手順と，生成され
   た事例データを最新のものから一定数保持する最新履歴
   データを生成し更新するデータ生成更新手順とを更に有
   することを特徴とする請求項１に記載の図面認識方法。
3. 【請求項３】 前記基本データ生成手順は，蓄積データ
   として蓄積された事例データを幾何学的特徴量空間にお
   いてクラスタリングして複数のクラスターとする手順
   と，各クラスターについてクラスターの各々に所属する
   事例データの数からなるクラスター情報を算出する手順
   と，このクラスター情報を元に所定のクラスターから所
   定の数の事例データを抽出する手順とからなることを特
   徴とする請求項２に記載の図面認識方法。
4. 【請求項４】 前記学習手順はニューラルネットにより
   行われ，前記図形認識手順はその一部がニューラルネッ
   トにより行われることを特徴とする請求項１又は請求項
   ２に記載の図面認識方法。
5. 【請求項５】 事例データは幾何学的特徴量と図形認識
   の結果とからなり，前記学習手順は，ニューラルネット
   に学習信号としての幾何学的特徴量と教師信号としての
   認識確かさ度とを与えて学習させる手順を含み，前記図
   形認識手順は，ニューラルネットに幾何学的特徴量を入
   力して認識確かさ度を得る手順と，この認識確かさ度の
   信頼度を判定する手順と，この判定を元に図形を認識す
   る手順を含むことを特徴とする請求項４に記載の図面認
   識方法。
6. 【請求項６】 前記学習手順は，事例データが生成され
   るごとに，又は，最新履歴データが更新されるごとに行
   われることを特徴とする請求項４又は請求項５に記載の
   図面認識方法。
7. 【請求項７】 紙面に描かれた地図等の図面を認識する
   図面認識システムであって，蓄積された多量の事例デー
   タから一般性の高い少数の事例データを抽出することに
   より生成された基本データと，事例データを最新のもの
   から一定数保持することにより生成された最新履歴デー
   タとからなる学習用データと，学習用データを用いて認
   識処理を逐次的に学習し，学習した認識処理を利用して
   図形の認識を行う図形認識処理手段とを有することを特
   徴とする図面認識システム。
8. 【請求項８】 生成された事例データを蓄積した蓄積デ
   ータを有し，前記図形認識処理手段が，図形の認識を行
   った結果を元に事例データを生成し，この事例データを
   蓄積データに追加保存すると共にこの事例データにより
   最新履歴データを更新し，蓄積データから基本データを
   抽出することを特徴とする請求項７に記載の図面認識シ
   ステム。
9. 【請求項９】 前記図形認識処理手段はニューラルネッ
   トを備え，前記ニューラルネットが，学習用データを用
   いて認識処理を逐次的に学習し，学習した認識処理によ
   り図形の認識のための処理を行うことを特徴とする請求
   項７又は請求項８に記載の図面認識システム。