JPH09120434A - 文字認識装置 - Google Patents

Abstract

(57)【要約】 【課題】 ニューラルネットの学習時間を短縮し、か
つ、高認識率を確保すること。 【解決手段】 認識対象の文字を撮像する撮像手段１０
と、この撮像手段１０から出力された画像データから文
字毎に特徴量を抽出する特徴量抽出部１１と、認識対象
の各文字をそれぞれ１文字ずつ予め学習した複数のニュ
ーラルネットワーク１８を備えている。しかも、特徴量
抽出部１１に、特徴量抽出部１１によって抽出された特
徴量データに基づいてニューラルネットワーク１８を選
択すると共に当該選択したニューラルネットワーク１８
に当該特徴量を入力する認識制御部１９を併設してい
る。さらに、この認識制御部１９が、各ニューラルネッ
トワーク１８からの出力値に基づいて撮像手段１０によ
って撮像された文字の文字種を判定する文字種判定機能
を備えた。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、文字認識装置に係
り、特に、刻印文字等の文字を認識する文字認識装置に
関する。

【０００２】

【従来の技術】刻印文字は、エンジン・ブロックなどの
金属表面に打刻ヘッドによって打たれる文字である。従
来より、この刻印文字を画像処理により認識しようとす
る手法が種々提案されている。

【０００３】例えば、撮像した文字を複数の区画に分割
して各区画毎の面積比率を特徴値として文字種の判定を
行う手法（特開平４−１３５２８６号公報）がある。

【０００４】また、ニューラルネットワークを用いた文
字認識装置としては、複数の階層に区分されたニューラ
ルネットワークを使用する手法（特開平３−１６４８８
６号公報）などがある。これは、文字種を類似度に基づ
いてグループ化し、グループ毎にニューラルネットワー
クを用いて文字認識を行うものである。

【０００５】ニューラルネットワークを用いた文字認識
処理では、ニューラルネットワークに対する入力データ
の設計が重要であるが、この従来例では、１つのニュー
ラルネットワークで、類似度でグループ化した各文字の
識別を行っている。

【０００６】図１１に示すように、このようなニューラ
ルネットワーク６８を用いた文字認識では、ニューラル
ネットワーク６８の出力層６８Ｃに文字数分のユニット
を用意し、文字ｉには出力ユニットｉを対応させてい
た。すなわち、文字ｉの特徴値が入力層のユニットに入
力された場合には、出力層のユニットｉの出力Ｎが１．
０，他のユニットの出力が０．０となるように学習させ
ていた。

【０００７】

【発明が解決しようとする課題】しかしながら、上記従
来例では、認識対象の文字数が多くなると、ニューラル
ネットワークの学習に時間がかかる、という不都合があ
った。

【０００８】また、認識対象の文字数が多くなると、ニ
ューラルネットワークの認識性能が落ちる、という不都
合があった。

【０００９】即ち、特開平３−１６４８８６号公報記載
の技術では、元来が類似している文字をニューラルネッ
トワークで識別しようとするため、ニューラルネットワ
ークの学習に時間がかかり、また、認識率の向上に一定
の限界がある。

【００１０】

【発明の目的】本発明は、係る従来例の有する不都合を
改善し、特に、ニューラルネットの学習時間を短縮し、
かつ、高認識率を確保することのできる文字認識装置を
提供することを、その目的とする。

【００１１】

【課題を解決するための手段】そこで、本発明では、第
１の手段として、認識対象の文字を撮像する撮像手段
と、この撮像手段から出力された画像データから文字毎
に特徴量を抽出する特徴量抽出部と、認識対象の各文字
をそれぞれ１文字ずつ予め学習した複数のニューラルネ
ットワークを備えている。しかも、特徴量抽出部に、特
徴量抽出部によって抽出された特徴量データに基づいて
複数のニューラルネットワークのうちの一つを選択する
と共に、当該特徴量を選択したニューラルネットワーク
に入力する認識制御部を併設している。さらに、この認
識制御部が、各ニューラルネットワークからの出力値に
基づいて撮像手段によって撮像された文字の文字種を判
定する文字種判定機能を備えた。

【００１２】この第１の手段では、特徴量抽出部から特
徴量が出力されると、認識制御部は、当該特徴量に基づ
いてニューラルネットワークを選択する。即ち、認識制
御部は、特徴量から文字種となる候補を求め、各候補毎
にニューラルネットワークを選択する。選択されたそれ
ぞれのニューラルネットワークは、予め１文字の特徴の
みを学習してあるため、入力された特徴量について当該
特定の文字種らしさを示す値を出力する。

【００１３】認識制御部では、文字種判定機能が、各ニ
ューラルネットワークの出力値に基づいて、撮像手段に
よって撮像された文字の文字種を総合判定する。

【００１４】第２の手段では、認識対象の文字を撮像す
る撮像手段と、この撮像手段からの濃淡画像と認識対象
の文字種に応じて予め与えられた複数の濃淡モデル画像
とを比較して文字種毎の濃淡の類似度および当該類似度
が最大となる切り出し位置を文字種毎に求める類似度算
出手段と、この類似度算出手段によって求められた文字
切り出し位置で濃淡画像を切り出すと共に当該切り出し
画像に基づいて認識処理を行う認識処理手段とを備えて
いる。しかも、この認識処理手段が、認識対象の各文字
をそれぞれ１文字ずつ予め学習した複数のニューラルネ
ットワークを備え、この認識処理手段に、当該認識処理
手段での認識結果と類似度算出手段からの類似度とに基
づいて濃淡画像の文字種を総合判定する文字種判定手段
を併設した。

【００１５】この第２の手段では、撮像手段が認識対象
となる文字を撮像すると、類似度算出手段は、まず、撮
像手段からの濃淡画像と認識対象の文字種に応じて予め
与えられた複数の濃淡モデル画像とを比較する。次い
で、類似度算出手段は、認識対象とする全ての文字種毎
に濃淡の類似度および当該類似度が最大となる文字種毎
の切り出し位置を求める。これは、撮像手段からの濃淡
画像と、濃淡画像である濃淡モデル画像との比較である
ため、画素の位置に応じた濃さの類似度が算出される。
この類似度は、複数の濃淡モデル画像全てについて算出
され、これに伴い、複数の文字モデル画像毎に文字切り
出し位置が定まる。

【００１６】次いで、認識処理手段は、この類似度算出
手段によって求められた文字切り出し位置で濃淡画像を
切り出すと共に当該切り出し画像に基づいて認識処理を
行う。この第２の手段では、それぞれが１文字ずつの特
徴を学習した複数のニューラルネットワークを用いて認
識処理を行う。さらに、文字種判定手段は、当該認識処
理手段での認識結果と類似度算出手段からの類似度とに
基づいて濃淡画像の文字種を総合判定する。

【００１７】総合判定としては、全ての濃淡モデル画像
による類似度の算出をした後、それぞれの切り出し位置
で切り出して、全ての文字種について認識処理手段で文
字認識を行い、この文字認識の結果と類似度とに基づい
て濃淡画像の文字種を判定するようにしても良い。ま
た、類似度の最も高い文字種について文字認識処理を行
い、この文字認識結果と類似度とが所定のしきい値を越
えている場合に、この文字種を濃淡画像の文字種として
もよい。しきい値を越えない場合には、類似度の大きさ
に従って、候補となる文字種を順次選択し、文字認識処
理を行う。

【００１８】本発明は、これらの各手段により、前述し
た目的を達成しようとするものである。

【００１９】

【発明の実施の形態】以下、本発明の実施の形態を図面
を参照して説明する。

【００２０】図１は、本発明による文字認識装置の構成
を示すブロック図である。文字認識装置は、認識対象の
文字を撮像する撮像手段１０と、この撮像手段１０から
出力された画像データから文字毎に特徴量を抽出する特
徴量抽出部１１と、認識対象の各文字をそれぞれ１文字
ずつ予め学習した複数のニューラルネットワーク１８を
備えている。

【００２１】しかも、特徴量抽出部１１に、当該特徴量
抽出部によって抽出された特徴量データに基づいて複数
のニューラルネットワーク１８のうちの１つを選択する
と共に当該特徴量を当該ニューラルネットワーク１８に
入力する認識制御部１９を併設している。

【００２２】この認識制御部１９が、各ニューラルネッ
トワーク１８からの出力値に基づいて撮像手段１０によ
って撮像された文字の文字種を判定する文字種判定機能
１９Ａを備えている。

【００２３】これを詳細に説明する。

【００２４】図１に示すように、本実施形態では、文字
数分のニューラルネットワークを用意する。ニューラル
ネットワーク１８ｉは、文字ｉの識別にのみ用いられ
る。具体的には、各ニューラルネットワーク１８の出力
層のユニット数を１つとし、ニューラルネットワーク１
８ｉを文字ｉの特徴値が入力層のユニットに入力された
場合に出力層のユニットの出力が１．０、文字ｉではな
い特徴値の場合は出力層ユニットの出力が０．０となる
ように学習させる。

【００２５】図２にニューラルネットワーク１８の構成
図を示す。このニューラルネットワーク１８は、特徴量
抽出部１１によって抽出される特徴量の種類に応じた数
のユニットを有する入力層１８Ａと、この入力層１８Ａ
に結合されるユニットを有する中間層１８Ｂと、この中
間層１８Ｂに結合される１個のユニットを有する出力層
１８Ｃとを備えている。

【００２６】特徴量抽出部１１は、撮像された文字の形
状の特徴を抽出する。この特徴量としては、文字認識の
分野で一般的に用いられている文字の輪郭線の方向ベク
トルや、文字の外接枠からの距離を使った縦横構造ベク
トルなどを用いても良い。また、後述する面積比データ
を用いるようにしても良い。

【００２７】ニューラルネットワークについては文献
（例えば、日経エレクトロニクス，１９８８．９．５
（Ｎｏ．４５５）ｐ．１５３〜１６０）に多く示されて
おり、ニューラルネットワークを用いて構成されたパタ
ーン認識装置は従来より公知である。

【００２８】入力層１８Ａ、中間層１８Ｂ、出力層１８
Ｃの各層は、ユニットと呼ばれる構成要素から成り立
つ。ユニットが結合することによりニューラルネットワ
ークが構成される。入力層の各ユニットは中間層のユニ
ット全てと結合している。また、中間層１８Ｂの各ユニ
ットは出力層の唯一のユニットと全て結合している。こ
こでは、１つの文字に対して３５項目に分けたデータを
特徴量としているため、入力層１８Ａのユニット数は３
５個となっている。また、出力層１８Ｃのユニット数は
１である。

【００２９】認識制御部１９は、特徴量抽出部１１によ
って抽出された特徴量と、標準モデルを対象として予め
抽出した特徴量との比較により、撮像された文字の文字
種の候補を算出する。例えば、撮像した文字について、
認識対象予定の各文字との類似度を全ての各文字につい
て求め、正規化相関により類似度の大きい順から文字種
の候補としても良い。

【００３０】認識制御部１９は、文字種の候補が定まる
と、この候補となった文字種の特徴を予め学習したニュ
ーラルネットワーク１８に入力する。文字種の候補が複
数ある場合には、それぞれの文字の特徴を学習した複数
のニューラルネットワーク１８に特徴量を入力するよう
にしても良い。

【００３１】図３はニューラルネットワークの選択処理
を示す説明図である。図３に示したように、認識制御部
１９は、文字種の候補毎に、ニューラルネットワークを
１８を選択する。

【００３２】図４は、図１に示した構成での文字認識処
理の工程を示すフローチャートである。

【００３３】まず、撮像手段１０は、認識対象となる文
字を撮像し（ステップＳ１）、濃淡画像を取り込む（ス
テップＳ２）。さらに、特徴量抽出部１１は、濃淡画像
から文字部分を切り出し（ステップＳ３）、当該切り出
した画像の特徴量を算出する（ステップＳ４）。

【００３４】認識制御部１９は、切り出した画像の特徴
量に基づいて、切り出した画像の候補となる文字種に対
応するニューラルネットワーク１８を選択する（ステッ
プＳ５）。

【００３５】さらに、１文字のみを学習したニューラル
ネットワーク１８を用いて、当該切り出した画像の文字
が、認識制御部１９によって候補に挙げられた文字種で
あるか否かを判定する（ステップＳ６）。

【００３６】次いで、認識制御部１９は、ニューラルネ
ットワーク１８の出力に基づいて、当該切り出した画像
の文字種を総合判定し（ステップＳ７）、判定結果を出
力する（ステップＳ８）。

【００３７】〔第２実施形態〕第２実施形態では、刻印
文字を文字認識の対象とし、標準モデル画像との比較に
より良好な切り出し位置を求めつつ、特徴量を求める手
法を用いている。文字認識の対象として、刻印文字は以
下の特徴がある。

【００３８】１．アルファベットと数字などであるた
め、漢字を認識する場合と比較して、認識対象の文字種
が少ない。 ２．手書き文字と異なり、刻印文字自体の大きさや形状
は安定している。 ３．刻印文字の打刻に用いる打刻ヘッドの磨耗により刻
印が浅くなり、また、刻印文字自体の磨耗によっても刻
印文字が浅く細くなるため、さらに、撮像時に油汚れや
キズによる反射が生じることを理由として、刻印文字部
分は微妙な階調の差として現れ、かつノイズが多い。

【００３９】このように、刻印文字は、大きさや形状は
安定しているが、文字の太さが不安定であり、また、文
字部分と背景部分とは微妙な階調差であるため一般的な
二値化処理では文字認識を良好に行い難い。

【００４０】そこで、本実施形態では、最も望ましい形
状の刻印文字を撮像した濃淡モデル画像Ｍを認識対象全
ての文字種について予め用意し、同一環境または照明角
度などがほぼ等しい環境で撮像した濃淡画像１０ａと比
較することで切り出し位置を求めている。

【００４１】図５および図６は、第２の実施形態の構成
を示す図である。ここでは、撮像手段としてＣＣＤカメ
ラ１０を用いている。ＣＣＤカメラ１０で撮像された画
像は演算処理部２４に入力され、演算処理部２４では、
ニューラルネットワークによる処理など各種演算が行わ
れる。この演算処理部２４にはメモリ２５が併設されて
いて、各種画像や、予め定められた濃淡モデル画像Ｍを
記憶する。また、演算処理部２４による判定結果は、判
定結果出力部２６としてのＣＲＴ等に出力される。

【００４２】演算処理部２４は、図６に示すように、撮
像手段からの濃淡画像と認識対象の文字種に応じて予め
与えられた複数の濃淡モデル画像とを比較して文字種毎
の濃淡の類似度Ｒおよび当該類似度Ｒが最大となる切り
出し位置を文字種毎に求める類似度算出手段１２と、こ
の類似度算出手段１２によって求められた文字切り出し
位置で濃淡画像を切り出すと共に当該切り出し画像に基
づいて認識処理を行う認識処理手段１４とを備えてい
る。

【００４３】この認識処理手段１２が、認識対象の各文
字をそれぞれ１文字ずつ予め学習した複数のニューラル
ネットワーク１８を備えている。しかも、この認識処理
手段１２に、当該認識処理手段１２での認識結果と類似
度算出手段１２からの類似度Ｒとに基づいて濃淡画像の
文字種を総合判定する文字種判定手段１６を併設してい
る。

【００４４】図７は濃淡画像１０ａとモデル画像Ｍの一
例を示す説明図である。まず、撮像手段１０で撮像され
た画像は階調のある濃淡画像１０ａとなる。この濃淡画
像１０ａのある１点を切り出しの基準位置として、濃淡
モデル画像Ｍとの類似度Ｒを求める。類似度Ｒは、濃淡
モデル画像Ｍのある画素での階調と、この画素の位置に
対応する濃淡画像１０ａの画素の階調の差を表すもので
あればどのようなものであっても良い。本実施例では、
次式（１）により求めている。

【００４５】

【数１】

【００４６】類似度算出手段１２は、濃淡画像１０ａに
ついて、切り出しの基準位置を次々変更して、各基準位
置による部分画像Ｓと濃淡モデル画像との類似度を式
（１）により求めている。濃淡モデル画像Ｍの各画素の
階調と、この各画素の座標に対応する部分画像Ｓの各画
素の階調とが異なる場合に、類似度Ｒの値は低くなる。
類似度Ｒの値は、階調の差が大きければ、また、階調の
差のある画素数が多ければ小さくなる。

【００４７】類似度算出手段１２は、切り出しの基準位
置を所定の開始位置から終了位置まで変更しながら類似
度Ｒを算出し、さらに、類似度Ｒが最大となる切り出し
位置を、当該濃淡モデル画像Ｍの切り出し位置とする。
また、撮像手段１０のカメラ位置と刻印文字の位置が固
定されていない場合、また、固定されていても文字がプ
ロポーショナルであり刻印文字の幅方向の長さが文字に
よって異なる場合、撮像した濃淡画像全体の濃度ヒスト
グラムから刻印文字の大まかな位置を特定し、切り出し
の基準位置の開始位置と終了位置を定めるようにしても
良い。

【００４８】さらに、類似度算出手段１２は、この類似
度Ｒが最大となる切り出し位置（ｍ，ｎ）を、認識対象
の全ての文字種ｉについて算出する。これにより、認識
対象全ての文字種ｉについて類似度Ｒと切り出し位置
（ｍ，ｎ）を求める。

【００４９】次いで、認識処理手段１４は、類似度算出
手段１２により特定された切り出し位置（ｍ，ｎ）で文
字を切り出すと共に二値化し、この二値画像１８ａに基
づいて文字認識を行う。さらに、文字種判定手段１６
は、類似度算出手段１２による類似度Ｒと、認識処理手
段１４による認識結果に基づいて、濃淡画像１０ａの文
字種の判定を行う。

【００５０】図８は特徴値抽出部１１による特徴値の抽
出と入力データの生成を示す説明図である。図８に示す
ように、まず、二値画像を７×５などに分割し（図８
（Ａ））、各分割領域において文字の占める割合を求め
る（図８（Ｂ））。この割合は、文字認識処理を行うニ
ューラルネットワーク１８への入力データとなる（図８
（Ｃ））。また、文字外接枠から文字までの距離を０．
０から１．０までに正規化してこれを特徴値としてもよ
い。

【００５１】次に、第２実施形態の動作を図９および図
１０を参照して説明する。この図９および図１０に示し
たフローチャートは符号Ａ部分でその処理が連続してい
る。

【００５２】ＣＣＤカメラ１０により刻印文字が撮像さ
れると（ステップＳ２０）、演算処理部２４は、当該ア
ナログ画像を所定階調のデジタルデータに変更し、濃淡
画像１０ａを取り込む（ステップＳ２１）。さらに、文
字種ｉの値を「０」に設定する（ステップＳ２２）。

【００５３】次いで、類似度算出手段１２は、上述した
ように、濃淡画像１０ａからの文字切り出しを行う（ス
テップＳ２３）。これは、濃淡画像（入力画像）の部分
画像Ｓと文字種ｉ毎のモデル画像Ｍのマッチングを行
い、類似度Ｒを求めるものである。切り出しが行われた
ときには、類似度Ｒが算出されたこととなる（ステップ
Ｓ２４）。

【００５４】類似度Ｒが最大となる部分画像Ｍの位置
が、文字の切り出し位置（ｍ，ｎ）となる。文字種ｉ全
てについてこの類似度Ｒに基づいた文字の切り出しを行
い、さらに、各文字種ｉの切り出し位置（ｍ，ｎ）と類
似度Ｒとを記憶する（ステップＳ２５）。

【００５５】濃淡画像１０ａに対して、認識対象予定の
文字数全てについて切り出し画像と類似度を求めたら
（ステップＳ２６）、切り出し画像を類似度Ｒの大きい
順に並べ替える（ステップＳ２７）。これは、図１に示
した認識制御部１９による文字種候補の選定処理でもあ
る。類似度による並べ替えが行われると、文字種ｊの値
を「０」にする（ステップＳ２８）。

【００５６】ついで、文字種ｊについての類似度Ｒｊ
が、所定の類似度しきい値を越えているか否かを判定す
る（ステップＳ３０）。越えていない場合には、濃淡画
像１０ａの文字種は文字種ｊではないと判定する。一
方、越えている場合、ニューラルネットワーク１８によ
る処理を行う。

【００５７】ニューラルネットワーク１８の入力データ
を生成するため、認識処理手段１４は、濃淡画像１０ａ
を二値画像１８ａへ変換する（ステップＳ３１）。各文
字種毎の部分画像Ｓについて所定のしきい値で二値化を
行うものである。二値化は、濃度ヒストグラムを求め
て、Ｐタイル法や判別分析法を用いてい行う。

【００５８】二値画像１８ａからの特徴抽出は、図８に
示すように、二値画像を複数領域に分割し、この、各分
割領域において文字の占める割合を求め、各分割領域毎
の文字面積率をニューラルネットワーク１８への入力デ
ータ（特徴量）とする（ステップＳ３２）。

【００５９】さらに、本実施形態では、認識処理手段１
４は、文字種ｊに応じたニューラルネットワーク１８を
選択する（ステップＳ３３）。文字種ｊは類似度の大き
い順に選択されるため、ニューラルネットワーク１８は
類似度の大きい順に選択される。

【００６０】さらに、当該選択されたニューラルネット
ワーク１８での認識処理を行う。このニューラルネット
ワーク１８は、文字種ｊについてのみその特徴を学習さ
れているため、入力データによる特徴が予め学習した文
字種にどの程度似ているかを示す認識値Ｈｊを出力する
（ステップＳ３４）。

【００６１】ここで、この認識値Ｈｊが所定の認識しき
い値を越えているか否かを判定する（ステップＳ３
６）。越えている場合、濃淡画像１０ａの文字種は当該
文字種ｊであると判定する（ステップＳ３７）。越えて
いない場合、ｊをインクリメントしてステップＳ２９に
処理を戻す。

【００６２】文字種ｊ＝０によっては認識しきい値を越
えていなかった場合には、文字種ｊ＝１となり（ステッ
プＳ３８）、この文字種ｊ＝１について、切り出しから
二値化、特徴値抽出、さらに文字認識処理を行う。

【００６３】これはｊがＮに至るまで繰り返される。文
字種ｊが最も類似度の低い値の文字種であるＮ−１に至
った後、文字種ｊ＝Ｎとなった場合には（ステップＳ２
９）、認識不能と判定する（ステップＳ３７）。

【００６４】上述したように本実施形態によると、ニュ
ーラルネットワークの認識性能が向上するため、刻印文
字の識別を高精度に行うことができる。また、ニューラ
ルネットワークの学習が容易であり、高速である。ここ
では、文字認識の対象をエンジンブロック等に打刻され
る刻印文字とたが、刻印文字に限らず、上述した特徴を
満たすものであれば良好に認識対象となる。例えば、特
定の印章や、道路標識等の認識に応用される。

【００６５】

【発明の効果】本発明は以上のように構成され機能する
ので、これによると、認識制御部が、特徴量に基づいて
ニューラルネットワークを選択して当該特徴量を入力
し、選択されたニューラルネットワークは、予め１文字
の特徴のみを学習してり、入力された特徴量について当
該特定の文字種らしさを示す値を出力するため、ニュー
ラルネットワークでの認識率が向上し、しかも、１文字
だけの認識を行うため、ニューラルネットワークでの処
理が高速であり、さらに、１文字だけであると学習の時
間も短くまた認識対象文字種の変更も容易となる。この
ように、ニューラルネットの学習時間を短縮し、かつ、
高認識率を確保することができる従来にない優れた文字
認識装置を提供することができる。

【図面の簡単な説明】

【図１】本発明の一実施形態の構成を示すブロック図で
ある。

【図２】図１に示したニューラルネットワークの構成を
示す説明図である。

【図３】図１に示したニューラルネットワークの選択処
理を示す説明図である。

【図４】図１に示した構成での文字認識処理の一例を示
すフローチャートである。

【図５】本発明の第２実施形態の構成を示すブロック図
である。

【図６】図５に示した演算処理部の詳細構成を示すブロ
ック図である。

【図７】図６に示した類似度算出手段による類似度の算
出手法を示す説明図で、図７（Ａ）は濃淡画像の一例を
示す図で、図７（Ｂ）はモデル画像の一例を示す図であ
る。

【図８】図６に示した類似度算出手段による特徴抽出の
一例を示した説明図で、図８（Ａ）は文字画像の一例を
示す図で、図８（Ｂ）はこれを面積表示にした一例を示
す図で、図８（Ｃ）はさらに面積比データとした一例を
示す図である。

【図９】図５に示した構成での文字認識処理の前段を示
すフローチャートである。

【図１０】図５に示した構成での文字認識処理の後段を
示すフローチャートである。

【図１１】従来の文字認識処理に用いられるニューラル
ネットワークの構成を示す図である。

【符号の説明】

１０ 撮像手段 １１ 特徴量抽出部 １８ ニューラルネットワーク １９ 認識制御部

Claims (2)

【特許請求の範囲】
1. 【請求項１】 認識対象の文字を撮像する撮像手段と、
   この撮像手段から出力された画像データから前記文字毎
   に特徴量を抽出する特徴量抽出部と、前記認識対象の各
   文字をそれぞれ１文字ずつ予め学習した複数のニューラ
   ルネットワークを備え、 前記特徴量抽出部に、前記特徴量抽出部によって抽出さ
   れた特徴量データに基づいて前記複数のニューラルネッ
   トワークのうちの一つを選択すると共に当該選択したニ
   ューラルネットワークに前記特徴量を入力する認識制御
   部を併設し、 この認識制御部が、前記各ニューラルネットワークから
   の出力値に基づいて前記撮像手段によって撮像された文
   字の文字種を判定する文字種判定機能を備えたことを特
   徴とする文字認識装置。
2. 【請求項２】 認識対象の文字を撮像する撮像手段と、
   この撮像手段からの濃淡画像と認識対象の文字種に応じ
   て予め与えられた複数の濃淡モデル画像とを比較して前
   記文字種毎の濃淡の類似度および当該類似度が最大とな
   る切り出し位置を前記文字種毎に求める類似度算出手段
   と、この類似度算出手段によって求められた文字切り出
   し位置で前記濃淡画像を切り出すと共に当該切り出し画
   像に基づいて認識処理を行う認識処理手段とを備え、 この認識処理手段が、認識対象の各文字をそれぞれ１文
   字ずつ予め学習した複数のニューラルネットワークを備
   え、 この認識処理手段に、当該認識処理手段での認識結果と
   前記類似度算出手段からの類似度とに基づいて前記濃淡
   画像の文字種を総合判定する文字種判定手段を併設した
   ことを特徴とする文字認識装置。