JPH09128490A

JPH09128490A - 手書き文字認識方法および手書き文字認識装置

Info

Publication number: JPH09128490A
Application number: JP8285912A
Authority: JP
Inventors: Michael Kenneth Brown; ケネスブラウンマイケル; Jianying Hu; フージェニン; William Turin; ターリンウィリアム
Original assignee: LE-SENTO TECHNOL Inc; Lucent Technologies Inc
Current assignee: LE-SENTO TECHNOL Inc; Nokia of America Corp
Priority date: 1995-10-16
Filing date: 1996-10-09
Publication date: 1997-05-16
Also published as: EP0768617A2; EP0768617A3; CA2187558A1

Abstract

(57)【要約】【課題】手書き文字認識システムにおいて、効率と精
度の間のトレードオフを改善するセグメント指向の方法
を実現する。【解決手段】セグメント的モデル化を通じてのみ利用
可能な形状情報が、それらの選択されたセグメントをモ
デル化することによって保持され、その一方で、すべて
の可能なセグメントをモデル化する非効率性が回避され
る。あるしきい値より大きい引き続く字画間の空間的距
離を、そのしきい値より小さい引き続く字画間の空間的
距離から区別するギャップ特徴が定義される。空間的距
離がしきい値より大きいところでは、引き続く字画を示
す対立仮説評点に罰金評点を科することによって、二つ
の引き続く字画が不連続であることを示す評点のほうに
対立仮説累積評点をずらす。空間的距離がしきい値より
小さいところでは、二つの引き続く字画が連続であるこ
とを示す対立仮説評点に罰金を科する。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、手書き文字認識方
法と、作用対象の手書き文字サンプルを表す一つまたは
複数の適当な特徴を選択し実装することに関する。

【０００２】

【従来の技術】隠れマルコフモデル（ＨＭＭ）に基づく
代表的な認識方式では、手書き単語のような入力パター
ンは、観測値の時系列として、通常は特徴ベクトルの形
で表される。このような特徴ベクトルから導出される観
測確率が、ＨＭＭ状態のネットワークに与えられる。与
えられた観測値系列に対する最適な状態系列または最尤
モデルを見つけるためにさまざまな方法を適用して、認
識結果を得ることができる。

【０００３】隠れマルコフモデル（ＨＭＭ）に基づく認
識器のような確率論的パターン認識器は一般に、観測値
が本質的に局在化していることが多いという点で、ポイ
ント（点）指向である。例えば、サンプリングされたオ
ンラインの手書き文字の観測値は、ポイントの位置と、
字画の接戦や曲率のようなポイント間ベクトルの向きを
含む。これらの特徴はすべて、原理的には、１、２、あ
るいは３個の手書き文字データポイントを見ることによ
って測定することができるが、実際には、ノイズを縮小
するために用いられる平滑化フィルタは、各測定を補助
するために追加の局所的なデータポイントを必要とす
る。時系列として得られる新たなサンプルデータごと
に、ＨＭＭ仮説評点が離散的に積分され、ＨＭＭネット
ワークを通して伝搬する。

【０００４】あるいは、確率論的パターン認識器はセグ
メント（線分）指向とすることも可能である。セグメン
ト的特徴は、例えばスライディングウィンドウ測定によ
って、あるいはポイント的特徴を通じて選択されたセグ
メント的特徴を適用する（詳細は後述）ことによって得
られるような、サンプルポイントの隣接集合の何らかの
特性の測定値である。この設計では、手書き文字はま
ず、ペンアップや尖点のような定義された境界条件に従
って文字あるいは部分文字プリミティブに分節化（セグ
メント化）される。セグメント化ステップの後、単一の
観測特徴ベクトルを各セグメントごとに計算する。

【０００５】ポイント指向の方法は、すべての仮説を同
時評点づけし評点の低い部分仮説は直ちに枝刈りするこ
とによってすべての可能なセグメント化を実際に生成す
ることを回避する。その結果、入力パターンのすべての
可能なセグメント化および識別が効率的に考慮される。
しかし、ポイント指向の方法は局所的観測値しか利用し
ないため、この方式は、大きいスケールの測定値からし
か観測することができないサンプルの形状を考慮してい
ない。

【０００６】ポイント指向の方式において形状情報を得
る一つの方法は、各サンプルポイント付近の固定サイズ
または可変サイズのウィンドウから特徴を抽出すること
である。しかし、この方法は、パターン形状、サイズ、
およびセグメント化境界の特性の変動に適応しない。

【０００７】

【発明が解決しようとする課題】セグメント指向の方法
を用いるシステムは、大きい領域にわたって観測値を積
分することにより正確さが増大するが、ポイント指向の
方法よりも動作効率は低くなる。各ポイントが独立に分
析されるようなポイント指向のシステムとは異なり、セ
グメント指向のシステムでは与えられたサンプルポイン
トの集合に対して多くの対立セグメントをモデル化する
ことができる。すべてのセグメント化を生成しすべての
可能な仮説評点を計算することは手に負えない作業であ
り、実際的でない。

【０００８】

【課題を解決するための手段】本発明によれば、手書き
文字認識システムにおいて、効率と精度の間のトレード
オフを改善するセグメント指向の方法（インタリーブセ
グメント法）が実現される。ポイント指向の方法を用い
て部分的なセグメント化仮説を得る。セグメント的モデ
ル化を通じてのみ利用可能な形状情報が、それらの選択
されたセグメントをモデル化することによって保持さ
れ、その一方で、すべての可能なセグメントをモデル化
する非効率性が回避される。

【０００９】また、手書き文字サンプルの適切なセグメ
ント化によって手書き文字認識を改善する新しい方法が
実現される。あるしきい値より大きい引き続く字画間の
空間的距離を、そのしきい値より小さい引き続く字画間
の空間的距離から区別するギャップ特徴が定義される。
空間的距離がしきい値より大きいところでは、引き続く
字画を示す対立仮説評点に罰金評点を加えることによっ
て、二つの引き続く字画が不連続であることを示す評点
のほうに対立仮説累積評点をずらす。空間的距離がしき
い値より小さいところでは、二つの引き続く字画が連続
であることを示す対立仮説評点に罰金を加えることによ
って、二つの不連続な字画のほうに対立仮説評点をずら
す。

【００１０】

【発明の実施の形態】局所的特徴のみを使用する、ＨＭ
Ｍに基づく手書き文字認識システムは、語彙(vocabular
y)を表す進化文法ネットワークに埋め込まれた字画モデ
ルから構成される。文法ネットワーク内の各弧は固有の
文字パターンクラスを表す文字モデルに対応する。各文
字モデルは、語彙(lexicon)で指定される可変数の字画
モデルの系列からなり、各字画モデルは単一状態ＨＭＭ
として実現される。これらの字画モデルを星雲字画モデ
ル(nebulous stroke model)といい、さらに詳細には、J
ianying Hu, et al., "Handwriting Recognition with
Hidden Markov Models and Grammatical Constraints",
in Fourth International Workshop on Frontiers in
Handwriting Recognition (December 1994)に記載され
ている。遅延字画（例えば文字「ｉ」の点）は特別な一
画文字とみなす。各文字は一般に、異なる書き方の結果
として、異なる文字パターンクラスを表す複数の文字モ
デルを必要とする。

【００１１】図１において、ｇは、先行する文字パター
ンクラスを表すいくつかの入弧ｐ（ｇ）と、後続の文字
パターンクラスを表すいくつかの出弧ｓ（ｇ）とを有す
る一般的な文法ノードである。各文字パターンクラスｌ
は、単一のＨＭＭ（ｍ（ｌ）で表す）によってモデル化
される。モデルの始状態をｈ（ｌ）で表し、終状態をｆ
（ｌ）で表す。任意の状態ｉに対して、ｑ_i（ｔ）は、
サンプルポイントｔにおいてｉに導くビタビアルゴリズ
ムによって選択される状態系列（仮説）を表し、δ
_i（ｔ）は、その仮説の累積尤度評点を表す。Ｏ_tはサン
プルポイントｔにおける観測値を表し、Δ_i（Ｏ_t）は状
態ｉにおけるＯ_tの対数尤度評点を表す。

【００１２】ビタビ探索中の各サンプルポイントｔにお
いて、先行文字モデルの終状態におけるすべての累積評
点の最大値、換言すれば、入来評点が求められ、対応す
る状態系列とともに、後続モデルのそれぞれの始状態に
伝搬する。各文法ノードにおける入来ポイント評点をセ
グメント的文字一致評点で増強することにより、その文
法ノードへと導く仮説を順位付けする際に文字の全体形
状が考慮され、最高順位が選択されて後続文字モデルに
伝搬する。この機構を通じて、動的に割り当てられる一
時的なセグメントに対して計算されるセグメント的文字
一致評点は、ビタビ探索中の各ポイントにおける判断に
直接影響し、システムは、文字レベルでより良く一致す
る系列が有利になるように動作する。

【００１３】一実施例では、動作は以下のように実行さ
れる。

【数１】各状態ｊ＝ｈ（ｌ）；ｌ∈ｓ（ｇ）に対して：

【数２】

【００１４】文字がセグメントである場合、探索にセグ
メント的な形状情報を取り入れるため、大域的文字形状
モデルを用いて計算されるセグメント的文字一致評点で
入来評点を増強する。具体的には、α_l（ｔ₁，ｔ₂）
を、文字パターンクラスｌに一致する観測値系列に関す
る、サンプルポイントｔ₁からｔ₂へのセグメントの尤度
評点とすると、増強された入来評点は次のように定義さ
れる。

【数３】ただし、ｔ_l＝ｔ−ｄ_m(l)（ｆ（ｌ），ｔ−１）であ
り、ｄ_m(l)（ｆ（ｌ），ｔ−１）は、サンプルポイント
ｔ−１において状態ｆ（ｌ）までの文字モデルｍ（ｌ）
に割り当てられたサンプルポイントの数である。このよ
うな増強された評点により、文法ノードｇにおける上記
の動作は以下のものによって置き換えられる。

【数４】各状態ｊ＝ｈ（ｌ）；ｌ∈ｓ（ｇ）に対して：

【数５】

【００１５】この機構は、字画レベルでセグメント一致
評点を取り入れるように容易に修正することができる。
しかし、個々の字画はほとんどの場合非常に単純な形状
特性を有するため、このレベルで評点を増強しても形状
情報はほとんど得られない。

【００１６】従来のＨＭＭシステムでは、当業者に周知
のビタビアルゴリズムによって最適状態系列が計算され
る。ビタビアルゴリズムは、任意の時点において個々の
状態にある最大確率を計算するとともに、先行状態と後
続状態の間の遷移の最大確率を計算することによって、
観測される状態系列のモデル化を最適化する。しかし、
本発明の方法によって計算される累積評点は、先行状態
から後続状態への遷移のみならず、いかにして先行状態
に到達したかに関する文字持続に反映される情報も取り
入れているため、最適性はもはや保証されない。それに
もかかわらず、本発明による増強ＨＭＭシステムで得ら
れる結果は、従来の最適状態系列のＨＭＭシステムで得
られるものより良好である。

【００１７】曲線セグメントの境界点が与えられると、
その曲線セグメントがある既知パターンにどのくらい良
く一致するかを測るために、多くのメトリックを用いる
ことができる。メトリックは、さまざまな局所的特徴
や、例えば全角度変化やループの存在のような大域的特
徴に基づくことが可能である。しかし、これらのメトリ
ックはそれぞれ一般にセグメントの大域的形状の一つの
特性を捉えているため、それらの多くは通常は、セグメ
ントの十分な記述を与えるためには組み合わせて用いな
ければならない。代わりに、単一の相関に基づくメトリ
ックを用いることも可能である。一実施例では、本発明
は、セグメント間距離尺度相関メトリックにより実現さ
れる。これは、米国特許第５，３３３，２０９号に記載
されている孤立記号認識で用いられる同様のメトリック
を適合させたものである。このメトリックを選んだの
は、その概念および計算法がいずれも簡単で、全セグメ
ントの形状を表す際に比較的完全であるためである。

【００１８】座標系列η_a＝＜（ｘ₁，ｙ₁），（ｘ₂，ｙ
₂），...，（ｘ_n，ｙ_n）＞を有するセグメントａに対し
て、ａの重心は次のように定義される。

【数６】ａのインスタンスベクトルは次のように定義される。

【数７】ａの正規化インスタンスベクトルは次のように定義され
る。

【数８】ｕ_aは、Ｒ²ⁿにおけるセグメントａの並進不変かつスケ
ール不変な表現である。再サンプリング手続き（詳細は
後述）を通じて、このような表現を任意長のセグメント
に対して計算することができる。換言すれば、任意のサ
ンプルセグメントはＲ²ⁿにおけるベクトルに写像するこ
とができる。

【００１９】この表現に基づいて、二つのサンプルセグ
メント間の距離は次のように定義される。

【数９】距離Ｄ（ａ，ｂ）は、同一（ｕ_a・ｕ_b＝１；Ｄ（ａ，
ｂ）＝０）から完全相違（ｕ_a・ｕ_b＝−１；Ｄ（ａ，
ｂ）＝１）までの値をとる、セグメントａとｂの間の形
状類似性の尺度と解釈することができる。

【００２０】この形状類似性尺度により、本発明の増強
ＨＭＭシステムで用いられるセグメント一致評点α
_l（ｔ₁，ｔ₂）は次のように定義される。

【数１０】ただし、ａ_lは文字パターンｌのモデルセグメントであ
り、ａ_t1t2は入力サンプル系列でのサンプルポイントｔ
₁からｔ₂へのセグメントであり、ｗαは重み因子であ
る。セグメント一致評点は−ｗαから０までの値をと
り、評点が高いほど良好な一致を示す。あるいは、Ｄ
（ａ_l，ａ）；ａ∈ｌの確率密度が−Ｄ（ａ_l，ａ）の単
調増加関数であると仮定した場合、この評点は、セグメ
ントａ_t1t2が文字パターンクラスｌの要素である尤度と
して解釈することができる。

【００２１】上記のセグメント一致評点を計算するため
には、各文字パターンクラスは対応する単一のモデルセ
グメントを有しなければならない。ｕ₁，ｕ₂，...，ｕ_N
を、文字パターンクラスｌのプロトタイプの集合の正規
化インスタンスベクトルとする。このクラスを表す単一
のモデルセグメントは、それぞれのプロトタイプからの
距離の和を最小にするベクトルｗによって表される。こ
れは、次の和を最大化するベクトルである。

【数１１】ベクトルｗは

【数１２】と同一直線上になければならず、｜ｗ｜＝１であるた
め、解は次の形になる。

【数１３】

【００２２】サンプルセグメントと与えられるモデルセ
グメントとは必ずしも同数のポイントを含むとは限らな
いため、任意長の任意のセグメントに対して固定長の正
規化インスタンスベクトルを計算するには再サンプリン
グ手続きが必要となる。この手続きは、セグメント一致
評点を計算するたびに呼び出されるため、再サンプリン
グの一つの効率的な方法は、線形補間による等距離再サ
ンプリングを含む。一実施例では、入力系列は前処理中
に再サンプリングされ、セグメント一致に対して実行さ
れる再サンプリング手続きで実際の距離を計算すること
を回避することができる。

【００２３】サンプルセグメントは、必ずしも比較され
るモデルセグメントと同数のポイントを含むとは限らな
いため、再サンプリング手続きが必要となる。

【００２４】再サンプリングアルゴリズムは、任意長の
座標系列をとり、それを与えられた長さｎの座標系列に
変換する。入力系列が一様である場合、出力系列もまた
一様である。図２に、擬似コードで書いた再サンプリン
グアルゴリズムの例を示す。

【００２５】ペンアップとは、書いている間にペンが紙
から持ち上げられるときの状況のことである。手書き文
字単語内でペンアップが起こるかどうかは極めて書き手
に依存するためペンアップ自体はセグメント化に対する
信頼性のある判断基準ではないが、セグメント化および
認識を支援するためにペンアップに関して使用可能ない
くつかの一般的な規則がある。例えば、遅延字画の前に
は通常ペンアップがあるが、文字の主要部は通常ペンア
ップによって中断されない。これらの事実を考慮しない
と、誤セグメント化や誤分類が起こることがある。さら
に、セグメント一致評点を用いる場合、トレーニング中
のセグメント化に関する誤りは、文字パターンに対する
モデルセグメントの結果の信頼性に直接影響を及ぼし、
さらに認識エラーを引き起こす可能性がある。

【００２６】ペンアップ情報を手書き文字認識システム
に取り入れるために、ペンアップに関係があるがペンア
ップよりも信頼性の高いギャップという特徴を定義す
る。ギャップは、ペンアップがあり、ペン持ち上げポイ
ントすなわちペンアップの開始とそれに続くペン下げポ
イントすなわちペンアップの終了との間の距離がギャッ
プしきい値以上である場合に生じる。しきい値の一例は
０．０５ミリメートルである。ギャップが存在するかど
うかを示すためにギャップ特徴信号を使用することがで
きる。一実施例では、ギャップ特徴信号は二進変数ｇ
（ｔ）であり、時系列中の各ポイントに対する前処理中
に計算することができる。ｇ（ｔ）＝１はギャップを示
し、ｇ（ｔ）＝０はギャップがないことを示す。

【００２７】Ｓ＝ｓ₁ｓ₂...ｓ_t-1ｓ_t...ｓ_nで状態系列
仮説を表す。ただし、ｓ_tはサンプルポイントｔに対応
する状態である。仮説Ｓは、ｓ_t≠ｓ_t-1の場合、ポイン
トｔにおいて状態ｓ_tに入り、そうでない場合、ポイン
トｔにおいて同じ状態にとどまる。ｇ（ｔ）＝１である
場合、ポイントｔにおいて同じ状態にとどまる仮説は、
ギャップ罰金という負の定数Ｐ_gを累積評点に加えるこ
とによって罰金を科される。他方、ｇ（ｔ）＝０である
場合、ポイントｔにおいて遅延字画を表す状態に入る仮
説は、連続性罰金という負の定数Ｐ_cを累積評点に加え
ることによって罰金を科される。これらの二つの罰金を
組み込むことによって、ビタビアルゴリズムによって選
択される最終仮説における各字画セグメントは連続曲線
を含むようになり、各遅延字画セグメントはギャップの
直後に始まるようになる。

【００２８】一つの可能な実装では、トレーニング中は
セグメント一致評点を適用しない。各文字パターンクラ
スに対するモデルセグメントは、トレーニング手続きの
最後に得られるセグメント化を用いて一度計算される。
具体的には、単語全体レベルでのセグメント反復トレー
ニングの最後の反復中に、すべてのトレーニング単語サ
ンプルは、最終ＨＭＭパラメータに従ってセグメント化
されラベル付けされる。次に、これらのサンプルをスキ
ャンし、同じ文字パターンクラスに対応するすべてのサ
ンプルセグメントをプロトタイプとして収集し、そこか
らそのクラスのモデルセグメントを計算する。より高度
な実装では、初期モデルセグメントは、反復トレーニン
グ手続きを開始する前に孤立文字サンプルから計算し、
それをトレーニング中の各反復において適用し更新する
ことが可能である。

【００２９】図３および図４に、文字一致評点がある場
合とない場合に得られる相異なる文字レベルセグメント
化を比較することによって、ＨＭＭシステムにおいて文
字一致評点を適用する効果を例示する。図３は、基本的
なＨＭＭシステムを使用したときの単語「line」のサン
プルのセグメント化を示しており、サンプルは「arc」
と誤認識されている。この図は、大域的文字形状情報が
システムから失われるときにこのようなエラーがいかに
して起こり得るかを示している。この図はまた、ペンア
ップ情報の欠如により続け字(ligature)の最中にギャッ
プが入るという「非合理的な」セグメント化（最後のセ
グメント）も示している。

【００３０】図４は、文字一致評点を適用したときの同
じサンプルのセグメント化を示しており、サンプルは正
しく認識されている。図３に示した仮説はもはや選択さ
れない。なぜならば、文字「ａ」に対応するセグメント
は対応するモデルセグメントとあまり一致せず、文字一
致評点が低くなるためである。

【００３１】

【発明の効果】以上述べたごとく、本発明によれば、手
書き文字認識システムにおいて、効率と精度の間のトレ
ードオフを改善するセグメント指向の方法（インタリー
ブセグメント法）が実現される。セグメント的モデル化
を通じてのみ利用可能な形状情報が、それらの選択され
たセグメントをモデル化することによって保持され、そ
の一方で、すべての可能なセグメントをモデル化する非
効率性が回避される。また、大域的文字形状情報を考慮
することにより、誤認識が少なくなる。

【図面の簡単な説明】

【図１】進化文法ネットワークにおいて、先行弧ｐ
（ｇ）および後続弧ｓ（ｇ）を有する一般的な文法ノー
ドの図である。

【図２】任意長の任意のセグメントに対して固定長の正
規化インスタンスベクトルを計算する再サンプリング手
続きを擬似コードで書いたアルゴリズムの図である。

【図３】本発明を含まない従来の手書き文字認識システ
ムによるサンプル単語「line」の誤認識を例示する図で
ある。

【図４】図３と同じサンプル単語を、本発明による手書
き文字認識システムで認識した結果を例示する図であ
る。

───────────────────────────────────────────────────── フロントページの続き (71)出願人 596077259 600 ＭｏｕｎｔａｉｎＡｖｅｎｕｅ, ＭｕｒｒａｙＨｉｌｌ，ＮｅｗＪｅｒｓｅｙ 07974−0636Ｕ．Ｓ．Ａ. (72)発明者ジェニンフーアメリカ合衆国、07030 ニュージャージー、ホボーケン、ワシントンストリート 219、アパートメント３ (72)発明者ウィリアムターリンアメリカ合衆国、08816 ニュージャージー、イーストブランズウィック、ヒルウッドロード 25

Claims

【特許請求の範囲】

【請求項１】信号系列によって表される手書き文字サ
ンプルのセグメントの仮説を立てるために一つまたは複
数のポイント指向の特徴信号を利用してポイント指向仮
説評点を生成することによる手書き文字認識方法におい
て、前記手書き文字サンプルのセグメントの一つまたは複数
のセグメント特徴信号を生成することによりセグメント
仮説評点を生成するステップと、前記セグメント仮説評点を用いて計算したセグメント一
致評点で前記ポイント指向仮説評点を修正するステップ
と、修正したポイント指向仮説評点に基づいて前記手書き文
字サンプルを認識するステップとからなることを特徴と
する手書き文字認識方法。
【請求項２】隠れマルコフモデルに基づくことを特徴
とする請求項１の方法。
【請求項３】前記セグメント特徴信号のうちの一つ
は、セグメント間距離尺度相関メトリックに基づくこと
を特徴とする請求項１の方法。
【請求項４】所定数のポイントを含むように前記手書
き文字サンプルを前処理するステップをさらに有するこ
とを特徴とする請求項３の方法。
【請求項５】対立仮説評点の集合に基づいて手書き文
字サンプルを認識する方法において、前記対立仮説評点は、前記手書き文字サンプル内に入る
選択された仮説評点ポイントの集合の各ポイントにおい
て累積され、各対立仮説評点は前記手書き文字サンプル
の対立モデルの尤度を表し、前記手書き文字サンプルは
一つ以上のペンアップインスタンスを有し、各ペンアッ
プインスタンスはペン持ち上げポイントとペン下げポイ
ントの間の空間的距離に対応し、前記選択された仮説評
点ポイントの集合は前記ペン持ち上げポイントおよび前
記ペン下げポイントを含み、前記方法は、前記手書き文字サンプル内の各ペンアップインスタンス
を検出するステップと、各ペンアップインスタンスに対応する前記空間的距離を
それぞれ計算するステップと、各ペンアップインスタンスに対して、前記空間的距離が
所定のギャップしきい値以下であるかどうかを示す所定
のギャップ特徴信号を対応させるステップと、前記所定のギャップ特徴信号が前記しきい値以上の空間
的距離を示している場合、前記ペン下げポイントに対応
する各累積仮説評点に第１の罰金を科し、前記所定のギ
ャップ特徴信号が前記しきい値より小さい空間的距離を
示している場合、前記ペン下げポイントに対応する各累
積仮説評点に第２の罰金を科すことにより累積仮説評点
の集合を調節するステップと、調節された対立仮説評点に基づいて前記手書き文字サン
プルを認識するステップとからなることを特徴とする手
書き文字認識方法。
【請求項６】前記所定のギャップ特徴信号は２進特徴
信号であることを特徴とする請求項５の方法。
【請求項７】隠れマルコフモデルに基づくことを特徴
とする請求項５の方法。
【請求項８】信号系列によって表される手書き文字サ
ンプルのセグメントの仮説を立てるために一つまたは複
数のポイント指向の特徴信号を利用してポイント指向仮
説評点を生成することによる手書き文字認識装置におい
て、前記手書き文字サンプルのセグメントの一つまたは複数
のセグメント特徴信号を生成することによりセグメント
仮説評点を生成する手段と、前記セグメント仮説評点を用いて計算したセグメント一
致評点で前記ポイント指向仮説評点を修正する手段と、修正したポイント指向仮説評点に基づいて前記手書き文
字サンプルを認識する手段とからなることを特徴とする
手書き文字認識装置。