JPH1196300A - 手書き文字認識方法と装置 - Google Patents

Abstract

(57)【要約】 【課題】 情報量、計算量を削減することができ、計算
コストを低下させ得ると共に、限られたサンプル数の範
囲内で整合性を求めることができ、アルファベットと異
なり、形状が複雑で、しかもカテゴリー数の多い手書き
漢字についても認識性能を向上させ得る手書き文字認識
方法と装置を提供する。 【解決手段】 標準特徴画像を作成する工程と、入力特
徴画像を作成する工程と、最小化する条件下における前
記標準特徴画像と入力特徴画像との変形変位を抽出する
工程と、前記両画像の類似性を識別する工程を有する。

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
法と装置に係り、より詳細には、例えば、アルファベッ
トと異なり、形状が複雑で、しかもカテゴリー数の多い
手書き漢字についても認識性能を向上させ得る手書き文
字認識方法と装置に関する。

【０００２】

【従来の技術】従来、形状が複雑で、カテゴリー数の多
い手書き文字の認識方法としては、種々の方法が知られ
ている。この方法は、大別すると、構造解析的手法と、
文字パターン整合手法の２種類に分類することができ
る。手書き漢字のように認識対象カテゴリー数の多い文
字にあっては、文字パターン整合手法が多く採用されて
いる。

【０００３】

【発明が解決しようとする課題】しかし、この手書き漢
字等の文字パターンは、高次元のデータであるため、該
文字パターンから直接、入力パターンと標準パターンを
比較・識別することは情報量、計算量的に困難である。
そこで、近年では、入力パターンについて、特徴抽出処
理を行い、予め、辞書として登録してある標準パターン
の特徴データとの距離値、あるいは類似性を計算し、最
小距離値あるいは最大類似度値をとる文字カテゴリーを
識別結果とする方法を用いている。またこの識別方法に
おいて、文字パターンについて太め処理、細め処理を行
ったり、部分的にストロークを接続する方法、あるいは
文字パターン全体を線形・非線形写像関数により幾何学
的に変形することで、その識別精度を向上させることも
知られている。このように文字パターンについて特徴抽
出を行うことで、情報量、計算量を削減することがで
き、計算コストを低下させ得ると共に、限られたサンプ
ル数の範囲内で整合性を求めることができる。

【０００４】本発明は、このような手法と同じく、情報
量、計算量を削減することができ、計算コストを低下さ
せ得ると共に、限られたサンプル数の範囲内で整合性を
求めることができ、アルファベットと異なり、形状が複
雑で、しかもカテゴリー数の多い手書き漢字についても
認識性能を向上させ得る手書き文字認識方法と装置を提
供することにある。

【０００５】

〔ここで、汎関数Ｐは標準パターン画像と入力パターン画像の抽出変位を考慮したうえでの重なり合わせの良さ、汎関数Ｓは抽出変位の滑らかさ、λは汎関数Ｓの重みを制御する正則パラメータである。〕

を最小化する条件下における前記標準特徴画像と入力特
徴画像との変形変位を抽出する工程と、該変形変位によ
り、前記両画像の類似性を識別する工程、を有すること
を特徴とする。

【０００６】また、本発明の手書き文字認識方法は、前
記発明において、前記標準特徴画像が、標準パターン画
像の輪郭あるいは特定の個所や点から水平、右下、垂
直、および左下のそれぞれの方向に対応した特徴画像で
あり、また前記入力特徴画像が、入力パターン画像の輪
郭から水平、右下、垂直、および左下のそれぞれの方向
に対応した特徴画像であることを特徴とする。また、前
記標準特徴画像と入力特徴画像との変形変位を抽出する
際、該標準特徴画像として、準備した複数個の前記標準
特徴画像のうち、該標準特徴画像と入力特徴画像との間
の距離を測定し、該距離の小さい値から複数個の標準特
徴画像を用いることを特徴とする。更に前記標準特徴画
像と入力特徴画像との変形変位を抽出する際、該標準特
徴画像として、準備した複数個の前記標準特徴画像のう
ち、該標準特徴画像と入力特徴画像を重ね合わせて、該
入力特徴画像との類似度の高い上位複数個の標準特徴画
像を用いることを特徴とする。更にまた、前記入力パタ
ーン画像と標準パターン画像の整合性を識別する際、共
分散または分散値を用いることを特徴とする。

【０００７】また、本発明の手書き文字認識装置は、標
準となる文字パターンの標準パターン画像の輪郭あるい
は特定の個所や点から異なる方向のそれぞれの方向に対
応した標準特徴画像を作成する手段と、手書きされた識
別する文字パターンを画像入力し、該入力パターン画像
の輪郭あるいは特定の個所や点から異なる方向のそれぞ
れの方向に対応した入力特徴画像を作成する手段と、 エネルギー汎関数Ｅ＝Ｐ（ｕ，ｖ）＋λＳ（ｕ，ｖ） 〔ここで、汎関数Ｐは標準パターン画像と入力パターン
画像の抽出変位を考慮したうえでの重なり合わせの良
さ、汎関数Ｓは抽出変位の滑らかさ、λは汎関数Ｓの重
みを制御する正則パラメータである。〕 を最小化する条件下における前記標準特徴画像と入力特
徴画像との変形変位を抽出する手段と、該変形変位によ
り、前記両画像の類似性を識別する手段、を有すること
を特徴とする。

【０００８】

【発明の効果】本発明の手書き文字認識方法と装置によ
れば、入力パターン画像と標準パターン画像のそれぞれ
について、その輪郭あるいは特定の個所（点を含む）か
ら異なる方向のそれぞれの方向に対応した入力特徴画像
と、標準特徴画像を作成した後、エネルギー汎関数Ｅ＝
Ｐ（ｕ，ｖ）＋λＳ（ｕ，ｖ）を最小化する条件下にお
ける前記標準特徴画像と入力特徴画像との変形変位を抽
出し、その両特徴画像を識別するので、安定な認識性能
が得られるという効果を有する。

【０００９】

【発明の実施の形態】以下、図面を参照しながら、本発
明を具体化した好ましい実施の形態について説明する。
本実施形態の手書き文字認識方法は、手書き漢字の認識
方法であって、概略すると、入力パターン読み込み・
前処理工程、特徴画像作成工程、入力パターン識別
用標準特徴画像選択工程、変位抽出工程、識別工
程、の５つの工程を有する。以下、各工程について説明
する。ここで、入力パターン画像を入力パターン画像
ｆ′（ｘ，ｙ）、正規化後の入力パターン画像を入力パ
ターン画像ｆ（ｘ，ｙ）とする。

【００１０】−入力パターン読み込み・前処理工程− 本工程は、識別（認識）しようとする手書き文字を画像
入力すると共に、該画像中に含まれるノイズを除去する
工程である。通常、画像入力は、手書き文字をイメージ
により入力し、入力パターン画像ｆ′（ｘ，ｙ）を得て
いる。この入力パターン画像は、イメージセンサーにキ
ズがあったりすると、これがノイズとなるため、これを
除去する必要がある。該ノイズの除去は、一般的な２値
化処理により画像中に含まれるノイズを除去する。次
に、入力パターン画像ｆ′（ｘ，ｙ）中に含まれる文字
パターン（図１（ａ）参照）が、６４×６４の枠に内接
するように位置・大きさの正規化を行なう。そして、原
画像中の文字パターンの外接枠の幅と高さを幅（ｗｉｄ
ｔｈ）および高さ（ｈｅｉｇｈｔ）とし、画像原点と、
外接枠の左上位置の水平および垂直方向にずれをδｘ，
δｙで表現すると、正規化後の画像ｆ（ｘ，ｙ）は次式
により与えられる（図１（ｂ）参照）。

【数１】 但し、「−」のような平らな形状を持つ文字に対して大
きさの正規化を施すことを避けるために、幅（ｗｉｄｔ
ｈ）＞３×高さ（ｈｅｉｇｈｔ）が成り立つ場合は、縦
横比を保存して外接枠の横幅が６４画素（ｐｉｘｅｌ
ｓ）になるように正規化を行なう。

【００１１】−特徴画像作成工程− 本工程は、手書きされた識別する文字パターンを画像入
力し、該入力パターン画像ｆ′（ｘ，ｙ）の正規化後の
入力パターン画像ｆ（ｘ，ｙ）の輪郭から異なる方向の
それぞれの方向に対応した入力特徴画像ｆ_k （ｋ＝１・
２，３・・）を作成し、また標準となる文字パターンの
標準パターン画像ｇ（ｘ，ｙ）の輪郭から異なる方向の
それぞれの方向に対応した標準特徴画像ｇ_k （ｋ＝１・
２，３・・）を作成する工程である。この工程では、２
段階の手順に従い、入力パターン画像ｆ（ｘ，ｙ）の輪
郭から水平方向、右下方向、垂直方向、および左下方向
のそれぞれの方向に対応した特徴画像を作成する。具体
的には、次のようにして作成する。まず、輪郭線上の各
画素点において輪郭方向を測定し、得られた方向に対応
する輪郭方向分布画像（６４×６４画素）に値１を設定
する（図１（ｃ）参照）。但し、傾きの測定時に、雑音
的な輪郭形状の変化に対する安定性の向上のために、注
目画素点の２つの前と後の２輪郭点を結ぶ線分から輪郭
方向を求める。また、このとき得られた方向が４方向の
どれにも完全に一致しない場合は、適当な重みを用いて
その周辺の傾きをもつ輪郭方向分布画像に値が分配され
る。次に、特徴次元数の削減を目的として、輪郭方向分
布画像のそれぞれについて等間隔に１６×１６点のサン
プリングを行なう（図１（ｄ）参照）。ここでは、領域
分割による影響を少なくするために、ガウシアンフィル
タ（δ＝４）を用いた平滑化を行なう。以上の操作によ
って得られた４枚の画像を線素方向特徴画像と呼ぶもの
とし、それぞれｆ_k （ｋ＝１，２，３，４）として表
す。ところで、標準特徴画像ｇ_k （ｋ＝１・２，３・
・）は、予め作成しておいても、入力特徴画像ｆ_k （ｋ
＝１，２，３，４） を作成する際に、作成してもよ
い。その作成方法は、入力特徴画像ｆ_k （ｋ＝１，２，
３，４）と同様にして作成する。しかし、この他に、例
えば、複数のサンプルを集めて、その平均値を求める方
法で作成してもよい。

【００１２】−入力パターン識別用標準特徴画像選択工
程（大分類工程）− 本工程は、後工程で、入力パターン画像の入力特徴画像
ｆ_k （ｋ＝１，２，３，４）と、標準特徴画像ｇ_k （ｋ
＝１・２，３・・）との変位抽出を行う際、複数個の標
準パターン画像のうち何れの標準パターン画像との変位
抽出を行えばよいかについての選択を行う工程である。
カテゴリ数が膨大である手書き漢字の認識においては、
事前に大まかな分類を行い識別候補を絞り込むことが計
算コストの点から有利である。ここでは、各カテゴリ毎
に準備・作成された標準特徴画像ｇ_k （ｋ＝１４，２，
３，４）と入力特徴画像ｆ_k のユークリッド距離を測定
し、小さな値を与えるものから１０位までを候補として
選択する。この選択は、手書き漢字により、任意の個数
選ぶことができる。

【００１３】−変位抽出工程− 本工程は、エネルギー汎関数Ｅ＝Ｐ（ｕ，ｖ）＋λＳ
（ｕ，ｖ） を最小化する条件下における前記標準特徴画像ｇ_k と入
力特徴画像ｆ_k との変形変位を抽出する工程である。入
力特徴画像ｆ_k は、入力パターン識別用標準特徴画像選
択工程で絞り込まれた各標準特徴画像ｇ_K に対して変形
抽出を行う。但し、求める変形変位は、特徴画像間の
ユークリッド距離を小さくすること、変位の水平およ
び垂直方向の変化は滑らかであること、が必要となる。
ここで、標準特徴画像ｇ_K の荷にの離散点（ｘ，ｙ）に
おける水平および垂直方向の変位を表す実数値関数ｕ
（ｘ，ｙ）およびｖ（ｘ，ｙ）を導入する（図２参
照）。このとき、先の２つの条件を満たす変位関数ｕ，
ｖは、次式に示されるエネルギー汎関数Ｅを最小化する
はずである。

【数２】 ここで、汎関数Ｐは、抽出変位を考慮した特徴画像間の
ユークリッド距離の自乗値であり、汎関数Ｓは抽出変位
の滑らかさを表している。よって、変位関数ｕ，ｖにつ
いて各汎関数値を最小化することは、先の２条件をそれ
ぞれに満たすような変形変位を決定することになる。な
お、λはＳの重みを制御する正則化パラメータである。
エネルギー汎関数Ｅのついてのオイラー・ラグランジェ
方程式は次式のように示することができる。

【数３】 上式について有限差分近似を用いることにより、Ｇａｕ
ｓｓ−Ｓｅｉｄｅｌ法の反復式が得られる。

【数４】 但し、

【数５】 ここで、ｔは計算反復回数を表す。また、数値計算時の
安定性の向上のために、後述する式（７）（８）に関し
ては、数値安定性の向上のために、右辺第２項のｕ^t ，
ｖ^t の値についても式（９）（１０）で示されるｕ^t ，
ｖ^t の値を用いるとよい。

【００１４】ところで、上述した変位抽出アルゴリズム
に基づいた数値計算を行う場合には、局所解への落ち込
みの回避と、計算コストの削減のために、多解像度画像
を用いた疎密探索を行うことが有効である。本実施形態
方法においては、２段階の階層的構造を用いる。第１段
階においては、特徴抽出部において生成された１６×１
６画素の入力特徴画像ｆ_k から８×８画素の平滑化入力
特徴画像ｆ_k ^* を作成する。

【数６】 同様の計算により平滑化標準特徴画像ｇ_K を作成し、そ
れらに基づき漸化式（７）（８）を反復的に用いて変位
関数ｕ^* ，ｖ^* を計算する。但し、変位関数ｕ^* ，ｖ^*
上の各格子点での初期値は０を用いる。また、第２段階
では、変位関数ｕ，ｖの初期値は、既に得られたｕ^* ，
ｖ^* の値から次式を用いて設定する。

【数７】 入力特徴画像ｆ_k および標準特徴画像ｇ_K に基づき、漸
化式（７）（８）を反復的に用いて変位関数ｕ，ｖを計
算する。

【００１５】−識別工程− 本工程は、標準特徴画像ｇ_k と入力特徴画像ｆ_k との変
形変位により、前記入力パターン画像ｆ（ｘ，ｙ）と、
標準パターン画像ｇ（ｘ，ｙ）の類似性（換言すれば、
標準特徴画像ｇ_k と入力特徴画像ｆ_k の類似性）を識別
する工程である。ここでは、得られた変位関数ｕ，ｖを
考慮した重み付きユークリッド距離ｄを用いて統計的な
識別を行う。距離ｄは次式のように示すことができる。

【数８】 ここで、ｖ_k （ｘ，ｙ）は第ｋ番目の方向特徴画像の座
標（ｘ，ｙ）における特徴量についての分散値であり、
パラメータαはこれに関する重みである。距離ｄはα＝
０のときに正規化ユークリッド距離と等しくなり、α＝
１のときにユークリッド距離Ｐと同様の性質をもつ。分
散値ｖ_k （ｘ，ｙ）は、次式で推定できる。

【数９】 ここで、ｆ_nkはｎ番目のサンプルから生成された方向ｋ
に対応する線素方向特徴画像を表しており、ｆ_k はそれ
らの平均画像である。また、Ｎは利用できるい各カテゴ
リ毎のサンプル数である。共分散情報を用いるマハラノ
ビス距離等を比較すると、分散情報のみを用いる距離ｄ
は膨大な計算資源を必要としない、という長所をもつ。
重み付きユークリッド距離ｄだけでなく、抽出変位の滑
らかさを表す汎関数Ｓを考慮することも識別に有利であ
る。なぜなら、異種カテゴリに属する特徴画像に対して
得られる変位に比べて、同カテゴリに属する特徴画像に
対して得られる変位はより滑らかであることが期待でき
るからである。そこで、抽出変位を考慮した距離ｄと抽
出変位の滑らかさＳの線形和で定義されるパターン間距
離ｄ´をパターン間距離として用いる。

【数１０】 ここで、パラメータβは滑らかさＳの重みである。

【００１６】そして、このような工程を経て、手書き文
字の識別・認識を行った処、変形に対して安定な認識性
能が得られた。これは、入力パターンから線素方向特徴
を抽出した後に、ユークリッド距離と抽出変位の滑らか
さの項からなるエネルギー汎関数を最小化することで、
得られた特徴画像に基づき変位抽出を行い、入力パター
ンに含まれる変位量を考慮して識別を行うためである。

【００１７】次に、本実施形態の効果を確認するため
に、最初に、２つの漢字パターンを用いて変位抽出試験
を行い、次に、手書き文字集合を用いて計算機による認
識試験を行った。そして、この試験により本実施形態の
認識性能について検討した。ところで、正則化パラメー
タλは、システムの認識性能を左右する重要なパラメー
タの一つである。λは小さな値を用いると式（２）にお
けるユークリッド距離Ｐの影響が相対的に強くなるため
に、本実施形態の方法における変位抽出能力は高くな
る。しかし、強力すぎる変位抽出能力は過対応のために
良好な認識を妨げる。そこで、いくつかの予備実験の結
果から、本試験では、正則化パラメータλの値は０．０
０３、０．０１０、漸化式（７）（８）の計算反復回数
は２０（各段階として、１０回づつ）とした。また変位
関数ｕ，ｖ上の各格子点での初期値は０を設定した。式
（７）（８）に関しては、数値安定性の向上のために、
右辺第２項のｕ^t ，ｖ^t の値についても式（９）（１
０）で示されるｕ^t ，ｖ^t の値を用いた。なお、変位関
数は実数値をもつが、格子点以外の座標においては画像
間数ｆ_k の値が明示的に与えられない。そこで、近傍の
４画素の値に基づいた線形補間値を用いた。

【００１８】−変位抽出試験− 本実施形態方法では、２つの原パターンからではなく、
それから生成される特徴画像から間接的に変形変位を抽
出した。そこで、このようにして得られた変位が妥当な
ものであるか、について検討を行い、更に、アルゴリズ
ムの数値的安定性を明らかにするために、各汎関数値
Ｅ，Ｐ，Ｓの動向について検討した。具体的には、図３
（ａ）に示される２つの漢字パターン（６４×６４画
素）を用いて変位抽出試験を行った。図中において、パ
ターンｆおよびパターンｇの黒画素は、記号□と●によ
りそれぞれ示している。これから生成される線素方向特
徴画像（図３（ｂ）参照）から得られた変位関数ｕ，ｖ
をグラフネットを用いて図４〜図５に示す。図４は、第
１段階における計算過程に対応しており、初期状態ｔ＝
０、ｔ＝１、ｔ＝２、ｔ＝５、ｔ＝１０の様子を示して
いる。また図５は第２段階に対応しており、ここでは、
第１段階の最終結果（ｔ＝１０）を初期状態とし、ｔ＝
１１、ｔ＝１２、ｔ＝１５、ｔ＝２０（最終的な結果）
の様子を示している。ｔ＝２０が最終的に抽出された変
位である。次に、アルゴリズムの安定性について述べ
る。図６に示すように、第１層、第２層において、反復
回数が５を超えた辺りから各汎関数の値がほとんど変化
していない。また、エネルギー汎関数Ｅの減少傾向は安
定している。ｔ＝２０での各関数値の不連続は、階段的
構造による計算対象画像およびパラメータλの相違に起
因する。

【００１９】−認識試験− 手書き文字集合を用いた計算機による認識性能を調べ
た。データベースは、８８１カテゴリの手書き漢字集合
が含まれており、各カテゴリ毎のサンプル数は１６０で
ある。また、文字パターンは６４×６３の画素で構成さ
れており、既に２値化処理が施されている。よって、前
処理部では位置・大きさの正規化処理のみを行った。標
準特徴画像ｇ_K （ｋ＝１，２，３，４）は、各カテゴリ
毎に含まれるサンプルの奇数集合から設定した。具体的
には、個々の文字サンプルから得られる線素方向特徴画
像に対して、各カテゴリ毎に平均処理を行うことにより
標準特徴画像を作成した（式（１５）の第２式目参
照）。そして、各カテゴリ毎に、これらの特徴画像集合
から分散値ｖ_k （ｘ，ｙ）を推定した（式（１５）の第
１式参照）。一方、サンプルの偶数集合は認識対象文字
集合として用いた（総数７０４８０文字）。

【００２０】そして、変位抽出試験と認識試験から、抽
出変位を考慮したユークリッド距離Ｐ、滑らかさの項Ｓ
およびエネルギー汎関数Ｅのそれぞれを識別要素として
用いた場合の認識率は、表１に示す通りであった。な
お、変位抽出を行わない従来手法の認識率も表１に示
す。

【表１】 この表１から、従来のユークリッド距離の結果と比較す
ると、汎関数Ｐを用いた場合には３．６３％の改善が見
られる。汎関数Ｓの場合については、低い認識率である
が、それらの線形和であるところのエネルギー汎関数Ｅ
の場合には３．９５％の改善が見られる。このことは、
入力特徴画像と同カテゴリに属する標準特徴画像に対し
て変位抽出を行う場合には、抽出変位の滑らかさを維持
しつつ、パターン間のユークリッド距離が最小化できる
傾向があることを示している。なお、前記入力パターン
識別用標準特徴画像選択工程における１０位累積分類率
は９８．６７％であった。以上の結果から、基本性能の
高さが判った。

【００２１】更に、重み付きユークリッド距離ｄを用い
た統計的識別についても検討を行った。図７は、パラメ
ータαを変化させた場合の認識性能の推移を表してい
る。また、抽出変位を考慮しない場合の重み付きユーク
リッド距離の結果も比較のために示している。分散情報
を考慮する従来手法の認識率の最大値は９４．５９％で
あった。これに対して、提案手法において分散情報を用
いた場合の最大値は９６．６２％であった。これらの認
識率の差異２．０３％は、変位抽出処理の効果によるも
のである。どちらの場合においても推定分散値を適度に
加味することで、認識結果が大幅に改善できる。但し、
αの値が小さ過ぎると認識率が低下してしまう。これ
は、サンプル数が十分でないために推定分散値ｖ
_k （ｘ，ｙ）に誤差が含まれると、特徴量がガウス分布
に厳密には従っていないことが原因として考えられる。
また、推定分散値を用いることの効果に関しては、これ
を用いない場合（α＝１．０）の認識結果９４．７１％
（表１）と比較して１．９１％の改善が実現できる。よ
って、変位抽出を用いる認識手法において推定分散値を
考慮することの有効性が確認できた。

【００２２】更にまた、重み付きユークリッド距離に加
えて、抽出変位の滑らかさＳを考慮することによる認識
性能の向上を検討した。重み付きユークリッド距離ｄと
滑らかさの項Ｓの線形和で表されるパターン間距離ｄ´
を用いた場合の認識率を、パラメータβの関数として図
８に示す。但し、パラメータαの値に関しては、２．５
×１０^-4を用いた。β＝５．０の場合に９６．７３％の
認識率が得られた。これは、Ｓをを考慮しない場合の認
識率９６．６２％（β＝０．０）に比べて大幅な改善と
はいえないが、表１に示すように、Ｓのみを用いた場合
の認識性能が８２．１１％であるにも関わらず、これを
加味することで認識性能を向上させることができる。

【００２３】以上のように、本発明の手書き文字認識方
法と装置は、手書き漢字に対する認識性能の向上を目的
として、線素方向特徴画像を用いた変位抽出を行ったこ
とに特徴がある。ここでは、入力文字から特徴を抽出し
た後に、ユークリッド距離と抽出変位の滑らかさからな
るエネルギー汎関数を最小化することにより、文字に含
まれる変形変位が抽出できる。そして、変位抽出時の局
所解の回避および計算コストの削減のために変位抽出時
に階層的構造を導入した。また、識別時においては推定
分散値を用いた重み付きユークリッド距離と抽出変位の
滑らかさの線形和で定義されるパターン間距離を用い
た。

【００２４】なお、本発明は、上述した実施形態に限定
されるものでなく、本発明の趣旨を逸脱しない範囲内で
変形実施できる構成を含む。ところで、前述した実施形
態においては、分散値を用いた統計的識別器を用いた
が、該分散値の代わりに共分散値を用いても同様の効果
を得ることができる。また、前述した実施形態では、特
徴画像の作成を、パターン画像の輪郭から異なる方向の
それぞれの方向に対応して作成しているが、該パターン
画像の特定の個所（点を含む）から異なる方向のそれぞ
れの方向に対応して作成してもよいことは当然である。

【図面の簡単な説明】

【図１】本発明の実施形態における入力・前処理工程と
特徴抽出工程での入力パターン画像と、その特徴抽出画
像の説明図である。

【図２】特徴画像上の変位関数の説明図である。

【図３】図３（ａ）は２つの漢字（入力、標準）パター
ン画像、図３（ｂ）は線素方向特徴画像である。

【図４】線素方向特徴画像から得られた変位関数をグラ
フネットとして表した第１段階の説明図である。

【図５】線素方向特徴画像から得られた変位関数をグラ
フネットとして表した第２段階の説明図である。

【図６】重合わせ度合いと、滑らかさの度合いとの関係
を表したグラフである。

【図７】パラメータαを変化させた場合の認識性能の推
移を表すグラフである。

【図８】重さ付きユークリッド距離と滑らかさの項Ｓの
線形和で表されるパターン間距離をｄ′とした場合の認
識率を表すグラフである。

Claims (6)

【特許請求の範囲】
1. 【請求項１】 標準となる文字パターンの標準パターン
   画像の輪郭あるいは特定の個所から異なる方向のそれぞ
   れの方向に対応した標準特徴画像を作成する工程と、 手書きされた識別する文字パターンを画像入力し、該入
   力パターン画像の輪郭あるいは特定の点から異なる方向
   のそれぞれの方向に対応した入力特徴画像を作成する工
   程と、 エネルギー汎関数Ｅ＝Ｐ（ｕ，ｖ）＋λＳ（ｕ，ｖ） 〔ここで、汎関数Ｐは標準パターン画像と入力パターン
   画像の抽出変位を考慮したうえでの重なり合わせの良
   さ、汎関数Ｓは抽出変位の滑らかさ、λは汎関数Ｓの重
   みを制御する正則パラメータである。〕 を最小化する条件下における前記標準特徴画像と入力特
   徴画像との変形変位を抽出する工程と、 該変形変位により、前記両画像の類似性を識別する工
   程、 を有することを特徴とする手書き文字認識方法。
2. 【請求項２】 前記標準特徴画像が、標準パターン画像
   の輪郭あるいは特定の個所から水平、右下、垂直、およ
   び左下のそれぞれの方向に対応した特徴画像であり、ま
   た前記入力特徴画像が、入力パターン画像の輪郭から水
   平、右下、垂直、および左下のそれぞれの方向に対応し
   た特徴画像である請求項１に記載の手書き文字認識方
   法。
3. 【請求項３】 前記標準特徴画像と入力特徴画像との変
   形変位を抽出する際、該標準特徴画像として、準備した
   複数個の前記標準特徴画像のうち、該標準特徴画像と入
   力特徴画像との間の距離を測定し、該距離の小さい値か
   ら複数個の標準特徴画像を用いる請求項１または２に記
   載の手書き文字認識方法。
4. 【請求項４】 前記標準特徴画像と入力特徴画像との変
   形変位を抽出する際、該標準特徴画像として、準備した
   複数個の前記標準特徴画像のうち、該標準特徴画像と入
   力特徴画像を重ね合わせて、該入力特徴画像との類似度
   の高い上位複数個の標準特徴画像を用いる請求項１また
   は２に記載の手書き文字認識方法。
5. 【請求項５】 前記入力パターン画像と、標準パターン
   画像の類似性を識別する際、共分散または分散値を用い
   る請求項１〜４のいずれかの項に記載の手書き文字認識
   方法。
6. 【請求項６】 標準となる文字パターンの標準パターン
   画像の輪郭あるいは特定の個所から異なる方向のそれぞ
   れの方向に対応した標準特徴画像を作成する手段と、 手書きされた識別する文字パターンを画像入力し、該入
   力パターン画像の輪郭あるいは特定の個所から異なる方
   向のそれぞれの方向に対応した入力特徴画像を作成する
   手段と、 エネルギー汎関数Ｅ＝Ｐ（ｕ，ｖ）＋λＳ（ｕ，ｖ） 〔ここで、汎関数Ｐは抽出変位を考慮した特徴画像間の
   ユークリッド距離の自乗値、汎関数Ｓは抽出変位の滑ら
   かさ、λは汎関数Ｓの重みを制御する正則パラメータで
   ある。〕 を最小化する条件下における前記標準特徴画像と入力特
   徴画像との変形変位を抽出する手段と、 該変形変位により、前記両画像の整合性を識別する手
   段、 を有することを特徴とする手書き文字認識装置。