JPS63131287A - 文字認識方式 - Google Patents

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】 〔技術分野〕 本発明は１文字認識力式に関し、特に文字認識方式にお
ける文字の大分類に関連した改良に関する。

〔従来技術〕

未知文字と辞書との詳細マツチングの前に、未知文字の
大分類を行い、未知文字の候補になり得る文字種を絞り
込み、絞り込んだ文字種についてだけ未知文字と辞書と
の詳細マツチングを行うようにすると、文字Ｌ＆識処理
の効率化に効果がある。

従来、このような文字大分類のための特徴量としては、
例えば文字パターンの射影データが用いられている。し
かし、候補文字種の絞り込みが不十分になったり、十分
に絞り込もうとした場合に必要な文字種が絞り込み文字
種から漏れやすい等の問題があった。

〔目　的〕

本発明は、そのような問題点を解消でき、かつ。

抽出処理が簡便な新しい文字大分類用の特徴量を導入し
た文字認識方式を折供することを目的とする。

〔構　成〕

本発明の文字認識方式においては、未知文字のパターン
を第１の方向（例えば水平方向）およびそれと直交する
第２の方向（例えば垂直方向）に走査した場合に、白か
ら黒へ変化する境界部の画素、黒から白へ変化する境界
部の画素、または。

その両方の境界部の画素の総数またはそれと比例関係の
値を文字大分類用特徴量として用いる。

しかし、未知文字のパターンを実際に第１の方向および
第２の方向にそれぞれ走査して、そのような境界部画素
を検出して大分類用特徴量を抽出するのでは処理の効率
が悪い。

そこで１本発明においては、第１および第２の方向に関
する境界部画素の値を画素パターンに対応して登録した
テーブルを用意しておき、未知文字のパターンを第１の
方向に走査して黒画素を検出する度に、その黒画素の周
辺画素パターンによって前記テーブルの値を読み出し、
その値を累積加算することによって文字大分類用特徴量
を求めるようにし、大分類用特徴量の抽出処理効率の向
上を図る。

そして、本発明の文字認識方式にあっては、そのように
して抽出した大分類用特徴量と文字種別に用意された同
様の特徴量と比較して未知文字の大分類を行い、両方の
特徴量の差が判定閾値以下になった文字種を候補になり
得る文字種として絞り込み、その文字種に関してだけ未
知文字と辞書との詳細マツチングを行う。

前記のような大分類用特徴量は、文字パターンの複雑度
を的確に表すので、正確かつ十分な文字種の絞り込みが
可能である。しかも、その抽出も簡便である。したがっ
て、認識率を低下させることなく認識処理の効率を大幅
に改善できる。

〔実施例〕

以下、本発明の実施例について図面を用い詳細に説明す
る。

第１図は２本発明の一実施例および後述の各実施例に係
る機能的構成を示す機能ブロック図である。

図において、１は原稿から文字のパターンを読み取るス
キャナであり、２はスキャナ１から入力される画像デー
タから文字行を切り出す行切出し部である。３は行切り
出し部２により切り出された文字行データを一時的に記
憶する行バツフアメモリである。

４は行バツフアメモリ３に記憶されている文字行データ
から個々の文字のパターンを切り出す文字切出し部であ
る。５はその文字パターンを一時的に記憶する文字イメ
ージメモリである。

６は前処理部であり、これは文字イメージメモリ５上で
文字パターンの正規化、ノイズ除去などの処理を施す。

７は大分類特徴／詳細特徴抽出部であり１例えば一般的
なマイクロプロセッサを用いてプログラムによって特徴
抽出処理を行うものである。ニーでは、文字イメージメ
モリ５上の前処理後の文字パターンから、大分類用特徴
量と詳細特徴量が抽出される。

大分類用特徴量の抽出処理の概略フローチャートは第２
図に示されているが、この処理内容については後述する
。

この大分類特徴／詳細特徴抽出部７に関連して、特徴量
メモリ８およびテーブルメモリ１３が設けられている。

テーブルメモリ１３は、大分類用特徴量の抽出のために
参照されるテーブルを格納するためのメモリであり、こ
の実施例の場合は第３図に示すようなテーブルが格納さ
れる。

特徴量メモリ８は、入力文字パターンから抽出された大
分類用特徴量および詳細特徴量がそれぞれ一時的に記憶
するためのものである。

こ＼で、詳細特徴量は入力文字と辞書との詳細マツチン
グに利用するための特徴量である。この実施例では、本
出願人が提案済みの多層方向ヒストグラム法により詳細
精微量として抽出される。

この詳細精微量の抽出は次のようにして行われる。まず
、文字イメージメモリ５に記憶されている文字パターン
が走査され、文字線輪郭画素に方向コードが付けられる
。この処理と同時に、またはその後に１文字パターンの
各辺からその対向辺に向かって文字パターンが走査され
、白画素の次に現れる方向コードを検出し、その方向コ
ードが各走査線上で何番目に検出されたかによって複数
の層に層別する。そして、文字パターンの枠内のメツシ
ュ領域毎に、ある層迄の層別に各方向コードのヒストグ
ラムを求める。このヒストグラムが詳細精微量である。

この詳細精微量は、それを成分とした多次元の特徴ベク
トルの形で特徴量メモリ８の領域８ａに一時的に記憶さ
れる。

なお、大分類特徴量は、特徴量メモリ８の領域８ｂに一
時的に記憶される。

９は辞書である。この辞書９には、各文字種別に、標準
文字パターンの同様の多層方向ヒストグラム法による特
徴ベクトル、および大分類特徴／詳細特徴抽出部７によ
り抽出される大分類特徴量と同様の大分類特徴量（ＩＣ
ＯＭＰｄ）が格納されている。

１０はマツチング部である。このマツチング部１０は、
入力文字パターンから抽出された大分類特徴Ｍ　（ＩＣ
ＯＭＰ）を用いた入力文字の大分類と、この大分類によ
り絞り込まれた文字種に関して、詳細精微量を用いた入
力文字と辞書との詳細マツチングとを行う部分であり、
その処理の概略フローチャートを第４図に示す６ １２はマツチング部１０により最終的に選ばれた候補文
字のコードを認識結果データとして出力する結果出力部
である。

次に第２図および第３図を参照して、この実施例におけ
る大分類特徴／詳細特徴抽出部７による大分類時ｔｔＨ
ｔの抽出処理について説明する。

なお、以下の説明におけるカウンタ、レジスタなどは大
分類特徴／詳細特徴抽出部７のマイクロプロセッサの内
部レジスタまたはメモリ上の特定領域であるが、図には
示されていない。

まず、大分類特徴量のカウンタＩＣＯＭＰ、および文字
パターンの垂直方向の座標を指定するためのカウンタＪ
がそれぞれクリアされる（ステップ２０）。

以下、入力文字パターンが水平方向を主走査方向として
ラスタースキャンされながら、大分類特徴量が抽出され
る。

カウンタＪがインクリメントされ（ステップ２］）、そ
の値と文字パターンの垂直サイズＪＳＩＺＥとの比較判
定が行われる（ステップ２２）。

Ｊ≦ＪＳＩＺＥならば、文字パターンの水平座標を指定
するためのカウンタエがリセットされる（ステップ２３
）。

カウンタ１がインクリメントされ（ステップ２４）、そ
の値と文字パターンの水平サイズｌ５ＩＺＥとの比較判
定が行われる（ステップ２５）。

Ｉ＞Ｉ　Ｓ　Ｉ　ＺＥの場合、現在の水平座標について
は走査は終わりであるから、ステップ２１に戻り、走査
座標が副走査方向へ進められる。

Ｉ≦ｌ５ＩＺＥの場合、現在の垂直座標についての走査
の途中であるので、文字パターンのカウンタＩ、Ｊで指
定される座標の画素のデータＩＭＡＧＥ　（Ｉ、Ｊ）が
参照され、０”　（白）であるか調べられる（ステップ
２６）。

“０”であれば、現在の画素は白画素であるから、ステ
ップ２４に戻る。

ＩＭＡＧＥ　（Ｉ、Ｊ）が“′Ｏ”でなければ、つまり
（ｔｉｌｌ（黒）の場合、ステップ２７において、この
黒画素（Ｉ、Ｊ）の左の画素（Ｉ−１，Ｊ）および上の
画素（Ｉ、Ｊ−１）のパターンを用いてテーブル（１３
）が参照される。具体的には、ＩＶ＝ＩＭＡＧＥ　（Ｉ
−１，Ｊ）＋２ＸＩＭＡＧＥ　（Ｉ、Ｊ−１）をアドレ
ス情報としてテーブルが参照され、対応するテーブル値
ＩＴＢＬ　（ＩＶ）が読み出される）、。

第３図において、パターンの黒丸は黒画素を意味し、白
丸は白画素を意味している。この図から明らかなように
、ＩＶ＝Ｏならば、現在の走査点の黒画素は、左から右
へ走査した場合にも、上から下へ走査した場合にも、白
から黒へ変化する境界部の画素であるから、テーブル値
ＩＴＢＬ　（Ｉｖ）＝２である。

ＩＶ＝１ならば、現在の走査点の黒画素は、上から下へ
走査した場合に白から黒へ変化する境界部の画素である
から、テーブルＩＴＢＬ　（ＩＣ）＝１である。

ＩＶ＝２ならば、現在の走査点の黒画素は、左から右へ
走査した場合に白から黒に変化する境界部の画素である
から、テーブル値ＩＴＢＬ　（ＩＶ）＝１である。

ＩＶ＝３ならば、走査点画素は、左から右へ走査した場
合にも、上から下へ走査した場合にも、白から黒へ変化
する境界部の画素ではないので、テーブル値ＩＴＢＬ　
（ＩＶ）＝Ｏである。

さて、ステップ２８において、ステップ２７で求められ
たテーブル値ＩＴＢＬ　（ＩＶ）がカウンタＩＣＯＭＰ
に加算され、ステップ２４に戻る。

文字パターンの最下部まで水平方向のラスタースキャン
が終わると、ステップ２２の判定条件が成立し、処理を
終了する。

このようにして、文字パターンを水平方向にラスタース
キャンすることにより、水平方向に走査した場合の白か
ら黒へ変化する境界部の画素と、文字パターンを垂直方
向にラスタースキャンした場合の白から黒へ変化する境
界部の画素との総数がカウンタＩＣＯＭＰに得られる。

この方つンタ値は、入力文字パターンの大分類精微量（
ＩＣＯＭＰ）として特徴量メモリ８の領域８ｂに書き込
まれる。

次に、第４図を参照して、本実施例におけるマツチング
部１０の処理を説明する。

大分類特徴／詳細特徴抽出部７の特徴抽出処理が完了す
ると、マツチング部１０の処理が始まる。

辞書９に格納されている一つの文字種の大分類精微量Ｉ
Ｃ０ＭＰｄが読み出される（ステップ５１）。その大分
類特徴ＭＩＣＯＭＰｄと、入力文字パターンから抽出さ
れた大分類精微量ＩＣＯＭＰとの差が絶対値と所定の判
定閾値ＴＨとの比較判定が行われる（ステップ５２）、
つまり大分類が行われる。

その差の絶対値が判定閾値ＴＨ以下であれば、現在の文
字種は入力文字の候補になり得るから、当該文字種に関
して、辞書９に登録されている特徴ベクトルと、入力文
字から抽出された特徴ベクトルとを用いた詳細マツチン
グが行われる（ステップ５３）。この詳細マツチングに
より求められた特徴ベクトルの距離と、これまでの候補
文字の距離とが比較され、距離の小さいほうの候補文字
が残される。

大分類精微量の差の絶対値が判定閾値ＴＨより大きい場
合、当該文字種は入力文字の候補となり得ないから、詳
細マツチング処理が行われず、次の文字種の大分類が行
われる。

最後の文字種に関する処理が完了すると１判定ステップ
５０の条件が成立するので、処理が完了し、最終的に得
られた候補文字のコードが結果出力部１２により出力さ
れる。

次に１本発明の第２の実施例について説明する。

この実施例と前記第１の実施例とは、大分類精微量が一
部異なるだけであり、その他は同様である。すなわち、
前記第１実施例においては、水平走査および垂直走査の
場合に白から黒に変化する境界部の画素の総数を大分類
精微量としたが、この実施例においては、白から黒に変
化する境界部の画素と、黒から白へ変化する境界部の画
素の両方の個数を大分類精微量として抽出する。

第５図は、その大分類精微量の抽出処理の概略フローチ
ャートである。また、第６図はテーブルメモリ１３に格
納されるテーブルの内容を示している。

第５図および第６図を参照して、大分類精微量の抽出処
理について説明する６ ステップ６０からステップ６６、およびステップ６８は
第１図のステップ２０からステップ２６、およびステッ
プ２８と同様の処理ステップである。

水平走査によって黒画素が検出されると、ステップ６７
において、その黒画素の上下左右の４個の周辺画素のパ
ターンによってテーブル（１３）が参照される。

具体的には、ＩＶ＝ＩＭＡＧＥ　（Ｉ−Ｊ、Ｊ）＋２Ｘ
ＩＭＡＧＥ　（Ｉ、Ｊ−１）＋４ＸＩＭＡＧＥ　（Ｉ＋
１．Ｊ）＋８ＸＩＭＡＧＥ　（Ｉ＋１．Ｊ＋１）の値を
アドレス情報としてテーブルの値ＩＴＢＬ　（ＩＶ）が
読み出される。

さて、前記各実施例において、大分類により詳細マツチ
ングを行うか否かの判定のための閾値ＴＨは、文字種に
関係なく固定してもよいが、文字種毎に用意し辞書に登
録しておいてもよい。

そのような判定閾値の決定方法の一例を次に説明する。

辞書作成に際しては、各文字種ｋに関してＭ個の文字パ
ターンから特徴ベクトルを抽出し、その平均ベクトルを
標準文字パターンの特徴ベクトルとして辞書に登録する
。こ−で述べる判定閾値決定方法では、文字種別に、辞
書作成用のＭ個の文字パターンのそれぞれから前述のよ
うな大分類精微量を抽出し、それと、その平均（辞書の
標演文字パターンの大分類精微量に対応）との差の偏差
（または分散）が判定閾値として決定される。

このような判定閾値の決定処理のフローチャートを第７
図に示す。この図において、には文字種、ｍは各文字種
の辞書作成用パターンの番号（カウンタ）、Ｆｋｍは文
字種にのｍ番目の文字パターンから抽出された大分類精
微量、Ｆｋは文字種にの大分類用特徴量の平均、ＴＨｋ
はレジスタであり、ステップ９８でレジスタＴ　Ｈｋの
値が文字値にの判定閾値として辞書に登録される。

同様に、辞書作成用文字パターンのそれぞれの大分類精
微量とその平均（辞書の′＃＃準文字パターンの大分類
精微量に対応）との差の絶対値の中央値（メディアン）
を、文字種別の判定閾値として決定することもできる。

第８図は、そのような判定閾値を決定する処理のフロー
チャートであり、各符号は第７図と同様である。

さて、手書き文字の認識の場合、利用者（筆記者）によ
って認識率に差がでる。また、同じ利用者でも、辞書の
癖に慣れるに従い認識率が向上する。

したがって１文字種別に複数レベルの判定閾値を用意し
ておき、利用者やその熟練度に応じて、大分類の判定閾
値として用いるレベルを指定し、そのレベルの判定閾値
をマツチング部１０で選択的に使用させるようにすれば
、辞書との詳細マツチングをさらに減らし、認識時間を
一層短縮できる可能性がある。

第９図は、そのような文字種別に複数レベルの判定閾値
を決定するための処理のフローチャートである。この図
において、Ｌはレベルであり、ＴＨｋは第７図のフロー
チャートによって決定された文字種にの判定閾値である
。ＴＨｋ　（Ｌ）はレベルＬの判定閾値であり、ＭＡＸ
はレベル数である。

この場合、文字種ｋに対してＭＡＸ個の判定閾値ＴＨｋ
　（１）、ＴＨｋ　（２）、ＴＨｋ　（３）。

・・・、ＴＨｋ　（ＭＡＸ）が決定される。

第１０図は、文字種別に複数レベルの判定閾値を決定す
る他の方法を示すフローチャートである。

この場合は、辞書作成用の各文字パターンから抽出した
大分類精微量と辞書の平均パターンとの差の絶対値Ｔ　
（ｍ）が小さい順（または大きい順）にソートされる（
ステップ１２０）。そして、Ｍ／ＭＡＸ番目ごとの差の
絶対値がレベルＬの判定閾値として決定され、登録され
る（ステップ１２２からステップ１２６）。

なお、最高レベル（Ｌ＝ＭＡＸ）の判定閾値はＴ（Ｍ−
ｃ）の値が選ばれる（ステップ１２５）。

こ−でＣは定数（１または２）である。このようにする
のは、辞書作成文字パターンの変形の大きな異常パター
ンが含まれた場合に、その影響を排除するためである。

〔効　果〕

以上の説明から明らかなように、本発明の文字認識方式
においては、文字パターンの複雑度を的確に表す特徴域
を用いて入力文字の大分類を行い、候補となり得る文字
種を正確かつ十分に絞り込むことができ、また、その特
徴域の抽出も効率的に行うことができるので、認識率を
低下させることなく文字認識処理の効率を大幅に改善で
きる。

【図面の簡単な説明】

第１図は本発明の各実施例に係る機能的構成を示す概略
ブロック図、第２図は本発明の第１の実施例における大
分類特徴量の抽出処理の概略フローチャート、第３図は
その抽出処理のためのテーブルの説明図、第４図は本発
明の第１の実施例におけるマツチング処理の概略フロー
チャート、第５図は本発明の第２の実施例における大分
類特徴量の抽出処理の概略フローチャート、第６図はそ
の抽出処理のためのテーブルの説明図、第７図は文字種
別の判定閾値を決定する処理の一例を示す概略フローチ
ャート、第８図は文字種別の判定閾値を決定する処理の
他の例を示す概略フローチャート、第９図は文字種毎に
複数レベルの判定閾値を決定する処理の一例を示す概略
フローチャート。 第１０図は文字種毎に複数レベルの判定閾値を決定する
処理の他の例を示す概略フローチャートである。 ５・・・文字イメージメモリ、 ７・・・大分類特徴／詳細特徴抽出部、８・・・特徴量
メモリ、　９・・・辞書、１０・・・マツチング部、　
　１３・・・テーブルメモリ。 第　　２　　図 第　　６　　図 第　　９　　図

Claims (3)

【特許請求の範囲】
1. （１）未知文字のパターンを第１の方向に走査して黒画
   素を検出する度に、その黒画素の周辺画素パターンによ
   って、予め用意されたテーブルの値を読み出し、その値
   を累積加算することによって、前記第１の方向およびそ
   れと直交する第２の方向に前記未知文字のパターンを走
   査した場合に、白から黒へ変化する境界部の画素、黒か
   ら白へ変化する境界部の画素、または、その両方の境界
   部の画素の総数またはそれと比例関係の値を求め、この
   値を文字大分類用特徴量として文字種別に用意された同
   様の特徴量と比較し、両方の特徴量の差が判定閾値以下
   になった文字種に関してだけ前記未知文字と辞書との詳
   細マッチングを行うことを特徴とする文字認識方式。
2. （２）判定閾値は文字種別に用意されることを特徴とす
   る特許請求の範囲第１項に記載の文字認識方式。
3. （３）文字種別の判定閾値は複数個用意され、その中の
   一つが選択的に用いられることを特徴とする特許請求の
   範囲第２項に記載の文字認識方式。