TW321745B - Improved recognition method of Chinese confusing character and device thereof - Google Patents

Description

321745五、發明説明（j A7 B7 發明領域 本發明是一種用於改進中文相似字的辨識方法及裝置。 相關技藝之説明 文字辨識技術之應用廣泛，其中可分為二種典型之應用：光學文 字閱讀機以及筆式輸入作業環境，在光學文字閲讀機中，包含印 刷及手寫文字及符號的文件經由光學掃瞄器的掃瞄後，以電子媒 體（數位影像）之方式儲存於電腦之記憶體中，而後再經由文字 辨識之裝置，對此數位影像做處理及辨識，最後成為易於處理之 電腦文字檔案。圖一是一個典型之光學閱讀系統5 〇的方塊圖， 這個系統5 G包含了-個自動送紙系統5 i，其主要功能為自動 將紙饋人-個光學影像掃囉5 2巾，讀執行影像輸入。此光 學影像掃瞄器被連接至一個處理單元5 4，此處理單元可為一般 ^個人電腦’或-特殊設計之硬黯。_般而言，此處理器 單兀須包括一微處理器5 6，一記憶體模组6 2，一個顯示螢幕 5 8 ;以及鍵盤或其他輸入裝置6 〇，以上之各元件主要是為了 h供此處理單元5 4執行文字辨識工作之所普。 (請先閱讀背面之注意事項再填寫本頁) 装.

>1T 經濟部中央標準局員工消費合作社印製 筆式輸人作》雖常朗地方是在__人餘魏（p_al Assistant，簡稱PDA)中。圖二中即繪示了—個筆式輸 入之PDA7 G。通常-個PDA是—台可槁式電腦，其中包本 -些簡單魏如約會日唇、電轉，備忘筆記本等；另外還可提 供無線通$之魏，例如傳眞、f子郵件等等。pDA的作業方 式是使用者湘-數位筆7 4將資料或命令手寫於—數位板 本纸張尺度適用中國國家標準（CN’S ) Α4思格（2ΐ〇χ_297公着了 ^1745 五 發明説明( > ) 7 2，此數位板7 2可對輸入之筆跡做高速取樣，並將取樣之座 標資料儲存起來，然後再利用文字辨識技術將此手寫輸入轉換為 電腦文字資料或命令，此辨識工作也是由pDA 7 0中之微處理 器執行。 f辨識過程一個很麻煩的問題就是如何有效處理相似字的問題， j個問題在中文字的辨識中尤其困難，原因在於中文字的字集相 备大，根據統計一般常用之中文字就有54〇1個而較完整的中文字 集更肩包括1删0字以上。目此其巾她字的組合實在是多得難 以估計。 ί利用—個既有之手寫中文字辨識系統作測試時，對5 4 0 i個 現二每字取1 Q G個樣本做辨識，將辨識後正確結果出 名候選字内的比率做統計’在下表中我們將&工到 識，絲發财_解叩=1無=2間辨 减辜遽升取大（95.16 - 90.02 = 5 1 /tv 是由於相似字_:== 經 濟 部 中 央 準 為 員 工 消 費 合 社 印 製 如圖三所示之三字‘己，8 G、‘已，s 2和 型的相似字例子。 4 P疋典 I紙張尺度適财(CNS) A· (2lQx 五、發明説明（9) A7 B7 選取之候選字數（N ) 正確答案落於前N名候選字内之正確率 N= 1 90.02% N= 2 95-16% N= 3 96-72% N= 4 97-41% N= 5 97-81% 經濟部中央標準局員工消費合作·杜印製 本 至目前為止，針對相似字的辨識問題有些研究人員提出了一些解 法，大部份的方法都著重於利用字型結構比對的方法先抽取一些 結構特徵例如筆劃、部首，再從這些特徵上去找出可以區分相似 字的特徵，例如Jeong-Seon Park和Seong-Wham Lee在International Woricshops on Frontiers in Handwriting Recognition IV 中的論文” Adaptive Nonlinear Pattern Matching Method for Off-Line Recognition of Handwritten Characters” 就提出了此類型之解法， 而 A.B. Wang、J.S. Huang 和 K.C. Fan 也在 Proceedings of 1992 Second National Workshop on Character Recognition 中的論文” Optical Recognition of Hand-written Chinese Characters by Modified Relaxation”也提出相關之方法。這種結構比對的方法雖然可以較 精密地區分相似字，但是卻有二大問題存在。第一個問題是結構 特徵的抽取到目前為止對電腦而言依然是一大難事，尤其是在經 過影像掃瞄器掃瞄後，失眞的手寫文字中抽取結構特徵更難。由 於結構特徵的難以抽取，致使對相似字辨識的改進效果受到極大 的負面影響。第二_題是在於巾文字集巾存在·讀計數目 的相似字組合’每-種相似字組合都需要不同的結構特徵來區 刀’面對这麼龐大數目的組合，根本無法以人工方式來個別為每 、張尺度適用巾國國家標準（CNS ) M規格（2丨〇><297公董 (請先聞讀背面之注意事項再填寫本頁) 裝 訂 3^1745 A7 _ B7 五、發明説明（+) '- 一個組合定義其區分特徵。 除了結構比對之方式外，也有人利用統計式的方法來解決相似字 的辨識問題。其與結構比對法之最大差異在於採用的特徵是屬於 統計式的特徵。所謂統計式的特徵是指利用收集好的樣本 影像上的像素（p i X e ：1 )特徵，例如字元影像中四個方向 (水平、垂直、左斜、右斜）之線段上的像素個數、筆劃交叉點 等等，然後統計出其平均値、標準差作為比對辨識之參考樣板資 料庫，以便供比對之用。比對時乃將由輸入樣本抽取出之特徵資 料與參考樣板資料庫中之樣板比對，而後再挑出最接近的幾個候 選字作為輸出。一般而言，統計式特徵的抽取較結構式特徵容易 許多，穩定性也較大，較不受字形失眞或變異影響。採用統計式 特徵來設計手寫中文字辨識系統的典型實施例可見於、s $

Yu、H.F. Sun 和S.L. Chou所合著之論文” Handwritten and Printed

Chinese Character Recognition Using Bayes Rule M (發表於 Intelligent Systems for Processing Oriental Languages pp. 406-11 1992中）。利用統計式的方法來解決相似字辨識問題之實施例則 可以參閲 J.Z.Hu 在 Chinese Information Journal，Issue 1，Vol 9 pp.37-41 之論文” Identification of Similar Characters in Handwriting 經濟部中央標準局負工消費合作社印装 (請先閱讀背面之注意事項再填寫本頁) and Printed Chinese Character Recognition。在該論文中，作者提 出的方法是根據不同的相似字組合定義不同的統計式區分特徵以 便區分相似字，但是這種方法卻仍然遭遇到與結構比對法相同的 第二個問題，亦即，無法以人工去完全歸納出所有組合的區分特 徵。此外，定義大量額外的特徵還需要大量額外的記憶容量來儲 存，這對一些無法配備大量記憶容量和計算能力的裝置如PDA 而言，可能是不實際的作法。 本纸張尺度適用中國國家標準（CNS ) A4規格（210X297公釐） Μ Β7 經濟部中央標準局員工消費合作社印裝 五、發明説明（Γ) 圖四是一上述之用以改進相似字辨識之統計式文字辨識裝置9 0 的方塊示意圖，其操作方式是將一輸入（筆式輸入或光學掃瞄輸 入）之字元輸入此辨識裝置，接著此輸入之字元被送去特徵抽取 器9 2中抽取其統計式特徵，而後再將此特徵送給一辨識引擎 9 4作辨識，此辨識引擎9 4之主要工作是將輸入特徵與參考樣 板資料庫9 6中之樣板比對，然後根據距離或相似度找出最接近 的幾個候選字作為輸出。在這個辨識裝置9 〇中，還包含了另一 個資料庫稱為區分特徵定義資料庫1 0 0，當候選字從辨識引擎 9 6輸出時，此區分特徵定義資料庫1 〇 〇會被查詢以檢視所輸 候選字間是否顧她字齡，如妓，則會從此區分特徵 疋義資料庫1 〇 G中找出可以分辨該她字组合中之她字的區 分特徵定義。然後再將原輸人字元送至—區分特徵抽取器9 8 中，根據所查詢之區分特徵定義抽取區分特徵，然後再將此抽出 之區分特徵送至-她字辨識裝置i 〇 2中，此她字辨識裝置 1〇 2，即將此輸入特徵與區分特徵參考樣板資料庫}〇 4中之 樣板比對，然後根據比對之距離重新調整候選字之輸出。在此辨 識裝置中，由於麟她字定義新的區分特徵，因此須倦存三^ ^料庫，這三個資料庫將侧不少記憶空間，而且柚取新的區分 特徵也將減慢辨識速度。 針對此些先前技藝之缺失，本發明之提出，主要有二大目標. 目標一：改進電腦對相似字的辨識效果。 目標二：儘量降低額外付出的時間及空間成本，如辨識速度及記情 容量。 〜〜 本纸伕尺度適用中國國家標準（CNS ) A4規格（210X 297公釐 (請先閲讀背面之注意事項再填寫本頁) 訂 321745 五、發明説明（

發明簡述 為達到上述之二大目標，本發明提出一種新 方法及裝置，本發明至少可提供以下三種功能： 依據此 功能-：自動建構-個中文字集中的相似字對（c〇nftisins Character Pair)資料庫。 功能二：根據每個相似字對，自動抽選可以區分此相似字對中之 相似字的統計式區分特徵。 功能三：根據抽選之區分特徵，自動對相似字作更精細之比對。 功能電腦自動執行，因此骑遭遇前有技衔中所 石亚到的人工無法處理之間題。 兹將本發明之大概操作原理説明如下：首先先收集大量之中 <樣本錢構絲雜本資贿，織_ 此資料庫作卿m，編_綱她^3= 據此誤認結果及頻率;可篩“ 有了相似字對資料庫而 :庫1二本’對此相似字對中的二個相似字之 i目轉制，最後躲«找料決定最佳 及，之區分特徵個數即可被建構為一區分特徵:個 ΞΐίΖίίΓϊ輯識她字_取用。^魏明二發 從現有辨ΐίΐΓ義新的特徵做為相似字之區分特徵，而只是 從現有辨咸系統所抽取之特徵中插選重要之區分特徵，因此可以 本紙張尺度適财關 請 先 閲 讀 背 面 之 注 項 再 填 寫 本 頁 4. 訂 、發明説明（7 免除辨識時抽取新特徵所需之時間以及不需對新特徵建立一新的 參考樣板資料庫。 一旦建構完成區分特徵表之後，本發明裝置即可執行相似字之辨 識，辨識方法説明於下：輸入一待辨文字影像，由現有之辨識系 統執行辨識，辨識後輸出前二名候選字至本發明裝置，然後由本 發明裝置至區分特徵表中檢視此二個候選字是否有與任一相似字 對吻合，若無吻合表示此二字非屬相似字組合，因此無須進一步 處理與辨識，故直接輸出原辨識結果。相反地，若有吻合發生， 則從表中取得區分特徵之個數資料，並對現有特徵依重要性做与 冪排序，再依取得之區分特徵個數資料依序取得適當個數之區必 特徵’並以取得之特徵對此二候選字做重新比對，再依此比對海 果做最後輸出。 .圖示之簡要説明 圖一.光學文字閲讀系統方塊示意圖。 圖二：個人數位助理俯瞰圖。 經濟部中央標準局員工消費合作社印製 圖三：説现三個本文相似字圖。 圖四：傳統統計式相似字辨識裝置方塊示意圖。 圖五：本發明所提之統計式相I拿辨識裝置方塊示意圖 圖六：本發明裝置中各模組間之關係示意圖。 圖七：本發明所提之統計式相似字辨識作業流程圖。 圖八：中文相似字對表範例。 圖九：區分特徵分析中針對相似字對（‘己， 本紙張尺度適用中國國家標隼（CNS ) A4規格（210X297公釐） ‘已，）之各特

五 、發明説明（g A7 B7 徵的c k値比較圖。 圖九A:圖九之前2 5鱗徵的e k俊之放大圖。 圖十：區分特徵分析中針對相似字對（‘己，，‘已， 徵的u k値比較圖。 圖十A. ®十之前25個特徵wUk値之放大圖。 本發明之詳細説明 本發爾提之統計式她字賴裝置2 Q q方塊示意圖 其中包了-個特徵抽取器2G2，—個辨則擎2Q4，一侧 徵參考樣板資料庫2 G 6，-個她字對賴元件2 ◦ 8以; 區分特徵個數表21〇。其中特》取以〇2' 辨滅擎04及特徵參考樣板資料庫2 G 6為-般現有統計5 辨識系統I鮮歡^0此在此不予。 、· (請先閱讀背面之注意事項再填寫本頁) 經濟部中央椟準局員工消費合作社印製 令贫明城王財二大王作單元，分別是 (—)訓練本發明裝置如何韻她字對之單元，和 (二）相似字對之辨識單元。 ί圖本發明妓25G各模組（包括訓_ 4)間的關侧，其間包括了_娜輝本 相似字對產生模组2 5 4、_加』， 厚z 5 2 ή ^ , ’ —個相似字辨識訓練模組2 5 6，- 個相似字區分特徵個數表21〇 〇〇«, f- 1 °以及—個相似字對辨識元子 上以各模、、且除了相似字對辨識元件2 〇 8屬於辨·-外，其餘模組均屬訓練單元。 屬於辨4早7 本纸張尺度朝t_家---- ΪΤ----- -Λ---

11 - I I I -I I- [ .I — . A7 B7 五、發明説明（ 在學習樣本資料庫2 5 2巾，我情對每辦文字絲了多個樣 本，通常收集樣本越乡，崎結果正雜越高，因此也就對系統 的刘練效果越有㈣。她字對產生模組2 5 4之賴是對學習 樣本資料庫2 5 2中之樣本做辨識測試及統計分析，以便為每個 中文字篩選出易導致該中·文字被誤認之相似字。相似字辨識訓練 ，組2 5 6之功用在於針對由相似字對產生模組2 5 4所產生的 母組相似字對做特徵之統計分析，以便抽選出最佳數目之區分特 而每组相似轉及其抽選出之區分特徵個數即雖存於相似 =區分特徵個數表2 i 〇中。在執行相似字辨識時則是由相似字 去辨識7L件2 G 8接收辨識引擎2 〇 4輸出之前二位候選字並參 考相似字區分特徵錄表2 1 〇中之資料來做進—步之辨識。以 下我們分別對訓練部份及辨識部份之模組做更進一步之 明。 、β 第—部份：本發明裝置之訓練單元 (―)相似字對產生模組 ， 固包含大量文字之字集如中文而言，要以人王的方式來找出 2的相卿對是不可能的，而且人眼騎納之相似字對對電腦 二不見得是相似字對，因此糊電腦的快速處理資科的能力來 ，分析域_村能_似字對才是較為可行的核。因此 =發财便糾—崎方法來讓電腦自動完成此項工作。此方 =利用—學習樣本資料庫2 5 2及-現有之辨識系統 ，方法如 .利用現有之辨識系統對學習樣本資料庫2 5 2中之樣本 作一辨識測試。 (CNS ) A4規格（21〇><297公着） (請先閱讀背面之注意事項再填寫本頁) 訂 f、 ------------ ---! 1 3 打 745 五 、發明説明（！ 〇) 步驟二：辨識過程中記錄所有被誤認之輸出及其相對之誤認次數 (頻率）。 ' 步騾三：如果有二中文字八與3彼此間之誤認頻率（不管A誤钗 為B或B誤認為A)超過一指定値τ，則（A，B) ^ 成一相似字對。 在上法中，指定値T設愈低，則可能產生之字對就愈多，在本 明之較佳貫施例中，T = 2為一合理値。 (二）相似字辨識訓練模組 相似字辨識訓練模組2 5 6主要執行二件工作，分別是（） 對每個產生之相似字對，計算各個特徵之重要性以及（2 )區分 特徵個數之決定。茲將此二工作分別詳述於下。 * (1 )特徵重要性之計算·· 訂 如前所述’在傳統的統計式辨識祕中都會包含—崎 板資料庫2 G 6，此參考樣板資料庫2 Q 6通常是细 資料庫2 5 2㈣縣她其特徵並崎各特徵之平触及 用Γ均値及標準差，即可算出輸入樣本與各樣“ <距離或她度，域録相近之_心事實上，這個 =平均似鮮差也可被用料算各特徵在_ Μ分―個相似 字對時的重要性，此重要性程度可以下法量化之·· W，·): Κ,· -m.f 〔式一〕 其中W/)為第i個特徵對區分她字對〔χ，y〕的 ~表示X字樣板的第i個特徵之統計平均値；〜表示y字樣板 本紙張尺度適用中國國家標牟（CNS) M規格（21QX297公整） 經濟部中央標準局員工消費合作社印製 A7 ~ — ,—一 ___ B7 五、發明説明（丨/ ) 的第i_個4争徵之統計平均値；^表示父字樣板的第^個特徵之 統计標準差，^表示y字樣板的第i個特徵之統計標準差。 從〔式〕中可知當X字樣板第丨個特徵與y字樣板的第丨個 徵之平均値差異大時，〔式_〕之分子就會增大，而同時若X字 i個特徵與y字樣板的第i個特徵之標準差的和越小時， ’-〕〈分母就變小，因此，U越大，代表此第i個特徵 越有助於她字對〔x，y〕之區分，脚其重要性越大。 (2 )區分特徵個數之決定： 有了各特之重s性的I化指標彳冑，各特徵就可依其重要性做降 冪之排列，然而對每個相似字對而言，並撕有特徵都有正面的 輔助辨識絲，相反地，根據實轉知，有許乡特徵不但沒有正 面效果，還反而有混淆辨識之作用，因此對任何相似字對 〔X，y〕而言，從所有特徵中濾去多餘無用的特徵是很重要的 工作。為了芫成此工作，本發明採用下述之方法為之。 步驟-：針對相似字對〔x，y〕，將所有特徵依〔式一〕計算 其重要性，並根據此計算出之重要性以降冪方式排列各 特徵之順序。 ' 步驟二：設定二個向量變數C= (c }，c 2，. .，，c d) 及C=(M，u 2，. . .，u d )為零向量，其中d 為特徵個數。 步驟二：從學習樣本資料庫2 5 2中取出x字及y字的樣本，對 所有取出之樣本一一與X字及y字之樣板做比對（計算 樣本至二樣板之距離）。 ---..--:-----^、衣------訂 (請先閲讀背面之注意事項再填寫本頁) 本紙張尺度適用中國國家標準（CNS ) A4規格（2l〇x 297公董） 五、發明説明（ 步驟四：比對過程中執行下述之記錄工作. U)記錄各特徵之累進距離差d k (以“)，d k之定義如下: CD (X i , f i ) _ D (Y i，f i ) 〔式二〕 其中f i為輸入樣本之第i個特徵；D (χ卜 Hi1.個（1)分別表示f丨至5"字樣板之第丨個特徵及y字 f第1個特徵之距離函數’在本發明中，此距離函數定義如 下： 和 i )= f請先閲讀背面之注意事颂再填寫本頁} 裘. 21og(vx.) + 21〇g(v, )· 〔式三〕 〔式四〕 其中 、vT,·、w t 平均値、標準差以:字_丨個特徵之統計 差。因此，脏r板弟1個特徵之統計平均値、標準 訂 經濟部中央標準局員工消費合作社印製 因此，將 ’式二〕及〔式四〕代入〔式· (b)對任何第k個特徵， 娜尺度適用中國國家 〕即得 21〇g(v ) + [式五] 若下列二條件之任一條件成立， 則將 10X297公釐）

"量變數C之第k個分項c k値加一： (讀先閱讀背面之注意事項再填寫本育) 條件~.此輸入樣本為X字之-樣本且d k < 〇 : (條件—.此輸入樣本為y字之-樣本且d k > 〇。 c對任何輸入樣本，依下式調整㈣量之第k個分項u k: uk = uk + ^ (dk-dk-l) 其^中如果該輸入樣本為χ字之一樣本，則α二_丄；否則 若該輸人樣本為y字之—樣本，則^ i。 從所有特徵k中找出其在向量魏c中的分項c k値， 丁 =從中找出具有最大値者，如果有超過二個以上之分項 相同値（$為最大）；則取其中之uk分項較大者， 假叹特徵k符合上述最大値之條件，則代表排序後之特 徵1、特徵2、...、特徵k*是眞正對分辨相似字到 〔x ’ y〕有用之區分特徵，而特徵k*+丄及其後之特 徵均因幫助不大故可捨棄之。 —込方f中’分項c k値之物理意義其實就代表在所有使用的X 子的予習樣本中，若僅使用特徵1、特徵2.....特 用 適 度 尺 張 紙 -1-------- 本 經濟部中央標準局員工消费合作社印製 因此，二+ 1及其後之特徵所能正確辨識的樣本數， _ 裒<ck値亦即代表找出具有最佳辨識效果的特徵 果，此時存在二偏上之特徵數得到最佳之辨識效 二XU k値來做為從中選—之依據，越大之u k値 此可對相似字對x和y而言，可產生較大之距離 (二）俜似字區分特徵個數表 中國國家榡準（CNS) A4規格（210X297公董） A7 ---- 67__________ 五、發明説明（丨^) 在相似字辨識訓練模組2 5 6完成區分特徵之決定後，本發明即 將每一個相似字對及其相對之區分特徵個數資料予以儲存成一資 料庫，以辨供相似字對辨識元件2 〇 8取用i此資料庫即稱為相 似冬區分特徵個數表2 1 〇。此表中每一筆資料包含三個欄位， 分別是（1 )相似字對中第一個相似字之編號，（2 )相似字對 中第二個相似字之編號，及（3 )該相似字對之區分特徵個數。 下表中為一個相似字對區分特徵個數表之範例。 第一相似字代號 第二相似字代號 區分特徵個數 1 2 15 1 8 14 1 15 16 2 3 28 2 6 50 為了增進她字餐識元件2 〇 8在搜尋相财區分姐個數表 2 1 0時的速度，本發明在實作時乃將該表以串列製作，針對每 個罕A，所有與字A構成相似字對的字3及其相對之區分特徵個 經濟部中央標準局員工消費合作社印製 數均被串連在-個，列之中，並依钟之編號作排序，因此，以 上述之字對區分特徵個數表範例而言，字丨之串列如下所示： 串列一： 第二字 序號 2 區分特徵數 15 (請先閲讀背面之注意事項再填寫本頁) 第二字 序號 8 第二字 序號 15 區分特徵數 14 區分特徵數 16 表紙張尺度適用中國國家標準（CNS } A4規格 (210X297公釐） 而字2之串列則如下所示： 串列二： 第二字 序號 3 第马 广 --^ 序號 6 區分特徵數 28 區分特徵數 50 在相似字對辨識元件2 〇 8要搜尋她字 字八之串财去搜尋字B之資料節點即可。’ B〕時只須由 第二部份：本發明裝置之相似字辨識單元 =目似字辨識料中僅有―模组， 疋件2 0 8，其功能是對-既有辨識系統2 q 選罕’根_分析之區分特徵再做—次特別之 = ，們將此元件之操作流輯出。如圖中所示，針對—輸辨 子疋，既有辨識系統2 G 4提供其辨識結果（步驟 一 ^位候選字_似字對賴树2 G 8，絲她持辨識= 2 0 8即根據此二候選罕至相似字區分特徵個數表2丨q 是否有與此二候選字吻合之相似字對（步驟3 Q 4 )。若無 則直接以既有辨識系統2 0 4之輸出為輸出（步驟3 〇 8 )。: 果孩二候選字與相似字區分特徵個數表2〗Q中之相似字對吻人 (步驟3 G 6 ) ’職字對之最無特韻數（k*)也會被^ 出（步驟3 1 2 )，此時相似字對辨識元件2 〇 8會先將二有 徵依其*重要性做降冪制（步驟3 1。），紐再郷區分特徵 個數k依序選取此指定個數之特徵重新計算此輸入字元與該二^ 321745 五、發明説明（^ ) A7 B7 選字之樣板重新計算距離，所使用之距離函數須與相似字辨識訓 練模組中所使用之距離函數一致（參見〔式三〕及〔式四〕）， 因此，以本發明之較佳實施例為例，假設此二候選字分別為X和 y，此重新計算之二距離（d x和d y )計算如下： d X =Σ 21〇g(vx，f). (fi 〔式七〕 和 d km y =Σ 〔式八〕

yyJ 算出此二距離後，相似铸辨識元件2 Q 8再根據此二距離之大 小來決定是否調整此二候選字之順位（步驟3丄6 )。 n H .1 i - - - «n m 11 Ά I—I m 1 - -I -.1. - I *1T (請先閲讀背面之注意事項再填寫本頁) 使用的特徵是從既有辨識系統 經濟部中央標準局負工消費合作社印製 由於相似字對辨識元件2 2 〇 4所抽取之特徵中抽選，因此其參考樣板資料庫2 q 6可直 接被使用，；另外建讀的參考樣板讀庫，如此可減少額 的空間代價。 p 較佳實施例舒明 ^驗証本巧之功效，實作了本發明裝置，並以―含5 4 〇工信 子’母字含1Q G個樣本的字元影像資料庫作為學習標 貝枓庫2 5 2 ’並利用-個以Bayes統計理論為基礎之辨識系辦 木紙浪尺度適用中國國家榡率（CNS ) A4規格（2丨Οχ297公着 五、發明説明（丨9) 作為既有之辨識引擎2 ’依序實施以下之步驟。 (A )訓練工作： 料庫2 5 2 ,並預設門襤T値為 5共計產生了 8 “5個她轉，在圖八中 ί己ΡΊ 個。在圖九及圖十中，分別是在決定相似字到 5 2 數時所得之細_徵（共用7 其中=代1特徵依重要 现釉則為C 1値及U i値。為求清楚 丨把圖之$ 2 5個特徵分別放大在圖九么及圖十A中， :、、W。在圖十巾，我們卿相u丨魏著特徵之編號有漸 趨勢’此縣祕了我們的重躲排序的雜銳狀況頗為 付合。

在圖九中我們可發現第1 7個特徵及第i 8個特徵具有最大之c I

1.値為1 7 2 (參見圖九八），因此我們須在二者間選擇一丨 個，而—從圖十A中，我們發現u工7二2 . 5 7而 I 經濟部中央標準局員工消費合作社印製 (請先閲讀背面之注意事項再填寫本頁) ’衣. •訂

u 1 8 = 0 . 5 6，所以我們乃取i 7作為最佳之區分特徵個，丨 數^因其可以從總共2 〇 〇個‘己，和‘已，的學習樣本中正確j 區分1 7 2個樣本而且產生最大之特徵距離差。如果我們選用了 I 全部特徵，結果發現反而只能正確區分丨6 5個樣本，因此這數 | 據驗荻了我們所提之並非所有特徵對區分相似字都有正面作用之 | 淪點。針對所有8 6 6 5個相似字對我們都可以此法分析出其最 丨丨 佳之區分特徵個數，然後再將其結果存成—相似字區分特徵個數 丨

表2 1 0，由於特徵之順序可在辨識時視需要再執行，因此在相 丨I

I

I

I

本錄纽適财國@家縣-------, I 五 、發明説明（/p ) :字區分特徵個數表210中 號，只須儲存區分特徵個數即可，…、心储存所有區分特徵之編 區分特徵個數表2 i 0才佔用^魏例中，此相似字 已，相當節省。 量43325位元組而 (B)相似字辨識之測試 提升為91.77%，其二=本rf置後r識率 =發現’如果增加相似字對的數目，對辨識率 之實施例僅為本發明—據以實施之較佳實_說明，熟 白此技蟄足人士所做讀何潤飾及修改，皆應涵蓋在本發明之 圍内。 ---{--'----7 装—I (請先閱讀背面之注意事項再填寫本頁) 訂 經濟部中央橾準局員工消費合作社印製 本紙張尺度適用中國國家標準（CNS ) A4規格（210X297公董) ---------

Claims (1)

1. 經濟部中央標隼局員工消費合作社印裝 •一種相似字辨識方法，包含： 用學f樣本及辨識H，自動建構出—相財對資料庫； •、B藉 =學習樣本之辨識及分析，自動針對每-她字對抽’ 選最能分別此相似字對中之相似字的區分特徵；以及 c *利用插選出的特徵執行相似字的辨識。 如中請專利範圍第1項所述之相似字辨識方法，其中之相似 字對資料庫自動建構法 ，可包括： a·利用—辨識器對所有學習樣本執行辨識； b·記綠任二字之間的誤認頻率；以及 c若任二字之間的誤認頻率超過一設定之門摇値，則此二 字構成一相似字對。 如申凊專利範圍第1項所述之相似字辨識方法，其中相似字 對區分特徵自動抽選方法，可包含： a ’決定所有特徵對於分辨該相似字對之重要性，並依降冪 排序之；以及 b.決定最佳之區分特徵。 如申請專利範圍第3項所述之相似字辨識方法，其中包含決 定每一文字特徵之重要性，以量化各特徵對相近字間之分辨 能力之步驟。 如申請專利範圍第4項所述之相似字辨識方法，其中之特徵 重要性，可由下列方法決定： I I i Hr i 裝-- (請先閱讀背面之注意事項再填寫本頁) 訂

   本紙張尺度適用中國國家樓準（CNS)八4賴_ (210x297公瘦） A8 B8 C8 m 申請專利範圍 其中η[^(0為第i個特徵對區分相似字對〔x，y〕的重要 性； \，,·表示X字樣板的第i個特徵之統計平均値； 切〜·表示y字樣板的第i個特徵之統計平均値；以及 表π X字樣板的第i個特徵之統計標準差； 表不丫字樣板的第i個特徵之統計標準差。 ^申請專利範㈣3項所述之相似字辨識方法，其中自動決 疋那一特徵為兩相似字間之主要區分特徵之步驟，可進一步 包含自動決定最佳之主要特徵。 如申请專利範圍第3項中所述之相似字辨識方法 ，其中決定 那一特徵為主要之區分特徵，包括下列步驟： a，根據特徵重要性安排特徵順序，· b.安排特徵順序之後，初始化計數器組為0 ; c•對訓練樣本資料庫中之相似字樣本作辨識； d·辨識每一樣本之過程中，執行下列程序： (1) 決定相似字間不同數目特徵之累進距離差；及 (2) 比較累進距離差，若累進距離差能正確區分相似字， 則增加此計數器組中計數器之値；以及 e•選出一具有最大値之計數器，由此計數器得到最後之主要 區分特徵。 如申請專利範圍第7項中所述之相似字辨識方法，其中· a.安排特徵重要性後，初始化另一計數器組為0 ; b•辨識訓練樣本之過程中，針對每一樣本，依下法調整 国国豕椟準（CNS )入4祕（210X297公釐） (請先閲讀背面之注意事項再填寫本頁)

   步驟a中之計數器値： Uk=Uk+<ar (ί!κ-(1κ-ι); 其中，如果此樣本為第一個相似字之樣本，則; 若此樣本為第二個相似字之樣本，則; Κ代表此計數器组中計數器之編號： ， dK表使用Κ個特徵之累進距離差；以及 dic-i為使用K-1個特徵之累進距離差； c.辨識冗所有訓練樣本之後，可依下法取得最後之每一計數 器値UK : υκ=_ΙΛ_ nx+ny 其中Uk^針對兩相似字χ和y所有訓練樣本之第㈣争徵的十 均距離差； 队為相似字X之使用樣本數；及 ny則為相似字y之使用樣本數；以及 d·於前項之步物中若制有概崎數料有最大値，則進 一步從计數器組値uk中找一最大値者來決定最後之主要 區分特徵。 如申請糊綱帛7費狀相辨賴減，其中兩相似 字X與y間使用不同數目特徵之累進距離差，可以下法取 得： dk=2 CD ( Xi » f J ) _D (y. , f . } 1 其中f i為輸入樣本之第i個特徵.

   ；1 i ;馮一辨識系統決定ί i至相似字兀之參考 樣板之距離的功能輸出値；以及 D (yi，f i)為—辨識系統決定f〗至相似字y之參考 樣板之距離的功能輸出値。 如申請專鄕圍帛7騎狀她字辨齡法， 差可由下法取得： di Έ /=1 21〇g(v ) Xj 其中fi為輸入樣本之第i個特徵； mx’i，vx，i，㈣和〜分別代表時樣板第丨個特徵之統計平均 値、標準差以及y字樣第i個特徵之統平均値標準差。 訂 如申請專利範圍第1項所述之相似字辨識方法，包含下步 驟： a，接收原辨識系統所輸出之第一名及第二名候選字； b·判別此二名候選字是否為相似字； c. 如果二候選字不是相似字，則將第一名候選字輸出為最 後之辨識結果；以及 d. 如果二候選字為相似字，則執行以下子步驟； (1) 根據計算之特徵重要性，排列各特徵之順序； (2) 取得二候選相似字間之最佳數目之主要區分特徵；及 (3) 以此取得之主要區分特徵重新計算距離，並判別輸入 樣本較像第一候選字或較像第二候選字，依比較結 果輸出較像之候選字為最後辨識結果。 •如申請專利範圍第1 1項所述之相似字辨識方法，其中決 __ · 六、申請專利範圍 定輸入樣本較像第一或第二位候選字之方法中，包含一計 算輸入樣本之主要區分特徵與二候選字樣板之主要區分特 徵間之距離。 1 3 . —種相似字辨識裝置，包括： a. 特徵抽取器，用以從影像抽取特徵； b. 特徵參考樣板資料庫，包含文字類別之各特徵資訊，· c. 辨識引擎，用以接收特徵抽器所抽取之特徵，並與特徵 參考樣板資料庫之樣板作比對，並依比對距離輸出一序 列之候選字； d. 近似字元區分特徵個數表，含有一争近似字元及編輯自 特徵參考資料庫之資訊；及 e. 相似字辨識，裝置，用以接收辨識引擎輸出之候選字並利 用特徵參考樣板資料庫及近似字元區分特徵個數表來分 • 辨相似字’並輸出一個最理想之候選字。 14.如申請專利範圍第13項所述之文字辨識裝置，其中之特 徵參考樣板資料庫包含由一訓練樣本資料庫所分析而得 之特徵資料。 1 5 _ —種相似字辨識裝置，包括： 經濟部中史梂準局負工消费合作社印裝 a ·學習樣本資料庫，包含複數個文字樣本； b .統計式之文字辨識模組，可抽取文字影像之特徵並執行 初步辨識工作； 12 .特徵參考樣板資料庫，乃由學習樣本資料庫之文字樣本 之特徵統計資料組成； d .相似字對自動產生模組，用以自動產生相似字對資料 本紙張尺度逋用中國國家樣準（CNs )人4規格（210x297公釐） A8 B8 C8 D8 321745 六 經濟部中央標準局員工消費合作社印製 、申請專利範園 庫； I I 1 n I I n t— I n ϋ I _ T . 、1 (請先閱讀背面之注意事項再填寫本頁} e相似丰對辨_練模组，用以自動決定各相似字對間 最佳區分特徵； f .相似子對區分特徵表，用以儲存相似字對最佳區分 數目；以及 m g .相似字對辨識模組，肋執行各相似字對中之相似字辨 識工作。 1 6 · —種利用文字辨識系統來分辨相似字之方法，包含下列步 驟： a.從文字辨識系統接收第一名及第二名之候選字； b .若第一名及第二名之候選字為相似字，則 (1) 依各特徵之重要性排列順序； (2) 取得複數個主要區分特徵； (3) 由主要區分特徵決定輸入影像與第一名及第二名候選 - 字之樣板間之差異；及 (4) 若輸入影像較接近第二名候選字，則對調第一名及第 二名候選字間之順序。 1 7 ·如申請專利範圍第1 6項所述之方法，其中在排各特徵順 序之前，計算相似字對各特徵値之重要性，以區分相似字 對〇 1 8 .如申請專利範圍第1 7項所述之方法，其中以一累進距離 差異來比較輸入樣本與第一候選字和第二候選字間之相近 程度。 1 9 .如申請專利範圍第1 8項所述之方法，其中之累進距離差 可以下法求得 本紙张尺度逋用中國國家標準（CNS ) A4規格（210X297公釐） D ( 申請專利範圍 dq〔D(Xi，fi)—D(yi，fi)〕 其中k為主要區分特徵個數。 如申請專利棚第i 9項所述之核，其中的減區分特 徵，重新計算待辨爾本與前二錢選字（假設為候選字 i及候選字j )間距離，此距離可以下式欠得. 21〇S(Vx,) 和

   1.-^---------裝—— .(請先閲讀背面之注意事項再填寫本頁) D ( Yi » f i ) 21〇g(v，i) + _yc^ fi為輸入樣本之第i個特徵； ’ 表示X字樣板的第i個特徵之統計平均値； k表示X字樣板的第i個特徵之統計標準差； 表示y字樣板的第i個待徵之統計平均値；及 v表示y字樣板的第i個特徵之統計標準差。 2 1 訂 如申請專纖M 1 8爾述之方法，累進距離差可依下 法求得： 經濟部中央標準局負工消費合作社印装 2 i〇g(〇+_ 2 log(',)+α· - )2 v 其中： fi為輸入樣本之第i個特徵； 〜表不X字樣板的第i個待徵之統計平均値； 匕，·表tfx i樣板的第i個特徵之統計標準差，· ^纸法纽適财國國家搞率（cNS)A4^ (210x297么^ΪΤ I— n A8 Βδ 745_!_§_ 六、申請專利範圍 w .表示y字樣板的第i個特徵之統計平均値；及 v .表不乂字樣板的第i個特徵之統計標準差。 (請先閱讀背面之注意事項再填寫本頁) 經濟部中央標準局員工消費合作社印製 本紙張尺度適用中國國家標準（CNS ) A4規格（210X297公釐）