JPH0981684A

JPH0981684A - パターン認識装置及び文字切り出し方式

Info

Publication number: JPH0981684A
Application number: JP7234982A
Authority: JP
Inventors: Yoshinobu Hotsuta; 悦伸堀田; Satoshi Naoi; 聡直井
Original assignee: Fujitsu Ltd
Current assignee: Fujitsu Ltd
Priority date: 1995-09-13
Filing date: 1995-09-13
Publication date: 1997-03-28
Anticipated expiration: 2015-09-13
Also published as: JP3415342B2

Abstract

(57)【要約】【課題】パターンの切り出し精度及び切り出し処理の
速度を向上させる。【解決手段】連結パターン抽出手段１により入力パタ
ーンから連結パターンを求め、分離文字検出部２及び濁
点検出部３により分離文字や濁点を抽出し、統計的信頼
度算出部５及び非統計的信頼度算出部６により切り出し
文字の切り出し信頼度を求め、認識信頼度算出手段８に
より切り出し文字の認識信頼度を求め、切り出し決定手
段９により切り出し信頼度と認識信頼度とを統合して切
り出し文字を決定する。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、パターン認識装置
及び文字切り出し方式に関し、手書き用文字認識装置、
印刷文字認識装置、図面認識における文字の切り出し装
置などにおける、フリーピッチ領域の文字のセグメンテ
ーションに適用して好適なものである。

【０００２】

【従来の技術】近年、手書き用の入力周辺機器として、
手書き文字認識装置ＯＣＲの需要が増加している。そし
て、個々の文字の高い認識率を実現するためには、文字
認識の前段階である文字の切り出し処理が文字認識を正
確に行う際に重要になる。これまで、帳票などの文書に
対して、１文字ずつ分離されて書かれた文字については
かなり高い確率で文字を自動認識することができた。

【０００３】例えば、従来の文字切り出し方式は、特開
平６−３４８８９６号公報に記載されているように、文
字を構成する部分パターンの位置、傾き、サイズなどの
特性値に基づいて、部分パターンをその左右のパターン
に統合するようにしていた。すなわち、文字を構成する
部分パターンの位置、傾き、サイズなどの特性値と予め
設定したそれぞれの特性値に対する閾値とを比較し、そ
の比較結果に基づいて統合判定処理を行っていた。

【０００４】また、文字を構成する部分パターンから濁
点や分離文字などを構成するパターンを検出し、文字な
どを構成するパターンの位置、傾き、サイズ、隣接する
パターンとの距離などの特性値に基づいて、濁点や分離
文字などを構成するパターンを統合する方法も行われて
いた。

【０００５】

【発明が解決しようとする課題】しかしながら、フリー
ピッチ領域に書かれる手書きの文字列の場合、文字と文
字の間隔が均等でなかったり、文字サイズが一定でない
場合が頻繁に起こる。そして、この文字枠のないフリー
ピッチ領域に書かれた文字列については、１文字ずつ正
確に切り出す技術が確立していないために認識率の低下
するという問題があった。

【０００６】また、文字を構成する部分パターンの位
置、傾き、サイズなどの特性値の閾値の設定を、経験的
知識を用いてヒューリスティクに行っていたため、その
閾値が妥当かどうかを客観的に判断することが困難であ
った。また、部分パターンをその左右のパターンに統合
する際に用いる特性値が、文字の切り出しに有効かどう
かの判断も困難であった。

【０００７】さらに、文字の切り出しを行った後では、
切り出しの修正を行う方法が欠落していたため、一度切
り出しを誤ると文字認識も必然的に誤るという問題もあ
った。

【０００８】そこで、本発明の目的は、パターンの切り
出し精度及び切り出し処理の速度を向上させることがで
きるパターン認識装置及び文字切り出し方式を提供する
ことである。

【０００９】

【課題を解決するための手段】上述した課題を解決する
ために、請求項１の発明によれば、パターンの特徴を示
す複数の特性値を、互いに無相関ないくつかの総合特性
値に合成し、この総合特性値に基づいて、切り出しパタ
ーンを決定する。このことにより、ヒューリスティック
に選んだ複数の特性値に基づいて、切り出しパターンの
決定に最も適した新たな特性値を統計的に得ることがで
き、この統計的に得られる新たな特性値を用いてパター
ンの切り出しを行うことにより、パターンの切り出し精
度を向上することができる。

【００１０】また、請求項２の発明によれば、情報の損
失が最小になるように複数の特性値を合成する。このこ
とにより、パターンの切り出し精度を向上することがで
きる。

【００１１】また、請求項３の発明によれば、複数の特
性値の線形結合の持つ分散を最大とするように合成す
る。このことにより、パターンの切り出し精度を向上す
ることができる。

【００１２】また、請求項４の発明によれば、パターン
の特徴を示す複数の特性値からなるサンプルデータを、
切り出し成功を示す第１の群と切り出し失敗を示す第２
の群とに分類し、前記第１の群と前記第２の群の各重心
から等距離となるように構成された判別関数に基づい
て、切り出しパターンを決定する。このことにより、切
り出しを行うパターンの特性値を判別関数に代入するだ
けで、切り出し成功であるか切り出し失敗であるかを統
計的に決定することができ、パターンの切り出しを精度
良く、且つ、高速に行うことができる。

【００１３】また、請求項５の発明によれば、パターン
の特徴を示す複数の特性値からなるサンプルデータを、
切り出し成功を示す第１の群と切り出し失敗を示す第２
の群とに分類し、前記第１の群と前記第２の群との間の
群間変動の群内変動に対する比を最大にするように特性
値の線形結合を求め、この特性値の線形結合に基づい
て、切り出しパターンを決定する。このことにより、切
り出し成功であるか切り出し失敗であるかの決定を簡単
な演算により統計的に行うことができ、パターンの切り
出しを精度良く、且つ、高速に行うことができる。

【００１４】また、請求項６の発明によれば、文字とし
ての切り出し位置の確からしさを示す切り出し信頼度に
基づいて、連結パターンを統合する。このことにより、
文字の書かれた状態に応じて、切り出し信頼度を調節す
ることができ、文字の切り出し精度を向上することがで
きる。

【００１５】また、請求項７の発明によれば、文字の切
り出しの確からしさを示す切り出し信頼度に基づいて、
文字認識を行うかどうかを決定する。このことにより、
切り出し信頼度の高い部分は文字認識を行わずに切り出
し文字として確定し、切り出し信頼度の低い部分につい
てのみ文字認識を行って切り出し文字を確定することが
でき、文字の切り出し速度を向上できる。

【００１６】また、請求項８の発明によれば、文字の切
り出しの確からしさを示す切り出し信頼度と文字として
の認識信頼度とに基づいて、切り出し文字を決定する。
このことにより、その文字単独の特徴のみだけでなく、
その文字の文字列全体に対する位置関係なども考慮する
ことができ、文字の切り出し精度を向上することができ
る。

【００１７】また、請求項９の発明によれば、所定の形
状を有するパターンに対する処理を分けて行う。このこ
とにより、所定の形状を有するパターンに対しては、そ
のパターン独自の最適な処理を用いることができ、文字
の切り出し精度を向上することができる。

【００１８】また、請求項１０の発明によれば、第１の
外接矩形と第１の外接矩形の右隣に隣接する第２の外接
矩形とを選択し、第１の外接矩形の右枠と第２の外接矩
形の左枠との距離、第１の外接矩形の左枠と第２の外接
矩形の右枠との距離、第１の外接矩形の右枠と第２の外
接矩形の左枠との距離と第１の外接矩形の左枠と第２の
外接矩形の右枠との距離との比、第１の外接矩形の左枠
と第２の外接矩形の右枠との距離と外接矩形平均幅との
比、第１の外接矩形の下枠と第１の外接矩形の下枠の中
点から第２の外接矩形の下枠の中点へ至る直線とのなす
角度、第１の外接矩形の下枠と第１の外接矩形の右下の
頂点から第２の外接矩形の左下の頂点へ至る直線とのな
す角度、第１の外接矩形と第２の外接矩形とが重なって
いる場合、第１の外接矩形の右枠と第２の外接矩形の左
枠との距離と第１の外接矩形の左枠と第２の外接矩形の
右枠との距離との比に基づいて、パラメータを算出す
る。このことにより、切り出し文字の特徴を精度良く抽
出することができる。

【００１９】また、請求項１１の発明によれば、分離文
字の処理と濁点処理とを分けて行う。分離文字と濁点と
を精度良く抽出することができ、文字の切り出し精度を
向上することができる。

【００２０】また、請求項１２の発明によれば、右上が
りとなっている第１パターン、第１パターンの右隣に隣
接し、右下がりとなっている第２パターン、第１パター
ンの右隣に隣接し、直角方向に線密度を探索した場合に
交差する回数が２となる第３パターンを検出し、第１パ
ターンの外接矩形の右枠と第２パターン又は第３パター
ンの外接矩形の左枠との距離と第１パターンの外接矩形
の左枠と第２パターン又は第３パターンの外接矩形の右
枠との距離との比、第１パターンの外接矩形の左枠と第
２パターン又は第３パターンの外接矩形の右枠との距離
と外接矩形平均幅との比、第１パターンの外接矩形の面
積と第２パターン又は第３パターンの外接矩形の面積と
の積と外接矩形平均幅と外接矩形平均高さとの積の平方
との比に基づいて、パラメータを算出する。このことに
より、分離文字の特徴を精度良く抽出することができ
る。

【００２１】また、請求項１３の発明によれば、濁点候
補となる第１パターン、第１パターンの左隣に隣接する
第２のパターンを検出し、第１パターンの外接矩形の右
枠と第２パターンの外接矩形の左枠との距離と第１パタ
ーンの外接矩形の左枠と第２パターンの外接矩形の右枠
との距離との比、第１パターンの外接矩形の左枠と第２
パターンの外接矩形の右枠との距離と外接矩形平均幅と
の比、第１パターンの外接矩形の面積と第２パターンの
外接矩形の面積との積と外接矩形平均幅と外接矩形平均
高さとの積の平方との比に基づいて、パラメータを算出
する。このことにより、濁点候補パターンの識別を精度
良く行うことができる。

【００２２】また、請求項１４の発明によれば、パター
ンの特徴を示すＰ個の特性値からなるサンプルデータ
を、切り出し成功を示す第１の群と切り出し失敗を示す
第２の群とに分類し、第１の群と第２の群との判別面を
Ｐ次元空間において生成し、その判別面に対するＰ個の
特性値の位置に基づいて、切り出し文字の切り出し信頼
度を算出する。このことにより、切り出しを行う文字の
特性値が、Ｐ次元空間内の判別面に対してどの位置に存
在するかを判別するだけで、切り出し成功であるか切り
出し失敗であるかを決定することができ、文字の切り出
しを高速に行うことができる。

【００２３】また、請求項１５の発明によれば、判別面
を判別分析法により求める。このことにより、切り出し
成功であるか切り出し失敗であるかを決定する判別面を
統計的に求めることができ、切り出し信頼度の精度を高
めることができるので、文字の切り出しを精度良く、且
つ、高速に行うことができる。

【００２４】また、請求項１６の発明によれば、Ｐ個の
特性値のＰ次元空間における分布形状に基づいて、判別
面の算出方法を複数個使い分けるようにしている。この
ことにより、分布形状毎に最適な判別面を生成すること
ができ、文字の切り出しを精度を向上できる。

【００２５】また、請求項１７の発明によれば、第１の
群と第２の群との主軸のなす角が所定の角度以上である
場合、主軸に対するサンプルデータのばらつきの大きい
方の群の垂直方向に判別面を算出し、主軸のなす角が所
定の角度以上でない場合、判別分析法により判別面を算
出する。このことにより、文字の切り出しを精度を向上
できる。

【００２６】また、請求項１８の発明によれば、判別面
からのＰ個の特性値の距離に基づいて、切り出し文字の
切り出し信頼度を算出する。このことにより、文字の切
り出しを高速に行うことができる。

【００２７】また、請求項１９の発明によれば、判別面
からの距離に基づいてＰ個の特性値からなるサンプルデ
ータの度数分布を生成し、第１の群に対応して生成され
た度数分布と第２の群に対応して生成された度数分布と
の重なり領域を算出し、Ｐ個の特性値の重なり領域から
の距離と度数分布の分散値とに基づいて切り出し信頼度
を算出する。このことにより、度数分布を正規分布に近
似して重なり領域を算出することができ、特性値の数が
少ない場合でも精度よく重なり領域を算出することがで
きるので、文字の切り出しを精度良く行うことができ
る。

【００２８】また、請求項２０の発明によれば、度数分
布の正規分布に対する適合度及び度数分布の分散値に基
づいて重なり領域を算出する。このことにより、度数分
布の正規分布に対する誤差を考慮して重なり領域を算出
することができ、特性値の数が少ない場合でも適応的に
重なり領域を算出することができる。

【００２９】また、請求項２１の発明によれば、度数分
布の平均値と分散値とを算出し、その度数分布の平均値
と分散値とに基づいて正規分布を生成し、度数分布と正
規分布との２乗誤差の総和と正規分布の面積との比に基
づいて適合度を算出し、適合度と分散値の平方根との積
に基づいて度数分布の両端位置を求めて重なり領域を算
出する。このことにより、度数分布の正規分布に対する
誤差を考慮して重なり領域を算出することができ、特性
値の数が少ない場合でも適応的に重なり領域を算出する
ことができる。

【００３０】また、請求項２２の発明によれば、パター
ンの特徴を示すＰ個の特性値が度数分布の重なり領域に
含まれる場合、Ｐ個の特性値の位置に基づいて切り出し
信頼度を算出し、Ｐ個の特性値が度数分布の切り出し成
功を示す領域に含まれる場合、切り出し信頼度を１００
％と判定し、Ｐ個の特性値が度数分布の切り出し失敗を
示す領域に含まれる場合、切り出し信頼度を０％と判定
する。このことにより、より精度の高い文字の切り出し
を行うことができる。

【００３１】

【発明の実施の形態】以下、本発明の一実施例によるパ
ターン認識装置について図面を参照しながら説明する。
このパターン認識装置は、文字の切り出しに用いる特性
値としてのパラメータについて、文字の統合判定を行う
の際の閾値をヒューリスティクに決定するのではなく、
統計的に妥当な値を設定するようにしたものである。具
体的には、各パラメータ毎に、パラメータ値とそのパラ
メータ値に対する文字の統合の成功又は失敗に関する統
計データをとる。そして、各パラメータを個別に評価す
るのではなく、全てのパラメータを多次元空間上の１点
として捉え、多変量解析の手法を用いて、統合が成功し
た場合と統合が失敗した場合との２群を分離する判別面
を上記多次元空間内で求めるようにする。

【００３２】図１は、本発明の一実施例によるパターン
認識装置の構成を示すブロック図である。図１におい
て、連結パターン抽出手段１は、入力パターンから連結
パターンをラベリングにより求める。

【００３３】分離文字検出部２は、連結パターン抽出手
段１により抽出された連結パターンから“ハ”や“ル”
などの分離文字を検出する。濁点検出部３は、連結パタ
ーン抽出手段１により抽出された連結パターンから濁点
を検出する。

【００３４】切り出し信頼度算出手段４は、連結パター
ン抽出手段１により抽出された連結パターンを統合して
切り出し文字の複数の候補を生成し、生成した各候補に
ついて切り出しの確からしさを示す切り出し信頼度を算
出する。

【００３５】この切り出し信頼度算出手段４は、統計的
信頼度算出部５及び非統計的信頼度算出部６を備えてい
る。統計的信頼度算出部５は、連結パターン抽出手段１
により求められた連結パターンに対する統計的処理にお
いて用いられる切り出しパラメータに基づいて、切り出
しの確からしさを示す切り出し信頼度を算出する。この
統計的処理では、連結パターンの外接矩形の位置、縦横
比、平均文字サイズに対するサイズ比、隣接する連結パ
ターン同士の距離、隣接する連結パターンを統合したと
きのサイズ、隣接する連結パターン同士の重なり幅、文
字列の粗密度などを切り出しパラメータとして用いる。

【００３６】非統計的信頼度算出部６は、連結パターン
に対する非統計的処理において用いられる切り出しパラ
メータに基づいて、切り出しの確からしさを示す切り出
し信頼度を算出する。この非統計的処理では、分離文字
や濁点などのような特殊な形状のパターンが処理の対象
となる。濁点処理では、濁点候補パターンに着目し、そ
のパターンとそれの隣接パターンとを統合したときのサ
イズ、これら両パターン間の距離、及びそれらのパター
ンと平均文字サイズとの比などを切り出しパターンとし
て用いる。また、分離文字に対する処理では、連結パタ
ーンの傾き、連結パターンの線密度、隣接する連結パタ
ーン同士を統合したときのサイズ、隣接する連結パター
ン同士の距離などを切り出しパラメータとして用いる。
統計的信頼度算出部５及び非統計的信頼度算出部６
は、それぞれ判別面生成部５ａ、６ａ、度数分布生成部
５ｂ、６ｂ、重なり領域算出部５ｃ、６ｃ、切り出し信
頼度算出部５ｄ、６ｄを備えている。

【００３７】判別面生成部５ａ、６ａは、パターンの特
徴を示すＰ個の特性値からなるサンプルデータを、切り
出し成功を示す第１の群と切り出し失敗を示す第２の群
とに分類し、第１の群と第２の群との判別面をＰ次元空
間において生成するものである。

【００３８】この判別面は、例えば、判別分析法により
求めることができる。すなわち、判別面を線形な判別関
数により構成する場合、その判別関数の係数ベクトル
は、 Σ^-1（μ₁−μ₂）・・・（１）で与えられる。

【００３９】ここで、 Σ ：第１の群及び第２の群の母分散共分散行列 μ₁：第１の群の母平均ベクトル μ₂：第２の群の母平均ベクトルである。

【００４０】上記係数ベクトルを有する判別関数は、前
記第１の群と前記第２の群の各重心から等距離となるよ
うに構成される。なお、この判別関数の係数ベクトル
は、第１の群と第２の群との間の群間変動の群内変動に
対する比を最大にするという基準に基づいて、算出する
こともできる。

【００４１】度数分布生成部５ｂ、６ｂは、判別面生成
部５ａ、６ａで生成された判別面からの距離に基づい
て、Ｐ個の特性値からなるサンプルデータの度数分布を
生成する。

【００４２】重なり領域算出部５ｃ、６ｃは、度数分布
生成部５ｂ、６ｂにより生成された第１の群の度数分布
と第２の群の度数分布との重なり領域を算出する。切り
出し信頼度算出部５ｄ、６ｄは、連結パターン抽出手段
１により抽出された連結パターンを統合して生成された
切り出し文字の候補に対し、そのＰ個の特性値が、重な
り領域算出部５ｃ、６ｃにより算出された重なり領域に
含まれる場合、重なり領域におけるＰ個の特性値の位置
に基づいて、切り出し信頼度を算出する。切り出し文字
の候補のＰ個の特性値が重なり領域に含まれず、且つ、
第１の群の度数分布に含まれる場合、切り出し信頼度を
１００％と判定する。切り出し文字の候補のＰ個の特性
値が重なり領域に含まれず、且つ、第２の群の度数分布
に含まれる場合、切り出し信頼度を０％と判定する。

【００４３】信頼度統合部７は、統計的信頼度算出部５
で求めた切り出し信頼度及び非統計的信頼度算出部６で
求めた切り出し信頼度を統合する。認識信頼度算出手段
８は、連結パターン抽出手段１により抽出された連結パ
ターンを統合して生成された切り出し文字の候補に対
し、認識処理を行う。

【００４４】切り出し決定手段９は、切り出し信頼度算
出手段４で算出した切り出し信頼度と認識信頼度算出手
段８で算出した認識信頼度とを統合し、その統合した信
頼度が最も大きい切り出し文字の候補を選択して切り出
し文字を決定する。

【００４５】次に、本発明の一実施例によるパターン認
識装置の動作について説明する。図２は、本発明の一実
施例によるパターン認識装置の処理の流れを示すフロー
チャートである。この処理は、個々の文字サイズの変動
や文字間隔の変動のある手書き文字列から１文字ずつを
切り出すものである。なお、ここで対象となるパターン
は、極端な傾きや回転の補正を行い、雑音を除去し、か
すれの穴埋め等の前処理を行った後の２値画像である。
また文字同士のオーバーハングはあっても、文字同士の
接触、続け字はないものとする。

【００４６】また、実線の矢印で示された処理の流れ
は、実際に文字の切り出しを行う前に事前に行われる統
計パラメータの算出処理の流れを示す。また、破線の矢
印で示された処理の流れは、実際に文字の切り出しを行
う処理の流れを示す。

【００４７】まず、上記統計パラメータの算出処理につ
いて説明する。まず、ステップＳ１で、フリーピッチ領
域に書かれた手書き文字列の複数の学習データをイメー
ジ入力により読み込む。

【００４８】次に、ステップＳ２で、個々のパターンを
区別するために、連結パターン抽出手段１で８連結でつ
ながっているパターンをラベリングにより抽出する。こ
のとき、ラベリングで得られた各パターンのサイズが後
で問題となるので、パターンの外接矩形の座標値（左上
と右下）もラベリングと同時に求めている。ここで、パ
ターンとは、ラベリングにより分別された黒画素のまと
まりを示す。なお、上記ラベリング処理の詳細について
は、「“画像処理の基本技法（技術入門編）（Image Pr
ocessing on Personal Computer ）”，第１部画像処理
の基礎、第３章画像処理の基本アルゴリズム、ｉｉ）連
結成分処理、ラベリング、長谷川純一、興水大和、中
山晶、横中茂樹著、技術評論社、昭和６１年８月１０日
刊」に詳しい。

【００４９】次に、ステップＳ３、Ｓ４で、文字列から
文字を切り出す処理を、その処理をパターン外接矩形の
位置、サイズ、並びなどからパターン同士を統合してい
く統計的処理と、文字列中の濁点、分離文字などを処理
するためにパターン形状に着目する非統計的処理に分け
て実行し、ステップＳ５で、上記統計的処理と上記非統
計的処理の際に用いられた切り出しパラメータの値を算
出する。なお、切り出し処理においては、連結パターン
抽出手段１で抽出されたパターン同士が統合される。

【００５０】ステップＳ３の統計的処理では、パターン
の外接矩形の位置、縦横比、平均文字サイズに対するサ
イズ比、隣接するパターン同士の距離、統合したときの
サイズ、パターン同士の重なり幅、文字列の粗密度など
を切り出しパラメータとして用いる。

【００５１】例えば、図３に示すように、外接矩形１１
の右枠と外接矩形１２の左枠との距離ａ、外接矩形１１
の左枠と外接矩形１２の右枠との距離ｂ、外接矩形１１
の右枠と外接矩形１２の左枠との距離ａと外接矩形１１
の左枠と外接矩形１２の右枠との距離ｂとの比ｃ、外接
矩形１１の左枠と外接矩形１２の右枠との距離ｂと外接
矩形平均幅ＭＸとの比ｄ、外接矩形１３の下枠と外接矩
形１３の下枠の中点から外接矩形１４の下枠の中点とを
結ぶ直線とのなす角度ｅ、外接矩形１３の下枠と外接矩
形１３の右下の頂点から外接矩形１４の左下の頂点とを
結ぶ直線とのなす角度ｆ、外接矩形１５と外接矩形１６
とが重なっている場合、外接矩形１５の右枠と外接矩形
１６の左枠との距離ｐと外接矩形１５の左枠と外接矩形
１６の右枠との距離ｑとの比ｇを切り出しパラメータと
して用いる。

【００５２】すなわち、ｃ＝ａ／ｂ・・・（２）ｄ＝ｂ／ＭＸ・・・（３）ｇ＝ｐ／ｑ・・・（４）である。

【００５３】次に、統計的処理を図４のフローチャート
を参照しながら説明する。まず、ステップＳ１１に示す
ように、連結パターン抽出手段１により抽出された連結
パターンの外接矩形を取り出す。

【００５４】次に、ステップＳ１２に示すように、ステ
ップＳ１１で取り出した外接矩形の右隣に他の外接矩形
があるかどうか調べる。そして、ステップＳ１１で取り
出した外接矩形の右隣に他の外接矩形がない場合、ステ
ップＳ１１で取り出した外接矩形を統計的処理の対象か
らはずす。

【００５５】一方、ステップＳ１２において、ステップ
Ｓ１１で取り出した外接矩形の右隣に他の外接矩形があ
ると判断された場合、ステップＳ１４に進む。また、ス
テップＳ１３に示すように、文字列の外接矩形の平均文
字サイズを算出する。ここで、文字列の外接矩形の平均
文字サイズを算出する場合、まだ１文字ずつが切り出さ
れていないので、厳密には、正確な平均文字サイズを算
出することができない。そこで、例えば、連結パターン
抽出手段１により抽出された連結パターンの外接矩形を
仮統合することにより、暫定的に平均文字サイズを算出
する。仮統合の方法として、近接する連結パターンを統
合した際の縦横比Ｐが、例えば、Ｎ（＝０．８）＜Ｐ＜Ｍ（＝１．２）を満たす場合、仮統合を行う。そして、仮統合を行った
後の平均文字サイズを算出する。なお、文字列の外接
矩形の平均文字サイズは、外接矩形のサイズ別の頻度ヒ
ストグラムを生成して求めるようにしてもよい。

【００５６】次に、ステップＳ１４に示すように、図３
のパラメータａ〜ｇを算出する。ステップＳ４の非統計
的処理では、文字列中の濁点や分離文字などを対象にし
ており、図５に示すように、分離文字処理と濁点処理と
に分ける。

【００５７】分離文字に対する処理では、パターンの傾
き、線密度、隣接するパターン同士を統合したときのサ
イズ、パターン同士の距離を切り出しパラメータとして
用いる。

【００５８】例えば、図６に示すように、外接矩形２１
の右枠と外接矩形２２の左枠との距離ａと外接矩形２１
の左枠と外接矩形２２の右枠との距離ｂとの比ｐ、外接
矩形２１の左枠と外接矩形２２の右枠との距離ｂと外接
矩形平均幅ＭＸとの比ｑ、外接矩形２１の面積ｃと外接
矩形２２の面積ｄとの積と外接矩形平均幅ＭＸと外接矩
形平均高さＭＹとの積の平方との比ｒを切り出しパラメ
ータとして用いる。

【００５９】すなわち、ｐ＝ａ／ｂ・・・（５）ｑ＝ｂ／ＭＸ・・・（６）ｒ＝（ｃ×ｄ）／（ＭＸ×ＭＹ）² ・・・（７）である。

【００６０】次に、分離文字処理を図７のフローチャー
トを参照しながら説明する。この分離文字処理は、例え
ば、“ハ”又は“ル”などのように２つ以上の連結パタ
ーンから構成される分離文字を検出するものである。

【００６１】まず、ステップＳ２１に示すように、連結
パターン抽出手段１により抽出された連結パターンのう
ち、右上がりとなっているパターンがあるかどうか判断
する。そして、右上がりとなっているパターンがない場
合、分離文字処理の対象からはずす。

【００６２】一方、ステップＳ２１において、右上がり
となっているパターンであると判断された場合、ステッ
プＳ２２に進み、右上がりとなっているパターンの右隣
に隣接し、且つ右下がりとなっているパターン、すなわ
ち、例えば、“ハ”に対応するパターン、又は、右上が
りとなっているパターンの右隣に隣接し、且つ直角方向
に探索した場合のパターンと交差する回数（直角線密
度）が２となるパターン、すなわち、例えば、“ル”に
対応するパターンがあるかどうか判断する。そして、こ
れらの“ハ”又は“ル”などのような形状のパターンで
なければ、分離文字処理の対象からはずす。

【００６３】一方、ステップＳ２２において、“ハ”又
は“ル”などのような形状のパターンであると判断した
場合、ステップＳ２４に進む。また、上記ステップＳ２
１，Ｓ２２とは別に、ステップＳ２３で、文字列の外接
矩形の平均文字サイズを算出する。

【００６４】上記ステップＳ２２とＳ２３が終了した
後、ステップＳ２４で、図６に示されたパラメータｐ〜
ｒの値を算出する。また、濁点処理では、濁点候補パタ
ーンに着目し、例えば、そのパターンとその隣接パター
ンを統合したときのサイズ、両パターン間の距離、及び
それらと平均文字サイズとの比を、切り出しパラメータ
として用いる。

【００６５】すなわち、図８に示すように、外接矩形３
１の右枠と外接矩形３２の左枠との距離ａと外接矩形３
１の左枠と外接矩形３２の右枠との距離ｂとの比ｐ、外
接矩形３１の左枠と外接矩形３２の右枠との距離ｂと外
接矩形平均幅ＭＸとの比ｑ、外接矩形３１の面積ｃと外
接矩形３２の面積ｄとの積と外接矩形平均幅ＭＸと外接
矩形平均高さＭＹとの積の平方との比ｒを、切り出しパ
ラメータとして用いる。

【００６６】すなわち、パラメータｐ〜ｒは、（５）〜
（７）式と同様に表すことができる。次に、濁点処理を
図９のフローチャートを参照しながら、説明する。

【００６７】まず、ステップＳ３１で、濁点候補となる
パターンを抽出する。すなわち、例えば、連結パターン
抽出手段１により抽出された連結パターンが２つ隣接し
て存在する場合で、且つそれらを統合した時のサイズと
文字列の外接矩形の平均文字サイズとの比が所定のしき
い値以下、例えば、１／４以下である場合、濁点候補と
なるパターンとして抽出する。

【００６８】次に、ステップＳ３２に示すように、濁点
候補となるパターンの左隣に隣接する外接矩形があるか
どうかを調べる。そして、濁点候補となるパターンの左
隣に隣接する外接矩形がない場合、濁点候補となるパタ
ーンを濁点処理の対象からはずす。

【００６９】一方、ステップＳ３２において、濁点候補
となるパターンの左隣に隣接する外接矩形があると判断
された場合、ステップＳ３４に進む。また、上記ステッ
プＳ３１，Ｓ３２とは別に、ステップＳ３３で、文字列
の外接矩形の平均文字サイズを算出する。そして、上記
ステップＳ３２，Ｓ３３の処理が終了した後、ステップ
Ｓ３４で、図８に示されたパラメータｐ〜ｒの値を算出
する。

【００７０】再び、図２のフローチャートの説明に戻
る。上記ステップＳ１〜Ｓ５の処理が終了すると、次
に、ステップＳ６で、文字の切り出し処理を実行する。
この場合、従来のように、複数の各切り出しパラメータ
に対して、事前に閾値を設定してパターン同士の統合を
判断しながら、文字を切り出すのではなく、学習データ
について閾値を設定せずに文字の切り出しを行い、切り
出しの正否と上記ステップＳ５で算出されたそのときの
切り出しパラメータの値を統計データとして記録する。

【００７１】これにより、パラメータ数がｎの場合、切
り出しが成功した群と切り出しが失敗した群との２群を
ｎ次元の空間上に得ることができる。そして、この２群
を判別する判別面を算出する。この２群を判別する判別
面の算出法としては、（１）式を用いる判別分析法や主
成分分析法など使用することができる。

【００７２】図１０は、切り出しの成否データの算出方
法を示すフローチャートである。図１０において、ま
ず、ステップＳ４１で、事前に集めた学習データに対し
て、着目する外接矩形とそれに隣接する外接矩形とを統
合して１文字になるかどうかを目視により判断する。学
習データとしては、例えば、図１１に示すような１２種
類の文字列３５〜４６を複数の人に書いてもらいたもの
を用いる。そして、着目する外接矩形とそれに隣接する
外接矩形とを統合して１文字になる場合、ステップＳ４
２に進み、着目する外接矩形とそれに隣接する外接矩形
とを統合して１文字にならない場合、ステップＳ４３に
進む。

【００７３】ステップＳ４２では、着目する外接矩形と
それに隣接する外接矩形とを統合して１文字になる統合
成功の場合について、その着目する外接矩形とそれに隣
接する外接矩形におけるパラメータの値を記録する。こ
こで、着目する外接矩形とそれに隣接する外接矩形にお
けるパラメータは、統計的処理の場合、図３のパラメー
タａ〜ｇを用いることができ、非統計的処理の場合、図
６、８のパラメータｐ〜ｒを用いることができる。

【００７４】また、ステップＳ４３では、着目する外接
矩形とそれに隣接する外接矩形とを統合して１文字にな
らない統合失敗の場合について、その着目する外接矩形
とそれに隣接する外接矩形におけるパラメータの値を記
録する。

【００７５】図１２は、判別面算出法を示すフローチャ
ートである。まず、ステップＳ５１で、学習データに対
して、図１０のフローチャートに示す処理を実行して、
切り出し成功と切り出し失敗を示す２群のデータを統計
・記録する。

【００７６】次に、ステップＳ５２で、上記各群の主軸
を算出する。次に、ステップＳ５３で、上記各群の主軸
のなす角度θを調べ、その角度θが７０度以上である場
合はステップＳ５４に進み、主軸のなす角度θが７０度
以上でない場合はステップＳ５５に進む。

【００７７】ステップＳ５４では、主軸に対するばらつ
きの大きい方の群に対して垂直となる判別面を算出す
る。一方、ステップＳ５５では判別分析法により判別面
を算出する。

【００７８】例えば、図１２の左上方に示す例の場合、
切り出し成功を示すパラメータの値の分布領域５１の主
軸５３と切り出し失敗を示すパラメータの値の分布領域
５２の主軸５４のなす角度θは７０度以上である。そし
て、切り出し成功を示すパラメータの値の分布領域５１
の主軸５３に対するばらつきと、切り出し失敗を示すパ
ラメータの値の分布領域５２の主軸５４に対するばらつ
きとを比べると、切り出し成功を示すパラメータの値の
分布領域５１の主軸５３に対するばらつきの方が大き
い。したがって、図１２の右下方に太い直線で示すよう
に、切り出し成功を示すパラメータの値の分布領域５１
の主軸５３に対して垂直となる判別面５９を算出する。

【００７９】また、図１２の右上方に示す例の場合、切
り出し成功を示すパラメータの値の分布領域５５の主軸
５７と切り出し失敗を示すパラメータの値の分布領域５
６主軸５８のなす角度θは７０度に満たない。したがっ
て、この場合には、図１２の右下方に太い直線で示すよ
うに、判別分析法を用いて判別面６０を算出する。

【００８０】以上のようにして、図２のフローチャート
のステップＳ１〜Ｓ６の処理により、学習データを用い
て、未知の手書き文字列に対する文字の切り出しの信頼
度を算出するための判別面が設定される。

【００８１】次に、未知の文字列に対して文字を切り出
す処理を説明する。未知の手書き文字列の入力イメージ
が入力された場合、図２のフローチャートの全てのステ
ップの処理が実行される。

【００８２】まず、未知の手書き文字列の入力イメージ
が入力されると、上記ステップＳ１〜Ｓ５の処理が実行
され、統計的処理における切り出しパラメータと非統計
的処理における切り出しパラメータの値が算出される。

【００８３】次に、ステップＳ７で、隣接するパターン
同士を統合するかどうかを判定するために、上記ステッ
プＳ５で算出された複数の特徴量パラメータの値によっ
て定まる多次元空間上の点の上記既に得られている判別
面からの距離を求め、これを切り出しの信頼度として定
量化する。

【００８４】例えば、特徴量パラメータ数が３の場合、
図１３に示すように、２群を判別する判別面をＨ、判別
面Ｈの単位法線ベクトルを外１とし、あるパラメー
タの

【００８５】

【外１】

【００８６】値がｐのベクトル値をとるとき、そのパラ
メータの値に対応する３次元空間内の点ｐの判別面から
の距離ｈは、

【００８７】

【数１】

【００８８】と表される。ここで、外２は、３次元
空間内の原点Ｏから３次元空間内の点

【００８９】

【外２】

【００９０】ｐに向けたベクトルである。そして、判別
面Ｈからの距離ｈが正をとるか負をとるかで、パラメー
タの値がどちらの群、すなわち、切り出しが成功した方
の群または切り出しが失敗した方の群のいづれの群に属
するか、また、パラメータの値が判別面Ｈからどの程度
離れているかが分かる。

【００９１】次に、図１４に示すように、多次元空間内
の学習データの全パラメータに対して、判別面Ｈからの
距離を基にして切り出し成功のヒストグラム分布７１と
切り出し失敗のヒストグラム分布７２をとる。一般的
に、このヒストグラム分布７１、７２は正規分布になる
ので、ヒストグラム分布７１、７２を正規分布で近似す
る。これらの正規分布は、一般に、一部、重なる領域が
生ずる。本実施例では、この重なる領域に位置する切り
出しパラメータを有する隣接パターンについて切り出し
の信頼度に加え、文字認識の信頼度を加味してそれらを
統合するか否かを判定する。

【００９２】次に、切り出し信頼度の算出法を図１５の
フローチャートを参照しながら説明する。まず、ステッ
プＳ６１で、上記ステップＳ５で得られた複数のパラメ
ータの値によって定まる点の判別面からの距離を、前記
（８）式により算出する。

【００９３】また、ステップＳ６２で、学習データによ
り得られた複数のパラメータの値のヒストグラム分布を
正規分布で近似する。すなわち、例えば、図１６に示す
ように、切り出し成功のヒストグラム分布を正規分布８
１で近似し、切り出し失敗のヒストグラム分布を正規分
布８２で近似する。

【００９４】次に、ステップＳ６３で、２群の重なり領
域を算出する。例えば、図１６に示すように、切り出し
成功の正規分布８１と切り出し失敗の正規分布８２とが
重なる領域８４を２群の重なり領域として算出する。ま
た、このとき、切り出し成功の正規分布８１の内、上記
２群の重なり領域８４以外の領域８３を切り出し成功領
域と設定する。さらに、切り出し失敗の正規分布８２の
内、上記２群の重なり領域８４以外の領域８５を切り出
し失敗領域と設定する。

【００９５】上記ステップＳ６２とＳ６３の処理は、文
字の切り出し処理を高速化するために、上記統計パラメ
ータ算出処理時に、判別面の設定が終了した後に、予め
行っておくのが望ましい。

【００９６】次に、ステップＳ６４に示すように、入力
パラメータの値のヒストグラム分布上での位置を判定す
る。次に、ステップＳ６５に示すように、入力パラメー
タの値のヒストグラム分布上での位置を判定した結果、
入力パラメータの値が２群の重なり領域８４に含まれる
場合、ステップＳ６６に進む。そして、２群の重なり領
域８４での入力パラメータの値の位置に基づいて、切り
出し信頼度を算出する。

【００９７】一方、ステップＳ６５において、入力パラ
メータの値が２群の重なり領域８４に含まれないと判断
された場合、ステップＳ６６に進み、入力パラメータの
値が切り出し成功領域８３に含まれるかどうかを判断す
る。そして、入力パラメータの値が切り出し成功領域８
３に含まれると判断された場合、ステップＳ６８に進
み、切り出し信頼度を”１”とし、入力パラメータの値
が切り出し成功領域８３に含まれないと判断された場
合、ステップＳ６９に進み、切り出し信頼度を”０”と
する。

【００９８】例えば、図１６において、入力パラメータ
の値の判別面からの距離を算出した結果、入力パラメー
タの値の判別面からの距離が重なり領域８４に含まれる
場合、入力パラメータの値の判別面からの距離に基づい
て、切り出し信頼度を算出する。また、入力パラメータ
の値の判別面からの距離が切り出し成功領域８３に含ま
れる場合、その切り出し信頼度を”１”とする。また、
入力パラメータの値の判別面からの距離が切り出し失敗
領域８５に含まれる場合、その切り出し信頼度を”０”
に設定する。

【００９９】次に、２群の重なり領域算出方法を、図１
７のフローチャートを参照しながら説明する。まず、ス
テップＳ７１で、学習データから得られた各群（切り出
し成功のヒストグラム分布群と切り出し失敗のヒストグ
ラム分布群）ヒストグラム９１の平均値ｍと分散値ｖと
を算出する。

【０１００】次に、ステップＳ７２で、上記各群につい
て、正規分布曲線９２とヒストグラム値９１との２乗誤
差の総和ｄを算出する。次に、ステップＳ７３で、適合
度Ｔを下記の（９）式により算出する。

【０１０１】Ｔ＝ｄ／Ｓ・・・（９）ここで、Ｓは正規分布曲線９２の面積である。次に、ス
テップＳ７４で、正規分布曲線９２の中心から端までの
距離Ｌを下記の（１０）式により算出する。

【０１０２】

【数２】

【０１０３】ここで、ｋは比例定数である。また、外
３は、標準偏差に等しい。

【０１０４】

【外３】

【０１０５】次に、ステップＳ７５で、正規分布曲線９
３の右端９７から正規分布曲線９４の左端９６までの間
の領域を、２群の重なり領域９５として設定する。再
び、図２のフローチャートの説明に戻る。

【０１０６】次に、ステップＳ８で、切り出し文字の候
補に対し、その切り出し信頼度に基づいて認識処理を行
うかどうかを決定する。この場合、例えば、切り出し信
頼度が高い切り出し文字の候補に対しては認識処理を行
わず、切り出し信頼度が低い切り出し文字の候補に対し
のみ認識処理を行うようにする。

【０１０７】次に、ステップＳ９で、ステップＳ８で認
識処理を行うすべきであると判断された切り出し文字の
候補に対し、認識処理を行う。次に、ステップＳ１０
で、複数の切り出し文字の候補に対して、それらに対す
る認識の信頼度だけでなく、切り出しの信頼度も考慮し
て切り出し文字を決定する。このことにより、部分的に
見ると文字のように見えるが、文字列全体から見ると間
違っているような候補文字を、切り出し文字から除外す
ることができる。

【０１０８】例えば、各隣接パターンまたは切り出し確
定部の切り出し信頼度をα_i、認識信頼度をβ_i、重み
係数をｊとすると、全体の信頼度Ｒは、Ｒ＝Σ（ｊ・α_i＋β_i）・・・（１１）と表せる。

【０１０９】そして、複数の切り出し文字の候補の中か
ら全体の信頼度Ｒが最も大きいものを、最終的な切り出
し文字として選択する。次に、本発明の一実施例による
文字の切り出し方式を、“ベタ”という文字列から文字
を切り出す場合の実験例を説明する。

【０１１０】この実験では、統計的処理を採用し、“ベ
タ”という文字列の切り出しの成功又は失敗を判定する
ためのパラメータとして、図３のパラメータｃ、ｅ、ｆ
を用いた。また、学習データとして、図１１に示す１２
の文字列３５〜４６を、実際に３０人に書いてもらっ
た。この結果、判別面の式として、０．８４ｘ０＋０．４３ｘ１＋０．３３ｘ２−１４５．２５＝０・・（１２）が得られた。

【０１１１】また、図１１に示す学習データの切り出し
成功を示すヒストグラム分布の平均値ｍは１２８．９４
２、標準偏差は３４．７７となり、適合度Ｔは（９）式
より０．１２となった。また、比例定数ｋを２とする
と、分布中心から端までの距離Ｌは（１０）式より７
７．８となったまた、図１１に示す学習データの切り出し失敗を示すヒ
ストグラム分布の平均値ｍは７１．１２９、標準偏差は
３６．２６となり、適合度Ｔは（９）式より０．３５と
なった。。また、比例定数ｋを２とすると、分布中心か
ら端までの距離Ｌは（１０）式より９２．２と成った。

【０１１２】図１８において、まず、ステップＳ８１
で、イメージ入力により入力パターンを読み込む。次
に、ステップＳ８２で、ラベリングにより連結パターン
を抽出し、抽出された各連結パターンに対してラベル番
号〜を付す。

【０１１３】続いて、ステップＳ８３で、互いに隣接す
る連結パターンを統合した場合の切り出し信頼度を、パ
ラメータｃ、ｅ、ｆの値を有する点の判別面からの距離
ｈに基づいて算出する。例えば、切り出し信頼度αは、 α＝（ｈ−ｗ₁）／（ｗ₂−ｗ₁）×１００・・・（１３）で表すことができる。

【０１１４】ここで、ｗ₁：２群の重なり領域の左端の位置ｗ₂：２群の重なり領域の右端の位置である。

【０１１５】例えば、図１８のラベル番号のパターン
とラベル番号のパターンとを統合した場合の切り出し
信頼度は８０、ラベル番号のパターンとラベル番号
のパターンとを統合した場合の切り出し信頼度は１０、
ラベル番号のパターンとラベル番号のパターンとを
統合した場合の切り出し信頼度は６０、ラベル番号の
パターンとラベル番号のパターンとを統合した場合の
切り出し信頼度は８５となる。

【０１１６】次に、ステップＳ８４で、切り出し確定部
１２２におけるラベル番号のパターンとを統合し、外
接矩形１２１を生成する。ここで、切り出しを確定する
条件として、例えば、切り出し信頼度が所定のしきい値
（例えば、９０）より大きいか、又は、切り出し信頼度
が所定のしきい値（例えば、７０）より大きく、且つそ
の隣の切り出しパターンの切り出し信頼度との比が所定
の値（例えば、５）より大きい場合とする。

【０１１７】また、切り出し信頼度が所定のしきい値
（例えば、８）より小さい場合は切り出しを行わない。
すなわち、ラベル番号のパターンとラベル番号のパ
ターンとを統合した場合の切り出し信頼度は８０で、そ
の隣のラベル番号のパターンに対する切り出し信頼度
の比は、８０／１０＝８であるので、ラベル番号のパ
ターンとラベル番号のパターンとを統合する。また、
ラベル番号のパターンとラベル番号のパターンとを
統合した場合の切り出し信頼度は１０であり、ラベル番
号のパターンとラベル番号のパターンとを統合しな
い。また、ラベル番号のパターンとラベル番号のパ
ターンとを統合した場合の切り出し信頼度は６０であ
り、ラベル番号のパターンとラベル番号のパターン
とを統合しない。また、ラベル番号のパターンとラベ
ル番号のパターンとを統合した場合の切り出し信頼度
は８５であり、且つその隣のラベル番号のパターンに
対する切り出し信頼度の比は、８５／６０＝１．４であ
るので、ラベル番号のパターンとラベル番号のパタ
ーンとを統合しない。

【０１１８】次に、ステップＳ８５で、切り出し確定部
１２２とラベル番号のパターンとの切り出し信頼度を
算出する。ここで、切り出し確定部１２２とラベル番号
のパターンとの切り出し信頼度は、例えば、８３とな
る。

【０１１９】次に、ステップＳ８６で、切り出し信頼度
によるパターンの統合が終了した時点で、図１８に示す
切り出し候補１〜４を抽出する。そして、切り出し候補
１〜４のそれぞれの文字に対して認識処理を行い、切り
出し候補１〜４における文字内の切り出し信頼度αと認
識信頼度βとをそれぞれの文字について求め、切り出し
信頼度αと認識信頼度βとの総和を、全体の信頼度Ｒと
する。

【０１２０】例えば、切り出し候補１として、図１８に
示す外接矩形１２１、１２３、１２４を切り出した場
合、外接矩形１２１内のパターンに対して文字認識を行
った場合の文字認識部１２２の認識信頼度βは７０とな
り、外接矩形１２３内のパターンに対して文字認識を行
った場合の文字認識部１２５の認識信頼度βは９０とな
り、外接矩形１２４内のパターンに対して文字認識を行
った場合の文字認識部１２６の認識信頼度βは４０とな
る。また、ラベル番号のパターンとラベル番号のパ
ターンとを統合した場合の切り出し信頼度αは６０であ
るので、全体の信頼度Ｒは、重み係数ｊを１とすると、
（１１）式により、２６０となる。

【０１２１】また、切り出し候補２として、外接矩形１
２７、１２８を切り出した場合、外接矩形１２７内のパ
ターンに対して文字認識を行った場合の文字認識部１２
９の認識信頼度βは９０となり、外接矩形１２８内のパ
ターンに対して文字認識を行った場合の文字認識部１３
０の認識信頼度βは９５となる。また、切り出し確定部
１２２とラベル番号のパターンとの切り出し信頼度α
は８３であり、ラベル番号のパターンとラベル番号
のパターンとを統合した場合の切り出し信頼度αは８５
であるので、全体の信頼度Ｒは３５３となる。

【０１２２】また、切り出し候補３として、外接矩形１
３１、１２４を切り出した場合、外接矩形１３１内のパ
ターンに対して文字認識を行った場合の文字認識部１３
２の認識信頼度βは３０となり、外接矩形１２４内のパ
ターンに対して文字認識を行った場合の文字認識部１２
６の認識信頼度βは４０となる。また、切り出し確定部
１２２とラベル番号のパターンとの切り出し信頼度α
は８３であり、ラベル番号のパターンとラベル番号
のパターンとを統合した場合の切り出し信頼度αは６０
であるので、全体の信頼度Ｒは２１３となる。

【０１２３】また、切り出し候補４として、外接矩形１
２１、１３３を切り出した場合、外接矩形１２１内のパ
ターンに対して文字認識を行った場合の文字認識部１２
２の認識信頼度βは７０となり、外接矩形１３３内のパ
ターンに対して文字認識を行った場合の文字認識部１３
４の認識信頼度βは２０となる。また、ラベル番号の
パターンとラベル番号のパターンとを統合した場合の
切り出し信頼度αは６０であり、ラベル番号のパター
ンとラベル番号のパターンとを統合した場合の切り出
し信頼度αは８５であるので、全体の信頼度Ｒは２３５
となる。

【０１２４】次に、ステップＳ８７で、切り出し候補１
〜４のうち、全体の信頼度Ｒが最も大きい切り出し候補
２を切り出し成功の文字として選択する。このことによ
り、“ベタ”という文字列の入力パターンから”べ”
と”タ”の文字を正確に切り出すことができた。

【０１２５】次に、本発明の一実施例による文字の切り
出し方式を、統計的処理と非統計的処理とに分けて行う
場合の処理を、図１９に示す。図１９には、“グンマ”
という文字列から文字を切り出す実験結果も示してい
る。この場合、“グンマ”という文字列の切り出しを行
うのに先立ち、学習データを用いて、統計的処理と非統
計的処理とに対する判別面とヒストグラム値の正規分布
曲線を、それぞれ、個別に求めたまず、ステップＳ９１
で、イメージ入力により入力パターンを読み込む。

【０１２６】次に、ステップＳ９２で、ラベリングによ
り連結パターンを抽出し、抽出された各連結パターンに
対して図１９に示すようにラベル番号〜を付す。次
に、ステップＳ９５で、互いに隣接する連結パターンを
統合した場合の切り出し信頼度を算出する。ここで、切
り出し信頼度を算出する場合、ステップＳ９３で統計的
処理を、ステップＳ９４で非統計的処理を行う。

【０１２７】ステップＳ９３の統計的処理では、例え
ば、ラベル番号のパターンとラベル番号のパターン
とを統合した場合の切り出し信頼度は８０、ラベル番号
のパターンとラベル番号のパターンとを統合した場
合の切り出し信頼度は１２、ラベル番号のパターンと
ラベル番号のパターンとを統合した場合の切り出し信
頼度は２８、ラベル番号のパターンとラベル番号の
パターンとを統合した場合の切り出し信頼度は９２、ラ
ベル番号のパターンとラベル番号のパターンとを統
合した場合の切り出し信頼度は５となったまた、ステッ
プＳ９４の非統計的処理では、ラベル番号のパターン
と、ラベル番号のパターンとラベル番号のパターン
とからなる切り出し確定部１４１の濁点パターンとを統
合した場合の切り出し信頼度は８５となった。

【０１２８】このステップＳ９４における非統計的処理
における切り出し信頼度の算出方法を図２０に示す。ま
ず、ステップＳ１０１で、濁点候補となるパターン１４
２を抽出する。例えば、連結パターンが２つ隣接して存
在する場合で、且つ、それらを統合した時のサイズと文
字列の外接矩形の平均文字サイズとの比が所定のしきい
値以下である場合、濁点候補となるパターンとする。

【０１２９】次に、ステップＳ１０２で、濁点候補とな
るパターン１４２の左隣に隣接する外接矩形１５１があ
るかどうかを調べ、濁点候補となるパターン１４２の左
隣に隣接する外接矩形１５１があると判断された場合、
ステップＳ１０３に進み、図８のパラメータｐ〜ｒの値
を算出する。

【０１３０】図２０の”グ”の例では、ｐ＝ａ／ｂ＝０．１・・・（１４）ｑ＝ｂ／ＭＸ＝１．３・・・（１５）ｒ＝（ｃ×ｄ）／（ＭＸ×ＭＹ）²＝０．３・・・（１６）となる。

【０１３１】ここで、ａ：外接矩形１５１の右枠と外接矩形１４２の左枠との
距離ｂ：外接矩形１５１の左枠と外接矩形１４２の右枠との
距離ｃ：外接矩形１５１の面積ｄ：外接矩形１４２の面積ＭＸ：外接矩形平均幅ＭＹ：外接矩形平均高さである次に、ステップＳ１０４に示すように、パラメー
タｐ〜ｒの値の判別面１６３からの距離を算出する。

【０１３２】このパラメータｐ〜ｒの値の判別面１６３
からの距離を算出するために、学習パターンに基づいて
判別面１６３を算出しておく。この判別面１６３は、例
えば、学習パターンの文字列の切り出しの成功を示すヒ
ストグラム分布１６１及び失敗を示すヒストグラム分布
１６２に基づいて、（１）式により求めることができ、
濁点抽出のパラメータｐ〜ｒを用いた場合の判別面１６
３の式は、例えば、０．１７ｘ０＋０．７５ｘ１＋０．６４ｘ２＋３０．４＝０・・（１７）で表され、３次元空間内の平面の方程式となる。

【０１３３】従って、判別面１６３からの距離ｈは、
（１４）〜（１６）の値を（１７）式に代入して、ｈ＝０．１７×０．１−０．７５×１．３＋０．６４×０．３＋３０．４＝２９．６・・・（１８）となる。

【０１３４】また、学習データの切り出し成功を示すヒ
ストグラム分布１６２の平均値ｍは３８、標準偏差は２
５となり、適合度Ｔは（９）式より０．２となり、学習
データの切り出し失敗を示すヒストグラム分布１６１の
平均値ｍは−３４、標準偏差は２８となり、適合度Ｔは
（９）式より０．３となる。

【０１３５】また、学習データの切り出し成功を示すヒ
ストグラム分布１６２の左端ｗ₁は、比例定数ｋを２と
すると、（１０）式より、ｗ₁＝３８−２×（１＋０．２）×２５＝−２２・・・（１９）となり、学習データの切り出し失敗を示すヒストグラム
分布１６１の右端ｗ₂は、比例定数ｋを２とすると、
（１０）式より、ｗ₂＝−３４＋２×（１＋０．３）×２８＝３８．８・・・（２０）となる。

【０１３６】従って、２群の重なり領域１６４は、判別
面からの距離が−２２〜３８．８の領域となる。次に、
ステップＳ１０５で、切り出し信頼度αを求める。この
切り出し信頼度αは、（１８）〜（２０）の値を（１
３）式に代入して、 α＝（２９．６−（−２２））／（３８．８−（−２２））×１００＝８５・・・（２１）となる。

【０１３７】これにより、ラベル番号とラベル番号
とが統合されて切り出し確定部１４１となる。次に、図
１９のステップＳ９６で、統計的処理と非統計的処理の
信頼度を合成する。このとき、切り出し確定部があれ
ば、それを優先する。したがって、切り出し確定部１４
１の信頼度が優先して合成される。

【０１３８】この結果、ラベル番号のパターンと切り
出し確定部１４１のパターンとを統合した場合の切り出
し信頼度は８５、切り出し確定部１４１のパターンとラ
ベル番号のパターンとを統合した場合の切り出し信頼
度は３０、ラベル番号のパターンとラベル番号のパ
ターンとを統合した場合の切り出し信頼度は９２、ラベ
ル番号のパターンとラベル番号のパターンとを統合
した場合の切り出し信頼度は５となる。

【０１３９】そして、例えば、切り出し信頼度が所定の
しきい値（例えば、９０）より大きいか又は、切り出し
信頼度が所定のしきい値（例えば、７０）より大きく且
つ、その隣の切り出しパターンの切り出し信頼度との比
が所定の値（例えば、５）より大きい場合、パターンの
統合を行う。

【０１４０】また、切り出し信頼度が所定のしきい値
（例えば、８）より小さい場合、パターンの統合を行わ
ない。例えば、ラベル番号のパターンと切り出し確定
部１４１のパターンとを統合した場合の切り出し信頼度
は８５で、その隣のラベル番号のパターンに対する切
り出し信頼度の比は、８５／３０＝２．８であるので、
ラベル番号のパターンと切り出し確定部１４１のパタ
ーンとを統合しない。また、切り出し確定部１４１のパ
ターンとラベル番号のパターンとを統合した場合の切
り出し信頼度は３０であり、切り出し確定部１４１のパ
ターンとラベル番号のパターンとを統合しない。ま
た、ラベル番号のパターンとラベル番号のパターン
とを統合した場合の切り出し信頼度は９２であるので、
ラベル番号のパターンとラベル番号のパターンとを
統合する。また、ラベル番号のパターンとラベル番号
のパターンとを統合した場合の切り出し信頼度は５で
あり、ラベル番号のパターンとラベル番号のパター
ンとを統合しない。

【０１４１】これにより、ラベル番号のパターンとラ
ベル番号のパターンとを統合した切り出し確定部１４
３に対応する外接矩形１４５、ラベル番号のパターン
に対応する外接矩形１４６が生成される。

【０１４２】また、新たに生成された切り出し確定部１
４３のパターンと切り出し確定部１４１のパターンとを
統合した場合の切り出し信頼度を求める。この切り出し
信頼度は、図１９の例では、６０となる。

【０１４３】次に、ステップＳ９７に示すように、切り
出し信頼度によるパターンの統合が終了した時点で、切
り出し候補１、２を抽出する。そして、切り出し候補
１、２のそれぞれの文字に対して認識処理を行い、切り
出し候補１、２における文字内の切り出し信頼度αと認
識信頼度βとをそれぞれの文字について求め、切り出し
信頼度αと認識信頼度βとの総和をとったものを全体の
信頼度Ｒとする。

【０１４４】例えば、切り出し候補１として、外接矩形
１４５、１４６、１４８を切り出した場合、外接矩形１
４８内のパターンに対して文字認識を行った場合の文字
認識部１４７の認識信頼度βは８０となり、外接矩形１
４５内のパターンに対して文字認識を行った場合の文字
認識部１４３の認識信頼度βは９０となり、外接矩形１
４６内のパターンに対して文字認識を行った場合の文字
認識部１５３の認識信頼度βは８５となる。また、ラベ
ル番号のパターンと切り出し確定部１４１のパターン
とを統合した場合の切り出し信頼度αは８５であるの
で、全体の信頼度Ｒは、重み係数ｊを１とすると、（１
１）式により、３４５となる。

【０１４５】また、切り出し候補２として、外接矩形１
４６、１５１、１５２を切り出した場合、外接矩形１５
１内のパターンに対して文字認識を行った場合の文字認
識部１４９の認識信頼度βは８３となり、外接矩形１５
２内のパターンに対して文字認識を行った場合の文字認
識部１５０の認識信頼度βは５５となり、外接矩形１４
６内のパターンに対して文字認識を行った場合の文字認
識部１５３の認識信頼度βは８５となる。また、切り出
し確定部１４１のパターンと切り出し確定部１４３のパ
ターンとを統合した場合の切り出し信頼度αは６０であ
り、全体の信頼度Ｒは２８３となる。

【０１４６】次に、ステップＳ９８で、切り出し候補
１、２のうち、全体の信頼度Ｒが最も大きい切り出し候
補１を切り出し成功の文字候補として選択する。この結
果、“グンマ”という文字列から、”グ”、”ン”、”
マ”の各文字を正しく切り出すことができた。

【０１４７】以上説明したように、本発明の一実施例に
よるパターン認識装置によれば、文字の切り出しに文字
認識処理を用いているため切り出し精度が高く、複数の
切り出し候補から１つの候補を選別する際、認識の信頼
度だけでなく切り出しの信頼度も考慮することで、その
候補文字単独の特徴だけでなく、その文字の文字列全体
に対する位置関係なども考慮されるため、より精度の高
い候補文字抽出が可能となる。

【０１４８】また、切り出し信頼度に基づき認識処理を
用いる部分を限定するため、高速に処理を行うことが可
能である。また、切り出し処理を統計的処理と非統計的
処理に分けて考えることで、より精度の高い切り出しが
可能である。

【０１４９】また、切り出しパラメータに対してヒュー
リスティクに閾値設定するのではなく、切り出しの成功
／失敗の統計的データをとり、さらに複数のパラメータ
を多次元空間上で２群判別しているため、認識処理を用
いる部分を少なくすることができ、高速に処理を行うこ
とが可能である。

【０１５０】また、切り出し正規分布の分布形状に基づ
いて２群の重なり領域を決定しているため、評価データ
数が少ない場合でも、精度よく重なり領域を決定するこ
とができ、同時に切り出し信頼度を正確に算出すること
が可能である。

【０１５１】また、切り出しデータ群の分布形状に基づ
き、判別面算出法を適応的に変えることで、２群の重な
り領域を小さくすることができ、処理の高速化を図るこ
とが可能である。

【０１５２】

【発明の効果】以上説明したように、請求項１の発明に
よれば、ヒューリスティックに選んだ複数の特性値を総
合した新たな特性値を用いてパターンの切り出しを行う
ことにより、パターンの切り出し精度を向上することが
できる。

【０１５３】また、請求項２の発明によれば、情報の損
失が最小になるように複数の特性値を合成することによ
り、パターンの切り出し精度を向上することができる。
また、請求項３の発明によれば、複数の特性値の線形結
合の持つ分散を最大とするように合成することにより、
パターンの切り出し精度を向上することができる。

【０１５４】また、請求項４の発明によれば、切り出し
成功を示す第１の群と切り出し失敗を示す第２の群との
重心間の距離を最大にするように構成された判別関数に
基づいて、切り出しパターンを決定することにより、切
り出し成功であるか切り出し失敗であるかを統計的に決
定することができ、パターンの切り出しを精度良く、且
つ、高速に行うことができる。

【０１５５】また、請求項５の発明によれば、切り出し
成功を示す第１の群と切り出し失敗を示す第２の群との
間の群間変動の群内変動に対する比を最大にするように
特性値の線形結合を求め、この特性値の線形結合に基づ
いて切り出しパターンを決定することにより、切り出し
成功であるか切り出し失敗であるかの決定を簡単な演算
により統計的に行うことができ、パターンの切り出しを
精度良く、且つ、高速に行うことができる。

【０１５６】また、請求項６の発明によれば、文字とし
ての切り出し位置の確からさを示す切り出し信頼度に基
づいて連結パターンを統合することにより、文字の書か
れた状態に応じて、切り出し信頼度を調節することがで
き、文字の切り出し精度を向上することができる。

【０１５７】また、請求項７の発明によれば、切り出し
信頼度の高い部分は文字認識を行わずに切り出し文字と
して確定し、切り出し信頼度の低い部分についてのみ文
字認識を行って切り出し文字を確定することにより、文
字の切り出し速度を向上できる。

【０１５８】また、請求項８の発明によれば、文字単独
の特徴のみだけでなく、その文字の文字列全体に対する
位置関係なども考慮することにより、文字の切り出し精
度を向上することができる。

【０１５９】また、請求項９の発明によれば、所定の形
状を有するパターンに対しては、そのパターン独自の最
適な処理を用いることにより、文字の切り出し精度を向
上することができる。また、請求項１０の発明によれ
ば、第１の外接矩形と第１の外接矩形の右隣に隣接する
第２の外接矩形との位置関係や大きさをパラメータとす
ることにより、切り出し文字の特徴を精度良く抽出する
ことができる。

【０１６０】また、請求項１１の発明によれば、分離文
字の処理と濁点処理とを分けて行うことにより、分離文
字と濁点とを精度良く抽出することができ、文字の切り
出し精度を向上することができる。

【０１６１】また、請求項１２の発明によれば、右上が
りとなっている第１パターン、第１パターンの右隣に隣
接し、右下がりとなっている第２パターン、第１パター
ンの右隣に隣接し、直角方向に探索した場合のパターン
と交差する回数が２となる第３パターンを検出し、それ
らの位置関係や大きさをパラメータとすることにより、
分離文字の特徴を精度良く抽出することができる。

【０１６２】また、請求項１３の発明によれば、濁点候
補となる第１パターン、第１パターンの左隣に隣接する
第２のパターンを検出し、それらの位置関係や大きさを
パラメータとすることにより、濁点の特徴を精度良く抽
出することができる。

【０１６３】また、請求項１４の発明によれば、切り出
し成功を示す第１の群と切り出し失敗を示す第２の群と
の判別面をＰ次元空間において生成し、切り出しを行う
文字の特性値のＰ次元空間内の判別面に対する位置を判
別することにより、切り出し成功であるか切り出し失敗
であるかを決定することができ、文字の切り出しを高速
に行うことができる。

【０１６４】また、請求項１５の発明によれば、判別面
を判別分析法により求めることにより、切り出し成功で
あるか切り出し失敗であるかを決定する判別面を統計的
に求めることができ、切り出し信頼度の精度を高めるこ
とができるので、文字の切り出しを精度良く、且つ、高
速に行うことができる。

【０１６５】また、請求項１６の発明によれば、Ｐ個の
特性値のＰ次元空間における分布形状に基づいて、判別
面の算出方法を複数個使い分けることにより、分布形状
毎に最適な判別面を生成することができ、文字の切り出
しを精度を向上できる。

【０１６６】また、請求項１７の発明によれば、第１の
群と第２の群との主軸のなす角が所定の角度以上である
場合、主軸に対するサンプルデータのばらつきの大きい
方の群の垂直方向に判別面を算出し、主軸のなす角が所
定の角度以上でない場合、判別分析法により判別面を算
出することにより、文字の切り出しを精度を向上でき
る。

【０１６７】また、請求項１８の発明によれば、判別面
からのＰ個の特性値の距離に基づいて、切り出し文字の
切り出し信頼度を算出することにより、文字の切り出し
を高速に行うことができる。

【０１６８】また、請求項１９の発明によれば、度数分
布を正規分布に近似して重なり領域を算出することによ
り、特性値の数が少ない場合でも精度よく重なり領域を
算出することができ、文字の切り出しを精度良く行うこ
とができる。

【０１６９】また、請求項２０の発明によれば、度数分
布の正規分布に対する誤差を考慮して重なり領域を算出
することにより、特性値の数が少ない場合でも適応的に
重なり領域を算出することができる。

【０１７０】また、請求項２１の発明によれば、度数分
布と正規分布との２乗誤差の総和と正規分布の面積との
比に基づいて適合度を算出し、適合度に基づいて重なり
領域を算出することにより、特性値の数が少ない場合で
も適応的に重なり領域を算出することができる。

【０１７１】また、請求項２２の発明によれば、パター
ンの特徴を示すＰ個の特性値が度数分布の重なり領域に
含まれる場合、Ｐ個の特性値の位置に基づいて切り出し
信頼度を算出し、Ｐ個の特性値が度数分布の切り出し成
功を示す領域に含まれる場合、切り出し信頼度を１００
％と判定し、Ｐ個の特性値が度数分布の切り出し失敗を
示す領域に含まれる場合、切り出し信頼度を０％と判定
することにより、より精度の高い文字の切り出しを行う
ことができる。

【図面の簡単な説明】

【図１】本発明の一実施例によるパターン切り出し装置
の概略構成を示すブロック図である。

【図２】本発明の一実施例によるパターン切り出し方式
の処理の流れを示すフローチャートである。

【図３】本発明の一実施例によるパターン切り出し装置
の統計的処理におけるパラメータの図形的意味を示す図
である。

【図４】本発明の一実施例によるパターン切り出し装置
の統計的処理を示すフローチャートである。

【図５】本発明の一実施例によるパターン切り出し装置
の非統計的処理を示す図である。

【図６】本発明の一実施例によるパターン切り出し装置
の分離文字処理におけるパラメータの図形的意味を示す
図である。

【図７】本発明の一実施例によるパターン切り出し装置
の分離文字処理を示すフローチャートである。

【図８】本発明の一実施例によるパターン切り出し装置
の濁点処理におけるパラメータの図形的意味を示す図で
ある。

【図９】本発明の一実施例によるパターン切り出し装置
の濁点処理を示すフローチャートである。

【図１０】本発明の一実施例によるパターン切り出し装
置における切り出しの成否の算出処理を示すフローチャ
ートである。

【図１１】本発明の一実施例によるパターン切り出し装
置における切り出しの成否を算出する学習データの例を
示す図である。

【図１２】本発明の一実施例によるパターン切り出し装
置における判別面算出法を示すフローチャートである。

【図１３】本発明の一実施例によるパターン切り出し装
置における切り出し信頼度の定量化方法を示す図であ
る。

【図１４】本発明の一実施例によるパターン切り出し装
置における度数分布の生成方法を示す図である。

【図１５】本発明の一実施例によるパターン切り出し装
置における切り出し信頼度算出法を示すフローチャート
である。

【図１６】本発明の一実施例によるパターン切り出し装
置におけるヒストグラム分布の例を示す図である。

【図１７】本発明の一実施例によるパターン切り出し装
置における２群の重なり領域算出法を示すフローチャー
トである。

【図１８】本発明の一実施例によるパターン切り出し装
置における文字の切り出し処理の流れを示す図である。

【図１９】本発明の一実施例によるパターン切り出し装
置における文字の切り出し処理の流れを示す図である。

【図２０】本発明の一実施例によるパターン切り出し装
置における非統計的処理の流れを示す図である。

【符号の説明】

１連結パターン抽出手段２分離文字検出部３濁点検出部４切り出し信頼度算出手段５統計的信頼度算出部６非統計的信頼度算出部５ａ、６ａ判別面生成部５ｂ、６ｂ度数分布生成部５ｃ、６ｃ重なり領域算出部５ｄ、６ｄ切り出し信頼度算出部７信頼度統合部８認識信頼度算出手段９切り出し決定手段１１〜１６、２１、２２、３１〜３４、１２１、１２
３、１２４、１２７、１２８、１３１、１３３、１４
２、１４５、１４６、１４８、１５１、１５２外接矩
形３５〜４６学習データ５１、５２、５５、５６分布領域５３、５４、５７、５８主軸６２、６５、１６３判別面７１、７２、８１、８２、１６１、１６２ヒストグラ
ム分布８３切り出し成功領域８４、９５、１６４重なり領域８５切り出し失敗領域９１ヒストグラム値９２、９３、９４正規分布曲線１２２、１４１、１４３、１４４切り出し確定部１２５、１２６、１２９、１３０、１３２、１３４、１
４７、１４９、１５０、１５３文字認識部

Claims

【特許請求の範囲】

【請求項１】入力パターンから連結パターンを求める
連結パターン抽出手段と、パターンの特徴を示す複数の特性値を、互いに無相関な
いくつかの総合特性値に合成する主成分分析手段と、前記総合特性値に基づいて、前記連結パターンから切り
出しパターンを決定するパターン切り出し手段とを備え
ることを特徴とするパターン認識装置。
【請求項２】前記主成分分析手段は、情報の損失が最
小になるように前記複数の特性値を合成することを特徴
とする請求項１に記載のパターン認識装置。
【請求項３】前記主成分分析手段は、前記特性値の線
形結合の持つ分散を最大とするように合成することを特
徴とする請求項１に記載のパターン認識装置。
【請求項４】入力パターンから連結パターンを求める
連結パターン抽出手段と、パターンの特徴を示す複数の特性値からなるサンプルデ
ータを、切り出し成功を示す第１の群と切り出し失敗を
示す第２の群とに分類し、前記第１の群と前記第２の群
の各重心から等距離となるように構成された判別関数を
生成する判別関数生成手段と、前記判別関数に基づいて、前記連結パターンから切り出
しパターンを決定するパターン切り出し手段とを備える
ことを特徴とするパターン認識装置。
【請求項５】入力パターンから連結パターンを求める
連結パターン抽出手段と、パターンの特徴を示す複数の特性値からなるサンプルデ
ータを、切り出し成功を示す第１の群と切り出し失敗を
示す第２の群とに分類し、前記第１の群と前記第２の群
との間の群間変動の群内変動に対する比を最大にするよ
うに、前記特性値の線形結合を求める判別関数生成手段
と、前記特性値の線形結合に基づいて、前記連結パターンか
ら切り出しパターンを決定するパターン切り出し手段と
を備えることを特徴とするパターン認識装置。
【請求項６】入力パターンから連結パターンを求める
連結パターン抽出手段と、前記連結パターンを統合した場合、文字としての切り出
しの確からしさを示す信頼度を算出する切り出し信頼度
算出手段と、前記切り出し信頼度が所定の値より大きい場合、前記連
結パターンを統合する統合手段とを備えることを特徴と
する文字切り出し方式。
【請求項７】入力パターンから連結パターンを求める
連結パターン抽出手段と、前記連結パターンを統合して切り出し文字の複数の候補
を生成し、前記各候補について切り出しの確からしさを
示す切り出し信頼度を算出する切り出し信頼度算出手段
と、前記切り出し信頼度に基づいて、前記各候補の文字認識
を行うかどうかを決定する認識処理決定手段と、前記認識処理決定手段により文字認識を行う決定がなさ
れた候補の場合、文字認識処理により前記複数の候補か
ら１つを選択して切り出し文字を決定し、前記認識処理
決定手段により文字認識を行わない決定がなされた候補
の場合、前記切り出し信頼度により前記複数の候補から
１つを選択して切り出し文字を決定する切り出し決定手
段とを備えることを特徴とする文字切り出し方式。
【請求項８】入力パターンから連結パターンを求める
連結パターン抽出手段と、前記連結パターンを統合して切り出し文字の複数の候補
を生成し、前記各候補について切り出しの確からしさを
示す切り出し信頼度を算出する切り出し信頼度算出手段
と、前記各候補の文字認識を行い、文字としての認識信頼度
を算出する認識信頼度算出手段と、前記切り出し信頼度と前記認識信頼度とに基づいて、前
記複数の候補から１つを選択して、切り出し文字を決定
する切り出し決定手段とを備えることを特徴とする文字
切り出し方式。
【請求項９】前記切り出し信頼度算出手段は、前記連結パターンから所定の形状を有するパターンを検
出する検出部と、前記検出部により検出された所定の形状を有するパター
ンにおける切り出しの確からしさを示す切り出し信頼度
を算出する非統計的信頼度算出部と、前記連結パターン抽出手段により求められた連結パター
ンの外接矩形に基づく切り出しの確からしさを示す切り
出し信頼度を算出する統計的信頼度算出部と、前記非統計的信頼度算出部により算出された切り出し信
頼度と、前記統計的信頼度算出部により算出された切り
出し信頼度とを統合する信頼度統合部とを備えることを
特徴とする請求項６〜８のいずれか１項に記載の文字切
り出し方式。
【請求項１０】前記統計的信頼度算出部は、第１の外接矩形と前記第１の外接矩形の右隣に隣接する
第２の外接矩形とを選択する外接矩形選択部と、前記第１の外接矩形の右枠と前記第２の外接矩形の左枠
との距離を第１パラメータとして算出する第１パラメー
タ生成部と、前記第１の外接矩形の左枠と前記第２の外接矩形の右枠
との距離を第２パラメータとして算出する第２パラメー
タ生成部と、前記第１パラメータと前記第２パラメータとの比を第３
パラメータとして算出する第３パラメータ生成部と、前記第２パラメータと外接矩形平均幅との比を第４パラ
メータとして算出する第４パラメータ生成部と、前記第１の外接矩形の下枠と、前記第１の外接矩形の下
枠の中点から前記第２の外接矩形の下枠の中点へ至る直
線とのなす角度を第５パラメータとして算出する第５パ
ラメータ生成部と、前記第１の外接矩形の下枠と、前記第１の外接矩形の右
下の頂点から前記第２の外接矩形の左下の頂点へ至る直
線とのなす角度を第６パラメータとして算出する第６パ
ラメータ生成部と、前記第１の外接矩形と前記第２の外接矩形とが重なって
いる場合、前記第１の外接矩形の右枠と前記第２の外接
矩形の左枠との距離と、前記第１の外接矩形の左枠と前
記第２の外接矩形の右枠との距離との比を第７パラメー
タとして算出する第７パラメータ生成部とを備えること
を特徴とする請求項９に記載の文字切り出し方式。
【請求項１１】前記非統計的信頼度算出部は、分離文字の処理を行う分離文字処理部と、文字の濁点処理を行う濁点処理部とを備えることを特徴
とする請求項９に記載のパターン切り出し方式。、
【請求項１２】前記分離文字処理部は、右上がりとなっている第１パターンを検出する右上がり
検出手段と、前記第１パターンの右隣に隣接し、右下がりとなってい
る第２パターンを検出する右下がり検出手段と、前記第１パターンの右隣に隣接し、直角方向に線密度を
探索した場合に交差する回数が２となる第３パターンを
検出する交差回数検出手段と、前記第１パターンの外接矩形の右枠と前記第２パターン
又は前記第３パターンの外接矩形の左枠との距離と、前
記第１パターンの外接矩形の左枠と前記第２パターン又
は前記第３パターンの外接矩形の右枠との距離との比を
第１パラメータとして算出する第１パラメータ生成部
と、前記第１パターンの外接矩形の左枠と前記第２パターン
又は前記第３パターンの外接矩形の右枠との距離と外接
矩形平均幅との比を第２パラメータとして算出する第２
パラメータ生成部と、前記第１パターンの外接矩形の面積と前記第２パターン
又は前記第３パターンの外接矩形の面積との積と、外接
矩形平均幅と外接矩形平均高さとの積の平方との比を第
３パラメータとして算出する第３パラメータ生成部とを
備えることを特徴とする請求項９に記載の文字切り出し
方式。
【請求項１３】前記濁点処理部は、濁点候補となる第１パターンを抽出する濁点候補抽出手
段と、前記第１パターンの左隣に隣接する第２のパターンを検
出する左隣検出手段と、前記第１パターンの外接矩形の右枠と前記第２パターン
の外接矩形の左枠との距離と、前記第１パターンの外接
矩形の左枠と前記第２パターンの外接矩形の右枠との距
離との比を第１パラメータとして算出する第１パラメー
タ生成部と、前記第１パターンの外接矩形の左枠と前記第２パターン
の外接矩形の右枠との距離と外接矩形平均幅との比を第
２パラメータとして算出する第２パラメータ生成部と、前記第１パターンの外接矩形の面積と前記第２パターン
の外接矩形の面積との積と、外接矩形平均幅と外接矩形
平均高さとの積の平方との比を第３パラメータとして算
出する第３パラメータ生成部とを備えることを特徴とす
る請求項９に記載の文字切り出し方式。
【請求項１４】入力パターンから連結パターンを求め
る連結パターン抽出手段と、パターンの特徴を示すＰ個の特性値からなるサンプルデ
ータを、切り出し成功を示す第１の群と切り出し失敗を
示す第２の群とに分類し、前記第１の群と前記第２の群
との判別面をＰ次元空間において生成する判別面生成手
段と、前記判別面に対する前記Ｐ個の特性値の位置に基づい
て、前記切り出し文字の切り出し信頼度を定量化する切
り出し信頼度定量化手段と、前記切り出し信頼度に基づいて、前記連結パターンから
切り出し文字を決定する切り出し決定手段とを備えるこ
とを特徴とする文字切り出し方式。
【請求項１５】前記判別面生成手段は、前記判別面を
判別分析法により求めることを特徴とする請求項１４に
記載の文字切り出し方式。
【請求項１６】前記判別面生成手段は、前記Ｐ個の特
性値のＰ次元空間における分布形状に基づいて、判別面
の算出方法を複数個使い分けることを特徴とする請求項
１４に記載の文字切り出し方式。
【請求項１７】前記判別面生成手段は、前記第１の群と前記第２の群との主軸を算出する主軸算
出部と、前記主軸のなす角が所定の角度以上である場合、前記サ
ンプルデータの主軸に対するばらつきの大きい方の群の
主軸に垂直方向に判別面を算出する第１判別面算出部
と、前記主軸のなす角が所定の角度以上でない場合、判別分
析法により判別面を算出する第２判別面算出部とを備え
ることを特徴とする請求項１４に記載の文字切り出し方
式。
【請求項１８】前記切り出し信頼度定量化手段は、前
記判別面からの前記Ｐ個の特性値の距離に基づいて、前
記切り出し文字の切り出し信頼度を定量化することを特
徴とする請求項１４に記載の文字切り出し方式。
【請求項１９】前記切り出し信頼度定量化手段は、前記判別面からの距離に基づいて、Ｐ個の特性値からな
るサンプルデータの度数分布を生成する度数分布生成部
と、前記第１の群に対応して生成された度数分布と前記第２
の群に対応して生成された度数分布との重なり領域を算
出する重なり領域算出部と、前記Ｐ個の特性値の前記重なり領域からの距離と前記度
数分布の分散値とに基づいて、切り出し信頼度を算出す
る切り出し信頼度算出部とを備えることを特徴とする請
求項１４に記載の文字切り出し方式。
【請求項２０】前記重なり領域算出部は、度数分布の
正規分布に対する適合度及び度数分布の分散値に基づい
て、前記重なり領域を算出することを特徴とする請求項
１９に記載の文字切り出し方式。
【請求項２１】前記重なり領域算出部は、前記度数分布の平均値を算出する平均値算出部と、前記度数分布の分散値を算出する分散値算出部と、前記平均値と前記分散値に基づいて、正規分布を生成す
る正規分布生成部と、前記度数分布と前記正規分布との２乗誤差の総和を算出
する２乗誤差総和算出部と、前記２乗誤差の総和と前記正規分布の面積との比に基づ
いて、適合度を算出する適合度算出部と、前記適合度と前記分散値の平方根との積に基づいて、前
記度数分布の両端位置を算出する両端位置算出部と、前記度数分布の両端位置に基づいて、前記重なり領域を
算出する重なり領域算出部とを備えることを特徴とする
請求項１９に記載の文字切り出し方式。
【請求項２２】前記切り出し信頼度定量化手段は、前記判別面からの距離に基づいて、Ｐ個の特性値からな
るサンプルデータの度数分布を生成する度数分布生成部
と、前記第１の群に対応して生成された度数分布と前記第２
の群に対応して生成された度数分布との重なり領域を算
出する重なり領域算出部と、前記Ｐ個の特性値が前記重なり領域に含まれる場合、前
記重なり領域における前記Ｐ個の特性値の位置に基づい
て、切り出し信頼度を算出する切り出し信頼度算出部
と、前記Ｐ個の特性値が前記重なり領域に含まれず、且つ、
前記第１の群に対応する度数分布に含まれる場合、切り
出し信頼度を１００％と判定し、前記Ｐ個の特性値が前
記重なり領域に含まれず、且つ、前記第２の群に対応す
る度数分布に含まれる場合、切り出し信頼度を０％と判
定する切り出し信頼度判定部とを備えることを特徴とす
る請求項１４に記載の文字切り出し方式。