JP2000502479A - 時系列フレームから取出した集合体化観測を用いる特徴ベクトルに基づくオンライン手書き文字認識方法および装置 - Google Patents

Abstract

(57)【要約】 オンライン手書き文字認識方法は隠れマルコフモデルに基づくとともに次のステップ含む。即ち、前記手書き文字の少なくとも瞬時書込み位置をリアルタイムで感知し；前記手書き文字からサンプルの時間−規格合致文字列（ストリング）を取出すとともにこの文字列から各々が手書き文字特徴ベクトルへの導出により関連する一連の手書き文字間隔を取出し；取出された特徴ベクトルの時間−規格合致列（シーケンス）を当該手書き文字に関連するデータベースからの１つ以上の例シーケンスモデリングと整合し；このモデリングから隠れマルコフ処理により充分に整合された認識文字列を選択し；あるいはこの手書き文字を認識失敗として除去するステップを含む。特に、前記特徴ベクトルは単一セグメントから取出したローカル観測に基づくとともに時間−逐次セグメントから取出した簡潔な観測に基づく。

Description

【発明の詳細な説明】 時系列フレームから取出した集合体化観測を用いる特徴ベクトルに基づくオンラ イン手書き文字認識方法および装置発明の技術分野 本発明は隠れマルコフモデルに基づくオンライン手書き文字認識方法に関する ものである。発明の背景 現在、人の音声は隠れマルコフ処理およびニューラルネットワークを用いるデ ータ処理方法によって認識されている。最近、同様のアルゴリズムが人の手書き 文字をその書込み中にオンラインで認識するために用いられている。標準テキス トの場合には、認識は種々の文字モデルを相関し、特定のモデルシーケンスを書 込みに割当てることを意味しする。署名の場合には、認識は種々の異なる署名を 相関するか、またはむしろ相関によりただ１つの署名を検証することを意味する 。モデリングは最終的なテキストの抜粋のあるレベルで記載されている。出力は ＡＳＣＩＩシリーズ、手書き文字の様式化表現、会話テストのような再現性また は検証の場合におけるイエス／ノー出力のように認識に対してさらに規制するこ とができる。 本発明者等は単一特徴ベクトルのみを有する関連する各手書き文字間隔が不満 足な認識結果を有することを確かめた。複数の手書き文字間隔のシーケンスに存 在する全ての情報から各特徴ベクトルを取出すことができるが、これは結果の関 連する改良を行うことなく、扱いにくい計算を必要とする。結果的に、従来の状 態の効率を改善するに充分な余地がある。発明の概要 本発明の目的は比較的に低い処理コストで比較的に高い認識スコアを得るよう にした計算モデルを提供せんとするものである。 本発明は隠れマルコフモデルに基づくオンライン手書き文字認識を行うに当た り、次のステップ：前記手書き文字の少なくとも瞬時書込み位置をリアルタイム で感知し，前記手書き文字からサンプルの時間−規格合致文字列（ストリング） を取出すとともにこの文字列から各々が手書き文字特徴ベクトルへの導出により 関連する一連の手書き文字間隔を取出し；取出された特徴ベクトルの時間−規格 合致列（シーケンス）を当該手書き文字に関連するデータベースからの１つ以上 の例シーケンスモデリングと整合し；このモデリングから隠れマルコフ処理によ り充分に整合された認識文字列を選択し；この選択結果の本質的要素を出力し； あるいはこの手書き文字を認識失敗として除去する；ステップを具えるオンライ ン手書き文字認識方法において、前記特徴ベクトルは単一手書き文字間隔から取 出したローカル観測に基づく１つ以上のベクトル成分を含むとともに関連する遅 延に亘り規定された時間−空間手書き文字間隔から取出した集合体観測に基づく １つ以上のベクトル成分を含むことを特徴とする。 集合体化により、ベクトル成分の数によるとファクタの大きさは手書き文字間 隔のシーケンスから得られた合成情報から追従する大きさよりも充分低く保持す ることができる。それにもかかわらず、認識品質は優れている。この結果は認識 モデルの次の特徴から導出し得ることを確かめた。 ａ．集合体化観測は組合せて可調整期間即ち、遅延を有する手書き文字間隔の 一時的または空間的シーケンスに関連する。この遅延は当該単一筆者の手書き文 字の特異性に調整された大きなまたは小さな値を有することができる。他の変数 は、当該ベクトル成分が関連する情報の特定の型、即ち、手書き文字輪郭は書込 みの種々の先鋭度間の角度よりも大きな遅延を用いる。 ｂ．集合体化の結果は特徴ベクトルのベクトル成分の数が小さく、これにより この大きさで増大する多数の計算を各々がとる比較的多くの処理ステップを完全 に実行することができる。 本発明より前に達成されたステップでそれとなく示唆されるものの、単独また は組合せによる従来文献はなかった。本発明によれば、手書き文字間隔はこの場 合フレームと称される均一数のサンプルとして限定することができる。或は又、 手書き文字間隔はこの場合セグメントと称される手書き文字の特徴位置または手 書き瞬時によって限定することができる。集合体化の特定の利点は順次の連続手 書き文字間隔に関連する点間の種々の異なる角度を計算することにある。この方 法は標準点文字テキストまたは署名の検証に用いることができる。集合体化特徴 ベクトル成分は順次の手書き文字間隔に関連する主点から取出した角度を具える のが有利である。これは、計算が比較的簡単明瞭な特定の識別態様であることを 確かめた。集合体化すべき特徴ベクトル成分は順次の手書き文字間隔に関連する 主点間に空間経路長を含むのが有利である。これは特定の識別態様であることを 確かめた。当該経路はＸ−および／またはＹ−方向に、あるいは手書き文字自体 の経路に沿って測定することができる。 署名認識または検証のためには、少なくとも１つの集合体化特徴ベクトル成分 を瞬時書込み圧力の感知に起因させるのが好適である。書込み器具の圧力または 傾斜の感知は表面の直下に配列された電磁ループに基づき電磁作動書込みタブレ ットにより容易に行うことができる。 また、本発明は手書き文字認識方法を実現するように配列且つプログラムされ たデータ処理装置にも関するものである。本発明のさに他の利点は従属請求項か ら明らかである。図面の簡単な説明 図１は２チャネル認識システムの１例を示す概略説明図、 図２はテキストサンプリングの一例を示す説明図、 図３Ａは１つのテキストの他の例を示す説明図、 図３Ｂは同じくそのセグメントへの分割を示す説明図、 図４Ａはフレーム経路の例を示す説明図、 図４Ｂはセグメント経路の例を示す説明図、 図５はセグメントシーケンスの他の例を示す説明図、 図６は特徴重心の他の例を示す説明図、 図７は特徴相対遅延角度の他の例を示す説明図、 図８は特徴輪郭情報の他の例を示す説明図、 図９は特徴相対輪郭角度の他の例を示す説明図、 図１０はテキストの圧力信号の他の例を示す説明図、 図１１はいわゆる“ハット”特徴の他の例を示す説明図である。 発明を実施するための最良の形態 図１は双−チャネル認識システム、即ち、左側チャネルで音声、右側チャネル で手書き文字および／または署名認識を行う認識システムを示す。入力部２３は 電話型音声入力サブシステム２０およびグラフィック入力タブレット２２を具え る。集められた情報は無線２１により中央データ処理システム（図示せず）に転 送する。ブロック２４は瞬時会話信号を示し、ブロック２６は手書き文字信号を 示す。会話信号については、システムは音響プロセッサ２８、探索および分類３ ６、言語モデル３０、観測／特徴ベクトルを占める音響モデル３４およびワード シーケンスモジュール３４を具え、最終的に結果４０を出力する。手書き文字信 号については、手書き文字予備プロセッサ３２および手書き文字モデル記述３８ を具える。 図２は各ブロックが特定のサンプルを表わすテキストサンプリングの例を示す 。 図示のように、ブロック間−分離は１０倍以上変化する。 図３Ａは他の処理の例示に用いられる他のテキスト資料を示す。この際、ペン はＸＹ座標システムで動かせるようにする。図３Ｂは図３Ａのように例を５つの 連続セグメントｓ₁−ｓ₅に分割した場合を示す：１つのセグメントはＹ−速度が 零となった際に終了する。今、セグメントｓ₄を現在のセグメントとする。この 単一セグメントからの特徴抽出を行うことによって特徴ベクトルの成分として使 用し得る観測ｓ₄を発生する。種々のかかる特徴は従来技術で用いられている。 この観測ｓ₄は当該セグメントに専ら属するローカル情報のみを含む。本発明に よれば，観測ｏ₄に基づき、且つ、観測ｏ₄、ｏ₃，ｏ₂間の関係を記述することに よって、集合体特徴を集合体観測ｏ′₄のように構成する。解釈の他の方法では 、３つの遅延タップを有するシステムとしてこれを考慮する必要がある。そのう ちに、セグメントの他のサブセット観測ｏ₄、ｏ₃，ｏ₂等のように集合体となる 。負の遅延値が実行可能である。 一例では図４Ｂはフレーム経路を示し、これによって特定の手書き文字文字の 順次の連続サンプルを固定の大きさのフレームに群別する。ここに、各フレーム は４つのサンプルを有し、さらに、順次の連続フレームは５０％だけ重複する。 即ち、４つの順次のフレームが示され、これらは単一文字記号の頂部、頂部左側 および左側をほぼカバーするようにしている。この重複は任意である。これらフ レームは手書き文字の瞬時曲率によって表わされる観測のような種々の特徴ベク トル成分の導出に用いられる。 他の例では、図４Ｂはセグメント経路を示す。ここに、順次の奇数セグメント 間の限定は垂直（Ｙ）−速度が零となる瞬時に有効となる。偶数セグメントは直 接先行セグメントおよび直接後続セグメントの双方の半分が重複する。以下、特 に奇数フレームを用いてこれに関連する特徴ベクトル成分を集合体化する。特徴 ベクトルの特徴を大きさに関係なく選択する。ｖｙ＝０の分割点は文字記号の大 きさにか関係なく、文字記号当たりのセグメントの均一数を保証する。 従って 、“セグメント”表示は自動的に大きさに無関係となる。同様に、偶数セグメン ト間の集合体化は大きさに無関係な集合体化特徴ベクトルを発生する。 まず第１に、図１の予備処理によって各セグメントまたはフレームから種々の 特徴、即ち、Ｏ＝（ｏ₁，ｏ₂，ｏ₃）に従って当該セグメントまたはフレームの 特徴ベクトル成分に集合体化し得る種々の特徴を一括して取出す。いわゆる、重 ね継ぎ特徴ベクトルは、特徴自体のレベルでの集合体化を行うことなく、順次の 連続フレームまたはセグメントから取出した種々の特徴を特定の特徴ベクトルに 組合せることによって従来の状態に従って取出すことができる。 この場合には特徴ベクトルの大きさを管理し得ないレベルまでしばしば高めるよ うになる。本発明によれば、これらベクトルの大きさは、順次の連続フレームま たはセグメントの個別の特徴を以下に記号的に示される単一の集合体化された特 徴に集合体化することによって充分低くおさえることができる。 ｏ₁ ｏ₂ f₁(ｏ₁ ・・・ｏ_1-d) f₁(ｏ₂ ・・・ｏ_2-d) o'₁= f₂(ｏ₁ ・・・ｏ_1-d) ｏ'₂= f₂(ｏ₂ ・・・ｏ_2-d) ・・・ ・・・ f_m(ｏ₁ ・・・ｏ_1-d) f_m(ｏ₂ ・・・ｏ_2-d) ここに多数のセグメントに付された記号ｄは順次の連続フレームまたはセグメン ト間の遅延の最大量に相当し、ｍは実際に使用される機能の数を示す。“デルタ ”特徴の場合と同様に特徴セグメントに関連する観測は実際の特徴ベクトルに同 様に集合体化することができる。 図５はセグメントシーケンスの他の例を示す。まず第１に、各セグメントに関 連するサンプルから、各サンプルが均一な重さを計数する重心を計算する。ず６ においてこれら重心は各セグメントに属するクロス（×印）として示される。或 は又、他の計算を、ｙ座標値のみ、ｘ座標の値のみ、文字記号ストロークとかか る座標との交点に対して行うことができる。一連の直接先行重心を実際の重心に 連結することにより、図７に相対遅延角度の特徴を示す。図示のように、４つの 角度が形成され、これにより次式に従って集合体化特徴ベクトルを発生させるこ とができる。 ｏ'₄=（ｏ₄，sinθ₁，sinθ₂，sinθ₃） この式により元のローカル情報と３×２個の他の特徴の関連部分とを組合せるこ とができる。集合体化ベクトルはその大きさが寄与特徴の数に比べて小さい。 比較し得るように、種々のフレームまたはセグメントＩ₁・・・Ｉ₄の大きさ計 算は次式に従う順次の連続セグメントに基づく集合体化ベクトルを構成するため に用いることができる。 ｏ₄″＝(ｏ₄,(1₄,/(I₃＋I₄))，(I₄/(I₂＋I₄))，(I₁/(I₁＋I₄))) 再び、集合体化特徴ベクトルの大きさを減少する。 図８は特徴集合体化輪郭情報の導出を示す。まず第１に、図示のように、各セ グメントｓ₁・・・ｓ₄の頂部および底部サンプルを夫々×印および〇印で示すよ うに決定する。図示のセグメントのサブセットに対しては個別の回帰ラインを夫 々その頂部および底部に対して計算するとともにこれらラインに関連する角度を 用いて次式に従ってこれら４つのセグメントまたはフレームに対する集合体化と ともにベクトルを発生させるようにする。 ｏ₄'＝（ｏ₄,sin θ₁，sinθ₂） ここに後者の符号θ₁、θ₂は輪郭情報（図９）を示す。 図１０は特に、署名認識または検証に用いられるテキストの圧力信号に基づく 集合体化特徴ベクトルの導出を示す。署名の使用自体は古く、主識別対標準テキ ストは個別の文字記号のマッピングが不必要となる点にある。瞬時圧力は図８に 示す種々のセグメントまたはフレームの始端および終端と相関する。図８におい て、圧力は時間の関数として導入される。実験的には、圧力は、書く表面におい て最初垂直方向に移行するセグメントの中間でしはしば最高となる個とが検証さ れている。即ち、関連する点は×印で示され、且つ個別の圧力値ｐ₁ ・・・ｐ₄ を有する。集合体化特徴ベクトルは例えば次式で表わすことができる。 ｏ₄'＝(ｏ₄,p₄/(p₃＋P₄)，p₄/(p₂＋P₄)，p₄/(p₁＋P₄)) 集合体化特徴値の種々の他の導出は容易となる。 図１１はいわゆる“ハット−特徴”を例示する。この特徴は手書き文字のある 部分がその標準の順序で書込まれないことを意味する。この点は文字ｉおよびｊ のアクセントまたは点、文字ｔの水平ストローク等で最もしばしば生じる。図１ １は５つの標準セグメントｓ₁−ｓ₅と文字ｉ上の点に相当する単一ハットセグメ ントｓ₆とに分割された文字列“ａｉ”の手書き文字の例である。“ハット”の 重畳位置は後者のセグメントの例外的なケースにおいて、特定の早期のセグメン トの垂直方向対非重畳における重なり合いとして与えられる。他の発生は、小さ なループが生じる場合には連続書込み中に発生するセグメントは互いに重なり合 うことである。発生または非発生は結合された前のセグメント全部に対して単一 のビットによって特定することができる。即ち、集合体化の例は量（(2/(maximu m delay)）として形成する。他の実現は、３つの最も最近のセグメントのような 適切であると見なされる各前のセグメントに対して個別のビットとしてハット特 徴を表わすことであり：これはビットストリングを導出する。従って、集合体化 はこれら種々のビットの関数として計算することにより達成される。 他の実現は、距離測定又は多数のサンプル点測定としてセグメント（ｓ₆,ｓ₅ ）間の重なり合いのような多値またはアナログ量として重なり合いを与えること である。従って、ハットセグメントに対してはこれはアナログ値のストリングに 到達するようになる。これがため、このストリングはハットセグメント自体の特 定の特性で集合体化することができる。更に他の発展は関連する関数f((overlap (s₆,s₅),overlap(s₆,s₄)）の種々の重なり合い距離を組合せることである。従っ て、この関数はハットセグメント自体の特定の特性で集合体化されるものである 。 １．性能の他の記述 オンライン手書き文字認識システムに基づく制約されない書き手自由の隠れマ ルコフモデル（ＨＭＭ）を使用する。主要な努力は特徴抽出、即ち、タブレット に記録された乱筆シーケンスの一部分の好適な表示を見いだすことである。特徴 ベクトルは不適切な変化に感応しない続く分類に好適なすべての情報を含むと同 時に低いベクトル値を有する。従って次の結果が得られた。 かかる方法の汎用性は検証される。即ち、最新の認識結果が生じた。本質的に は、認識される個別の文字記号および連続入力並びに言語モデルを有するまたは 有さない２００ワード乃至２０、０００ワードの語彙に対して用いることができ る。得られ認識精度、即ち、２０、０００ワードの連続書き続け認識タスクに対 して９０％までの補正は他の刊行結果と比較する。 書込みサイズ不変システムを得るためには、２つの表示、即ち、フレームおよ びセグメントを比較し、隣接サンプルが特徴ベクトルに群別されるようにこれら を相違させる。フレーム表示では、一定数のサンプルが１つの特徴ベクトルに寄 与し良好なピーク性能が得られる。性能に対しては、サンプル間の境界を同一の 特徴ベクトルで表わし、これらを零である垂直手書き文字速度によって規定する とともに書込み大きさに対して一層活発なものとする。誤りレートは８倍までの 倍率変化によって影響を受けることはなかった。 本発明は特に遅延特徴の概念に関するものである。この遅延特徴によれば現在 の観測ベクトルおよび前の観測ベクトル間の構造的関係を表現することによって 手書き文字−特定知識の表現への取り込みを行う可撓性フレームワークを提供す る。従って、重心および次の特徴の大きさ関係間の角度を計算することができる とともに“ハット特徴”のような一層複雑な関係をも計算することができる。遅 延特徴の組込みによって誤りレートをつ５０％も低減することができる。また、 デルタ特徴でも実験を行った。その理由はこれらが音声認識から既知であるから であるが、著しく高いベクトル寸法で同様の改良を得ることができた。 直線性識別解析（ＬＤＡ）によって識別規準に対して最大限に簡潔な表示を得 ることができる。ベクトル寸法は性能を劣化することなく２分の１に減少させる ことができる。２．ベースラインシステム 手書き文字を得るためのプラットホ ームは２００ppsまでのペン及びフィンガー入力サンプリング（x,y,p）に対する ＬＣＤプラス直角センサーより成るせにょうタブレットである。このタブレット をペンウインドウ型のパーソナルコンピ ュータに接続する。データをフィルタ処理するとともに表示に依存して空間的に 再サンプリングする。各文字記号は状態間のループ、前方およびスキップ遷移を 有する左−右隠れマルコフモデルによってモデル化する。観測確率は密度比対角 共分散マトリックスを有するガウス密度の連続混合とする。ＨＭＭパラメータの 学習は最大尤度基準を用い且つビタビ近似を適用することにより行うことかでき る。認識はツリー組織化辞を用いる一段ビーム探索アルゴリズムに基づくもので ある。全ての知識ソース（ペン信号、辞書およびある経験に対する言語モデル） は一度適用し、従って、あらゆる早期決定を防止する。 実験として、学習データは、ほぼ６０人の筆者および現場で集められたデータ およびユニペン学習データからの数個の国籍人からの１００００ワード以上で構 成される。本質的には、２００ワードおよび２００００ワード辞書に対する文字 記号、ワードまたは全文章に対して同一の識別者を用いた。ＨＭＭフレームワー クは最適のセグメンテーションを同時に決めるとともに復号化を実行する。２０ ０ワード語彙に対して９０％−９９％のワード認識率を得、且つ言語モデルなし では２０Ｋワード語彙に対して７３％−９０％の正しいワードを得た。これらの 結果を無制約手書き文字認識に対する他の刊行物の結果と良好に比較した。文章 認識の初期実験も行った。 ３．書込みサイズの不変性 書込みおよびサンプル速度と同様に、書込みサイズも明確に正規化する。この 手段は正規化前に全ての入力が有効となる分離ワードを認識するのに好適である が、予備処理および認識を同時に行うオンライン認識には左程好適ではない。或 は又、大きさに依存しない表現について調査する。 サンプルを特徴ベクトルを計算するブロックに群別するには２つの代替例を学 習する。セグメントに対しては垂直手書き文字速度が零；即ち、ｖ_y＝０となる 基準を用いてブロック境界を決める。これに対して、１つのフレームは固定数の 連続再サンプリング点で構成する。ペン筆跡を再サンプリングすることは等間隔 点を得るため、従って、書込み速度の変化を補償するために必要である。双方の 場合に、サンプルブロックを用いて隣接特徴ベクトルが５０％だけ重なり合うよ うな計算を行った。平均ではモデル当たり７（５）状態に相当する文字記号当た りほぼ１０フレーム（７セグメント）であった。 特徴ベクトルはフレームに対 しおよびセグメントに対し同一であり、アスペクト比、経路長、５つの角度、ペ ン−ダウン特徴および４つのいわゆる遅延特徴のような１３個の低−レベル特徴 を含んでいた。 書込み大きさの依存性をテストするために、１０人の筆者が４種類の異なる大き さ（スケール：０．５，１，２，４；ここにスケール１は学習データの平均書き 込み大きさに相当する）の１組が５０ワードの書き込みを行った。筆者はさもな ければ無制約である低いケースを書込むように命令された。その結果１組が５０ ０ワードの４倍のものがフレームまたはセグメントの何れかで表現され、且つ２ ００ワードおよび２０Ｋワードの語彙を用いて認識する。従って、表１の結果は 、フレームが良好なピーク性能（９９％の正しいワード）を有するもセグメント は書込み大きさに本質的に無関係にあると云うことを明瞭に示している。 表１：４つの異なる大きさのフレームおよびセグメントの比較 この表には夫々２００ワード大きさ２０，０００ワードに対する認識レートが含 まれている。４．遅延およびデルタ特徴 数個の点に亘る手書き文字の動向を述べる特徴によって認識精度を改善するこ とができる。その１つの方法は隣接フレームを拡大特徴ベクトルに接続すること である。印加に代替方法を検討する。 今、ｏ_t、を現在のフレームｔの特徴とする。音声認識から採用された信号の ダイナミックスを記述する方法はデルタ特徴、即ち、次に示す観測ベクトル対時 間 の導関数への近似を用いることである。 △ｏ_t＝１／２（ｏ_t+1-ｏ_t-1） 新規な遅延特徴はＸ軸およひ重心を接続するライン間の相対角度および更に順次 の特徴ベクトル間の大きさ関係を計算することによって信号の空間ダイナミック スを示す。遅延ｎ＝２に対して特徴sin(angle(cog(ｏ_t)cog,cog(ｏ_t-2))),cos(a ngle(cog(ｏ_t),cog(ｏ_t-2)))によって特徴ベクトルｏ_t-2およびｏ_t間の書込み方 向の変化を記述する。さらに、この遅延特徴の概念によっていわゆる“ハット特 徴”を規定する。 計量性テストの５００個の正規の大きさのワードに基づき、ベースライン表現 （１３−成分特徴ベクトル）対デルタ特徴および遅延特徴を夫々含む特徴ベクト ルの性能を比較する。表２は、増大した特徴ベクトルはベースライン表現よりも 一層効率がよく、デルタ特徴および遅延特徴も同様に良好であることを示す。し かし、遅延特徴の場合には、性能を改善するためにすうこの追加のベクトル成分 を必要とする。 表２：２００ワード辞書および２００００ワード辞書に対するセグメント型 特徴ベクトルの認識率（％） ＃特徴 13 13＋６遅延 13＋13デルタ 200Ｗ 91.4 96.8 96.7 20000Ｗ 71.7 83.3 81.0 ５．直線性判別式分析 直線性判別式分析（ＬＤＡ）を用いて特徴ベクトルの（分類に対する）情報内 容をち直線性変換により圧縮する。特徴ベクトルがデルタまたは遅延特徴により 増大した後、合成ベクトルはＬＤＡ変換により変換した。最大固有値に相当する ある数の特徴が保持され、その他の特徴は廃棄される。斯様にすることにより、 ベクトルの大きさは性能を損なうことなく、１／２に減少させることができた。 ６．参考文献 E.J. Bellegarda, J.R. Bellegarda, D.Nahamoo K.S. Nathan 著“A Fast Sta tistical Mixture Algorithm for On-line Handwriting Recognition″IEEE Tra nbactions on Pattern Analysis and Machine Intelligen,第16巻第12号, 第 1227−1233頁,1994年12月：特徴ベクトルを大きくし過ぎる所謂接続に基づく文 字認識が記載されている。 音響、音声および信号処理国際会議において発表されたK.S. Nathan, H.S.M.B eigi, J. Subrahmonia, G.J. clary,H.Maruyamaによる“Real Time On-line Unc onstrained Handwriting Recognition Usin Statistical Methods”第2619-2622 頁,1995年：ＨＭＭに基づく完全手書き文字認識が記載されている。

Claims (1)

1. 【特許請求の範囲】 １．隠れマルコフモデルに基づくオンライン手書き文字認識を行うに当たり、次 のステップ：前記手書き文字の少なくとも瞬時書込み位置をリアルタイムで感知 し；前記手書き文字からサンプルの時間−規格合致文字列（ストリング）を取出 すとともにこの文字列から各々が手書き文字特徴ベクトルへの導出により関連す る一連の手書き文字間隔を取出し；取出された特徴ベクトルの時間−規格合致列 （シーケンス）を当該手書き文字に関連するデータベースからの１つ以上の例シ ーケンスモデリングと整合し；このモデリングから隠れマルコフ処理により充分 に整合された認識文字列を選択し；この選択結果の本質的要素を出力し；あるい はこの手書き文字を認識失敗として除去する；ステップを具えるオンライン手書 き文字認識方法において、前記特徴ベクトルは単一手書き文字間隔から取出した ローカル観測に基づく１つ以上のベクトル成分を含むとともに関連する遅延に亘 り規定された時間−空間手書き文字間隔から取出した集合体観測に基づく１つ以 上のベクトル成分を含むことを特徴とするオンライン手書き文字認識方法。 ２．前記手書き文字間隔を手書き文字フレームとすることを特徴とする請求項１ に記載のオンライン手書き文字認識方法。 ３．前記手書き文字間隔を手書き文字セグメントとすることを特徴とする請求項 １に記載のオンライン手書き文字認識方法。 ４．前記集合体特徴ベクトル成分は連続手書き文字間隔に関連する主点から取出 した種々の異なる角度を具えることを特徴とする請求項１に記載のオンライン手 書き文字認識方法。 ５．集合すべき特徴ベクトル成分は連続手書き文字間隔に関連する主点間の空間 経路長を含むことを特徴とする請求項１に記載のオンライン手書き文字認識方法 。 ６．前記集合体特徴ベクトル成分は空間的に連続する文字記号（キャラクタ）セ グメントが一時的に非シーケンシャルに発生する信号方式を含むことを特徴とす る請求項１に記載のオンライン手書き文字認識方法。 ７．前記集合体特徴ベクトル成分は１ラインまたは書込みの一般的な方位に対し て直角をなす方向に順次の文字記号セグメント間の輪郭変化を含むことを特徴と する請求項１に記載のオンライン手書き文字認識方法。 ８．署名認識に対して適用することを特徴とする請求項１に記載のオンライン手 書き文字認識方法。 ９．少なくとも１つの集合体特徴ベクトル成分は瞬時書込み圧力を感知すること に基づくことを特徴とする請求項８に記載のオンライン手書き文字認識方法。 10．請求項１に記載のオンライン手書き文字認識方法を実現するように配列され 、且つプログラムされたことを特徴とするデータ処理装置。