JPH0457182A - 認識方法 - 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】 【産業上の利用分野】

この発明は、文字認識装置および音声認識装置等にお（
Ｊる認識方法に関する。

【従来の技術］ 従来、認識装置として第１図に示すような文字認識装置
がある。この文字認識装置にお（Ｊる文字認識方法は次
のようにして実施される。まず、文字画像入力部１て読
み取った文書画像情報を第１バッファ２に格納計る。＋
ｉｉｊ処理部３は第１バツフア２に格納された文書画像
情報を読み出してノイズ除去や１文字切り出し等の前処
理を実施し、切り出した１文字毎の文字画像情報を識別
部４の第２バツフア５に格納する。 特徴抽出部６は１文字毎の文字画像情報に基づいて文字
識別に必要な画像特徴量を抽出し、第３バツフア７に格
納する。識別演算部８は、予め作成されて標？！、Ｑパ
ターンメモリ９に格納されている標準パターンと第３バ
ツフア７から読ろ出した１文字毎の画像特徴晴とのマソ
ヂンクを実施して入力文字を識別し、識別結果を第４バ
ツフア１０に（各紹ト４゛ろ３、 後処理部１１は、第４バツフア１０に格納された識別結
果（Ｑｉ語等）に対して単語辞書を用いて言ＪＬ）処理
等を実施して正しい文章を作り上げる。そして、作成さ
れた文章はプリンタ等の出力部１３に出力されろ。ある
いは、ハードディスク等の補助記憶部１・１に出力さ）
１ろ。 【発明か解決しようとオろ課題】 通常、」二連のような文字認識装置において（Ｊ、文字
画像人力部Ｉ、面前処理部、特徴抽出部６．識別演算部
８．後処理部１１および各バッファ２．５７．１０等は
１台のコノピコータによって実現されている。その場合
には上記特徴抽出部６および識別演算部８は一つのＣＰ
　Ｕ　（中央処理装置）によ−）で制御される。そのた
め、先に特徴抽出部６によ−）で文字画像情報から画像
特徴量を抽出し、その後に抽出された画像特徴量を用い
て識別演算部８によって識別演算を実施することになろ
３、その際に用いられる特徴量抽出のアルゴリズムとし
て多くの）２ルゴリズムが提案されている。ところが、
いずれのアルゴリズムも特徴量抽出を識別演算の０ｆｊ
に識別演算と（Ｊ独立して実施！１〜るようにしている
。したがって、そのようなアルゴリズムを用いた文字認
識方法では）・−タルの演算時間が長くなり、時間の掛
かるような複雑な特徴量の抽出ができないという問題が
ある。 そこで、上述のような問題に対処ケろために、パイプラ
イン処理方法が提案されている。このパイブライン処理
方法では、第４図に示すように、第１図の文字認識装置
における識別部４を、特徴量の種類に応して複数の特徴
抽出部６１，６２　６３、−、６　／Ｉと複数の第３バ
ツフア７１　７２　７３７４と複数の識別演算部８１，
８２，８３゜８４で構成した文字認識装置を用いる。こ
のパイプライン処理方法においては、特徴抽出部６１（
又は６２，６３．６４）−第３バツフア７１（又は７２
゜７３．７４）−識別演算部８１（又は８２．８３　８
４）から成るラインを複数個設けて、複数の特徴量を用
いて識別することによって短時間に精度良く文字識別を
実施できる。 しかしながら、上述のようなパイプライン処理方法では
、用いる特徴量の数に応じた多数の特徴抽出部、バッフ
ァおよび識別演算部を必要とする。 したがって、コストが掛かると共に各部の制御が複雑に
なるという問題がある。 そこで、この発明の目的は、簡単な構成で、高速かつ高
精度の認識を実現できる認識方法を提供することにある
。

【課題を解決するための手段】

上記目的を達成するため、第１の発明は、文字および音
声等の認識対象の特徴を表す特徴情報に基づく特徴抽出
部による上記認識対象の特徴量の抽出と、この抽出され
た特徴量に基づく識別演算部による識別演算とを含む一
連の識別処理を所定回数実施して上記認識対象を識別し
、得られた識別結果に対して所定の後処理を後処理部で
実施して上記認識対象が属するカテゴリを認識する認識
方法において、上記特徴抽出部で抽出されたある認識対
象に係る任意の特徴量に基づく上記識別演算部による識
別演算と、上記特徴抽出部による当該認識対象に係る上
記任意の特徴量とは異なる特徴量の抽出とを同時に実行
し、このような当該認識対象に係る識別演算と特徴型抽
出とを上記所定回数より一少ない回数だけ実施し、上記
特徴抽出部によって抽出された当該認識対象に係る上記
所定回数番目の特徴量に基づく上記識別演算部による識
別演算と、上記特徴抽出部による当該認識対象の次の認
識対象に係る最初の特徴量の抽出とを同時に実行し、当
該認識対象に係る上記識別演算部による識別演算結果に
基づいて当該認識対象を識別して識別結果を得、上記得
られた識別結果に対する上記後処理部による後処理を、
上記特徴抽出部による特徴量抽出および識別演算部によ
る識別演算と平行して実施することを特徴としている。 また、第２の発明は、第１の発明の認識方法において、
上記特徴抽出部は各認識対象における大分類用特徴量ま
たは詳細識別用特徴量を抽出するようになっている一方
、上記識別演算部は上記大分類用特徴量に基づく大分類
演算または上記詳細識別用特徴量に基づく詳細識別演算
を実施するようになっており、上記識別演算部による当
該認識対象に係る大分類演算と上記特徴抽出部による当
該認識対象に係る詳細識別用特徴量の抽出とを同時に実
行し、上記識別演算部による当該認識対象に係る詳細識
別演算と上記特徴抽出部による当該認識対象の次の認識
対象に係る大分類用特徴量の抽出とを同時に実行するこ
とを特徴としている。 また、第３の発明は、第２の発明の認識方法において、
上記識別演算部は複数の詳細識別用特徴量を実行するよ
うになっており、上記識別演算部による当該認識対象に
係る詳細識別演算を実行する際には、上記識別演算部に
よる当該認識対象に係る大分類演算結果に基づいて上記
複数の詳細識別用特徴量のうち当該認識対象の識別とし
て適切な詳細識別用特徴量を所定の手順によって選択し
、この選択された詳細識別用特徴量によって詳細識別演
算を実行することを特徴としている。 また、第４の発明は、第３の発明の認識方法において、
上記特徴抽出部による詳細識別用特徴量抽出に際しては
、上記識別演算部が実行できる総ての詳細識別用特徴量
に係る詳細識別用特徴量を抽出し、上記識別演算部によ
る当該認識対象に係る詳細識別演算の実行に際しては、
上記識別演算部による当該認識対象に係る大分類演算結
果に基づいて上記複数の詳細識別用特徴量のうち当該認
識対象の識別として適切な詳細識別用特徴量を選択し、
上記特徴抽出部によって抽出された複数の詳細識別用特
徴量のうち上記選択された詳細識別用特徴量に係る詳細
識別用特徴量を用いて、上記選択されノご詳細識別用特
徴量によって詳細識別演算を実行することを特徴として
いる。

【実施例】

以下、この発明を図示の実施例により詳細に説明する。 この発明（Ｊ、文字および音声等の認識対象の識別に際
して、複数の特徴量を−っの特徴抽出部によって抽出し
、この抽出された複数の特徴量の夫々に基づく識別処理
の演算を−っの識別演算部で実行オろ。その際に、特徴
抽出部による特徴量抽出処理と識別演算部による識別演
算処理とを平行処理することによって、高速認識処理を
実施するものである。 戟上夫１ 第１実施例は、切り出された１文字の識別に際して、一
つの特徴抽出部による大分類用特徴量あるいは詳細識別
用特徴量の抽出と、一つの識別演算部による詳細識別の
演算あるいは大分類の演算とを平行処理ずろことによっ
て、高速文字認識処理を実現ずろものである。 第１図（Ｊ本実施例に係る文字認識装置のブロック図で
あり、構成的には上記従来例の場合と同しである。 スキャナ等から成る文字画像入力部ヒご読み取−）た文
書画像情報に対して前処理部３でノイズ除去や１文字切
り出し等の前処理を実施し、切り出した１文字毎の文字
画像情報を識別部４の第２バツフア５に格納する。 最初の文字の文字画像情報が第２バツフア５に格納され
ると、まず最初の文字の大分類が実施されろ。 ずなイつぢ、１文字領域を構成する矩形の小領域の平均
濃度が大分類用の特徴量として特徴抽出部６によって抽
出される。そして、この平均濃度が閾値以」−である小
領域の特徴量には°゛ビを勺える方、そうでない小領域
の特徴量には０”をりえたパターン・ベクトルが求めら
れ、そのパターンが特徴パターンとして第３バツフア７
に格納されろ。この平均濃度（Ｊメッノコ法による識別
の際に用いられろ特徴量である。本実施例における上記
特徴抽出部６は、高速処理を実現するために画像処理専
用のＬＳＩ（大規模集積回路）で構成されている。こう
して抽出された大分類用特徴量が第３バツフア７から読
み出されて識別演算部８に転送されて、識別演算部８に
よって大分類の演算処理が実施さイ１ろ３、この大分類
は次のようにして実施される。 ここで、予め種々のザンプルをに一ミーンズ（ｍｅａｎ
ｓ）法によってクラスタ化セろことによって、カテゴリ
太分類を行なう。そして、各大分類されたカテゴリの一
つ（以下、大分類カテゴリと言う）内にお（Ｊる総ての
ザンブルの文字画像情報から上記小領域にお（」る全サ
ンプルの平均濃度が求められ、この平均値が閾値以上の
値を示す小領域の特徴量に（」°゛ビを与えろ一方、そ
うでない小領域の特徴量に（Ｊ”０”を与えたパターン
・ｌ＼クトルが求められる。そして、こうして求められ
た各カテゴリにおけろベクトルのパターンを各カテゴリ
の標準パターンとして標準パターンメモリ９に格納して
、１３＜のである。 １−記特徴抽出部６によって抽出された最初の文字に係
る特徴パターンが第３バツフア７から読み出されて識別
演算部８に転送される。識別演算部８は、この特徴パタ
ーンと標べＣ，パターンメモリ９に格納された標準パタ
ーンとの類似度をｐ出し、最も高い類似度を示す標準パ
ターンの大分類カテゴリを当該最初の文字に係る大分類
結果とする。 そして、得られた最初の文字に係る大分類結果を識別演
算部８の内部メモリに格納するのである。 こうして、識別演算部８が最初の文字の大分類を実施し
ている間に、特徴抽出部６は当該最初の文字の詳細識別
用特徴量を抽出する１、ごこて、詳細識別用特徴量とし
て（ｊペリフェラル特徴量を用いる。このペリフェラル
特徴量とは、文字に外接する矩形枠の一辺ヒに等間隔に
設（Ｊた点から当該文字を構成ずろ線分までの木下（又
は垂直）方向への距離であり、この複数の距離を表す値
から成るベクトルのパターンを詳細特徴パターンとする
。こうして、特徴抽出部６によって抽出された最初の文
字に係る詳細特徴パターンは、第３バツフア７に格納さ
れる。 上記識別演算部８は、最初の文字に係る大分類を終了す
ると、次にその最初の文字に係る詳細識別をマルヂテン
プレート法によって実施する。 ここで、」−述のように種々のザンプルをクラスタ化す
ることによって得られた各大分類カテゴリに属するザン
プルをさらにクラスタ化し、各クラスタ（以下、小クラ
スタと言う）に属するザンプルにおけるペリフェラル特
徴量の平均値を求め、その値を詳細標梨パターンとして
標準パターンメモリ９に格納しておく。 上記特徴抽出部６によって抽出された最初の文字に係る
詳細特徴パターンが第３バゾフア７から読み出されて識
別演算部８に転送される。そうすると、識別演算部８は
内部メモリに格納された上述の大分類によって得られた
最初の文字に係る大分類結果を参照し、その大分類結果
（すなわち、大分類カテゴリ）に属する複数の詳細標準
パターンを標準パターンメモリ９から読み出して、詳細
特徴パターンとのユークリッド距離を算出し、ユークリ
ッド距離の近い順にｎ個の詳細標準パターンの文字コー
ドを選出し、最初の文字に係る識別結果として出力する
。 こうして、識別演算部８が最初の文字の詳細識別を実施
している間に、特徴抽出部６は２番目の文字に係る大分
類用特徴量を抽出する。その際に、第２バツフア５には
既に２番目の文字に係る文字画像情報が格納されている
のである。 以下、同様にして３番目以降の文字に係る大分類および
詳細識別を順次実行する。そして、得られた各文字毎の
ｎ個文字候補を文字ラティスとして第４バツフア１０に
格納して４５＜のである。 本実施例における上記識別演算部８は、高速積和演算処
理を実現するために８個のＤＳＰ（ディジタル・シグナ
ル・プロセッサ）で構成されている。 また、上記大分類用特徴量と詳細識別用特徴量としては
、一般に相互補完性を有する特徴量を用いればよい。 後処理部１１は、識別演算部８による当該文字に係る識
別結果が、例えば助詞等の文節の切れ目を表す文字であ
る場合には、第４バツフアＩＯに格納された文字ラティ
スを１文節に係る文字ラティスとして切り出す文節理解
を実施する。そして、１文節単位に切り出された文字ラ
ティスを構成する文字候補の組み合わせから文節候補を
得、得られた文節候補と単語辞書メモリ１２に格納され
た単語辞書とを比較／照合し、単語辞書にない文節候補
を棄却して正しい文節候補のみを認識結果として後処理
部１１の内部メモリに格納する。 こうして得られた正しい文節からなる正しい文章は、出
力部１３あるいは補助記憶部１４に出力される。 上記大分類は、例えば平板名１片板名、漢字による分類
、あるいは、漢字識別におりる構え、偏、冠等による分
類である。このように、入力文字を予め平板名７片板名
、漢字、あるいは、構え、偏、冠等によって大分類し、
その結果得られた大分類カテゴリ内において詳細識別を
実施することによって、より精度良く文字認識を実施で
きるのである。 第２図は、」二連の特徴抽出部６．識別演算部８および
後処理部１１によって実施される文字認識動作のタイミ
ングチャートである。また、第３図は特徴抽出部６．識
別演算部８おにび後処理部１１によってによって実施さ
れる文字認識処理動作のフローチャートである。以下、
第３図を参照しつつ第２図に従って文字認識動作のタイ
ミングについて詳細に説明する。 第１図における前処理部３で１文字切り出しが行われ、
切り出された１文字毎の文字画像情報が順次第２バツフ
ア５に入力されると識別動作が開始される。 時点Ａにおいて、最初の文字に係る文字画像情報が読み
出されると、まず特徴抽出部６で大分類用特徴量（小領
域の平均濃度）を抽出する。そして、抽出された大分類
用特徴量を第３バツフア７に格納する。 ・ステップ８１〜ステツプ８５ 時点Ｂにおいて、上記時点Ａにおいて抽出された最初の
文字に係る大分類用特徴量に基づいて、識別演算部８で
大分類の演算処理を実行して大分類ツＪテゴリを得る。 それと同時に、特徴抽出部６で−１−、記最初の文字に
係る詳細識別用特徴量を抽出−４゛る。そして、抽出さ
れた詳細識別用特徴量を第３バツフア７に格納する。 ・ステップＳ］２〜ステップＳＩ４ ステＪプ８６〜ステップ８９ 時点Ｃにおいて、１−記時点Ｉ３において抽出された最
初の文字に係る詳細識別用特徴里七得られた大分類カテ
ゴリに属する詳細標準パターンとに基づいて、識別演算
部８で詳細識別の演算処理を実行する。こうして、得ら
れたｎ個の文字候補を第４バツフアＩＯｒこ格納して最
初の文字に係る文字識別を終了ずろ。それと同時に、特
徴抽出部６て２番目の文字に係る大分類用性？’ｌｉ’
２ｓを抽出する。 ステップＳ１５〜ステツプＳ１９ ステップＳ１０．ステップＳ１．１ ステツプ８２〜ステツプ８５ 時点りにおいて、上述のようにして、後処理部１１で文
節理解を実行して、上記時点Ｃにおいて識別演算部８で
得られた文字候補が文節の切れ目を表す文字であるかを
判別する。この場合には、当該文字（」最初の文字であ
るから当該文字は文節の切れ目を表す文字ではないとオ
ろ３、それと同時に、上記時点Ｃにおいて抽出された２
番目の文字に係る大分類用特徴峨に基づいて識別演算部
８て大分類の演算処理を実行する一方、特徴抽出部６で
上記２番目の文字に係る詳細識別用特徴量を抽出する。 ・ステップＳ２０ステツプＳ２１ ステップＳＩ２−ステップＳ］４ ステップ８６〜ステツプ８９ 時点Ｅにおいて、上記時点りにおいて抽出された２番目
の文字に係る詳細識別用特徴量に括づいて、識別演算部
８で詳細識別の演算処理を実行する。 こうして、ｎ個の文字候補を得て２番目の文字に係る文
字識別を終了する。それと同時に、特徴抽出部６て３番
目の文字に係る大分類用特徴量を抽出する。 ステップ８１５〜ステツプＳＩ９ ステップＳ１０．ステップＳＫＩ ステップ８２〜ステツプ８５ 以下、同様にして特徴抽出部６で（Ｊ大分類用あるいは
詳細識別用の特徴量を順次抽出し、この抽出された特徴
量に基づいて識別演算部８ては大分類あるいは詳細識別
の演算処理を順φ（実行ずろ。 さらに、後処理部１１では識別結果に基づいて文節理解
を順次実行オろ。 時点Ｆにおいて、上述のようにして、直前の時点にお（
］る識別結果に基づいて後処理部ＩＩて文節理解を実行
する。その結果、識別演算部８で得らＡ］た文節候１ｌ
ｌｉか文節の切れ［１を表゛４′文字である場合には、
第４バツフアＩＯに格納された文字ラティスを文節１１
１位で切り出す。それと同時に、識別演算部８てはｎ番
目の文字？こ係る大分類の演算を実行する一力、特徴抽
出部６ては１番１」の文字に係る詳細識別用特徴量を抽
出ずろ。 ・ステップ３２０〜ステツプＳ２２ ステツプＳＩ２〜ステツプＳ１４ ステップ８６〜ステツプＳ９ 時点Ｇにおいて、上記時点Ｆで切り出された文節単位の
文字ラティスに基づく文節候補と中給辞書メモリ１２に
格納された単語辞書との比較／Ｊｊｊｉ合を実行し、正
しい文節候補を出力する。それと同時に、識別演算部８
ではｎ番目の文字に係るＲ）ｆ細識別の演算を実行する
一方、特徴抽出部６で（Ｊ（ｎ＋１）番目の文字に係る
大分類用特徴量を抽１」１する。 ・ステップＳ２３．ステップ８２４ ステツプＳ］５〜ステツプＳ１９ ステップＳ２０ステツプＳｌｌ ステップ８２〜ステツプ８５ 以下、同様にして、特徴抽出部６では大分類用あるいは
詳細識別用の特徴量を順次抽出し、ごの抽出された特徴
量に晧づいて識別演算部８で（ｊ大分類あるいは詳細識
別の演算処理を順次実行］゛る。 そして、識別演算部８の詳細識別によって得られた識別
結果に基づいて後処理部１１では文節理解および辞書照
合を実行して、正しい文節候補が出力される。こうして
、最終文字に係る大分類用特徴量を抽出して時点■］に
至る。 時点トＩにおいて、直前の時点て抽出された最終文字に
係る大分類用精微量に基づいて、識別演算部８で大分類
の演算処理を実行する一方、特徴抽出部６で上記最終文
字に係る詳細識別用特徴量を抽出する。それと同時に、
後処理部１１で文節理解を実行する。 ・ステップＳＬ２〜ステップＳ１４ ステップ８６〜ステップＳ９ ステップＳ２０ステツプ８２１ 時点■において、時点時点Ｈで抽出された最終文字に係
る詳細識別用特徴量に基づいて、識別演算部８で詳細識
別の演算処理を実行する。こうして、最終文字に係る識
別を終了する。 ・・ステップ８１５〜ステップＳＩ９ 時点、■において、時点Ｉで得られた最終文字に係る識
別結果に基づいて、後処理部１１で第４バツフア１０に
格納された最終文節に係る文字ラティスに対して文節理
解を実行する。この場合は、当該文字は最終文字である
からその識別結果は文節の切れ目を表す文字である。し
たがって、第４バツフアｌＯに格納された最終文節を切
り出す。 ・・ステップ８２０〜ステップ８２２ 時点Ｋにおいて、後処理部１１で最終文節に係る辞書照
合を実行し、最終文節に係る文節候補を内部メモリに格
納して総ての文字認識を終了する。 ・・ステップＳ２３ステツプＳ２４ このように、上記実施例においては、入力文字を大分類
する際に用いる大分類用精微量の抽出と、その大分類用
精微量に基づく大分類によって得られる大分類カテゴリ
内におＩＩる詳細識別を実施する際に用いる詳細識別用
特徴量の抽出とを一つの特徴抽出部６によって実施する
。さらに、上記大分類用特徴量に基づく大分類の識別演
算と、上記詳細識別用特徴量に基づく詳細識別演算とを
一つの識別演算部８によって実施する。つまり、一つの
特徴抽出部６および一つの識別演算部８によって１文字
に対する大分類と詳細識別とを実施するのである。した
がって、低コストで簡単な処理によって、高精度の文字
認識を実施できる。 また、上記実施例においては、上記識別演算部８による
当該文字に係る大分類の演算と特徴抽出部６による当該
文字に係る詳細識別用特徴抽出とを同時に実施する。ま
た、識別演算部８による当該文字に係る詳細識別の演算
と特徴抽出部６による次の文字に係る大分類用特徴抽出
とを同時に実施する。また、後処理部１１による後処理
を、特徴抽出部６による大分類用精微量あるいは詳細識
別用特徴歯の抽出、および、識別演算部８による大分類
の演算あるいは詳細識別の演算と同時に実施する。 したがって、特徴抽出部６は識別演算部８による演算終
了や後処理部Ｉ＋による処理終了を待つことなく次の特
徴抽出処理を実行でき、文字認識処理のトータル実時間
を大幅に短縮できる。 第２実施例 第２実施例は、大分類によって得られた大分類カテゴリ
内における詳細識別を実施する際に、得られた大分類カ
テゴリに応じた最適な識別手法を選択して詳細識別を実
施することによって、より高い認識率を得るものである
。 本実施例に係る文字認識装置の構成の概略は第１実施例
と同様であり、第１図に示す通りである。 但し、その処理動作は次に示す点において第１実施例と
は異なる。 本実施例においては、方向寄与度特徴量、線密度特徴量
およびペリフェラル特徴量の３つの特徴量を夫々詳細識
別用特徴量とする３種の識別手法を、詳細識別の際に用
いるものとする。上記方向寄与度特徴量は、文字」二の
一点から４方向への寄与度を表したものである。 ここで、予め大分類カテゴリの内容に応じて、その大分
類カテゴリに属する文字を詳細識別する際に上記３つの
特徴量のうしいずれの特徴量に基づく識別手法が最適で
あるか（ずなイっち、最も高い認識率が得られるか）を
調べ、大分類カテゴリとこの大分類カテゴリに係る詳細
識別に最適な識別子法名とを対応付けたテーブルをメモ
リ（図示せず）格納しておく。 また、上記標準パターンメモリ９に格納される上記詳細
標準パターンは次のよう？こして求めておく。各大分類
カテゴリに属する複数のザンプルをさらに上記小クラス
タにクラスタ化する。そして、各小クラスタに属するサ
ンプル毎に、対応する大分類カテゴリに係る最適な詳細
識別用特徴量の平均値を求め、この平均値のベク）・ル
のパターンを上記詳細標準パターンとするのである。つ
まり、標準パターンメモリ９に格納される標準パターン
は、大分類カテゴリーこの大分類カテゴリに係る最適な
詳細識別用特徴量による詳細標準パターン文字コードを
対応付けたものである。 本実施例にお（プる大分類用特徴虫の抽出方法および大
分類の演算方法は、第１実施例？こおける大分類用特徴
量の抽出方法および大分類の演算方法と全く同じである
ので説明は省略する。これに対して、本実施例における
詳細識別用特徴量の抽出方法および詳細識別の演算方法
は第１実施例とは異なり、以下に説明するｊ；うな方法
によって実施される。 すなイつち、特徴抽出部６は、詳細識別用特徴量を抽出
する際には、方向寄与度特徴量、線密度特徴量およびペ
リフェラル特徴量からなる３つの詳細識別用特徴量を抽
出し、この抽出した夫々の詳細識別用特徴量のパターン
を詳細特徴パターンとして第３バツフア７に格納する。 この場合、」−述のように特徴抽出部６は画像処理専用
のｒ、ｓｒによって構成されているので、特徴量の抽出
を非常に短時間に処理できる。したがって、識別演算部
８が大分類の演算を実行している間に、３つの詳細識別
用特徴量を抽出することが可能なのである。 また、上記識別演算部８は、詳細識別の演算を実行する
際には次のように実行する。まず、識別演算部８の内部
メモリに格納された当該文字に係る大分類結果（大分類
カテゴリ）に基づいて上記テーブルを参照し、当該文字
の詳細識別に用いるのに最適な識別手法名は何であるか
を知る。そして、第３バツフア７に格納された当該文字
に係る複数の詳細特徴パターンの中から当該文字の詳細
識別に用いるのに最適な識別手法に係る詳細特徴パター
ンのみを読み出す一方、当該文字の大分類カテゴリに係
る複数の詳細標準パターンを標準パターンメモリ９から
読み出す。そして、読み出した詳細特徴パターンと上記
詳細標準パターンとのユークリッド距離を算出し、ユー
クリッド距離の近い順にｎ個の詳細標準パターンの文字
コードを識別結果として出力するのである。 したがって、本実施例における文字認識処理動作のフロ
ーヂャートは、第３図に示す第１実施例に係る文字認識
処理動作のフローヂャートにおけるステップＳ＋５およ
びステップＳ１６の処理内容を、次のように変更したも
のとなる。 ステップＳＩ５ 得られた大分類カテゴリに対応した詳細識別用特徴量に
よる詳細標準パターンを読み出す。 ステップＳＩ６ 得られた大分類カテゴリに係る最適な識別手法における
詳細特徴パターンを読み出す。 但し、本実施例の場合における特徴抽出部６識別演算部
８および後処理部１１における動作のタイミングは、第
２図に示す第１実施例におけるタイミングチャートと全
く同じである。 このように、大分類によって得られた大分類カテゴリに
応じて、その大分類カテゴリに属する文字の詳細識別に
最適な詳細識別特徴量を用いた詳細識別手法で詳細識別
を実施することによって、次のような効果が得られる。 すなわち、例えば漢字認識時における大分類の結果、大
分類カテゴリとして“国構え（ロ）”が得られたとする
。その場合には大分類カテゴリ“国構え”に属する文字
におＩＪる上記矩形枠の一辺からの最初の文字線まで距
離は大略同じである。したがって、大分類カテゴリ“国
構え”に属する文字の詳細識別に用いる詳細識別用特徴
量として１次のペリフェラル特徴量を用いた詳細識別で
は全く識別能力は無く、むしろ２度目の文字線までの距
離に基づく２次のペリフェラル特徴量あるいは３度目の
文字線までの距離に基づく３次のペリフェラル特徴量の
方が識別能力が高いのである。また、大分類カテゴリパ
国構え”に係る詳細識別に用いる詳細識別用特徴量とし
ては方向寄与度特徴量も有効である。 これに対して、ある大分類カテゴリに属する文字群の中
に文字“己”や“巳”がある場合には、１次のペリフェ
ラル特徴量が詳細識別用特徴量として非常に有効である
。ところが、３次以上のペリフェラル特徴量は全く識別
能力がないのである。 また、文字“土”と“±”や“未”と末”のように、文
字の総ての領域において方向成分が酷似しているような
文字群の詳細識別に際しては、詳細識別用特徴量として
方向寄与度特徴量を用いても高い識別結果が得られない
のである。 このように、方向寄与度特徴量、線密度特徴量およびペ
リフェラル特徴量等の各特徴量は、大分類カテゴリに応
じて詳細識別能力が全く異なるのである。したがって、
詳細識別用特徴量として一律に一つの特徴量を用いるよ
りも、大分類によって得られた大分類カテゴリに応じて
、その大分類カテゴリに属する文字群の識別に最適な識
別手法におｔＪる特徴量を詳細識別用特徴量とすること
によって高い識別結果を得ることができるのである。 すなわち、例えば大分類カテゴリが“国構え”の場合に
は２．３次のペリフェラル特徴量あるいは方向寄与度特
徴量を、大分類カテゴリに属する文字群の中に文字“己
”や“巳”がある場合には１次のペリフェラル特徴量を
用いることによって高い識別度が得られるのである。 このように、上記実施例においては、一つの特徴抽出部
６および一つの識別演算部８によって１文字に対する大
分類と詳細識別とを実施し、さらに、当該文字に係る大
分類の演算と当該文字に係る詳細識別用特徴抽出とを同
時に実施する一方、当該文字に係る詳細識別の演算と次
の文字に係る大分類用特徴抽出とを同時に実施する。 その際に、大分類カテゴリとこの大分類カテゴリに係る
詳細識別に最適な識別手法名（方向寄与度特徴量、線密
度特徴量およびペリフェラル特徴量に基づく識別手法の
いずれか）とを対応付けたテーブルを用意する。また、
標準パターンメモリ９には、大分類カテゴリとこの大分
類カテゴリに係る最適な詳細識別用特徴量による詳細標
準パターンと文字コードとを対応付＋′Ｊた詳細識別用
の辞書を格納しておく。 そして、特徴抽出部６による詳細識別用特徴量抽出に際
しては、方向寄与度特徴量、線密度特徴量およびペリフ
ェラル特徴量の総てを抽出して詳細特徴パターンを得る
。一方、識別演算部８によって詳細識別の演算を実行す
る際には、大分類の結果得られた大分類カテゴリに基づ
いて、この大分類カテゴリに係る詳細識別を行なうに際
における最適な識別手法名を上記テーブルを参照して調
べる。そして、この調べられた識別手法名（方向寄与度
特徴量、線密度特徴量およびペリフェラル特徴量のいず
れカリに対応した上記詳細特徴パターンと上記詳細標亭
パターンとに基づいて詳細識別の演算を実施するのであ
る。 したがって、識別演算部８によって詳細識別を実施する
際に、識別対象文字の大分類カテゴリに属する個々の文
字を識別するのに最適な識別手法にＪ：って詳細識別を
実施でき、より高い文字認識結果を得ることができる。 上記実施例における詳細識別に際に用いる詳細識別用特
徴量として、方向寄与度特徴量、線密度特徴量およびペ
リフェラル特徴量のいずれかを用いている。しかしなが
ら、この発明においてはこれに限定されるものではない
。ずなイっち、認識の対象となる文字の内容や大分類カ
テゴリの内容に応じて、最大の認識率が得られるような
特徴量を用いればよい。 上記実施例においては、識別演算部８による詳細識別の
演算に際しては、方向寄与度特徴量、線密度特徴量およ
びペリフェラル特徴量のうち最適な一つの特徴量に基づ
いて実行するようにしている。しかしながら、この発明
においてはこれに限定されるものではない。すなわち、
詳細識別に際して方向寄与度特徴量、線密度特徴量およ
びペリフェラル特徴量のうちの複数の特徴量を用いて詳
細識別の演算を実施する。そして、得られた複数の特徴
量に基づく各ｎ個ずつの文字候補にお１）る同じ文字候
補に係る候補順位の平均値を求め、その平均値の順位を
その文字候補の候補順位としてもよい。 上記各実施例においてはこの発明を文字認識装置に適用
した場合を例に説明しているが、音声認識装置等に適用
しても何等差し支えない。

【発明の効果】

以−トより明らかなように、第１の発明の識別方法は、
特徴抽出部で抽出されたある認識対象に係る任意の特徴
量に基づく識別演算部による識別演算と、上記特徴抽出
部による当該認識対象に係る上記任意の特ｍｆＡとは異
なる特徴量の抽出とを同時に実行し、上記特徴抽出部で
抽出された当該認識対象に係る所定回数番目の特徴量に
基づく上記識別演算部による識別演算と、上記特徴抽出
部による当該認識対象の次の認識対象に係る最初の特徴
量の抽出とを同時に実行し、上記識別演算部による識別
演算結果に基づく当該認識対象の認識結果に対する後処
理を、上記特徴抽出部による特徴量抽出および識別演算
部による識別演算と平行して実施するよう？こしている
ので、一つの特徴抽出部および一つの識別演算部によっ
て認識対象に対する複数の特徴量抽出および複数の識別
演算とを実施することができる。したがって、簡単な構
成で高精度の認識処理を実現できる。 また、」二連のように、上記任意の特徴量に基づく識別
演算と、上記任意の特徴量とは異なる特徴量の抽出と、
認識結果に対する後処理を同時に実行するので、認識時
間を大幅に短縮して高速認識を実現できる。 また、第２の発明の認識方法は、識別演算部による当該
認識対象に係る大分類演算と特徴抽出部による当該認識
対象に係る詳細識別用特徴量の抽出とを同時に実行し、
上記識別演算部による当該認識対象に係る詳細識別演算
と上記特徴抽出部による当該認識対象の次の認識対象に
係る大分類用特徴量の抽出とを同時に実行するようにし
たので、一つの特徴抽出部と一つの識別演算部によって
認識対象の大分類と詳細識別を平行処理できる。 したがって、この発明によれば、簡単な構成で、高速か
つ高精度の認識を実施できる。 また、第３の発明の認識方法は、上記第２の発明の認識
方法にお（′３る識別演算部による詳細識別演算の際に
は、複数の詳細識別用特徴量の中から大分類演算結果に
基づいて選択された当該認識対象の識別として適切な詳
細識別用特徴量によって詳細識別演算を実行するように
したので、簡単な構成による高速認識をより高精度で実
施できる。 また、第４の発明の認識方法は、上記第３の発明の認識
方法における特徴抽出部による詳細識別用特徴量の抽出
の際には、識別演算部が実行できる総ての詳細識別用特
徴量を抽出し、識別演算部による詳細識別演算の際には
、大分類演算結果に基づいて選択された当該認識対象の
識別として適切な詳細識別用特徴量に係る詳細識別用特
徴量のみを上記抽出された総ての詳細識別用特徴量の中
から選出して用い、上記適切な詳細識別用特徴量によっ
て詳細識別演算を実行するようにしたので、簡単な構成
による高精度の認識をより高速に実施できる。

【図面の簡単な説明】

第１図はこの発明に係る文字認識装置のブロック図、第
２図は第１図における特徴抽出部、識別演算部および後
処理部によって実施される文字認識動作のタイミングチ
ャート、第３図は第１実施例における文字認識処理動作
のフローチャート、第４図は従来の文字認識装置の一例
における識別部のブロック図である。 ｌ・・・文字画像人ツノ部、 ４・・・識別部、 ８・・識別演算部、 １１・・後処理部、 ３・・・前処理部、 ６・・・特徴抽出部、 ９　標準パターンメモリ、 １２・・・単語辞書メモリ。

Claims (1)

1. 【特許請求の範囲】 （１）文字および音声等の認識対象の特徴を表す特徴情
   報に基づく特徴抽出部による上記認識対象の特徴量の抽
   出と、この抽出された特徴量に基づく識別演算部による
   識別演算とを含む一連の識別処理を所定回数実施して上
   記認識対象を識別し、得られた識別結果に対して所定の
   後処理を後処理部で実施して上記認識対象が属するカテ
   ゴリを認識する認識方法において、 上記特徴抽出部で抽出されたある認識対象に係る任意の
   特徴量に基づく上記識別演算部による識別演算と、上記
   特徴抽出部による当該認識対象に係る上記任意の特徴量
   とは異なる特徴量の抽出とを同時に実行し、 このような当該認識対象に係る識別演算と特徴量抽出と
   を上記所定回数より一少ない回数だけ実施し、 上記特徴抽出部によって抽出された当該認識対象に係る
   上記所定回数番目の特徴量に基づく上記識別演算部によ
   る識別演算と、上記特徴抽出部による当該認識対象の次
   の認識対象に係る最初の特徴量の抽出とを同時に実行し
   、 当該認識対象に係る上記識別演算部による識別演算結果
   に基づいて当該認識対象を識別して識別結果を得、 上記得られた識別結果に対する上記後処理部による後処
   理を、上記特徴抽出部による特徴量抽出および識別演算
   部による識別演算と平行して実施することを特徴とする
   認識方法。（２）請求項１に記載の認識方法において、
   上記特徴抽出部は各認識対象における大分類用特徴量ま
   たは詳細識別用特徴量を抽出するようになっている一方
   、上記識別演算部は上記大分類用特徴量に基づく大分類
   演算または上記詳細識別用特徴量に基づく詳細識別演算
   を実施するようになっており、 上記識別演算部による当該認識対象に係る大分類演算と
   上記特徴抽出部による当該認識対象に係る詳細識別用特
   徴量の抽出とを同時に実行し、上記識別演算部による当
   該認識対象に係る詳細識別演算と上記特徴抽出部による
   当該認識対象の次の認識対象に係る大分類用特徴量の抽
   出とを同時に実行することを特徴とする認識方法。 （３）請求項２に記載の認識方法において、上記識別演
   算部は複数の詳細識別演算手法を実行するようになって
   おり、 上記識別演算部による当該認識対象に係る詳細識別演算
   を実行する際には、上記識別演算部による当該認識対象
   に係る大分類演算結果に基づいて上記複数の詳細識別演
   算手法のうち当該認識対象の識別として適切な詳細識別
   演算手法を所定の手順によって選択し、この選択された
   詳細識別演算手法によって詳細識別演算を実行すること
   を特徴とする認識方法。 （４）請求項３に記載の認識方法において、上記特徴抽
   出部による詳細識別用特徴量抽出に際しては、上記識別
   演算部が実行できる総ての詳細識別演算手法に係る詳細
   識別用特徴量を抽出し、上記識別演算部による当該認識
   対象に係る詳細識別演算の実行に際しては、上記識別演
   算部による当該認識対象に係る大分類演算結果に基づい
   て上記複数の詳細識別演算手法のうち当該認識対象の識
   別として適切な詳細識別演算手法を選択し、上記特徴抽
   出部によって抽出された複数の詳細識別用特徴量のうち
   上記選択された詳細識別演算手法に係る詳細識別用特徴
   量を用いて、上記選択された詳細識別演算手法によって
   詳細識別演算を実行することを特徴とする認識方法。