JPH0769940B2 - 連想整合認識方式 - Google Patents

Description

【発明の詳細な説明】 〔概要〕 入力パターンから特徴量を抽出してそのパターンの認識
を行う認識方式に関し、 辞書の記憶容量が少なくて済み、かつ、認識性能を低下
させずに認識時間の大幅な改善を実現することを目的と
し、 入力パターンの複数の領域の各々から特徴量を抽出する
特徴量抽出手段と、複数の各学習パターンに対して特徴
量抽出手段で各領域別に特徴量を抽出した後、各領域別
に複数の学習パターンのクラス分けを行うクラス分け手
段と、各クラスの代表特徴量を演算する代表特徴量演算
手段と、各クラス毎の代表特徴量及び各クラスに含まれ
る学習パターンの種類を各領域別に辞書として記憶する
辞書記憶手段と、未知入力パターンに対して特徴量抽出
手段で各領域別に特徴量を抽出した後、各領域別に辞書
記憶手段内の対応する各クラスの代表特徴量との類似度
を演算する類似度演算手段と、辞書記憶手段を検索し
て、各領域別に類似度の高い上位所定順位までのクラス
に含まれる各学習パターンにそのクラスの順位に対応す
る得点を累算する得点累算手段と、各領域の全てについ
て得点累算手段による累算動作が終了した後、累算され
た得点の高い学習パターンから順に順位付きの認識結果
候補として出力する認識結果候補出力手段とを有するよ
うに構成する。

〔産業上の利用分野〕

本発明は、入力パターンから特徴量を抽出してそのパタ
ーンの認識を行う認識方式に関する。

〔従来の技術〕

画像イメージパターン（活字パターン等）や音声信号パ
ターン（周波数包絡の時間変化パターン等）から特徴量
を抽出して、そのパターンの認識を行う場合、通常は入
力する未知パターンの特徴量と予め記憶させておいた辞
書パターンの特徴量とをマッチングさせて、最も特徴量
の類似度の高い辞書パターンを認識結果とする方式が一
般的である。

このような技術を用いた従来例として、１つの未知入力
パターン全体から一組の特徴量を抽出し、また、各辞書
パターンにおいては、各パターンの全体の特徴を表す一
組ずつの特徴量が記憶されており、前記未知入力パター
ンの一組の特徴量と各辞書パターンの一組ずつの特徴量
とを総当たり的にマッチングさせ、特徴量の類似度の高
い辞書パターンから順に順位付けをして認識候補結果と
する、いわゆる総当たり法が知られている。

〔発明が解決しようとする課題〕

しかし、上記従来例において、例えば活字イメージデー
タの認識等を行おうとする場合、一つのパターンから抽
出される特徴量は、多くの情報量が必要なため、ディジ
タルデータで表現しようとした場合そのデータ量はかな
り多くなる。しかも、認識を行うべき活字イメージデー
タの種類は、一般に3000種類程度必要なため、その全て
に対して特徴量を辞書として記憶させるためには、膨大
な記憶容量が必要となり、コストの増大を招くという問
題点を有している。

また、未知入力パターンの特徴量を、上記3000種類程度
の各辞書パターンの特徴量と総当たり的にマッチングさ
せるため、認識時間も非常に長くかかり、応答性能の悪
い認識装置しか実現できないという問題点を有してい
る。

本発明は、辞書の記憶容量が少なくて済み、かつ、認識
性能を低下させずに認識時間の大幅な改善を実現するこ
とを目的とする。

〔課題を解決するための手段〕

第１図は、本発明の原理図であり、同図（ａ）は、本発
明のブロック構成を示した図である。

特徴量抽出手段101は、入力パターンの複数の領域の各
々から特徴量を抽出する手段であり、例えば活字イメー
ジデータを複数の領域に分割して、各領域から活字パタ
ーンの線分の特徴（例えば方向）を抽出する手段により
実現する。

クラス分け手段102は辞書作成時に使用され、複数の各
学習パターン108に対して特徴量抽出手段1014で各領域
別に特徴量が抽出された後、各領域別に複数の学習パタ
ーンのクラス分けを行う手段であり、例えば各領域別の
特徴量のクラスタリングを行う手段によって実現され
る。

代表特徴量演算手段103は同じく辞書作成時に使用さ
れ、上記クラス分け手段102によって各領域別にクラス
分けされた各クラス毎の代表特徴量を演算する手段であ
り、例えば各クラスに含まれる学習パターン108の対応
する領域の特徴量の平均を計算して代表特徴量とする手
段によって実現される。

辞書記憶手段104は、各クラス毎の代表特徴量及び各ク
ラスに含まれる学習パターンの種類を各領域別に辞書と
して記憶する手段であり、例えばROM（リードオンリー
メモリ）あるいはディスク記憶装置によって実現され
る。

次に、類似度演算手段105は未知入力パターン109の認識
時に使用され、未知入力パターン109に対して、特徴量
抽出手段101で各領域別に特徴量が抽出された後、各領
域別に辞書記憶手段104内のその領域に対応する各クラ
スの代表特徴量との類似度を演算する手段であり、例え
ば特徴量間のユークリッド距離を演算する手段により実
現される。

得点累算手段106は同じく未知入力パターン109の認識時
に使用され、類似度演算手段105で演算された類似度に
ついて、各領域別に類似度の高い上位所定順位までのク
ラスに含まれる学習パターンを辞書記憶手段104から検
索し、各クラスを順位に対応する得点を累算する手段で
あり、例えば前記ユークリッド距離の小さい上位５位程
度までのクラスに含まれる学習パターンに、１位は５
点、２位は３点、・・・、５位は１点というような得点
を累算してゆく手段により実現される。

そして、認識結果候補出力手段107は同じく未知入力パ
ターン109の認識時に使用され、各領域の全てについて
得点累算手段106による累算動作が終了した後、累算さ
れた得点の高い学習パターンから順に順位付きの認識結
果候補110として出力する手段である。

〔作用〕

上記手段における作用を、第１図（ｂ）及び（ｃ）を用
いながら以下に説明を行う。

始めに、認識処理の前提となる辞書作成処理につき、第
１図（ｂ）の動作説明図を用いて説明を行う。

まず、特徴量抽出手段101（第１図（ａ）、以下同図参
照）において、複数の学習パターン108を順次入力し
（第１図（ｂ）STEP1、以下同図参照）、各パターンを
同一の複数の領域に分割して各領域別に全学習パターン
108の特徴量を抽出する（STEP2）。

次に、クラス分け手段102が上記複数の各領域を順次決
定し（STEP3）、その領域に対応する各学習パターンの
特徴量に基づいて複数の学習パターンのクラス分けを実
行する（STEP4）。

その後、代表特徴量演算手段103において、上記処理に
よってクラス分けされた各クラスの代表特徴量が演算さ
れる（STEP5）。

そして、各クラスの代表特徴量及び各クラスに含まれる
学習パターンの種類が辞書記憶手段104に記憶される（S
TEP6）。

以上のSTEP3〜６の処理は、前記複数の各領域全てにつ
いて独立に実行される（STEP7→STEP3）。そして、全て
の処理が終了したら、辞書作成の処理を終了する。

上記処理により、まず、学習パターンが複数の領域に分
割され、更に、各領域毎にクラス分けされ、辞書には各
クラスの代表特徴量のみが記憶されるため辞書の記憶容
量を大幅に減らすことができる、なお、各領域別の各ク
ラス毎に特徴量を記憶するが、一領域あたりの特徴量の
表現に必要な情報量は、領域を分割した数に応じて減少
するため、全体の記憶容量は、全ての学習パターンの特
徴量を記憶した場合に比較して、クラス分けの分割数に
応じて減少する。なお、各クラスに含まれる学習パター
ンの種類を記憶するのに必要な記憶容量は、特徴量の記
憶容量に比較して小さいので、全体的に見ても辞書の記
憶容量を減らすことができる。

次に、認識処理について第１図（ｃ）の動作説明図を用
いて説明を行う。

まず、特徴量抽出手段101において、未知入力パターン1
09を入力し（第１図（ｃ）STEP8、以下同図参照）、そ
のパターンを前記学習パターンと同一の複数の領域に分
割して各領域別に特徴量を抽出する（STEP9）。

次に、類似度演算手段105が上記複数の各領域を順次決
定し（STEP10）、その領域に対応する未知入力パターン
109の特徴量と、辞書記憶手段104内の上記領域に対応す
る各クラスの代表特徴量との類似度が演算される（STEP
11）。

その後、得点累算手段106が、類似度の高い上位所定順
位までのクラスに含まれる学習パターンを辞書記憶手段
104から検索し、各クラスの順位に対応する得点を累算
する（STEP12）。

以上のSTEP10〜12の処理は、前記複数領域全てで独立に
実行される（STEP13→STEP10）。これを連想整合認識と
呼ぶ。

そして、全ての領域について上記累算動作が終了した
後、認識結果候補手段107が、累算された得点の高い学
習パターンから順に順位付きの認識結果候補110として
出力し、認識処理を終了する（STEP13→STEP14）。

上記認識処理により、未知入力パターンと学習パターン
との類似度の計算は、各領域別に各クラスの代表特徴量
とのみ行えばよく、また、領域別の特徴量の情報量は前
記したようにその分割数に応じて減少するため、全ての
学習パターンの特徴量との間で類似度の計算をするのに
比べ、大幅に計算量を削減することができる。更に、各
領域別に各クラスとの類似度の計算を行った後、各学習
パターンの総合的な類似度を求める場合、類似度の高い
上位所定順位のクラスに含まれる学習パターンのみに、
得点という形式で累算を行ってゆくため、学習パターン
毎に類似度の合計を求めるのに比較しても、少ない計算
量で済む。

〔実施例〕

以下、本発明の実施例につき詳細に説明を行う。

｛本実施例の全体構成図｝ まず、第２図は、本発明の実施例の全体構成図である。

第２図において、活字文書が印刷された原稿201は、イ
メージスキャナ202内の画像入力部203によって読み取ら
れた後（解像度は、８本／ミリ）、２値化部204におい
て論理「１」又は「０」によって表現される２値画像デ
ータに変換される。

次に、２値画像データは切り出し部205に入力する。こ
こでは、２値画像データから各活字が、１文字あたり横
64画素、縦64画素の大きさで切り出される。なお、各画
素においては、１ビットデータの論理「１」又は「０」
によりパターンの有無が表わされている。

このようにして切り出された活字イメージデータ213
は、前処理部206に入力する。ここでは、活字イメージ
データ213に対して、ノイズ除去・スムージングを行っ
た後、その大きさの正規化を行う。その後、パターンの
細線化を行い、 細線化されたデータに対して各画素の方向成分を求める
線素化の処理を行って、線素化活字イメージデータ214
を出力する。

上記処理によって前処理部206から出力される線素化活
字イメージデータ214は次に特徴量抽出部207に入力す
る。ここでは、線素化活字イメージデータ214に基づい
て、活字の特徴量として活字方向線素特徴量215を演算
する。

続いて、活字方向線素特徴量215は認識部208内の連想整
合認識部209に入力する。ここでは、連想整合法によ
り、連想整合用標準パターン辞書部211内の連想整合用
の標準パターンとのパターンマッチングが実行され、元
の活字イメージデータ213の活字候補が認識されて大分
類認識結果216として出力される。

更に、このようにして認識された大分類認識結果216
は、細分類部210に入力する。ここで大分類認識結果216
として得られる活字候補に基づいて、細分類辞書部212
が参照され、これと元の活字方向線素特徴量215を用い
て細分類が行われることにより、最終的な活字認識結果
が細分類認識結果217として出力される。

｛本実施例の動作説明｝ 上記構成の実施例の動作について、以下に順次説明を行
ってゆく。なお、以下の説明においては、第３図の本実
施例の全体動作フローチャートに基づいて説明を行う。

画像入力処理 まず、画像入力処理を行って、活字イメージデータ213
を得る処理について説明を行う。

前記したように第２図において、活字文書が印刷された
原稿201は、画像入力部203で読み取られた後、２値化部
204で２値画像データに変換され（第３図S1）、更に、
切り出し部205において、２値画像データから各活字
が、１文字あたり横64画素、縦64画素の大きさで切り出
され、活字イメージデータ213として出力される（第３
図S2）。この活字イメージデータ213に対する例を、漢
字「亜」を例として第４図に示す。同図で、「＊」で示
される画素がパターン部分として論理「１」で表現され
ている。

ノイズ除去・記号類判別・スムージング処理 上記処理により切り出された活字イメージデータ213
は、第２図の前処理部206に入力し、まず、ノイズ除去
が行われる。活字イメージデータ213には、原稿201自身
又はイメージスキャナ202の読み取り制度が原因で、ノ
イズがのることが多い。ここで、ノイズはイメージ上で
孤立した１〜２画素の点として現れ、後の認識処理に悪
影響を及ぼすため、そのようなノイズを論理処理によっ
て除去するのがノイズ除去処理である（第３図S3）。

次に、上記のようにノイズが除去された活字イメージデ
ータについて、前処理部206において信号類の判別を行
う。後述するように、活字イメージデータはその大きさ
が正規化されるとともに細線化されるが、一部の活字
（殆ど記号類である）は正規化又は細線化を行うと、活
字本来の情報を失ってしまう。以下にその具体例を示
す。

（ケース）正規化と細線化が望ましくない活字 例 、。,.・゛゜´｀¨＾ヽヾゝゞ〃 上記のような記号を正規化及び細線化すると、もとの形
が失われてしまう。

（ケース）正規化が望ましくない活字 例 −１−−｜− 上記のような活字を正規化すると、領域全体が黒で埋ま
ってしまう。

（ケース）細線化が望ましくない活字 上記のような活字を細線化すると、点あるいは短い線分
になってしまう。

以上に示したような活字については、通常の後述する正
規化・細線化等の処理を行わずに別の処理をおこなった
方が正しい認識を行えるため、前記ノイズ除去処理の後
にこのような化合類の判別を行う（第３図S4）。以下に
その判別アルゴリズムを示す。

まず、前記ケースに相当する活字については、これら
の記号が通常の活字に比べて大きさが数倍小さいため、
文字幅によって判別する。

次に、前記ケースに相当する活字については、これら
の活字の横幅と縦幅が極端に異なるため、幅の比によっ
て判別する。

最後に、前記ケースに相当する活字については、通常
の活字の細線化（後述する）の繰り返し回数は線幅の1/
2程度で済むのに対し、上記のものは数倍多い。従っ
て、後述する細線化の処理において、適切な閾値を設け
ることにより判別する。

以上の記号類判別の処理の後、記号類と判別されなかっ
た活字について、次にスムージングの処理を行う。活字
イメージデータ213には、前記ノイズのほかに活字の線
分に凹凸が生じることが多い。これは、第２図の原稿20
1をドットプリンタ等によって印刷した場合に原稿201自
身に凹凸がつき、又はイメージスキャナ202の読み取り
精度も原因となる。このような、線分の凹凸も後の認識
処理に悪影響を及ぼすため、第２図の前処理部206にお
いてスムージングを行う（第３図S5）。具体的には、局
所的（近傍８画素程度）なマスク処理により、１画素程
度の欠け・ふくらみを検出して、その部分を埋める又は
削る処理を行うが、この処理は一般的なディジタル画像
処理として行われているため、具体的な説明は省略す
る。第４図の活字イメージデータ213の例に対して上記
スムージングの処理を行った結果の例を第５図に示す。
同図に示すように、第４図において見られた局所的な線
分の凹凸がきれいに平滑化されていることがわかる。

正規化処理 次に、上記のようにしてノイズ除去・スムージングが行
われた活字イメージデータに対して、第２図の前処理部
206において正規化処理を行う。印刷文字（ワープロ文
字等）は一般的に全角、倍角、半角などがあり、活字の
大きさが様々である。また、同じ角の活字でも、メーカ
ーの設計により大きさが異なる。そこで、本実施例で
は、活字の大きさの影響を取り除くために、入力イメー
ジデータに対し、正規化を行う（第３図S6）。

正規化処理の方法として、線型伸縮法を用いる。ここで
は、64×64画素（ドット）の大きさに線形伸縮を行う。
また、前記「記号類判別処理」でケースと判別された
活字に対しては、まず、活字イメージデータを20×20ド
ットの大きさい線形拡大する。そして、後述する細線化
処理を行わずに、直接後述する線素化部に送る。また、
前記ケースと判別された活字に対しては、縦横を各々
の長さに比例して拡大をする。

第５図のノイズ除去・スムージング後の活字イメージデ
ータに対して正規化処理を行った例を第６図に示す。

細線化処理 続いて、上記のようにして正規化された活字イメージデ
ータに対して、第２図の前処理部206において細線化処
理を行う（第３図S7）。細線化処理とは線分（パターン
部分）の幅を１画素に縮退させることにより、１本の線
分であらわすようにする処理をいう。細線化の方法につ
いては、様々な従来技術があるが、本実施例では、３×
３ドットの論理マスクで活字イメージデータ上を走査さ
せ、当該マスクの中心画素の周りの８近傍の画素の連結
関係を見ながら、パラーンの存在する画素を削ってゆく
方法を用いる。

また、前記「記号類判別処理」のケースに属する記号
類が、前記したようにここで判別できる。そして、ケー
スと判別されたものは、直ちに細線化処理を中止し、
細線化処理を行う前の状態で後述する線素化処理を行
う。

第６図の正規化後の活字イメージデータに対して細線化
処理を行った例を第７図に示す。

線素化処理 細線化された活字イメージデータに対して、本実施例で
は後述する特徴量抽出を行う前提となる線素化処理を行
う（第３図S8）。線素化処理とは、細線化パターンの各
画素を、横成分、縦成分、45゜成分及び135゜
成分の４つの方向成分のうち一方向成分で表す処理をい
う。

方向成分の抽出には、上記４方向に対応して第８図
（ａ）〜（ｄ）に示すような４個の２×１ドットの論理
マスクを用いる。そして、一画素ずつ画面上を走査させ
ながら、各マスクの２ドットが全部パターン（論理
「１」のビット）で埋まっているかどうかを判定してゆ
く。もし、埋まっていれば、この時のマスクの方向をこ
の画素の方向成分とし記憶する。

孤立点や多方向可能の画素については、上記のアルゴリ
ズムでは求められないので、これらの画素については、
３×３画素の論理マスクを用いて、多数決める。

また、前記「記号類判別処理」でケース又はケース
と判別された記号類については、ほかの活字と区別する
ため、このような活字の全てのパターン画素部分に、一
律135゜の方向成文を付加する。

以上の処理によって得られる活字１文字分の線素化した
ものを、線素化活字イメージデータ214として出力す
る。

第７図の細線化処理後の活字イメージデータに対して上
記線素化処理を行って得た線素化活字イメージデータ21
4において、方向成分が割り当てられた各画素をイメー
ジ的に表現した例を第９図に示す。

活字方向線素特徴量の抽出処理 以上、第２図の前処理部206から出力される線素化活字
イメージデータ214は、特徴量抽出部207に入力し、ここ
で、本実施例における認識動作の基本となる活字方向線
素特徴量215が抽出される。

ここでの動作は、第３図のS9に相当するが、この部分を
更に詳細に示した動作フローチャートが第10図である。

まず、第２図の前処理部206から出力される64×64ドッ
トの線素化活字イメージデータ214を入力する（第10図S
18）。

次に、このデータ上で、16×16ドットのマスの位置を決
定する（第10図S19）。すなわち、まず、64×64ドット
の線素化活字イメージデータ214に対して、第11図
（ａ）に示すように８ドット間隔で縦横を分割する。そ
して、16×16ドットを一単位とする領域すなわちマスＷ
を考える。このマスＷは、８ドット間隔すなわち半マス
ずつ重なりを持たせて縦横に移動させられることによ
り、第11図（ａ）に示すように縦横共に７マス分ずつ移
動可能となり、結局、64×64ドットの線素化活字イメー
ジデータ214に対して指定可能なマスＷの位置として、
７×７＝49マス分の位置指定を行える。この49マス分の
位置指定を、第11図（ａ）の左上から８ドット間隔で右
方向に移動させ、右端に達したら左端に戻るとともに８
ドット下方向に移動しながら、マスＷの位置指定を行っ
てゆくのが、第10図のS21から繰り返されるS19の処理で
ある。

上記処理によりマスＷの位置が決定できたら、そのマス
Ｗ内において、前記線素化処理において線素化されてい
る画素の方向成分を、方向成分毎に重みをつけて累算す
る（第10図S20）。すなわち、今、第11図（ｂ）に示す
ように、16×16ドットのマスＷにおいて、中心部分の４
×４ドットの枠で囲まれた領域Ｉに重み４を割り当て、
この領域Ｉとその周りの８×８ドットの枠で囲まれた領
域IIに重み３を割り当て、更に、領域IIとその周りの12
×12ドットの枠で囲まれた領域IIIに重み２を割り当
て、領域IIIの外側の最外周の領域IVに重み１を割り当
てる。そして、前記第10図のS19の処理により、64×64
ドットの線素化活字イメージデータ214内で１つの位置
が定まった16×16ドットのマスＷにおいて、方向成分が
割り当てられている画素が何画素ずつあるかを、方向成
分別に累算してゆく。このとき、各画素がどの領域にあ
るかによって対応する重みを乗じて累算する。

上記処理の計算例として、今、マスＷ内に、縦・横・45
゜及び135゜の４つの方向成分を有する線素（画素）Ａ
〜Ｄが、第12図のようにある場合を考える。同図より、
縦方向成分を有する線素Ａは、領域Ｉ、II、III及びIV
共に４画素分ずつあるため、その累算結果は、 ４×４＋３×４＋２×４＋１×４＝40 ……（１） となる。次に、横方向成分を有する線素Ｂは、領域II
（重み３）に３画素分、領域III（重み２）に１画素分
ある。従ってその累算結果は、 ３×３＋１×２＝11 ……（２） となる。更に、45゜方向成分を有する線素Ｃは、領域II
（重み３）に１画素分、領域III（重み２）に４画素
分、領域IV（重み１）に３画素分ある。従って、その累
算結果は、 ３×１＋２×４＋１×３＝14 ……（３） となる。そして、135゜方向成分を有する線素Ｄは、領
域III（重み２）に１画素分、領域IV（重み１）に２画
素分ある。従って、その累算結果は、 ２×１＋１×２＝４ ……（４） となる。

以上のようにして得られる、縦・横・45゜及び135゜の
４つの方向成分の累算結果を、V1,V2,V3,V4の４つの変
数に割り当て、（V1,V2,V3,V4）によって示されるベク
トルを、現在のマス位置における部分特徴ベクトルとす
る。すなわち、上記（第12図）の例における部分特徴ベ
クトルは、前記（１）〜（４）式より、（40,11,14,4）
となる。これにより、１つのマス位置について４次元の
部分特徴ベクトルが得られる。

以上の４次元の部分特徴ベクトルを求める処理を、16×
16ドットのマスＷを前記したように８ドット間隔でずら
しながら決定される各位値毎に実行する（第10図S21→S
19）。そして、64×64ドットの線素化活字イメージデー
タ214において指定可能なマス位置は49マス分あるた
め、49マス分の処理が終了した時点で、結局４次元×49
＝196次元の特徴ベクトルが得られることになる。な
お、このときの各４次元の部分特徴ベクトルと49マス分
の各マス位置は、正確に対応がとれているとする。

このようにして得られた196次元の特徴ベクトルを、第
２図の活字イメージデータ213に対応する活字方向線素
特徴両215として、第２図の特徴量抽出部207から出力
し、活字方向線素特徴量の抽出処理を終了する（第10図
S21→S22）。

活字方向線素特徴量抽出方式の特徴 上記第３図のS1〜S9までの処理として示される活字方向
線素特徴量抽出方式の利点を簡単にまとめておく。

まず、前提として前処理段階で正規化及び細線化を行う
ことにより、活字パターンの大きさや線の太さの影響を
受けにくく、また、活字パターンを線画としてとらえて
いるため、文字に限られない。

次に、細線化された活字イメージデータを４方向に線素
化することにより、パターンの構造を規格化することが
可能であり、後段の安定な特徴量抽出を可能にしてい
る。

そして、前記活字方向線素特徴量215として得られる196
次元の特徴ベクトルにおいて、４次元ずつ49組の各部分
特徴ベクトルは、第２図の活字イメージデータ213によ
って表される活字パターンの、各マス位置の対応する49
の部分の特徴すなわち部分情報を表している。従って、
例えば漢字パターンにおいては、漢字の偏，つくり等の
部分パターンに対応する情報を、複雑なアルゴリズムを
介さずに、かつ、それらの部分パターンの認識を必要と
せずに得ることができる。

この場合、重みつきのマスＷを用いることにより、線分
の位置及び方向を活字方向線素特徴量215に明確に反映
させることが可能となり、かつ、マスＷの周りの境界付
近の線分に対しては重みを軽くして、そのマス位置の部
分特徴ベクトルの抽出に対する寄与率を低くすることに
より、隣りのマス位置に入る可能性の高い不安定な線分
に対する適切な処理を可能としている。

更に、マス位置を半マス分ダブらせることにより、線分
の位置が多少ずれてもほぼ同じ重みで評価されるように
することができ、安定な活字方向線素特徴量215の抽出
を可能としている。

以上より、どのような活字パターンに対しても同様に活
字方向線素特徴量215を抽出することができ、例えば短
いストロークが多いような複雑な漢字パターン等でも適
切に対処できる。

また、適当なマス位置の部分特徴ベクトルに注目するこ
とにより、活字の一部分のみの部分情報を容易に抽出す
ることができ、後述する細分類認識処理に容易に対処で
きる。

連想整合標準パターン作成処理 以上のようにして得られた活字方向線素特徴量215に基
づく、連想整合法による活字イメージデータ213（第２
図）の認識処理について、以下に説明を行ってゆく。

ここで、後述する連想整合法による認識処理を行う場
合、第２図に示される連想整合用標準パターン辞書部21
1に連想整合用標準パターンを予め登録しておく必要が
ある。そこでまず、連想整合法による活字イメージデー
タ213（第２図）の認識処理の説明の前に、この標準パ
ターンの作成処理について説明を行う。この処理は、第
13図の動作フローチャートによって示される。

まず、例えば3003種程度の全字種について、前記活字方
向線素特徴量抽出処理までと同様の処理によって、活字
方向線素特徴量を求める（第13図S23）。今、字種数を
Ｎとし、各字種の活字方向線素特徴量すなわち196次元
の特徴ベクトルを、x_i（ｉ＝１〜Ｎ）とし、また、各x_i
は、前記第11図（ａ）等で説明した49の各マス位置毎の
４次元ずつ計49組の部分特徴ベクトルx^(m) _i（ｍ＝１〜4
9）から構成されているとする。なお、この各次元の意
味については、既に前記したとおりである。

そして、以下で行うべき標準パターンの作成処理とは、
全字種の特徴ベクトルx_i（ｉ＝１〜Ｎ）を各マス位置毎
にクラスタリングし、各マス位置あたりＬ個（通常、20
個程度）ずつのクラス C^(m) ₁,C^(m) ₂,・・・、C^(m) _L（ｍ＝１〜49） に分類し、このようにして分類された各クラスから、各
々４次元ずつ代表ベクトル^(m) _iを、^(m) _i ＝E(x^(m)),x^(m)∈C^(m) _i(i＝１〜L,m＝１〜49) ・
・・（５） として計算する処理をいう。すなわち、各マス位置毎の
各クラスに含まれる字種に対応する部分特徴ベクトルx
^(m)に対して、それらの平均ベクトルとして計算（上記
でＥ（x^(m)）示される処理）される代表ベクトル^(m) _i
を標準パターンとして得る処理である。上記処理を行う
ためのアルゴリズムズムを以下に示す。

（ａ）まず、第11図（ａ）等において説明した16×16ド
ットのマス位置ｍを決定する（第13図S24）。

（ｂ）次に、そのマス位置ｍに対応する全字種の４次元
の部分特徴ベクトルx^(m) _i（ｉ＝１〜Ｎ）を、以下か
らに示す最遠隣距離法によるクラスタリングアルゴリ
ズムを用いて、Ｌ個のクラスC^(m) _i（ｉ＝１〜Ｌ）にク
ラスタリングする。

C^(m) _i｛x^(m) _i｝，（ｉ＝１〜Ｎ） count＝Ｎ すなわちここでは、初期値としてＮ個のクラスに分かれ
ており、各クラスは各々１つずつの部分特徴ベクトルx
^(m) _iから構成される。なお、countはクラスの分割数を
表す変数であり、後述するようにcount＝Ｌとなった時
点でクラスタリングを終了する。

を満たすC^(m)′_ｊ、C^(m)′_ｊを見つける。但し、 ｄ（C^(m) _i,C^(m) _j＝max｛‖x^(m) _p−x^(m) _q‖｝ （x^(m) _p∈C^(m) _i,x^(m) _q∈C^(m) _j） ここで、‖x^(m) _p−x^(m) _q‖は、部分特徴ベクトルx^(m) _p
とx^(m) _qの距離を示すノルムであり、例えば４次元の特
徴ベクトルのユークリッド距離の２乗和として計算され
る。

すなわち、 である。なお、x^(m) _p,k及びx^(m) _q,kは、各部分特徴ベク
トルx^(m) _p及びx^(m) _qの各次元の要素を示す。

C^(m)′_ｉとC^(m)′_ｊを統合する。すなわち、 C^(m)′_ｉ＝C^(m)′_ｉ＋C^(m)′_ｊ とする。

count＝count−１ もし、countがＬに等しくなければ〜を繰り返
し、Ｌに等しければクラスタリングの処理を終了する。

以上のクラスタリングアルゴリズムにより、現在のマス
位置ｍに対応するＮ種の字種の４次元の部分特徴ベクト
ルx^(m) _i（ｉ＝１〜Ｎ）が、Ｌ個のクラスにクラス分け
される（第13図S25）。

（ｃ）次に、上記のようにして求まったマス位置ｍに対
するＬ個のクラスの代表ベクトル^(m) _iを計算する（第
13図S26）。これは前記（５）式で示されるように、各
クラスC^(m) _i（ｉ＝１〜Ｌ）毎に、そのクラスに含まれ
る字種に対応する４次元の部分特徴ベクトルx^(m)の平均
として計算され、その次元数は当然４である。

（ｄ）上記処理の後、各クラスのC^(m) _i（ｉ＝１〜Ｌ）
に含まれる字種の字種コードをクラス毎にテーブル化し
て、辞書を作成する（第13図S27）。

以上の（ａ）〜（ｄ）に示した処理を、49の各マス位置
ｍ（ｍ＝１〜49）に対して行う（第13図S28→S24）。

第14図は、Ｎ＝3003種の字種を上記連想整合用標準パタ
ーン作成処理によって、各マス位置（マス番号）毎にＬ
＝20個のクラスにクラスタリングした結果の例と、各ク
ラスの代表ベクトルの例を示す。なお、具体例はマス番
号１のみについて簡単に示してある。ここまで説明して
きたように、本実施例では、活字方向線素特徴量として
得られる196次元の特徴ベクトルを、49の各マス位置に
対応する４次元ずつの部分特徴ベクトルに分割し、各部
分特徴ベクトル毎に独立に類似するもの同士をクラス分
けし、各クラス毎に１つの代表ベクトルで代表させてい
る。そして、各部分特徴ベクトルは、既に「活字方向線
素特徴量抽出方式の特徴」の項で説明したように、４次
元ずつ49組の各部分特徴ベクトルは、第２図の活字イメ
ージデータ213によって表される活字パターンの、各マ
ス位置に対応する49の部分の特徴すなわち部分情報を表
している。従って、例えば漢字パターンにおいては、第
14図のマス番号１の場合、3003種の活字イメージデータ
の左上隅の漢字の偏、つくり等の部分パターンが類似す
る字種が同じクラスに入っていることになる。また、各
マス位置において、１つの文字は必ず１つのクラスに分
類され、１つの字種の入るクラスは、各マス毎に異なっ
てもよいことになる。

上記の方式は、漢字の偏、つくり等の部分パターンを抽
出する方式と結果的に対応するところがあるが、後者は
偏やつくり等の形に依存して多様なアルゴリズムが必要
となってくる。これに対し、本方式は字種に依存せず、
複雑なアルゴリズムを介さずに、かつ、それらの部分パ
ターンの認識を必要とせずに、極めて簡潔かつ機械的に
部分パターンの特徴を辞書化することができるという特
徴がある。

連想整合認識処理 前記第３図のS1〜S9までの処理で求まった第２図の活字
イメージデータ213に対応する活字方向線素特徴量215
と、上記連想整合標準パターン作成処理によって連想整
合用標準パターン辞書部211に予め得られる連想整合標
準パターンとのパターンマッチングを行うことにより、
活字イメージデータ213の認識を行う。この場合、本実
施例では以下に説明するように連想整合法による認識処
理を行うことを特徴とする。このアルゴリズムは、第３
図のS10〜S13の処理によって実現される。以下、これら
の処理について、順次説明を行う。

（ｅ）まず、第11図（ａ）等において説明した16×16ド
ットのマス位置ｍを決定し、前記第３図のS9の処理で求
まった未知入力に対する活字方向線素特徴量215である1
96次元の特徴ベクトルのうち、上記マス位置ｍに対応す
る４次元の部分特徴ベクトルをy^(m)とし、第２図の連想
整合用標準パターン辞書部211に登録されているマス位
置ｍに対応する連想整合用標準パターンのＬ個の各クラ
スの代表ベクトル^(m) _iとの間の距離D^(m) _iを計算しマ
ッチングをとる（第３図S10）。すなわち、 D^(m) _i＝‖y^(m)−^(m) _i‖（ｉ＝１〜Ｌ） ・・・（６） ここで、‖y^(m)−^(m) _i‖は、未知入力の部分特徴ベク
トルy^(m)と代表ベクトル^(m) _iの距離を示すノルムであ
り、例えば４次元の部分特徴ベクトルの、ベクトルを構
成する各要素と要素の間のユークリッド距離の２乗分と
して計算される。すなわち、 である。なお、y^(m) _k及び^(m) _i,kは、４次元の部分特
徴ベクトルy^(m)及びX^(m) _qの各次元の要素を表す。

（ｆ）D^(m) _iの距離の小さい上位α個、すなわち、 D^(m) _i1≦D^(m) _i2≦・・・D^(m) _iα ・・・（８） となるクラスを抽出する。このとき、D^(m) _i1は、D^(m) _i
（ｉ＝１〜Ｌ）のうち最も距離の小さいもの、D^(m) _i2は
２番目に距離の小さいもの、D^(m) _iαはα番目に距離の
小さいものである。そして、上位α個の各クラスC^(m) _in
（ｎ＝１〜α）に属する字種に対してのみ、各順位に応
じた得点を与える（第３図S11）。すなわち、x^(m)∈C
^(m) _inを有する字種に対する得点Ｐ（x^(m)）を、 Ｐ（x^(m)）＝α−ｎ＋１ ・・・（９） （ｎ＝１〜α） として計算し、その字種の得点累算用の記憶領域（第２
図の連想整合認識部209内に設けられる）に累算する。
また、α位以下のクラスに属する字種には得点は与えな
い。

（ｇ）上記の（ｅ）、（ｆ）に示した処理を、49の各マ
ス位置ｍ（ｍ＝１〜49）に対して行う（第３図S12→S1
0）。

（ｈ）49のマス位置に対する処理を終了した時点で、累
算された得点の高い字種から順に、認識結果候補として
その字種コードを出力し、第２図の大分類認識結果216
とする（第３図S13）。

第15図は、連想整合用標準パターン辞書として、49個の
各マス位置（マス番号）毎にＬ＝20個のクラスにクラス
リングされた辞書を用いた場合の、距離計算方法の説明
図である。同図からわかるように、本実施例の方式で
は、各字種各々と距離計算をする必要はなく、前記
（２）式で示されるように、各マス位置毎に各クラスの
代表ベクトル^(m) _iとの距離計算するだけでよいことが
わかる。

次に、未知入力が漢字の「亜」であった場合に、前記
（８）及び（９）式に基づいて各マス毎の距離の小さい
クラスに得点が与えられる様子を、第16図に示す。この
場合、α＝５すなわち各マス位置毎に上位５個のクラス
に得点を与えることとする。従って、前記（９）式で与
えられる得点Ｐ（x^(m)）は、第１位すなわちｎ＝１のク
ラスには５点、第２位すなわちｎ＝２のクラスには４
点、以下、３、２、１点が与えられる。そして、第16図
より、漢字「亜」が含まれるクラスには、マス番号１〜
49の全般にわたって高い得点（５又は４点）が与えられ
ていることがわかる。従って、最終的な得点の累算結果
は、漢字「亜」の得点が最も高くなり、第２図の連想整
合認識部209から最終的に大分類認識結果216の第１候補
として出力されることがわかる。

連想整合認識処理の計算量の検討 ここで従来の認識方式と本実施例による連想整合認識方
式との計算量の簡単な比較を行ってみる。

まず、従来の第一の認識方式として、前記「従来例」の
項で説明した従来例と同様の方式、すなわち3003種の字
種について各々196次元の特徴ベクトルx_i（ｉ＝１〜300
3）を標準パターンとして有して、196次元の未知入力の
特徴ベクトルｙとの距離計算を行って、その距離の大小
で認識を行ういわゆる総当たり法の場合を考える。この
場合の距離計算式は、 となる。なお、y_k及びｘ_i,kは、各々４次元の特徴ベク
トルｙ及びk_iの各次元の要素を表す。この場合、上記
（９）式の演算に必要な計算量は、まず、１つの特徴ベ
クトルx_iに対する計算量が、減算及び乗算ともに196
回、加算が195回である。そして、今、加算と減算は同
じ計算量、乗算１回は加算２回の計算量と換算すれば、
上記計算を3003字種について行うための全体の計算量
は、加算換算で、 （196＋195×２＋195）×3003＝2351349回・・・（11） となる。

これに対して、本実施例による連想整合認識処理に必要
な計算量は、前記（６）式〜（８）式に基づいて試算す
ればよい。すなわち、前記（６）式及び（７）式におい
て、未知入力の特徴ベクトルy^(m)と１つの代表ベクトル
^(m) _iの距離計算に必要な計算量は、減算及び乗算とも
に４回、加算が３回である。そして、今、前記と同様に
加算と減算は同じ計算量、乗算１回は加算２回の計算量
と換算すれば、上記計算を１つのマス位置について行う
ためには、例えばクラス数Ｌ＝20として、 （４＋４×２＋３）×20＝300回 ・・・（12） となる。また、各マス位置において、前記（８）式の上
位α位の順位計算を行うためには、例えばα＝５とすれ
ば、Ｌ＝20クラスに対して、 ５×20＝100回 ・・・（13） の減算（大小比較計算）が必要である。更に、上位α個
の各クラスC^(m) _in（ｎ＝１〜α）に属する字種に、前記
（９）式で予め計算しておいた得点を累算する計算は、
１字種あたり加算１回で、クラス数α＝５、１クラスあ
たりの平均字種数を110個とすれば、 １×110×５＝550回 ・・・（14） となる。上記（12）、（13）及び（14）式より、１マス
位置あたりに必要な計算量は950回となる。従って、49
個のマス位置全てについての計算量は、 950×49＝46550回 ・・・（15） となる。

一方、前記従来の第一の認識方式と、本実施例による認
識方式の中間に位置する従来の第二の認識方式について
考える。この方式は、まず、各マス位置について各クラ
スの代表ベクトル^(m) _iと未知入力の特徴ベクトルy^(m)
との距離計算を行うところまでは同じである。その後、
１つの字種について、各マス位置毎に、その字種が含ま
れるクラスの代表ベクトルと未知入力の特徴ベクトルy
^(m)との距離を距離計算結果から参照し、49個のマス位
置の全てについて累算することにより１つの字種につい
ての総合距離を計算する。そして、これを3003種の全字
種について繰り返し、距離の小さい順に認識結果候補と
して出力する方式である。この方式の場合、始めの距離
計算は前記（６）式及び（７）式と同じであり、従っ
て、その計算量は前記（12）式と同じである。次に、１
字種あたりの総合距離の計算量は、49個のマス位置に対
する累算であるから、49回の加算となる。従って、3003
種の全字種についての計算量は、前記（12）式とともに
考えて、 49×3003＝147147回 ・・・（16） となる。上記（16）式と前記（12）式より、全体の計算
量は、 300＋147147＝147447回 ・・・（17） となる。

以上の試算結果より、前記（11）式及び（15）式より、
本実施例による方式の計算量は、総当たり法による第一
の従来方式に比較して単純計算でも約1/50の計算量で済
み、メモリアクセスや条件判断等が多少複雑になること
による計算時間の増加を考慮してもかなりの計算量の削
減を実現している。また、前記第二の従来方式に比較し
ても、前記（11）式及び（17）式より依然として約1/3
の計算量で済む。この第二の従来方式は、前記したよう
に各マス位置についてクラス分けをして辞書を作成する
ところまでは本実施例と同じであるが、従来例は全ての
字種について距離の総和を計算していたのに対して、本
実施例では、距離の小さい上位クラスの字種にのみ得点
を与えることにより、最終的な認識結果候補を得てお
り、これにより、より一層の計算量の削減を実現してい
る。

連想整合認識処理の認識性能の検討 本実施例による方式は、特徴ベクトルを各マス位置毎に
クラス分けし、各々１つの代表ベクトルで置き換えてい
る分、総当たり法による前記の第一の従来方式に比較し
て、基本的に認識のための情報量が減少している。しか
し、JIS第一水準漢字2965個を含む3003個の字種を有す
る多種類ワープロ印刷文字を用いた認識実験では、49の
各マス位置毎のクラス数Ｌを20〜30（前記「連想整合標
準パターン作成処理」の項参照）とし、また、α＝５と
することにより、（前記「連想整合認識処理」の項参
照）、99％以上の１位認識率（第２図の大分類認識結果
216として得られる量も得点の高い認識結果候補が正し
い率）を得ることができ、総当たり法の場合と比較して
ほとんど同等の認識率を得られる。

従って、本実施例の方式は従来方式に比較して、認識率
が同等で計算量を大幅に削減できる方式であることがわ
かる。

細分類認識処理 前記連想整合認識処理により、第２図の連想整合認識部
209から出力される大分類認識結果216は、連想整合の結
果、高い得点が累算された字種から順に、第１位候補、
第２位候補、・・・というように認識結果の候補が出力
される。そして、数千種類の字種から認識された上位５
〜10位の大分類認識結果216の中に、目的とする認識結
果が含まれる率はほぼ100％になる。

そこで、上記のようにして得られた上位５〜10位の大分
類認識結果216に基づいて、更に、各認識結果候補の部
分情報と詳細なマッチングをとることにより、類似する
文字候補を正確に順位づけする細分類認識処理を行う。

本実施例では、上記部分情報の解析を行うために、第２
図の特徴量抽出部207から得られる活字方向線素特徴量2
15のうち、特定のマス位置における４次元ずつの部分特
徴ベクトルの比較を行う。今、前記「活字方向線素特徴
量抽出方式の特徴」の項で説明したように、活字方向線
素特徴量215として得られる196次元の特徴ベクトルにお
いて、４次元ずつ49組の各特徴ベクトルは、第２図の活
字イメージデータ213によって表される活字パターン
の、各マス位置に対応する49の部分の特徴すなわち部分
情報を表している。従って、「太、大、犬」や「土、
士」等のように相互に誤認識され易い字種候補におい
て、誤認識をし易いマス位置のみに着目して、そのマス
位置に対応する部分特徴ベクトル同士で比較を行えば、
部分情報の解析を容易に行うことが可能となる。

具体的な処理として、まず、上記のように相互に誤認識
され易い字種毎に、予めグループを構成し、細分類用テ
ーブルとしてテーブル化しておく。すなわち、例えば第
17図に示すように、2965文字のJIS第一水準漢字の各文
字毎に、誤認識され易い他の関係文字を登録しておく。
この場合、同図の「なし」で示されるように関係文字が
ない文字もあり、この場合は細分類認識処理は行われな
い。そして、同時に、各文字を認識するために、マス番
号１〜49のうちどのマス位置の部分特徴ベクトルを用い
るかをフラグ「１」によって示しておく。なお、関係文
字として登録される各グループ内では、用いられるマス
番号は同一にしておく（例えば第17図の「犬」と「大」
のテーブル参照）。また、フラグ「０」で示されるマス
位置はその文字候補の細分類認識に使用されないことを
意味する。このようにして予め得られる細分類用テーブ
ルを、第２図の細分類辞書部212に登録しておく。ま
た、各文字毎に、第17図の細分類用テーブルでフラグ
「１」が付与されているマス位置の標準的な部分特徴ベ
クトルを、細分類辞書として細分類辞書部212に登録し
ておく。

上記細分類用テーブル及び細分類辞書を用いて、第２図
の細分類部210において以下のようにして細分類認識処
理を行う。

まず、第２図の連想整合認識部209から出力される例え
ば上位10位までの大分類認識結果216の各認識結果候補
について、第２図の細分類辞書部212に登録されている
細分類用テーブルを参照して、その候補文字についての
関係文字が大分類認識結果216内のその候補文字と連続
する順位の候補文字として含まれているか否かを検索
し、細分類認識処理すなわち部分マッチングが必要か否
かを判定する（第３図S14→S15）。

もし、その候補文字について関係文字が存在しないか
（第17図の「なし」の場合）、その候補文字についての
関係文字が大分類認識結果216内のその候補文字と連続
する順位の候補文字として含まれていない場合は、細分
類認識処理を行う必要がないため、大分類認識結果216
をそのまま第２図の細分類認識結果217として出力し、
最終認識結果とする（第３図S15→S17）。

一方、その候補文字についての関係文字が大分類認識結
果216内のその候補文字と連続する順位の候補文字とし
て含まれている場合は、以下のアルゴリズムで部分マッ
チングを行う（第３図S15→S16）。

まず、細分類用テーブルを参照し、その候補文字に対
応するマス位置を検出する。

次に、第２図の特徴量抽出部207から予め得られてい
る大分類認識結果216に対する入力である活字方向線素
特徴量215の中から、で検出されたマス位置に対応す
る部分特徴ベクトルを抽出する。

上記で抽出された部分特徴ベクトルと、前記候補文
字とその関係文字に対応する細分類辞書内の各部分特徴
ベクトルとの距離を計算し、その距離の小さい順に前記
候補文字とその関係文字の認識順位をならべかえる。

以上のからの部分マッチング処理で得られた新たな
順位の認識結果候補を、第２図の細分類認識結果217と
して最終的に出力する（第３図S16→S17）。なお、大分
類認識結果216のうち、前記候補文字とその関係文字に
対応する候補文字以外の候補文字については、そのまま
の認識順位で細分類認識結果217として出力する。

上記細分類認識処理により、大分類認識結果216として
得られる認識結果候補のうち、特に誤認識し易い文字候
補について、その認識順位を詳細に決定することがで
き、これにより、最終的な認識率を更に高めることが可
能となる。

他の実施例 以上に示した実施例は、本発明による連想整合認識方式
を活字イメージデータの認識に適用したものであり、活
字イメージデータから得られる活字方向線素特徴量を認
識ための特徴量に用い、更に、連想整合認識処理の後段
の処理として、細分類認識処理を組み合わせたものであ
る。

本発明は、上記のような活字方向線素特徴量だけでな
く、ストローク情報等の活字イメージデータの様々な特
徴量を用いた認識に適用することが可能である。

また、活字イメージデータの認識に限られず、例えば単
語音声認識等にも用いることが可能である。この場合、
単語音声パターンの各時間フレーム毎の音声スペクトル
包絡パラメータ（ケプストラム係数等）を複数の領域の
各特徴量として、本発明による連想整合認識に適用すれ
ばよく、このときの辞書は、複数の単語音声パターンの
上記特徴量を記憶させておくことにより実現可能であ
る。

その他、様々な入力パターンの認識に適用することが可
能である。

〔発明の効果〕

本発明によれば、未知入力パターンと学習パターンとの
類似度の計算は、各領域別に各クラスの代表特徴量との
み行えばよく、また、領域別の特徴量の情報量はその分
割数に応じて減少するため、全ての学習パターンの特徴
量との間で類似度の計算をするのに比べ、大幅に計算量
を削減することが可能となる。

更に、各領域別に各クラスとの類似度の計算を行った
後、各学習パターンの総合的な類似度を求める場合、類
似度の高い上位所定順位のクラスに含まれる学習パター
ンのみに、得点という形式で累算を行ってゆくため、学
習パターン毎に類似度の合計を求めるのに比較しても、
少ない計算量で認識が可能である。

【図面の簡単な説明】

第１図（ａ）、（ｂ）、（ｃ）は、本発明の原理図、 第２図は、本実施例の全体構成図、 第３図は、本実施例の全体動作フローチャートを示した
図、 第４図は、活字イメージデータの例を示した図、 第５図は、ノイズ除去・スムージング後の活字イメージ
データの例を示した図、 第６図は、正規化後の活字イメージデータの例を示した
図、 第７図は、細線化後の活字イメージデータの例を示した
図、 第８図（ａ）〜（ｄ）は、方向成分抽出用マスクを示し
た図、 第９図は、線素化活字イメージテータの例を示した図、 第10図は、活字方向線素特徴量抽出のための動作フロー
チャートを示した図、 第11図（ａ）、（ｂ）は、活字方向線素特徴量の説明
図、 第12図は、活字方向線素特徴量の計算例の説明図、 第13図は、連想整合用標準パターン作成処理の動作フロ
ーチャートを示した図、 第14図は、クラスタリングの説明図、 第15図は、連想整合法による距離計算動作説明図、 第16図は、連想整合法による認識動作例を示した図、 第17図は、細分類用テーブルの例を示した図である。 101……特徴量抽出手段、 102……クラス分け手段、 103……代表特徴量演算手段、 104……辞書記憶手段、 105……類似度演算手段、 106……得点累算手段、 107……認識結果候補出力手段、 108……学習パターン、 109……未知入力パターン、 110……認識結果候補出力．

Claims (1)

【特許請求の範囲】
1. 【請求項１】入力パターンの複数の領域の各々から複数
   次元の特徴量を抽出する特徴量抽出手段（101）と、 複数の各学習パターン（108）に対して前記特徴量抽出
   手段（101）で前記各領域別に複数次元の特徴量を抽出
   した後、前記各領域別に前記複数の学習パターンのクラ
   ス分けを行うクラス分け手段（102）と、 該各クラスの代表特徴量を演算する代表特徴量演算手段
   （103）と、 該各クラス毎の代表特徴量及び該各クラスに含まれる前
   記学習パターンの種類を前記各領域別に辞書として記憶
   する辞書記憶手段（104）と、 未知入力パターン（109）に対して前記特徴量抽出手段
   （101）で前記各領域別に特徴量を抽出した後、前記各
   領域別に前記辞書記憶手段（104）内の対応する前記各
   クラスの代表特徴量との類似度を演算する類似度演算手
   段（105）と、 前記辞書記憶手段（104）を検索して、前記各領域別に
   前記類似度の高い上位所定順位までのクラスに含まれる
   各学習パターンにそのクラスの順位に対応する得点を累
   算する得点累算手段（106）と、 前記各領域の全てについて前記得点累算手段（106）に
   よる累算動作が終了した後、累算された得点の高い学習
   パターンから順に順位付きの認識結果候補（110）とし
   て出力する認識結果候補出力手段（107）とを有するこ
   とを特徴とする連想整合認識方式。