JPH0773276A - 文字認識装置 - Google Patents

Abstract

(57)【要約】 【目的】認識時間が短縮でき高精度の認識性能を実現す
ること。 【構成】複数の特徴抽出部12が文字ハ゜ターンから各々異な
る特徴ヘ゛クトルを求め、複数の単一特徴認識部13が各特徴ヘ゛
クトルを個別に認識を行い、候補文字選択部14が各単一特徴
認識部13から得られた全ての類似度を用いて文字ハ゜ターン
に対する複数の候補文字カテコ゛リを選択し、認識後処理部15
が最終的に認識文字カテコ゛リを決定する場合、認識部13で
は、大分類部21が文字ハ゜ターンに対する各カテコ゛リ群の群帰属
度を、複数の細分類部22が各文字カテコ゛リ群内での各文字カテ
コ゛リの群内類似度を求め、群帰属度と群内類似度を用いて
文字ハ゜ターンに対する各文字カテコ゛リの類似度を求め、選択部1
4は、変換部15が各認識部13からの各文字カテコ゛リの類似度
を統合類似度に変換し、第1次選択部16が統合類似度と文
字ハ゜ターンのサイス゛情報等を用いて複数の候補文字を選択し、
第2次選択部17がこれら候補文字の統合類似度を用いて
各文字カテコ゛リの最終類似度を求めて、最終的な候補文字カテ
コ゛リの選択を行なう。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、文書上の手書き及び印
刷文字のパターンを認識する文字認識装置に関するもの
であり、特に、文字パターンに対して、大分類を行った
あとに細分類を行なうというような階層的な認識を行う
ことによって文字パターンの認識を行う装置に関するも
のである。

【０００２】

【従来の技術】従来の、入力された文字パターンに対し
て、まず大分類を行って入力文字パターンが属する文字
カテゴリ群（ここで、文字カテゴリ群とは、文字パター
ンの特徴ベクトルが類似する文字パターンの集合を示
す。）を選択し、次に選択された文字カテゴリ群におい
て、細分類を行なうことによって文字パターンの認識を
行なう文字認識装置の例としては、例えば、電子情報通
信学会論文誌Ｄ−II Vol.J75-D-II No.3 pp545-553「大
規模ニューラルネット”ＣｏｍｂＮＥＴ−II”」に示さ
れている。

【０００３】図１２はこの従来の文字認識装置の構成図
を示すものであり、110はイメージスキャナ等の画像入
力部であり、認識対象の文書画像を入力するものであ
る。111は文字切り出し部であり、画像入力部110で入力
された文書画像から文字パターンを１文字領域づつ切り
出すものである。112は特徴抽出部であり、文字切り出
し部110で切り出された文字パターンから文字カテゴリ
を識別するために用いる特徴ベクトルを抽出するもので
ある。113は大分類部であり、特徴抽出部112で抽出され
た特徴ベクトルを用いて、前記文字パターンを各文字カ
テゴリ群に大分類するものである。114は細分類部であ
り、前記特徴ベクトルを用いて、前記文字パターンを各
文字カテゴリ群内で細分類するものである。115は群選
択部であり、大分類部113の出力値（以下、適合度と呼
ぶ。）から複数個の文字カテゴリ群を選択するものであ
る。116は細分類部入力信号選択部であり、群選択部115
で得られる群選択情報に基づいて前記特徴ベクトルを入
力する細分類部114を選択するものである。117は識別部
であり、群選択部115で選択された文字カテゴリ群の適
合度と細分類部114の出力値から前記文字パターンの識
別を行なうものである。

【０００４】大分類部113において、118は入力部であ
り、特徴抽出部112で抽出された文字パターンの特徴ベ
クトルを入力するものである。119は多入力一出力信号
処理部であり、文字パターンに対する各文字カテゴリ群
の適合度を計算するものである。 細分類部114におい
て、120は入力部であり、細分類部入力信号選択部116か
ら出力された特徴ベクトルを入力するものである。121
は多入力一出力信号処理部であり、それに接続されてい
る下層の入力部120、または多入力一出力信号処理部121
の出力と、その連結の度合である重み係数とを各々掛け
合わせて総和したものをしきい値処理して出力するもの
である。ここでは、これら複数個の多入力一出力信号処
理部121を、層構造にし、各層内相互の結合がない、上
位層にのみ信号が伝搬するようにネットワーク接続する
ことによって、前記文字パターンに対する文字カテゴリ
群内の各文字カテゴリに類似する度合が求められる。12
2は最大値選択部であり、最上位層の複数個の前記多入
力ー出力信号処理部の出力値の中から最大値を選択する
ものである。

【０００５】識別部117において、123は類似度計算部で
あり、群選択部115で選択された文字カテゴリ群の適合
度と、その文字カテゴリ群に対応する細分類部114の出
力値から各文字カテゴリの類似度を計算するものであ
る。124はカテゴリ識別部であり、類似度計算部123から
得られた各文字カテゴリの類似度の最大値を求めること
によって、入力された文字パターンの文字カテゴリの識
別を行なうものである。

【０００６】以上のように構成された従来の文字認識装
置について、以下その動作を説明する。

【０００７】画像入力部110により入力された文書画像
から、文字切り出し部111が文字パターンを１文字づつ
抽出する。特徴抽出部112は、文字切り出し部111によっ
て切り出された文字パターンに対してｎ個の特徴データ
からなる特徴ベクトルＸ

【０００８】

【数１】Ｘ＝（ｘ₁，ｘ₂，…，ｘ_n） を求める。ここで特徴データは濃淡メッシュ法によって
求められる。濃淡メッシュ法は、入力された文字パター
ンをｎ個の小領域に分割し、各小領域毎に文字部の面積
（小領域に含まれる黒画素の数）を小領域の面積によっ
て正規化したものを特徴データとするものである。

【０００９】このように特徴抽出部112で抽出された特
徴ベクトルＸが、次に大分類部113の入力部118に入力さ
れる。入力部118は文字パターンの特徴データ数に等し
くｎ個用意されており、各特徴データｘ_iはそれぞれ対
応する入力部118に入力される。大分類部113における各
多入力一出力信号処理部119は、それに接続されている
入力部118の入力ｘ_jとその連結の度合である重み係数ｖ
_ij （１≦ｉ≦ｍ_r；ｍ_rは文字カテゴリ群の数、１≦j≦
ｎ）とを乗算したものの総和を計算したあと、これを特
徴ベクトルＸ及び、各多入力一出力信号処理部119の重
み係数ベクトルＶ_i

【００１０】

【数２】Ｖ_i＝（ｖ_i1，ｖ_i2，…，ｖ_in） のノルム｜Ｘ｜、｜Ｖ_i｜の積で割り算したものを出力
する。つまり、図１２に示す重み係数ベクトルＶ_iをも
つ多入力一出力信号処理部119の出力値sim(Ｘ，Ｖ_i)
は、（数３）式のように表わすことができる。

【００１１】

【数３】

【００１２】なお、重み係数ベクトルＶ_iについては、
特徴ベクトルＸが類似する文字パターンの集合に対して
決まった多入力一出力信号処理部119が最大出力を発生
するように、予め設計しておく。

【００１３】これらの重み係数ベクトルＶ_i は、従来例
によると、以下のような手法で設計される。まず第１過
程では、重み係数ベクトル設計用の文字パターンの特徴
ベクトルＸを入力する毎に、最もsim(Ｘ，Ｖ_i)の大きい
Ｖ_Cを求め（このとき、ＸはＶ_Cに最適整合するとい
う。）、Ｖ_CをＸに近づける。また、１つの重み係数ベ
クトルに最適整合する文字パターンがある一定数以上に
なった時には、その重み係数ベクトルが担当する領域を
２つに分割し、もう一つ重み係数ベクトルを生成する。
第２過程では、重み係数ベクトル設計用の全文字パター
ンに対して、最適整合するＶ_iを求め、それが前回と変
化したかどうかを調べる。そして、変更があれば、その
Ｖ_iを修正する。このとき、第１過程と同様に、重み係
数ベクトルの生成も行なう。以上の操作を重み係数ベク
トルの修正、生成がなくなるまで繰り返す。

【００１４】このようにして、重み係数ベクトルの設計
を行なうことによって、各重み係数ベクトルＶ_iは、文
字パターンの特徴ベクトル空間を分割し、量子化するこ
とができる。つまり、入力された文字パターンは各重み
係数ベクトルＶ_iによって、その特徴ベクトルが類似す
る複数の文字パターンの集合、即ち、複数の文字カテゴ
リ群に分類される。そして、各多入力一出力信号処理部
119の出力値は、文字パターンに対する各文字カテゴリ
群の適合度として群選択部115に出力される。

【００１５】群選択部115では、大分類部113で得られた
適合度の大きい順に任意個の文字カテゴリ群を選び、ど
の文字カテゴリ群が選択されたかを示す群選択情報とそ
れに対応する適合度を出力する。

【００１６】群選択部115から得られる群選択情報に基
づいて、細分類入力信号選択部116は、入力された文字
パターンの特徴ベクトルＸを入力する細分類部114を選
択し、Ｘをこれらの細分類部114へ出力する。

【００１７】群選択部115で選択された文字カテゴリ群
に対応する各々の細分類部114（即ち、細分類入力信号
選択部116から文字パターンの特徴ベクトルＸを入力さ
れた細分類部114）では、まず、入力部120に、特徴ベク
トルＸが入力される。入力部120は、文字パターンの特
徴データ数に等しくｎ個用意されており、各特徴データ
ｘ_iはそれぞれ対応する入力部120に入力される。細分類
部114の各多入力一出力信号処理部121はそれに接続され
ている下層の入力部120、または多入力一出力信号処理
部121の出力とその連結の度合である重み係数とを掛け
合わせたものの総和をしきい値関数で変換した後、その
値を上層へ出力する。ここで、各細分類部114の最上位
層の多入力一出力信号処理部121は、各文字カテゴリ群
に含まれる文字パターンの文字カテゴリの数と同じ個数
に設定され、最上位層の各多入力一出力信号処理部121
は、これらの各文字カテゴリに対応している。最大値選
択部122は最上位層の各多入力一出力信号処理部121の出
力値の中で最大のものを選び、この多入力一出力信号処
理部121に対応する文字カテゴリと、その最大出力値を
出力する。

【００１８】なお、各多入力一出力信号処理部121の重
み係数は、文字カテゴリ群内の各文字カテゴリをもつ文
字パターンの特徴ベクトルＸに対して、その各文字カテ
ゴリに対応する最上位層の多入力一出力信号処理部121
が最大出力を発生するように、予め学習されている。

【００１９】具体的には、このような重み係数の学習方
法は、誤差逆伝搬法と呼ばれる学習アルゴリズムによっ
て行われる。誤差逆伝搬法については、例えばD. E. ラメ
ルハート(Rumelhart), G. E.ヒントン(Hinton) and R. J. ウイリアム
ス゛(Williams)による"ラーニンク゛リフ゜リセ゛ンテーションス゛ ハ゛イ ハ゛ックフ゜
ロハ゜ケ゛ーティンク゛ エラース゛(Learning Representations by Back
-Propagating Errors),"ネイチャー(Nature), vol.323, pp.5
33-536, Oct. 9, 1986 に示されている。

【００２０】以下、誤差逆伝搬法の概略について説明す
る。

【００２１】まず、重み係数学習用の文字パターンの特
徴ベクトルＸが細分類部114の入力部120に入力される。
各多入力一出力信号処理部121は、既に説明したよう
に、各々それに接続されている下層の入力部120、また
は多入力一出力信号処理部121の出力とその連結の度合
である重み係数とを掛け合わせたものの総和をしきい値
関数で変換した後、その値を上層へ出力する。ここで、
全ての最上位層の多入力一出力信号処理部121の出力ｏ_k
と望ましい出力ｔ_k（これを教師信号と呼ぶ）との誤差
Ｅは（数４）式のように求められる。

【００２２】

【数４】Ｅ＝0.5Σ_pΣ_k（ｔ_k−ｏ_k）² 但し、Σ_p は教師信号の文字パターンの数に関する総和
である。学習の目的は、誤差Ｅを最小にする重み係数の
値を決定することであり、各多入力一出力信号処理部間
121の重み係数の変更量△ｗ_ij は（数５）式に基づいて
計算される。

【００２３】

【数５】△ｗ_ij ＝ −ε∂Ｅ／∂ｗ_ij 但し、εは学習レートと呼ばれる正の定数である。この
ような（数５）に基づいた重み係数の更新を、学習用文
字パターンの特徴ベクトルＸが入力されるたびに繰り返
すことにより、誤差Ｅを小さくすることができる。誤差
Ｅが十分小さくなると、出力信号が望ましい値に十分近
くなったものとして、学習を終了する。

【００２４】このような重み係数の学習方法によって、
文字カテゴリ群内の各文字カテゴリをもつ文字パターン
に対し、その各文字カテゴリに対応する最上位層の多入
力一出力信号処理部121が最大出力を発生するようにす
ることができる。従って、最上位層の複数個の多入力一
出力信号処理部121の中で、最大出力を発生するものを
最大値選択部122で選ぶことにより、各文字カテゴリ群
内において、即ち、各細分類部において入力された文字
パターンの文字カテゴリを識別することができる。 識
別部117では、まず、類似度計算部123において、群選択
部115で選択された文字カテゴリ群の適合度と、その文
字カテゴリ群に対応する細分類部114の出力値から（数
６）式を用いて細分類部114で得られた各文字カテゴリ
の類似度を計算し、これらの類似度をカテゴリ識別部12
4に出力する。

【００２５】

【数６】（類似度）＝（適合度）^a（出力値）^b 但し、ａ，ｂは実定数とする。

【００２６】最後に、カテゴリ識別部124は、類似度計
算部123から得られる各文字カテゴリの類似度を比較
し、それらの中で最大となる類似度に対応する文字カテ
ゴリを識別結果として出力する。

【００２７】

【発明が解決しようとする課題】文字認識では、文字パ
ターンを識別するうえで有効な特徴を特徴ベクトルとし
て抽出するが、一般に単一の特徴ベクトルだけでは、十
分な認識能力を実現することは難しく、複数種類の特徴
ベクトルを使用することによって、高い識別機能を実現
することができる。つまり、複数種類の特徴を用いるこ
とによって、ある一つの特徴ベクトルではあいまいな識
別、または誤識別しかできない文字パターンでも、異な
る特徴ベクトルでは正確な識別が行える場合があり、こ
のとき正確な識別が行えるほうを重要視することによっ
て識別性能を向上させることができる可能性があるから
である。

【００２８】しかしながら、多数の文字カテゴリをもつ
文字パターンを階層的に認識を行う文字認識装置におい
て、従来例のように、特徴抽出部及び認識部をただ一つ
しか備えていないような構成では、複数種類の特徴ベク
トルを用いる場合、これらを一つにまとめて入力し、認
識を行わざるを得ない。この場合、単一の特徴ベクトル
のみを使用する時に比べ、ある程度高い識別性能を確か
に実現できるが、上記説明のような異なる特徴ベクトル
を用いることによって得られる利点を十分有効に活用す
ることはできないという問題がある。つまり、複数種類
の特徴ベクトルを一つにまとめて使用する場合、識別性
能を高精度化することはできるが、その認識結果を用い
て、上記で述べたようなある特徴ベクトルでは誤認識す
る文字パターンを異なる特徴ベクトルによる識別結果に
よって正しく認識するということは非常に難しい。

【００２９】更に、複数種類の特徴ベクトルを一つにま
とめて使用する場合、特徴ベクトルの次元数の増加に伴
って、認識に多くの計算時間を必要とするなどの課題も
有している。

【００３０】本発明はかかる従来の文字認識装置の課題
に鑑み、認識装置において複数種類の特徴ベクトルを使
用する際に、複数種類の特徴ベクトルを併用する利点を
十分有効に活用した高精度の認識が実現でき、更に、認
識に要する時間を短くできる文字認識装置を提供するこ
とを目的とする。

【００３１】

【課題を解決するための手段】請求項１の本発明は、文
書画像を入力する画像入力部と、画像入力部で入力され
た文書画像から文字を１文字領域づつ切り出して文字パ
ターンを得る文字切り出し部と、文字パターンから各々
異なる特徴ベクトルを求める複数の特徴抽出部と、文字
パターンが各文字カテゴリに属する度合である類似度を
特徴ベクトル各々から求める複数の単一特徴認識部と、
複数の単一特徴認識部から得られた各文字カテゴリの類
似度を、各同一文字カテゴリ毎に統合し、その結果を利
用して認識文字カテゴリを決定する文字選択認識後処理
部とを備え、単一特徴認識部は、特徴ベクトルが類似す
る文字パターンの集合から成る文字カテゴリ群を代表す
る群参照用特徴ベクトルが複数個記憶されている群辞書
と、群参照用特徴ベクトルと文字パターンの特徴ベクト
ルを用いて文字パターンが各文字カテゴリ群に属する度
合である群帰属度を計算するファジィ大分類部と、文字
パターンの特徴ベクトルを用いて文字パターンが文字カ
テゴリ群内に含まれる各文字カテゴリに属する度合であ
る群内類似度を求める複数の細分類部と、群帰属度から
複数の文字カテゴリ群を選択する群選択部と、群選択部
から得られる群選択情報に基づいて文字パターンの特徴
ベクトルを入力する細分類部を選択する細分類部入力信
号選択部と、群選択部で選択された文字カテゴリ群の群
帰属度と細分類部で得られた群内類似度を用いて文字パ
ターンに対する各文字カテゴリの類似度を求める単一特
徴類似度計算部を備え、単一特徴類似度計算部は、群選
択部で選択された文字カテゴリ群の群帰属度と細分類部
入力信号選択部から文字パターンの特徴ベクトルを入力
された細分類部から得られる全ての群内類似度を乗算す
る複数個の乗算器と、各文字カテゴリ毎に乗算器の出力
値の大きいものを複数個選択し、これらの出力値の総和
を求めるカテゴリ類似度計算部を備える文字認識装置で
ある。

【００３２】請求項２の本発明は、文書画像を入力する
画像入力部と、複数のパラメータ値を用いて画像入力部
で入力された文書画像から文字を１文字領域づつ切り出
して文字パターン及び文字パターンのサイズ情報、位置
情報を得る文字切り出し部と、文字パターンから各々異
なる特徴ベクトルを求める複数の特徴抽出部と、文字パ
ターンが各文字カテゴリに属する度合である類似度を特
徴ベクトル各々から求める複数の単一特徴認識部と、複
数の単一特徴認識部から得られた各文字カテゴリの類似
度を用いて文字パターンに対する複数の第２次候補文字
カテゴリを求める候補文字選択部と、文字パターンのサ
イズ情報、位置情報を用いて複数の第２次候補文字カテ
ゴリの中から認識文字カテゴリを決定する認識後処理部
を具備し、単一特徴認識部は、特徴ベクトルが類似する
文字パターンの集合から成る文字カテゴリ群を代表する
群参照用特徴ベクトルが複数個記憶されている群辞書
と、群参照用特徴ベクトルと文字パターンの特徴ベクト
ルを用いて文字パターンが各文字カテゴリ群に属する度
合である群帰属度を計算するファジィ大分類部と、文字
パターンの特徴ベクトルを用いて文字パターンが文字カ
テゴリ群内に含まれる各文字カテゴリに属する度合であ
る群内類似度を求める複数の細分類部と、群帰属度から
複数の文字カテゴリ群を選択する群選択部と、群選択部
から得られる群選択情報に基づいて文字パターンの特徴
ベクトルを入力する細分類部を選択する細分類部入力信
号選択部と、群選択部で選択された文字カテゴリ群の群
帰属度と細分類部で得られた群内類似度を用いて文字パ
ターンに対する各文字カテゴリの類似度を求める単一特
徴類似度計算部を備え、単一特徴類似度計算部は、群選
択部で選択された文字カテゴリ群の群帰属度と細分類部
入力信号選択部から文字パターンの特徴ベクトルを入力
された細分類部から得られる全ての群内類似度を乗算す
る複数個の乗算器と、各文字カテゴリ毎に乗算器の出力
値の大きいものを複数個選択し、これらの出力値の総和
を求めるカテゴリ類似度計算部を備え、候補文字選択部
は、特徴ベクトル各々に対応する単一特徴認識部から得
られた各文字カテゴリの類似度をそれらの類似度の中の
最大値で正規化することによって統合類似度に変換する
複数の統合類似度変換部と、統合類似度と文字パターン
のサイズ情報、位置情報を用いて全ての文字カテゴリの
中から複数の第１次候補文字カテゴリを選択する複数の
第１次候補文字選択部と、各々選択された第１次候補文
字カテゴリの統合類似度を同一カテゴリ毎に加算するこ
とによって、全ての第１次候補文字カテゴリの最終類似
度を求め、この最終類似度の値の大きいものを第２次候
補文字カテゴリとして複数個選択する第２次候補文字選
択部を備えた文字認識装置である。

【００３３】

【作用】本発明は、構成により、まず、画像入力部で入
力された文書画像から、文字切り出し部が文字パターン
を１文字領域づつ抽出し、文字パターンを各特徴抽出部
に、また文字パターンのサイズ情報、位置情報を候補文
字選択部における第１次候補文字選択部と認識後処理部
へ出力する。各々の特徴抽出部では、１文字領域づつ切
り出された文字パターンから各々異なる特徴ベクトルを
抽出し、それぞれ対応する複数の単一特徴認識部に出力
する。

【００３４】各単一特徴認識部では、まず、特徴ベクト
ルをファジィ大分類部に入力する。ファジィ大分類部
は、群辞書に記憶されている全ての群参照用特徴ベクト
ルを読みだして、特徴ベクトルに対し、特徴ベクトル空
間における各文字カテゴリ群の境界を曖昧に定めた大分
類を行ない、文字パターンが各文字カテゴリ群に属する
度合である群帰属度を求める。これらの群帰属度を用い
て、群選択部は複数の文字カテゴリ群を選択し、群選択
情報を細分類部入力信号選択部に、対応する群帰属度を
単一特徴類似度計算部に出力する。細分類部入力信号選
択部は、特徴ベクトルを群選択情報に対応する細分類部
に出力し、各細分類部は、特徴ベクトルを用いて、文字
パターンが各文字カテゴリ群内に含まれる各文字カテゴ
リに類似する度合である群内類似度を計算し、単一特徴
類似度計算部に出力する。単一特徴類似度計算部は、群
選択部で選択された文字カテゴリ群の群帰属度と細分類
部入力信号選択部から特徴ベクトルを入力された細分類
部から得られる全ての群内類似度を乗算器で乗算し、こ
れをカテゴリ類似度計算部に出力する。カテゴリ類似度
計算部では、各文字カテゴリ毎に乗算器の出力値の大き
いものを複数個選択し、これらの出力値の総和を求め、
これを文字パターンに対する各文字カテゴリの類似度と
する。このように、各々の単一特徴認識部では、対応す
る各特徴抽出部から入力された各特徴ベクトルから、入
力された文字パターンに対する各文字カテゴリの類似度
を求め、これを候補文字選択部へ出力する。

【００３５】候補文字選択部では、まず各々の統合類似
度変換部が、特徴ベクトル各々に対応する単一特徴認識
部から得られる各カテゴリの類似度をそれらの類似度の
中の最大値で正規化することによって統合類似度に変換
する。各第１次候補文字選択部では、対応する統合類似
度変換部から得られる統合類似度と文字切り出し部から
得られる文字パターンのサイズ情報、位置情報を用い
て、全ての文字カテゴリの中から複数の候補文字カテゴ
リを選択し、これを第１次候補文字カテゴリとする。第
２次候補文字選択部は、各々の第１次候補文字選択部か
ら得られる第１次候補文字カテゴリの統合類似度を同一
カテゴリ毎に加算することによって、全ての第１次候補
文字カテゴリに対する最終類似度を求めたのち、この最
終類似度の値の大きいものを複数個選択し、これを第２
次候補文字カテゴリとして認識後処理部に出力する。こ
のように、候補文字選択部では、複数の単一特徴認識部
から得られる各文字カテゴリの類似度と、文字切り出し
部から得られる文字パターンのサイズ情報と位置情報を
用いて、複数個の候補文字カテゴリを選択し、これを認
識後処理部へ出力する。

【００３６】最後に、認識後処理部では、文字切り出し
部から得られる文字パターンのサイズ情報と位置情報を
用いて、候補文字選択部から得られる複数の第２次候補
文字カテゴリの中から最終的な文字カテゴリの決定を行
う。

【００３７】以上により、本文字認識装置は、複数種類
の特徴ベクトルを各々別個の単一特徴認識部で識別処理
を行って各特徴ベクトルに対する各文字カテゴリの類似
度を求めたのちに、候補文字選択部がこれら全ての類似
度を用いて各単一特徴認識部から得られる識別結果を統
合し、入力された文字パターンの認識を行う。よって、
ある特徴ベクトルでは誤認識する文字パターンでも異な
る特徴ベクトルによる識別結果によって正しく認識する
ということができるようになり、高精度の認識を実現す
ることができる。また、従来法では、複数種類の特徴ベ
クトルの使用によって、認識に要する時間が増加する
が、本文字認識装置では、各単一特徴認識部が各々並列
に識別処理を行うので、認識に要する時間を従来例に比
べ、短くすることができる。

【００３８】

【実施例】以下、本発明の実施例について図面を参照し
て説明する。 （実施例１）図１は本発明の第１の実施例における文字
認識装置のブロック図を示すものである。

【００３９】図１において、10はイメージスキャナ等の
画像入力部であり、認識対象の文書画像を入力するもの
である。11は文字切り出し部であり、複数のパラメータ
値を用いて画像入力部10で入力された文書画像から文字
パターンを１文字領域づつ切り出すと共に文字パターン
のサイズ情報、位置情報を抽出するものである。12は特
徴抽出部であり、文字切り出し部11で切り出された文字
パターンから文字カテゴリを識別するために用いる特徴
ベクトルを抽出するものである。但し、複数の各特徴抽
出部12はそれぞれ異なる特徴ベクトルを抽出する。13は
単一特徴認識部であり、特徴抽出部12と同じ個数用意さ
れており、各々対応する特徴ベクトルを入力して文字パ
ターンが各文字カテゴリに属する度合である類似度を求
めるものである。14は候補文字選択部であり、各々の単
一特徴認識部13から得られる文字パターンの各特徴ベク
トルに対する各文字カテゴリの類似度を用いて、文字パ
ターンに対する複数の候補文字カテゴリを求めるもので
ある。15は認識後処理部であり、文字切り出し部から得
られる文字パターンのサイズ情報と位置情報を用いて、
候補文字選択部14から得られる複数の候補文字カテゴリ
の中から最終的な文字カテゴリの決定を行うものであ
る。

【００４０】候補文字選択部14において、16は統合類似
度変換部であり、単一特徴認識部13と同じ個数用意され
ており、各々対応する単一特徴認識部13から得られた各
文字カテゴリの類似度を統合類似度に変換するものであ
る。17は第１次候補文字選択部であり、統合類似度変換
部16同様、単一特徴認識部13と同じ個数用意されてお
り、各々対応する統合類似度変換部16から得られた統合
類似度と文字切り出し部11から得られる文字パターンの
サイズ情報、位置情報と、後述する文字情報記憶部50に
記憶されている各文字カテゴリの標準サイズ情報と標準
位置情報を用いて、全ての文字カテゴリの中から複数の
候補文字カテゴリ（これを第１次候補文字カテゴリと呼
ぶ。）を選択するものである。18は第２次候補文字選択
部であり、各第１次候補文字選択部17から得られる第１
次候補文字カテゴリの統合類似度を用いて、全ての第１
次候補文字カテゴリの中から複数個の候補カテゴリ（こ
れを第２次候補カテゴリと呼ぶ）を選択して、認識後処
理部15に出力するものである。また、図１では、第２次
候補文字選択部18の構成が具体的に示されており、ここ
で181は加算器であり、複数の第１次候補文字選択部17
から得られる第１次候補文字カテゴリの統合類似度を同
一カテゴリ毎に加算することによって、各文字カテゴリ
の最終類似度を求めるものである。182は最終候補文字
選択部であり、各文字カテゴリの最終類似度の中から複
数の第２次候補文字カテゴリを選択するものである。

【００４１】認識後処理部15において、50は文字情報記
憶部であり、各文字カテゴリ毎に文字パターンの標準サ
イズ情報と標準位置情報が記憶されているものである。
51は後処理対象文字集合記憶部であり、認識後処理が必
要な文字カテゴリの組合せ（後処理対象文字カテゴリ集
合）が記憶されているものである。52は後処理対象文字
集合判定部であり、候補文字選択部14から得られた第２
次候補文字カテゴリの第１候補文字カテゴリが後処理対
象文字カテゴリ集合である場合には、文字情報記憶部50
に格納された後処理対象文字カテゴリ集合に対応する各
文字カテゴリの標準サイズ情報、標準位置情報と入力さ
れた文字パターンのサイズ情報、位置情報とを用いて、
前記後処理対象文字カテゴリ集合のいずれかの文字カテ
ゴリを認識文字カテゴリと判定するものである。

【００４２】図２は、単一特徴認識部13の構成を具体的
に示すブロック図である。図２において、20は群辞書で
あり、特徴ベクトルが類似する文字パターンの集合から
成る文字カテゴリ群を代表する群参照用特徴ベクトルが
複数個記憶されているものである。21はファジィ大分類
部であり、群辞書20に記憶されている群参照用特徴ベク
トルと特徴抽出部12から得られる特徴ベクトルを用い
て、文字切り出し部11から抽出された文字パターンが各
文字カテゴリ群に属する度合である群帰属度を計算する
ものである。22は細分類部であり、前記特徴ベクトルを
用いて前記文字パターンが文字カテゴリ群内に含まれる
各文字カテゴリに属する度合である群内類似度を計算す
るものである。23は群選択部であり、群帰属度から複数
の文字カテゴリ群を選択するものである。24は細分類部
入力信号選択部であり、群選択部23から得られる群選択
情報に基づいて前記文字パターンの特徴ベクトルを入力
する細分類部22を選択するものである。25は単一特徴類
似度計算部であり、群選択部23で選択された文字カテゴ
リ群の群帰属度と細分類部22で得られた群内類似度から
前記文字パターンに対する各文字カテゴリの類似度を求
めるものである。

【００４３】単一特徴類似度計算部25において、26は乗
算器であり、群選択部23で選択された文字カテゴリ群の
群帰属度と細分類部入力信号選択部24から前記文字パタ
ーンの特徴ベクトルを入力された細分類部22から得られ
る群内類似度を乗算するものである。27はカテゴリ類似
度計算部であり、各文字カテゴリ毎に乗算器26の出力値
の大きいものを複数個選択し、これらの出力値の総和を
求めるものである。

【００４４】図３は、ファジィ大分類部21の構成を具体
的に示すブロック図である。図３において、30は、入力
部であり、特徴抽出部12から得られる特徴ベクトルを入
力するものである。31は距離計算部であり、群辞書20の
全ての群参照用特徴ベクトルと前記特徴ベクトルとの距
離を計算するものである。32は割算器であり、距離計算
部31の出力の逆数を計算するものである。33は加算器で
あり、各々の割算器32の出力の総和を求めるものであ
る。34は乗算器であり、加算器33の出力と距離計算部31
の出力を乗算するものである。35は割算器であり、乗算
器34の出力の逆数を計算するものである。

【００４５】図４は、細分類部22の第１の実施例の構成
を具体的に示すブロック図である。図４において、40は
入力部であり、細分類部入力信号選択部24から出力され
る文字パターンの特徴ベクトルを入力するものである。
41は文字カテゴリ辞書であり、文字パターンの各文字カ
テゴリの代表値を示す文字カテゴリ参照用特徴ベクトル
が複数個記憶されているものである。42は距離計算部で
あり、文字カテゴリ辞書41の全ての文字カテゴリ参照用
特徴ベクトルと前記特徴ベクトルとの距離を計算するも
のである。43は割算器であり、距離計算部42の出力の逆
数を計算するものである。44は加算器であり、各々の割
算器43の出力の総和を求めるものである。45は乗算器で
あり、加算器44の出力と距離計算部42の出力を乗算する
ものである。46は割算器であり、乗算器45の出力の逆数
を計算するものである。以上のように構成された文字認
識装置について、以下その動作を説明する。

【００４６】画像入力部10で入力された文書画像から、
複数のパラメータを用いて文字切り出し部11が図５に示
すように、文字パターンを１文字領域づつ抽出し、文字
パターンを各特徴抽出部12に、また、抽出された文字パ
ターンのサイズ情報（文字パターンの幅ａ、高さｂ）、
位置情報ｈを候補文字選択部14における第１次候補文字
選択部17と認識後処理部15へ出力する。ここで、文字切
り出し部11におけるパラメータの具体例としては、文字
領域の標準サイズ、ピッチ、隣接する文字領域のスペー
ス長等があり、例えば、日本語文書では、文字領域の標
準サイズは全角漢字の文字サイズに設定される。

【００４７】複数個用意された各特徴抽出部12では、文
字切り出し部11から抽出された文字パターンから各々異
なる特徴ベクトルＸ_k(ｋ＝１〜Ｎ_F：Ｎ_Fは特徴ベクトル
の種類の数)を抽出する。ここで、各特徴ベクトルＸ_kは
ｎ_k個の特徴データからなり、

【００４８】

【数７】Ｘ_k＝（ｘ_k1，ｘ_k2，…，ｘ_knk） のように表わされる。

【００４９】なお、複数の異なる文字パターンの特徴ベ
クトルの例としては、以下に示すようなものがあるが、
下記以外の特徴ベクトルでも別に構わない。 （ａ）従来例で既に説明した文字パターンの画像情報を
例えば８×８分割し、各領域内の黒画素の度数を要素と
する64次元の濃淡特徴メッシュ特徴 （ｂ）文字パターンの画像情報を例えば４×４分割し、
各小領域内における文字輪郭点の方向要素（水平、垂
直、右斜め、左斜めの４方向）の出現度数を要素とする
64次元の輪郭方向密度特徴 （ｃ）文字パターンの画像情報を例えば４×４分割し、
一方の外接枠から他方の外接枠に向かって最初の文字部
に出会うまでの文字部でない領域の面積を計数する。こ
の操作を４つの外接枠に対して行って求められる16次元
の第１次ペリフェラル特徴と、同様に、最初の文字部の
出会いは計数を続け、２度目の文字部に出会うまでの面
積を計数して求められる16次元の第２次ペリフェラル特
徴を併せた32次元のペリフェラル特徴 （ｄ）文字パターンの画像情報を水平、及び垂直方向に
走査し、文字部を横切る回数を特徴量とするストローク
密度特徴 各特徴抽出部12で特徴抽出された文字パターンの各特徴
ベクトルＸ_kは、対応する単一特徴認識部13に入力され
る。複数個用意された単一特徴認識部13は、それぞれ独
立に以下に示すような識別処理を行い、各特徴ベクトル
Ｘ_kに対する各文字カテゴリの類似度を求める。なお、
以下の単一特徴認識部13の動作説明で用いられる特徴ベ
クトルＸ_kは、ある特徴抽出法によって得られた特徴ベ
クトルとし、以下、Ｘ_k、ｎ_kは簡単のためＸ、ｎと記述
する。

【００５０】以下、単一特徴認識部13の具体的な動作を
説明する。

【００５１】単一特徴認識部13では、まず特徴ベクトル
Ｘはファジィ大分類部21に入力される。ファジィ大分類
部21では、入力部30に特徴ベクトルＸが入力され、ｍ_r
個の距離計算部31へＸが出力される。各々の距離計算部
31は、群辞書20に記憶されている各文字カテゴリ群を代
表する群参照用特徴ベクトルＶ_i （１≦ｉ≦ｍ_r；ｍ_rは
群参照用特徴ベクトルの数、即ち、文字カテゴリ群の
数）を読みだし、（数８）式に示すＸとＶ_i の距離ｄ_i
を計算し、各々対応する割算器32、及び乗算器34へ出力
する。

【００５２】

【数８】ｄ_i＝‖Ｘ−Ｖ_i‖^2/(f-1) （１≦ｉ≦ｍ_r） 但し、ｆはｆ＞１を満たす実数とする。各々の割算器32
は、距離ｄ_iの逆数を計算し、その出力を加算器33へ出
力する。加算器33は、全ての割算器32の出力の総和を計
算し、その出力をｍ_r個の乗算器34へ出力する。各々の
乗算器34では、対応する距離計算部31と加算器33の出力
を乗算し、その出力を対応する割算器35に入力する。各
々の割算器35では、対応する乗算器34の出力の逆数を計
算する。最終的にファジィ大分類部21では、この各割算
器35の出力が入力された文字パターンの特徴ベクトルＸ
に対する各文字カテゴリ群の群帰属度μ_i（１≦ｉ≦
ｍ_r）として、群選択部23に出力される。つまり、各文
字カテゴリ群の群帰属度μ_i（１≦ｉ≦ｍ_r）は、（数
９）式のように表わすことができる。

【００５３】

【数９】

【００５４】なお、群辞書20に記憶されている各文字カ
テゴリ群を代表する群参照用特徴ベクトルは、予め、従
来のクラスタリング手法、例えば、電子情報通信学会編
長尾真著「文字パターン情報処理」（コロナ社）に示
されているＫ平均アルゴリズム、及びIsodataアルゴリ
ズムや、Y.リンテ゛(Linde), A.フ゛ソ゛ー(Buzo), and R.M.ク゛レイ
(Gray)による"アン アルコ゛リス゛ム フォ ヘ゛クトル クァンタイセ゛ーション(An A
lgorithm for Vector Quantizer design),"アイ・イー・イー・イー
・トランサ゛クション オン コミュニケーション ホ゛リュームー28 84頁から95頁 19
80年1月(IEEE Trans. Commun.,COM-28, 1, pp.84-95, J
an.1980) に示されているＬＢＧアルゴリズムを用いて
設計される。

【００５５】以下、Ｋ平均アルゴリズムを用いて群辞書
20を設計する方法について簡単に説明する。 （１）認識対象物の群辞書設計用の文字パターンの集合
から、ｍ_r個（但し、ｍ_rは予め定められた文字カテゴリ
群の数）の文字パターンを適当に選び、これらの特徴ベ
クトルをｍ_r個の群参照用特徴ベクトルＶ_i（１≦ｉ≦ｍ
_r）とする。 （２）全ての群辞書設計用の文字パターンの特徴ベクト
ルＸについて、それぞれ、（数１０）式に示される距離
ｄ_i

【００５６】

【数１０】ｄ_i＝‖Ｘ−Ｖ_i‖ を最小にするＶ_iを求める。このとき、Ｘは文字カテゴ
リ群Ｓ_i（１≦ｉ≦ｍ_r）に属するものとする。 （３） 各Ｓ_iに属する文字パターンの特徴ベクトルＸ
の平均値を求め、これをＶ_i’とする。 （４） Ｖ_i’＝Ｖ_iが全てのｉについて成立すれば、こ
のときの群参照用特徴ベクトルＶ_iを群辞書20に記憶す
る。そうでなければ、Ｖ_i’を新たな群参照用文字パタ
ーン信号Ｖ_iとして、（２）に戻る。

【００５７】このようにして、群参照用特徴ベクトルを
設計することによって、全ての文字パターンはいくつか
のその特徴ベクトルが類似する文字パターンの部分集合
（文字カテゴリ群）に分割することができる。なお、Is
odataアルゴリズム及び、ＬＢＧアルゴリズムもこのＫ
平均アルゴリズムと基本的にはほぼ同じ手法である。

【００５８】群選択部23では、ファジィ大分類部21で得
られた群帰属度の大きい順に複数個の文字カテゴリ群を
選び、どの文字カテゴリ群が選択されたかを示す群選択
情報を細分類入力信号選択部24へ、また、それに対応す
る群帰属度を単一特徴類似度計算部25へ出力する。な
お、文字カテゴリ群の選択方法としては、あるしきい値
以上の群帰属度をもつカテゴリ群を選択するとしてもよ
い。

【００５９】群選択部23から得られる群選択情報に基づ
いて、細分類入力信号選択部24は、入力された文字パタ
ーンの特徴ベクトルＸを入力する細分類部22を選択し、
特徴ベクトルＸをこれらの細分類部22へ出力する。

【００６０】群選択部23で選択された文字カテゴリ群に
対応する各々の細分類部22（即ち、細分類入力信号選択
部24から特徴ベクトルを入力された細分類部22）では、
まず、入力部40に文字パターンの特徴ベクトルＸが入力
され、ｍ_c個の距離計算部42へＸが出力される。各々の
距離計算部42は、文字カテゴリ辞書41に記憶されている
各文字カテゴリの代表値を示す文字カテゴリ参照用特徴
ベクトルＷ_i （１≦ｉ≦ｍ_c；ｍ_cは文字カテゴリ参照用
特徴ベクトルの数）を読みだし、（数１１）式に示すＸ
とＷ_iの距離ｄ_i を計算し、各々対応する割算器43、及
び乗算器45へ出力する。

【００６１】

【数１１】 ｄ_i＝‖Ｘ−Ｗ_i‖^2/(f-1) （１≦ｉ≦ｍ_c） 但し、ｆはｆ＞１を満たす実数とする。各々の割算器43
は、距離ｄ_iの逆数を計算し、その出力を加算器44へ出
力する。加算器44は、全ての割算器43の出力の総和を計
算し、その出力をｍ_c個の乗算器45へ出力する。各々の
乗算器45では、対応する距離計算部42と加算器44の出力
を乗算し、その出力を対応する割算器46に入力する。各
々の割算器46では、対応する乗算器45の出力の逆数を計
算する。最終的に、細分類部22では、この各割算器46の
出力が文字パターンの特徴ベクトルＸに対する各文字カ
テゴリの群内類似度ν_i（１≦ｉ≦ｍ_c）として、単一特
徴類似度計算部25に出力される。つまり、各細分類部22
における各文字カテゴリの群内類似度ν_i（１≦ｉ≦
ｍ_c）は、（数１２）式のように表わすことができる。

【００６２】

【数１２】

【００６３】なお、文字カテゴリ辞書41に記憶されてい
る各文字カテゴリの代表値を示す文字カテゴリ参照用特
徴ベクトルは、文字カテゴリ群内の各文字カテゴリをも
つ文字パターンに対して、その各文字カテゴリに対応す
る距離計算部42の出力が他の距離計算部42の出力に比べ
て最小出力を発生するように、予め設計されている。

【００６４】これらの文字カテゴリ参照用特徴ベクトル
の設計方法は、例えば、学習ベクトル量子化法（ＬＶ
Ｑ）と呼ばれる学習アルゴリズムによって行われる。学
習ベクトル量子化法については、例えば、T.コホネン(Kohon
en)による"ラーンニンク゛ ヘ゛クトル クァンタイセ゛イション フォ ハ゜ターン レコク゛ニ
ション(Learning Vector Quantization for Pattern Recog
nition)"，ヘルシンキ工科大学(Helsinki University of Tec
hnology),レホ゜ート TKK-F-A601,1986年11月(Report TKK-F-
A601(1986.11)に示されている。

【００６５】以下、学習ベクトル量子化法について簡単
に説明する。

【００６６】まず、ｍ_c個の文字カテゴリをもつ文字カ
テゴリ参照用特徴ベクトルＷ_iが用意される。このＷ_iの
初期値としては、各文字カテゴリ群に含まれる文字パタ
ーン集合からなる文字カテゴリ辞書の設計用の文字パタ
ーンから、各文字カテゴリ毎に任意に選択された文字パ
ターンの特徴ベクトル及び、群辞書20の設計の際に説明
したＫ平均アルゴリズム等の従来のクラスタリング法に
よって得られる参照用特徴ベクトルが用いられる。次
に、文字カテゴリ辞書の設計用の文字パターンから任意
の１個のカテゴリＣ_Xをもつ文字パターンの特徴ベクト
ルＸが選択され、このＸについて順次、以下のステップ
が繰り返される。 （１） Ｘに最も近い文字カテゴリ参照用特徴ベクトル
Ｗ_Cを選択する。但し、このＷ_Cの文字カテゴリをＣ_Cと
する。 （２） もし、Ｃ_X＝Ｃ_Cなら、Ｗ_CはＸの方向に近づけ
る。一方、Ｃ_X≠Ｃ_Cなら、Ｗ_CはＸから遠ざけられる。
また、Ｗ_C以外の文字カテゴリ参照用特徴ベクトルは更
新されない。

【００６７】Ｘが提示されたときの上記の文字カテゴリ
参照用特徴ベクトルの更新は、予め用意された全ての文
字カテゴリ辞書の設計用の文字パターンに対して繰り返
し行なわれる。

【００６８】このようにして、文字カテゴリ辞書41の文
字カテゴリ参照用特徴ベクトルを設計することにより、
文字カテゴリ群内の各文字カテゴリをもつ文字パターン
の特徴ベクトルに対して、常にその各文字カテゴリをも
つ文字カテゴリ参照用特徴ベクトルが最も近い距離に位
置するようになる。従って、全ての距離計算部42の中
で、最小出力を発生する距離計算部42を選ぶことによっ
て、各文字カテゴリ群内において、入力された文字パタ
ーンの文字カテゴリを認識することができる。

【００６９】単一特徴類似度計算部25では、まず、乗算
器26が、群選択部23で選択された文字カテゴリ群の群帰
属度と、その文字カテゴリ群に対応する各々の細分類部
22（即ち、細分類入力信号選択部24から特徴ベクトルを
入力された細分類部22）から得られる全ての群内類似度
を乗算し、それらの出力をカテゴリ類似度計算部27に出
力する。つまり、乗算器26は、（群参照用特徴ベクトル
の数×各細分類部における文字カテゴリ参照用特徴ベク
トルの数の総和）個用意されており、群選択部23で選択
されたあるカテゴリ群ｐの群帰属度μ_p（１≦ｐ≦ｍ_r；
ｍ_rは文字カテゴリ群の数）とその文字カテゴリ群ｐに
対応する細分類部22から得られたある文字カテゴリｑの
群内類似度ν_pq（１≦ｑ≦ｍ_c；ｍ_Cは文字パターンデー
タの文字カテゴリ数）が入力される。つまり、乗算器26
の出力値ξ_pqは、

【００７０】

【数１３】ξ_pq＝μ_p・ν_pq と表わされる。

【００７１】カテゴリ類似度計算部27では、全ての乗算
器26の出力値を、各文字カテゴリ毎にまとめて分類し、
その出力値の大きいものを複数個選択する。そして、各
文字カテゴリ毎に、これらの選択された出力値の総和を
求め、これを単一特徴認識部13に入力された文字パター
ンの特徴ベクトルに対する各文字カテゴリの類似度ｒ_i
（１≦ｉ≦Ｎ_C；Ｎ_Cは文字カテゴリの数）として候補文
字選択部14に出力する。なお、乗算器26の出力値を各カ
テゴリ毎に複数個選択する方法としては、乗算器26の出
力値があるしきい値以上のものを選択するとしてもよ
い。

【００７２】以上説明したように、単一特徴認識部13
は、ある特徴抽出部12から得られた文字パターンの特徴
ベクトルに対し、大分類を行ったあと細分類を行い最後
にそれらの出力を統合する階層的な識別を行なうことに
よって、ある特徴データに対する文字パターンの各文字
カテゴリの類似度を求める。

【００７３】候補文字選択部14では、まず、各々の統合
類似度変換部16が、それぞれ対応する単一特徴認識部13
から入力文字パターンの各特徴ベクトルに対する各文字
カテゴリの類似度を入力し、この類似度を各文字カテゴ
リ毎に統合類似度に変換する。具体的には、（数１４）
式に示すように、対応する単一特徴認識部13から得られ
る各文字カテゴリの類似度ｒ_ki（１≦ｋ≦Ｎ_F：Ｎ_Fは特
徴ベクトルの種類の数、１≦ｉ≦Ｎ_C；Ｎ_Cは文字カテゴ
リの数）をこれらの類似度の中の最大値ｒ_kmaxで割るこ
とによって正規化を行い、これを統合類似度ｔ_ki（但
し、０≦ｔ_ki≦１、１≦ｉ≦Ｎ_C；Ｎ_Cは文字カテゴリの
数）として、各々対応する第１次候補文字選択部17へ出
力する。

【００７４】

【数１４】ｔ_ki＝ｒ_ki／ｒ_kmax 各第１次候補文字選択部17では、文字切り出し部11で得
られた文字パターンのサイズ情報（文字パターンの幅
ａ、高さｂ）、位置情報ｈと文字情報記憶部50に記憶さ
れている全ての文字カテゴリの標準サイズ情報（標準文
字パターンの幅Ａ_i、高さＢ_i）、標準位置情報Ｈ_i（１
≦ｉ≦Ｎ_C；Ｎ_Cは文字カテゴリの数）とを比較して複数
個の候補文字カテゴリ（第１次候補文字カテゴリ）を選
択し、これを第２次候補文字選択部18に出力する。例え
ば、具体的な候補文字カテゴリの選択方法としては、
（数１５）、（数１６）、（数１７）式に示すような文
字幅評価関数Ｆ(a)、文字高さ評価関数Ｆ(b)、文字位置
評価関数Ｆ(h)を

【００７５】

【数１５】Ｆ(a)＝｜ａ−Ａ_i｜

【００７６】

【数１６】Ｆ(b)＝｜ｂ−Ｂ_i｜

【００７７】

【数１７】Ｆ(h)＝｜ｈ−Ｈ_i｜ を定めて、それぞれの関数Ｆの値があるしきい値より小
さいものを候補カテゴリとして選択すればよい。なお、
評価関数としては、文字幅と文字高さの比、つまり、文
字形状情報ａ／ｂと標準文字形状情報Ａ_i／Ｂ_iとを用い
た（数１８）式に示されるような文字形状評価関数に用
いてもよい。

【００７８】

【数１８】Ｆ(a/b)＝｜(ａ/ｂ)−(Ａ_i/Ｂ_i)｜ なお、第１次候補文字選択部17における第１次候補文字
カテゴリの選択方法としては、文字パターンのサイズ情
報ｓ、位置情報ｈのみを用いて候補文字カテゴリを選択
するだけではなく、対応する統合類似度変換部16から得
られる各文字カテゴリの統合類似度があるしきい値以上
である文字カテゴリをまず複数個選択したのち、前述し
たような、文字パターンのサイズ情報ｓ、位置情報ｈと
文字情報記憶部50に記憶されている全ての文字カテゴリ
の標準サイズ情報（Ａ_i、Ｂ_i）、標準位置情報Ｈ_iとを
比較して第１次候補文字カテゴリを選択してもよい。

【００７９】第２次候補文字選択部18では、まず加算器
181が、複数個ある第１次候補文字選択部17から得られ
る全ての第１次候補文字カテゴリの統合類似度ｔ_kiを
（数１９）式に示すように、同一カテゴリ毎に加算し
て、最終類似度ｕ_i（但し、１≦ｉ≦Ｎ_C；Ｎ_Cはカテゴ
リの数）を求める。

【００８０】

【数１９】

【００８１】最終候補文字選択部182は、この最終類似
度ｕ_iを比較して、これら最終類似度の値の大きいもの
を複数個選択し、これを第２次候補文字カテゴリとして
認識後処理部15へ出力する。

【００８２】以上説明したように、候補文字選択部14
は、各単一特徴認識部13において入力された文字パター
ンの各特徴ベクトルを認識処理することによって得られ
た識別結果、つまり類似度を統合して複数の候補文字カ
テゴリを選択するものである。ここで、統合類似度変換
部16は、第２次候補文字選択部18において、各特徴ベク
トルに関する識別結果をうまく統合できるような統合類
似度に単一特徴認識部12から得られた類似度を変換する
ものである。具体的に説明すると、第２次候補文字選択
部18が最終的に確信度の高い候補文字カテゴリを選択す
るうえで、最も重要な値は各単一特徴認識部13から得ら
れる各文字カテゴリの類似度の最大値及びその近傍の
値、つまり、各単一特徴認識部13で得られる第１、２、
…、候補文字カテゴリの類似度の値である。しかし、各
単一特徴認識部13から得られる最大類似度は、単一特徴
認識部13における各細分類部の出力ユニット数の総和に
影響をうける（具体的には、細分類部の出力ユニット数
の総和が大きいものほど、最大類似度が小さくなる傾向
をもつ。）ので、各単一特徴認識部13から得られる類似
度をそのまま第１次候補文字選択部17に出力すると、常
に、平均的に最大類似度が大きい単一特徴認識部13から
の識別結果が優先される。よって、このままでは、複数
種類の特徴ベクトルを用いる利点、つまり、ある特徴ベ
クトルで誤認識する文字パターンを異なる特徴ベクトル
による識別結果によって正しく認識するということが難
しい。しかし、統合類似度変換部16において、各単一特
徴認識部13から得られる各文字カテゴリの類似度をその
最大類似度で正規化することにより、各々の単一特徴認
識部13の最大類似度は常に１となる。よって、候補文字
選択部14における最終的な候補文字カテゴリの選択にお
いて、各単一特徴認識部13の識別結果を同等に寄与させ
ることができるようになり、常にある単一特徴認識部13
からの識別結果が優先されるようなことはなくなり、信
頼度の高い候補文字カテゴリを求めることができる。

【００８３】また、特徴抽出部12で得られる特徴ベクト
ルは、正規化された文字パターンから特徴ベクトルが抽
出されるため、このままでは、”Ｉ”，”１”，”−”
等の縦長、横長の文字パターンの形状を特徴とする文字
カテゴリの正確な識別は行えない。しかし、第１次候補
文字選択部17において、文字サイズ情報、位置情報を有
効に利用することによって、本実施例では、これらの文
字カテゴリの識別を正確に行うことができる。

【００８４】最後に、候補文字選択部14で得られた複数
の第２次候補文字カテゴリは、認識後処理部15に入力さ
れ、文字切り出し部11で得られた文字パターンのサイズ
情報、位置情報を用いて、最終的な認識文字カテゴリの
決定が行われる。具体的には、後処理対象文字集合判定
部52において、次のような処理が行われる。

【００８５】まず、後処理文字対記憶部51に記憶されて
いる全ての後処理対象文字カテゴリ集合を読みだし、第
２次候補文字カテゴリの第１候補文字カテゴリとを比較
する。このとき、第１候補文字カテゴリが後処理対象文
字カテゴリ集合である場合には、文字情報記憶部50に記
憶されている第１候補文字カテゴリとそれと同じ後処理
対象文字カテゴリ集合に含まれる各後処理対象文字カテ
ゴリの文字サイズ情報、位置情報を読みだし、文字切り
出し部11で得られた文字パターンのサイズ情報（文字パ
ターンの幅ａ、高さｂ）、位置情報ｈとそれぞれ比較
し、入力された文字パターンのサイズ情報、位置情報と
より類似している文字カテゴリを認識文字カテゴリと決
定し出力する。認識文字カテゴリを決定する具体的な方
法としては、（数１５）〜（数１８）式に既に示された
評価関数を用いて、その値が小さい文字カテゴリを認識
文字カテゴリと決定する等がある。なお、後処理対象文
字カテゴリ集合とは、”Ｘ，ｘ”、”つ、っ”等類似大
小文字のことを示す。例えば、いま、第２次候補文字カ
テゴリの第１候補文字が”Ｘ”であるとする。文字情報
記憶部50に記憶されている標準文字幅、標準文字高さ、
標準位置情報を文字カテゴリ”Ｘ”では、順に(0.6, 0.
9, 0.5)であり、”ｘ”では(0.5, 0.6, 0.3)であるとす
る。そして、このとき、文字切り出し部11から得られる
文字パターンの文字幅、文字高さ、位置情報が(0.52,
0.7, 0.32)であるとすると、例えば、評価関数として、
式(15)＋式(16)＋式(17)（Ｆ(a,b,h)＝Ｆ(a)＋Ｆ(b)＋
Ｆ(h)）を用いれば、”Ｘ”に対しては、Ｆの値は0.4
6、また、”ｘ”に対しては0.14となり、最終的な認識
文字カテゴリは”ｘ”となる。

【００８６】このように、認識後処理部15では、特徴ベ
クトルだけでは正確な識別が行うことが困難な類似大小
文字の識別を、文字サイズ情報、位置情報を有効に利用
することによって、これらの文字カテゴリの識別を正確
に行う。

【００８７】以上が本実施例の文字認識装置の動作説明
である。

【００８８】ここで、実験的に得られた本実施例の文字
認識の結果を示す。認識対象となる文字パターンデータ
はマルチフォント（明朝体、ゴシック体等）の3390字種
（記号、英数字、ひらがな、カタカナ、ギリシャ文字、
ＪＩＳ第１水準漢字）の文字とした。特徴抽出する特徴
ベクトルは64次元の輪郭方向密度特徴と32次元の背景密
度特徴とする。輪郭方向密度は、局所領域内の文字スト
ロークの方向、及び複雑さを示す特徴量であり、背景密
度特徴は文字の背景の複雑度を示す特徴量である。な
お、詳細な特徴抽出の方法は、脇、藤原、竹之内、横
江、清水による「文書清書システム（３）−文字認識ア
ルゴリズムとそのハードウエア−」、昭和61年度電子通
信学会総合全国大会、1512、6-154に示されている。

【００８９】各特徴ベクトルに対応する単一特徴認識部
13における群辞書20及び、各細分類部22の文字カテゴリ
辞書41、認識後処理部15における文字情報記憶部50は、
８フォント27120文字で設計を行った。ここで、各単一
特徴認識部13におけるファジィ大分類部21は、文字カテ
ゴリ群数（群参照用特徴ベクトルの数）を７とした。ま
た、各細分類部22の文字カテゴリ参照用特徴ベクトルの
数は輪郭方向密度特徴に対応する文字カテゴリ辞書41で
は、1070,949,957,562,1029,920,996の総数6483個と
し、また、背景密度特徴に対応する文字カテゴリ辞書41
では、1122,902,633,1287,751,1090,984の総数6769個と
した。

【００９０】認識に際して、各単一特徴認識部における
ファジィ大分類部21の（数８）式におけるｆは1.2、ま
た細分類部22の（数１１）式におけるｆは1.3とした。
また、群選択部23で選択する文字カテゴリ群の数は７
で、即ち、全ての細分類部22に各特徴ベクトルを入力し
た。また、カテゴリ類似度計算部27において、各文字カ
テゴリ毎に選ぶ乗算器26の出力値の個数は４とした。

【００９１】また、比較のために、前記２つの特徴ベク
トルを１つにまとめて、96次元の特徴ベクトルとし、こ
れを認識する単一特徴認識部13も設計した。設計に用い
た学習用の文字パターンは同じものを使用し、文字カテ
ゴリ群数は７、文字カテゴリ辞書41における文字カテゴ
リ参照用特徴ベクトルの数は、905,590,1255,382,933,1
272,1083の総数6420個とした。なお、認識に際して、各
パラメータは同じ値を用いた。

【００９２】評価用の文字パターンとして、各辞書の設
計に用いたデータと異なる８フォント27120文字を用い
た。

【００９３】実験の結果、本実施例では、98.33％の認
識率が得られた。また、比較のために行った、２つの特
徴ベクトルを１つにまとめて認識を行う文字認識装置の
認識率は97.98％であった。つまり、本実施例のよう
に、複数の特徴ベクトルを個別に識別し、その識別結果
を統合して認識を行うほうが、複数の特徴ベクトルを１
つにまとめて認識処理を行うものより、認識率が向上す
ることがわかる。

【００９４】このように、本実施例によれば、複数種類
の特徴ベクトルを各々別個の単一特徴認識部13で識別処
理して各特徴ベクトルに対する各文字カテゴリの類似度
を求めたのち、候補文字選択部14がこれら全ての類似度
を用いて各単一特徴認識部13から得られる識別結果を統
合して、最終的な文字パターンの認識を行う。従って、
従来例のように複数種類の特徴ベクトルを１つにまとめ
て用いる場合には困難であった「ある特徴ベクトルでは
誤認識する文字パターンを異なる特徴ベクトルによる識
別結果から正しく認識する」ということが容易にできる
ようになり、高精度の認識を実現することができる。

【００９５】また、従来法では、複数種類の特徴ベクト
ルの使用によって、認識に要する時間が増加するが、本
実施例では、各単一特徴認識部が各々並列に識別処理を
行うので、認識に要する時間を従来例に比べ、短くする
ことができる。

【００９６】なお、本実施例の単一特徴認識部13におい
て、細分類部22は図４に示すような構成ではなく、以下
に示すような構成にしてもよい。

【００９７】図６は細分類部22の第２の実施例の構成を
具体的に示すブロック図である。60は入力部であり、細
分類部入力信号選択部24から出力される文字パターンの
特徴ベクトルを入力するものである。61は多入力一出力
信号処理部であり、それに接続されている下層の入力部
60、または多入力一出力信号処理部61の出力と、その連
結の度合である重み係数とを各々掛け合わせて総和した
ものをしきい値処理して出力するものである。ここで
は、これら複数個の多入力一出力信号処理部を層構造に
し、各層内相互の結合がなく、上位層にのみ信号が伝搬
するようにネットワーク接続することによって、入力さ
れた文字パターンの特徴ベクトルに対する文字カテゴリ
群内の各文字カテゴリに類似する度合である群内類似度
が求められる。

【００９８】図７は、前記多入力一出力信号処理部61の
構成を具体的に示すブロック図である。図７において、
62は入力部であり、入力信号を入力するものである。63
は重み係数記憶部であり、入力部62からの複数の入力信
号を重み付ける重み係数を記憶するものである。64は乗
算器であり、重み係数記憶部63の重み係数と入力部62か
らの入力信号を乗算するものである。65は加算器であ
り、全ての乗算器64の出力値を総和するものである。66
はしきい値処理部であり、加算器65の出力値を一定範囲
の値に制限するものである。

【００９９】以上のように構成された細分類部22の第２
の実施例について、以下その動作を説明する。

【０１００】第１の実施例同様に、群選択部23で選択さ
れた文字カテゴリ群に対応する各々の細分類部22（即
ち、細分類入力信号選択部24から特徴ベクトルを入力さ
れた細分類部22）では、まず、入力部60に文字パターン
の特徴ベクトルＸが入力される。入力部60は、文字パタ
ーンの特徴データ数に等しくｎ個用意されており、各特
徴データｘ_iはそれぞれ対応する入力部60に入力され
る。細分類部22の各多入力一出力信号処理部61は、図６
に示すようにそれに接続されている下層の入力部60、ま
たは多入力一出力信号処理部61の出力と重み係数記憶部
63に記憶されているその接続の度合である重み係数ｗ_ij
とを乗算器64により掛け合わせ、各々の乗算器64の出力
の総和を加算器65で計算した後、しきい値処理部66で変
換し、その出力値を上層へ出力する。つまり、図７に示
すある層のｉ番目の多入力一出力信号処理部61の出力値
Ｉ_iは、入力部62への入力値をＩ_j 、それに接続されて
いる入力とその接続の度合である重み係数をｗ_ij（ｉ番
目の多入力一出力信号処理部とｊ番目の入力との結合重
み）とすれば、（数２０）式のように表わせる。

【０１０１】

【数２０】

【０１０２】なお、しきい値処理部66の入出力特性を図
８に示す。例えば、出力を（０，１）の範囲に制限する
しきい値処理部66の入出力特性は（数２１）式のように
表現できる。

【０１０３】

【数２１】ｆ（ａ） = 1 / (1 + exp(-ａ+θ)) 但し、ａはしきい値処理部66の入力である。なお、しき
い値処理部66の入出力特性としては上記以外のしきい値
関数でもよい。

【０１０４】最上位層の多入力一出力信号処理部61は、
各文字カテゴリ群に含まれる文字パターンの文字カテゴ
リの数と同じ個数に設定され、最上位層の各多入力一出
力信号処理部61は、これらの各文字カテゴリに対応して
いる。つまり、最上位層の各多入力一出力信号処理部61
の出力が、文字パターンの特徴ベクトルＸに対する文字
カテゴリ群内の各文字カテゴリに類似する度合である群
内類似度ν_i（１≦ｉ≦ｍ_c；ｍ_cは文字カテゴリ参照用
特徴ベクトルの数）として、単一特徴類似度計算部25に
出力される。

【０１０５】なお、各多入力一出力信号処理部61の重み
係数は、文字カテゴリ群内の各文字カテゴリをもつ文字
パターンに対して、その各文字カテゴリに対応する最上
位層の多入力一出力信号処理部61が最大出力を発生する
ように、予め設計しておく。これより、各細分類部22に
おいて、文字パターンの文字カテゴリを認識することが
できる。なお、これらの重み係数の設計方法は、誤差逆
伝搬法と呼ばれる学習アルゴリズムによって行われる。
誤差逆伝搬法については、例えば、D. E. ラメルハート(Rumel
hart), G. E.ヒントン(Hinton) and R. J. ウイリアムス゛(William
s)による"ラーニンク゛ リフ゜リセ゛ンテーションス゛ ハ゛イ ハ゛ックフ゜ロハ゜ケ゛ーティン
ク゛ エラース゛(Learning Representations byBack-Propagati
ng Errors),"ネイチャー(Nature), vol.323, pp.533-536, Oc
t. 9, 1986 に示されており、その概略は既に従来例に
おいて説明したとおりである。

【０１０６】また、図９は本発明の第１の実施例におけ
る候補文字選択部14の第２の実施例の構成を具体的に示
すブロック図である。図９において、70は類似度正規化
部であり、単一特徴認識部13と同じ個数用意されてお
り、各々対応する単一特徴認識部13から得られた各文字
カテゴリの類似度をそれらの類似度の中の最大値で正規
化するものである。71は第１次候補文字選択部であり、
類似度正規化部70同様、単一特徴認識部13と同じ個数用
意されており、各々対応する類似度正規化部70から得ら
れた正規化類似度と文字切り出し部11から得られる文字
パターンのサイズ情報、位置情報と、文字情報記憶部50
に記憶されている各文字カテゴリの標準サイズ情報と標
準位置情報を用いて、全ての文字カテゴリの中から複数
の候補文字カテゴリ（これを第１次候補文字カテゴリと
呼ぶ。）を選択するものである。72は統合類似度計算部
であり、類似度正規化部70同様、単一特徴認識部13と同
じ個数用意されており、各第１次候補文字カテゴリの正
規化類似度を非線形変換し、それら非線形変換された正
規化類似度をその総和値で各々除算することによって各
第１次候補文字カテゴリの統合類似度を求めるものであ
る。17は第２次候補文字選択部であり、第１の実施例同
様の構成で、各統合類似度計算部72から得られる第１次
候補文字カテゴリの統合類似度を用いて、全ての第１次
候補文字カテゴリの中から複数個の候補カテゴリ（これ
を第２次候補カテゴリと呼ぶ）を選択して、認識後処理
部15に出力するものである。

【０１０７】以上のように構成された候補文字選択部14
の第２の実施例について、以下その動作を説明する。

【０１０８】まず、各々の類似度正規化部70が（数２
２）式に示すように、それぞれ対応する単一特徴認識部
13から得られる各文字カテゴリの類似度ｒ_ki（１≦ｋ≦
Ｎ_F：Ｎ_Fは特徴ベクトルの種類の数、１≦ｉ≦Ｎ_C；Ｎ_C
は文字カテゴリの数）をこれらの類似度の中の最大値ｒ
_kmaxで割ることによって正規化を行い、これを正規化類
似度ｓ_ki（但し、０≦ｓ_ki≦１、１≦ｉ≦Ｎ_C；Ｎ_Cは文
字カテゴリの数）として、各々対応する第１次候補文字
選択部71へ出力する。

【０１０９】

【数２２】ｓ_ki＝ｒ_ki／ｒ_kmax 各第１次候補文字選択部71では、各文字カテゴリの統合
類似度の代わりに正規化類似度を用いるだけで、基本的
には候補文字選択部14の第１の実施例と同様の動作を行
い、複数個の候補文字カテゴリ（第１次候補文字カテゴ
リ）を選択して、これを統合類似度計算部72に出力す
る。

【０１１０】各統合類似度計算部72では、各第１次候補
文字選択部71から得られた各第１次候補文字カテゴリの
正規化類似度ｓ_ki（但し、０≦ｓ_ki≦１、１≦ｉ≦
Ｍ_C；Ｍ_Cは第１次候補文字カテゴリの数）を非線形変換
し、それら非線形変換された各第１次候補文字カテゴリ
の正規化類似度をそれらの総和値で各々正規化（割算）
し、これを統合類似度ｔ_ki（但し、１≦ｉ≦Ｍ_C）とし
て、第２次候補文字選択部18に出力する。つまり、統合
類似度ｔ_kiは、非線形関数をｆ(X)とすると（数２３）
式のように表わすことができる。

【０１１１】

【数２３】

【０１１２】なお、非線形関数ｆ(ｘ)は、０≦ｘ≦１に
おいて、０≦ｆ(ｘ)≦１、ｆ(０)＝０、ｆ(１)＝１を満
たす単調増加関数である。例えば、例として（数２４）
式のような関数がある。但し、０≦ａ≦１である。

【０１１３】

【数２４】ｆ(ｘ) ＝ ｘ^a 第２次候補文字選択部18は、第１の実施例と同様の動作
を行って、各統合類似度計算部71から得られる全ての第
１次候補文字カテゴリの統合類似度を用いて、全ての第
１次候補文字カテゴリの中から複数個の第２次候補文字
カテゴリを選択して、認識後処理部15に出力する。

【０１１４】さて、各単一特徴認識部13において、誤認
識するときの各文字カテゴリの類似度をよく観察する
と、 （１） 最大類似度の大きさはあまり誤認識には関係が
ないこと （２） 最大類似度と２番目に大きい類似度の差が小さ
いときに誤認識が多いということがわかる。そこで、本
実施例では、各単一特徴認識部13から得られる類似度を
最大類似度で正規化したあと、最大類似度と２番目に大
きい類似度の差を強調する処理、つまり、最大類似度と
２番目に大きい類似度の差が小さい場合には、よりその
差を小さくし、さらにその類似度の大きさ自体を小さく
することにより、誤認識を生じている可能性のある単一
特徴認識部13から得られる識別結果の信頼度（類似度）
を下げる処理を行っている。故に、第２次候補文字選択
部18で最終的な候補文字カテゴリを選択するときには、
他の単一特徴認識部13の識別結果が重要視されるように
なり、その結果、信頼度の高い候補文字カテゴリを求め
ることができる。

【０１１５】ここで、候補文字選択部14の第２の実施例
を用いた文字認識装置において、実験的に得られた認識
結果を示す。実験は、第１の実施例の場合と同じように
行った。但し、統合類似度計算部72において、用いた非
線形関数は（数２４）式に示したものであり、a=0.5と
した。

【０１１６】実験の結果、この実施例では、98.38%の認
識率が得られ、第１の実施例に比べ、0.05%認識率が向
上した。

【０１１７】このようにこの実施例によれば、各単一特
徴認識部13から得られる類似度に上記で述べたような変
換を行うことで、ある特徴ベクトルでは誤認識する文字
パターンを異なる特徴ベクトルによる識別結果から正し
く認識するということが、第１の実施例以上によりよく
行うことができ、より高精度の認識を行うことができ
る。 （実施例２）図１０は、本発明の第２の実施例における
文字認識装置のブロック図を示すものである。図１０に
おいて、10〜18は図１に示した第１の実施例における文
字認識装置と同一のものである。80は文字切り出し制御
部であり、各々の第１次候補文字選択部17から得られる
第１次候補文字カテゴリの数によって、文字切り出し部
11の動作を制御するものである。即ち、第２の実施例
は、前述の文字認識装置の第１の実施例に、文字切り出
し制御部80を付加したものである。

【０１１８】以上のように構成された文字認識装置につ
いて、以下その動作を説明する。なお、本実施例では、
文字切り出し制御部80を除いて、基本的に、他の構成要
素は第１の実施例と同じ動作を行って文字認識処理をす
るので、ここでは、それらの動作については簡単に説明
を行う。

【０１１９】第１の実施例同様、まず、画像入力部10で
入力された文書画像から、複数のパラメータを用いて文
字切り出し部11が図５に示すように、文字パターンを１
文字領域づつ抽出し、文字パターンを各特徴抽出部12
に、また、抽出された文字パターンのサイズ情報、位置
情報を候補文字選択部14における第１次候補文字選択部
17と認識後処理部15へ出力する。各々の特徴抽出部12で
は、文字切り出し部11から抽出された文字パターンから
各々異なる特徴ベクトルＸ_k（ｋ＝１〜Ｎ_F：Ｎ_Fは特徴
ベクトルの種類の数）を抽出し、それぞれ対応する単一
特徴認識部13へに出力する。複数個用意された各単一特
徴認識部13は、それぞれ独立に、第１の実施例と同様の
識別処理を行い、各特徴ベクトルＸ_kに対する各文字カ
テゴリの類似度を求め、これを候補文字選択部14に出力
する。候補文字選択部14では、まず、各々の統合類似度
変換部16が、特徴ベクトル各々に対応する単一特徴認識
部13から得られる各文字カテゴリの類似度をそれらの類
似度の中の最大値で正規化することによって統合類似度
に変換する。各第１次候補文字選択部17では、文字切り
出し部11で得られた文字パターンのサイズ情報、位置情
報と文字情報記憶部50に記憶されている全ての文字カテ
ゴリの標準サイズ情報、標準位置情報とを比較して複数
個の第１次候補文字カテゴリを選択し、これを第２次候
補文字選択部18に出力する。なお、第１の実施例でも示
したように、第１次候補文字選択部17における第１次候
補文字カテゴリの選択方法は、文字パターンのサイズ情
報、位置情報のみを用いて候補文字カテゴリを選択する
だけではなく、対応する統合類似度変換部16から得られ
る各文字カテゴリの統合類似度があるしきい値以上であ
る文字カテゴリをまず複数個選択したのち、前述したよ
うな、文字パターンのサイズ情報、位置情報と文字情報
記憶部50に記憶されている全ての文字カテゴリの標準サ
イズ情報、標準位置情報とを比較して第１次候補文字カ
テゴリを選択する方法を用いてもよい。

【０１２０】ここで、文字切り出し制御部80は、各々の
第１次候補文字選択部17から得られる第１次候補文字カ
テゴリの数を総和し、その総和が０であれば、即ち、選
択される第１次候補文字カテゴリが全くない場合には、
文字切り出し部11において文字パターンを１文字領域づ
つ抽出する際に用いる複数のパラメータ（既に、第１の
実施例で説明したように、文字領域の標準サイズ、ピッ
チ、隣接する文字領域のスペース長等）を変化させて、
再度、文字切り出し部11に文字領域の抽出を行なわせ、
再度抽出した文字パターンを各単一特徴認識部13に再入
力する。

【０１２１】一方、第２次候補文字選択部18は、各々の
第１次候補文字選択部17から得られる第１次候補文字カ
テゴリの統合類似度を同一カテゴリ毎に加算することに
よって、全ての第１次候補文字カテゴリに対する最終類
似度を求めたのち、この最終類似度の値の大きいものを
複数個選択し、これを第２次候補文字カテゴリとして認
識後処理部15へ出力する。

【０１２２】最後に、認識後処理部15では、文字切り出
し部11から得られる文字パターンのサイズ情報と位置情
報を用いて、候補文字選択部から得られる複数の第２次
候補文字カテゴリの中から最終的な文字カテゴリの決定
を行う。

【０１２３】一般に、全角文字で書かれた日本語文書に
おいて、半角英数字、及び”い”等の分離しやすい文字
が連続している場合、文字パターンは誤って切り出され
ることが多く、このような場合、従来例では、文字パタ
ーンを正しく認識することは困難であった。しかし、本
実施例によれば、第１候補文字選択部17で、文字切り出
し部11で抽出された文字パターンのサイズ情報、位置情
報と各文字カテゴリの標準的なサイズ情報、位置情報を
比較することによって、複数の第１次候補文字カテゴリ
の選択を行うので、もし、入力された文字パターンが各
文字カテゴリの標準サイズ、位置情報とある程度以上異
なる場合には、候補文字カテゴリが０となる。このと
き、文字切り出し制御部80が、文字切り出し部11におい
て文字パターンの切り出し誤りが生じたと判断し、文字
切り出し部11において文字パターンの切り出しを行う際
に用いる複数のパラメータを微小変化させて、文字パタ
ーンの再切り出しを行う。そして、再度認識処理を行う
ので、前述したような切り出し誤りが生じ易い文字列に
対しても、正確な文字の切り出しが可能であり、高精度
な認識を実現することができる。 （実施例３）図１１は、本発明の第３の実施例における
文字認識装置のブロック図を示すものである。図１１に
おいて、10〜18は図１に示した第１の実施例における文
字認識装置と同一のものである。90は教師信号生成部で
あり、認識後処理部15から得られた認識文字カテゴリと
文字切り出し部11で抽出された文字パターンの正解文字
カテゴリを用いて教師信号を生成するものである。91は
誤認識頻度記憶部であり、教師信号（正解文字カテゴ
リ）と認識文字カテゴリとの組合せが後処理対象文字集
合記憶部51に記憶されている後処理対象文字カテゴリ集
合と一致した回数である誤認識頻度が後処理対象文字カ
テゴリ集合毎に記憶されているものである。92は誤認識
頻度更新部であり、正解文字カテゴリと認識文字カテゴ
リとの組合せと後処理対象文字集合記憶部91に記憶され
ている各後処理対象文字カテゴリ集合とを比較すること
によって誤認識頻度記憶部に記憶されている各後処理対
象文字カテゴリ集合の誤認識頻度を更新し、なおかつ、
誤認識頻度が任意の許容回数より大きくなった場合には
対応する後処理対象文字カテゴリ集合を出力するもので
ある。93は文字情報修正部であり、文字情報記憶部50に
記憶されている誤認識頻度更新部92から得られる後処理
対象文字カテゴリ集合の標準サイズ情報、標準位置情報
を入力文字パターンのサイズ情報、位置情報を用いて修
正するものである。

【０１２４】以上のように構成された文字認識装置につ
いて、以下その動作を説明する。なお、本実施例では、
教師信号出力部90、誤認識頻度記憶部91、誤認識頻度更
新部92及び文字情報修正部93を除いて、基本的に、他の
構成要素は第１の実施例と同じ動作を行って文字認識処
理をするので、ここでは、それらの動作については簡単
に説明を行う。

【０１２５】第１の実施例同様、まず、画像入力部10で
入力された文書画像から、複数のパラメータを用いて文
字切り出し部11が図５に示すように、文字パターンを１
文字領域づつ抽出し、文字パターンを各特徴抽出部12
に、また、抽出された文字パターンのサイズ情報、位置
情報を候補文字選択部14における第１次候補文字選択部
17と認識後処理部15へ出力する。各々の特徴抽出部12で
は、文字切り出し部11から抽出された文字パターンから
各々異なる特徴ベクトルＸ_k（ｋ＝１〜Ｎ_F：Ｎ_Fは特徴
ベクトルの種類の数）を抽出し、それぞれ対応する単一
特徴認識部13へに出力する。複数個用意された各単一特
徴認識部13は、それぞれ独立に、第１の実施例と同様の
識別処理を行い、各特徴ベクトルＸ_kに対する各文字カ
テゴリの類似度を求め、これを候補文字選択部14に出力
する。候補文字選択部14では、まず、各々の統合類似度
変換部16が、特徴ベクトル各々に対応する単一特徴認識
部13から得られる各文字カテゴリの類似度をそれらの類
似度の中の最大値で正規化することによって統合類似度
に変換する。各第１次候補文字選択部17では、文字切り
出し部11で得られた文字パターンのサイズ情報、位置情
報と文字情報記憶部50に記憶されている全ての文字カテ
ゴリの標準サイズ情報、標準位置情報とを比較して複数
個の第１次候補文字カテゴリを選択し、これを第２次候
補文字選択部18に出力する。第２次候補文字選択部18
は、各々の第１次候補文字選択部17から得られる第１次
候補文字カテゴリの統合類似度を同一カテゴリ毎に加算
することによって、全ての第１次候補文字カテゴリに対
する最終類似度を求めたのち、この最終類似度の値の大
きいものを複数個選択し、これを第２次候補文字カテゴ
リとして認識後処理部15へ出力する。認識後処理部15で
は、文字切り出し部11から得られる文字パターンのサイ
ズ情報と位置情報を用いて、候補文字選択部14から得ら
れる複数の第２次候補文字カテゴリの中から最終的な認
識文字カテゴリの決定を行う。

【０１２６】ここで、教師信号生成部90は、認識後処理
部15から得られた認識文字カテゴリと文字切り出し部11
で抽出された文字パターンの正解文字カテゴリとを比較
し、互いに異なる場合には、この正解文字カテゴリを教
師信号として誤認識頻度更新部92に出力する。誤認識頻
度更新部92では、後処理対象文字集合記憶部51に記憶さ
れている全ての後処理対象文字カテゴリ集合を読みだ
し、教師信号（正解文字カテゴリ）と認識文字カテゴリ
との組合せを順番に比較する。もし教師信号（正解文字
カテゴリ）と認識文字カテゴリとの組合せがある後処理
対象文字カテゴリ集合と一致した場合には、誤認識頻度
記憶部91に記憶されている前記組合せに対応する後処理
対象文字カテゴリ集合の誤認識頻度を１つ増やす。この
とき、もし、この後処理対象文字カテゴリ集合の誤認識
頻度が任意の許容回数より大きくなった場合にはこの後
処理対象文字カテゴリ集合を文字情報修正部93へ出力す
る。そして、文字情報修正部93では、後処理対象文字カ
テゴリ集合が入力されると、文字情報記憶部50に記憶さ
れているこの後処理文字カテゴリ対の各標準サイズ情
報、標準位置情報を実際に文字切り出し部11で抽出され
た文字パターンのサイズ情報、位置情報に基づいて修正
する。修正方法を具体的に示すと、いま後処理文字カテ
ゴリ対（Ｃ₁、Ｃ₂）（例えば、”Ｘ”、”ｘ”）におい
て、文字情報記憶部50に記憶されている文字カテゴリＣ
₁の標準文字パターン幅をＡ₁、標準文字高さをＢ₁、標
準位置情報をＨ₁とし、また、文字カテゴリＣ₂の標準文
字パターン幅をＡ₂、標準文字高さをＢ₂、標準位置情報
をＨ₂とする。ここで、Ｃ₁をＣ₂に誤認識する頻度があ
る回数を越えると、対応する各文字カテゴリの文字情報
（Ａ₁、Ｂ₁、Ｈ₁）及び（Ａ₂、Ｂ₂、Ｈ₂）を既に入力さ
れた文字パターンの各文字カテゴリの文字情報（ａ₁、
ｂ₁、ｈ₁）及び（ａ₂、ｂ₂、ｈ₂）に基づいて例えば、
（数２５）式のように修正する。

【０１２７】

【数２５】Ａ₁ ＝ Ａ₁ ＋ α（Ａ₁−ａ₁） Ｂ₁ ＝ Ｂ₁ ＋ β（Ｂ₁−ｂ₁） Ｈ₁ ＝ Ｈ₁ ＋ γ（Ｈ₁−ｈ₁） Ａ₂ ＝ Ａ₂ ＋ α（Ａ₂−ａ₂） Ｂ₂ ＝ Ｂ₂ ＋ β（Ｂ₂−ｂ₂） Ｈ₂ ＝ Ｈ₂ ＋ γ（Ｈ₂−ｈ₂） 但し、α、β、γは任意の実数 なお、ここで各文字カテゴリＣ₁、Ｃ₂において、文字情
報の修正基準となる（ａ₁、ｂ₁、ｈ₁）及び（ａ₂、
ｂ₂、ｈ₂）は、既に入力された文字パターンの文字情報
の平均値とする。

【０１２８】このように、本実施例によれば、認識後処
理部15で”Ｘ”、”ｘ”等の類似大小文字の識別を行う
際に用いる文字情報記憶部50に記憶されている各文字カ
テゴリの標準文字サイズ情報、位置情報を実際に入力さ
れた文字パターンのサイズ情報、位置情報に基づいて修
正することが可能である。即ち、文書画像の認識処理を
リアルタイムで行うことによって、類似大小文字のサイ
ズ情報、位置情報を学習していくので、認識後処理部15
における類似大小文字の識別を適応的に向上させること
ができ、最終的に高精度な認識性能を実現できる。

【０１２９】また、請求項１の本発明の文字選択認識後
処理部とは、上記実施例では候補文字選択部１４及び認
識後処理部１５に相当する。

【０１３０】

【発明の効果】以上述べたところから明らかなように、
本発明によれば、複数種類の文字パターンの特徴ベクト
ルを各々別個の単一特徴認識部で識別処理して文字パタ
ーンの各特徴ベクトルに対する各文字カテゴリの類似度
を求めたのち、候補文字選択部がこれら全ての類似度を
用いて各単一特徴認識部から得られる識別結果を統合
し、最終的な入力文字パターンの認識を行う。従って、
従来例のように複数種類の文字パターンの特徴ベクトル
を１つにまとめて用いる場合には困難であった「ある特
徴ベクトルでは誤認識する文字パターンを異なる特徴ベ
クトルによる識別結果から正しく認識する」ということ
が容易にできるようになり、高精度の文字認識を実現す
ることができる。

【０１３１】また、従来法では、複数種類の文字パター
ンの特徴ベクトルの使用によって、認識に要する時間が
増加するが、本実施例では、各単一特徴認識部が各々並
列に識別処理を行うので、認識に要する時間を従来例に
比べ、短くすることができる。

【図面の簡単な説明】

【図１】本発明の第１の実施例における文字認識装置の
ブロック図。

【図２】本発明の第１の実施例における単一特徴認識部
のブロック図。

【図３】本発明の第１の実施例におけるファジィ大分類
部のブロック図。

【図４】本発明の第１の実施例における細分類部の第１
の実施例を示すブロック図。

【図５】本発明の第１の実施例における文字切り出し部
が抽出した文字パターンとその文字サイズ情報、位置情
報の一例を示す説明図。

【図６】本発明の第１の実施例における細分類部の第２
の実施例を示すブロック図。

【図７】本発明の第１の実施例における細分類部の第２
の実施例における多入力一出力信号処理部のブロック
図。

【図８】本発明の第１の実施例における細分類部の第２
の実施例における多入力一出力信号処理部におけるしき
い値処理部の入出力特性図である。

【図９】本発明の第１の実施例における候補文字選択部
の第２の実施例を示すブロック図。

【図１０】本発明の第２の実施例における文字認識装置
のブロック図。

【図１１】本発明の第３の実施例における文字認識装置
のブロック図。

【図１２】従来の文字認識装置の実施例を示すブロック
図である。

【符号の説明】

10 画像入力部 11 文字切り出し部 12 特徴抽出部 13 単一特徴認識部 14 候補文字選択部 15 認識後処理部 16 統合類似度変換部 17 第１次候補文字選択部 18 第２次候補文字選択部 181 加算器 182 最終候補文字選択部 50 文字情報記憶部 51 後処理対象文字集合記憶部 52 後処理対象文字集合判定部 20 群辞書 21 ファジィ大分類部 22 細分類部 23 群選択部 24 細分類部入力信号選択部 25 単一特徴類似度計算部 26 乗算器 27 カテゴリ類似度計算部 30 入力部 31 距離計算部 32 割算器 33 加算器 34 乗算器 35 割算器 40 入力部 41 文字カテゴリ辞書 42 距離計算部 43 割算器 44 加算器 45 乗算器 46 割算器 60 入力部 61 多入力一出力信号処理部 62 入力部 63 重み係数記憶部 64 乗算器 65 加算器 66 しきい値処理部 70 類似度正規化部 71 第１次候補文字選択部 72 統合類似度計算部 80 文字切り出し制御部 90 教師信号生成部 91 誤認識頻度記憶部 92 誤認識頻度更新部 93 文字情報修正部

───────────────────────────────────────────────────── フロントページの続き (72)発明者 〆木 泰治 大阪府門真市大字門真1006番地 松下電器 産業株式会社内 (72)発明者 山本 浩司 大阪府門真市大字門真1006番地 松下電器 産業株式会社内 (72)発明者 丹羽 寿男 大阪府門真市大字門真1006番地 松下電器 産業株式会社内

Claims (10)

【特許請求の範囲】
1. 【請求項１】 文書画像を入力する画像入力部と、前記
   画像入力部で入力された文書画像から文字を１文字領域
   づつ切り出して文字パターンを得る文字切り出し部と、
   前記文字パターンから各々異なる特徴ベクトルを求める
   複数の特徴抽出部と、前記文字パターンが各文字カテゴ
   リに属する度合である類似度を前記特徴ベクトル各々か
   ら求める複数の単一特徴認識部と、複数の前記単一特徴
   認識部から得られた各文字カテゴリの類似度を、各同一
   文字カテゴリ毎に統合し、その結果を利用して認識文字
   カテゴリを決定する文字選択認識後処理部とを備え、 前記単一特徴認識部は、前記特徴ベクトルが類似する文
   字パターンの集合から成る文字カテゴリ群を代表する群
   参照用特徴ベクトルが複数個記憶されている群辞書と、
   前記群参照用特徴ベクトルと前記文字パターンの特徴ベ
   クトルを用いて文字パターンが各文字カテゴリ群に属す
   る度合である群帰属度を計算するファジィ大分類部と、
   前記文字パターンの特徴ベクトルを用いて前記文字パタ
   ーンが文字カテゴリ群内に含まれる各文字カテゴリに属
   する度合である群内類似度を求める複数の細分類部と、
   前記群帰属度から複数の文字カテゴリ群を選択する群選
   択部と、前記群選択部から得られる群選択情報に基づい
   て前記文字パターンの特徴ベクトルを入力する細分類部
   を選択する細分類部入力信号選択部と、前記群選択部で
   選択された文字カテゴリ群の群帰属度と前記細分類部で
   得られた群内類似度を用いて文字パターンに対する各文
   字カテゴリの類似度を求める単一特徴類似度計算部を備
   え、 前記単一特徴類似度計算部は、前記群選択部で選択され
   た文字カテゴリ群の群帰属度と前記細分類部入力信号選
   択部から前記文字パターンの特徴ベクトルを入力された
   前記細分類部から得られる全ての群内類似度を乗算する
   複数個の乗算器と、各文字カテゴリ毎に前記乗算器の出
   力値の大きいものを複数個選択し、これらの出力値の総
   和を求めるカテゴリ類似度計算部を備えることを特徴と
   する文字認識装置。
2. 【請求項２】 文書画像を入力する画像入力部と、複数
   のパラメータ値を用いて前記画像入力部で入力された文
   書画像から文字を１文字領域づつ切り出して文字パター
   ン及び文字パターンのサイズ情報、位置情報を得る文字
   切り出し部と、前記文字パターンから各々異なる特徴ベ
   クトルを求める複数の特徴抽出部と、前記文字パターン
   が各文字カテゴリに属する度合である類似度を前記特徴
   ベクトル各々から求める複数の単一特徴認識部と、複数
   の前記単一特徴認識部から得られた各文字カテゴリの類
   似度を用いて前記文字パターンに対する複数の第２次候
   補文字カテゴリを求める候補文字選択部と、前記文字パ
   ターンのサイズ情報、位置情報を用いて前記複数の第２
   次候補文字カテゴリの中から認識文字カテゴリを決定す
   る認識後処理部を具備し、 前記単一特徴認識部は、前記特徴ベクトルが類似する文
   字パターンの集合から成る文字カテゴリ群を代表する群
   参照用特徴ベクトルが複数個記憶されている群辞書と、
   前記群参照用特徴ベクトルと前記文字パターンの特徴ベ
   クトルを用いて文字パターンが各文字カテゴリ群に属す
   る度合である群帰属度を計算するファジィ大分類部と、
   前記文字パターンの特徴ベクトルを用いて前記文字パタ
   ーンが文字カテゴリ群内に含まれる各文字カテゴリに属
   する度合である群内類似度を求める複数の細分類部と、
   前記群帰属度から複数の文字カテゴリ群を選択する群選
   択部と、前記群選択部から得られる群選択情報に基づい
   て前記文字パターンの特徴ベクトルを入力する細分類部
   を選択する細分類部入力信号選択部と、前記群選択部で
   選択された文字カテゴリ群の群帰属度と前記細分類部で
   得られた群内類似度を用いて文字パターンに対する各文
   字カテゴリの類似度を求める単一特徴類似度計算部を備
   え、 前記単一特徴類似度計算部は、前記群選択部で選択され
   た文字カテゴリ群の群帰属度と前記細分類部入力信号選
   択部から前記文字パターンの特徴ベクトルを入力された
   前記細分類部から得られる全ての群内類似度を乗算する
   複数個の乗算器と、各文字カテゴリ毎に前記乗算器の出
   力値の大きいものを複数個選択し、これらの出力値の総
   和を求めるカテゴリ類似度計算部を備え、 前記候補文字選択部は、前記特徴ベクトル各々に対応す
   る前記単一特徴認識部から得られた各文字カテゴリの類
   似度をそれらの類似度の中の最大値で正規化することに
   よって統合類似度に変換する複数の統合類似度変換部
   と、前記統合類似度と前記文字パターンのサイズ情報、
   位置情報を用いて全ての文字カテゴリの中から複数の第
   １次候補文字カテゴリを選択する複数の第１次候補文字
   選択部と、各々選択された前記第１次候補文字カテゴリ
   の統合類似度を同一カテゴリ毎に加算することによっ
   て、全ての前記第１次候補文字カテゴリの最終類似度を
   求め、この最終類似度の値の大きいものを第２次候補文
   字カテゴリとして複数個選択する第２次候補文字選択部
   を備えている、 ことを特徴とする文字認識装置。
3. 【請求項３】 認識後処理部は、各文字カテゴリ毎に文
   字パターンの標準サイズ情報と標準位置情報が記憶され
   ている文字情報記憶部と、後処理対象文字カテゴリ集合
   が記憶されている後処理対象文字集合記憶部と、候補文
   字選択部から得られた第２次候補文字カテゴリの第１候
   補文字カテゴリと前記後処理対象文字集合記憶部に格納
   されている全ての後処理対象文字カテゴリ集合とを比較
   し、前記第１候補文字カテゴリが前記後処理対象文字カ
   テゴリ集合である場合には、前記文字情報記憶部から前
   記後処理対象文字カテゴリ集合に対応する各文字カテゴ
   リの標準サイズ情報と標準位置情報を読み出し、入力さ
   れた文字パターンのサイズ情報、位置情報と各々比較す
   ることによって前記文字カテゴリ集合のいずれかの文字
   カテゴリを認識文字カテゴリと判定する後処理対象文字
   集合判定部を備え、 前記第１次候補文字選択部は、前記文字情報記憶部に記
   憶されている文字カテゴリの標準サイズ情報、標準位置
   情報と入力された文字パターンのサイズ情報、位置情報
   とを比較することによって複数の第１次候補文字カテゴ
   リを選択することを特徴とする請求項２記載の文字認識
   装置。
4. 【請求項４】 第１次候補文字選択部は、前記統合類似
   度変換部から得られる各カテゴリの統合類似度が任意の
   しきい値より大きいカテゴリを選択したのちに、前記文
   字情報記憶部に記憶されている文字カテゴリの標準サイ
   ズ情報、標準位置情報と入力された文字パターンのサイ
   ズ情報、位置情報とを比較することによって複数の第１
   次候補文字カテゴリを選択することを特徴とする請求項
   ２記載の文字認識装置。
5. 【請求項５】 各第１次候補文字選択部から得られる第
   １次候補文字カテゴリの数を総和し、その総和が０であ
   るならば、文字切り出し部の各パラメータ値を変化させ
   て文字切り出しを再試行させる文字切り出し制御部を備
   えたことを特徴とする請求項２、３、または４記載の文
   字認識装置。
6. 【請求項６】 認識後処理部から得られた認識文字カテ
   ゴリと入力された文字パターンの正解文字カテゴリとが
   異なる場合には正解文字カテゴリを出力する教師信号生
   成部と、前記正解文字カテゴリと前記認識文字カテゴリ
   との組合せが後処理対象文字カテゴリ集合と一致した回
   数である誤認識頻度が各後処理対象文字カテゴリ集合毎
   に記憶されている誤認識頻度記憶部と、前記正解文字カ
   テゴリと前記認識文字カテゴリとの組合せと後処理対象
   文字集合記憶部に記憶されている各後処理対象文字カテ
   ゴリ集合と比較し、一致した場合には前記誤認識頻度記
   憶部の対応する後処理対象文字カテゴリ集合の誤認識頻
   度を更新し、誤認識頻度が任意の許容回数より大きくな
   った場合には対応する後処理対象文字カテゴリ集合を出
   力する誤認識頻度更新部と、文字情報記憶部に記憶され
   ている前記誤認識頻度更新部から得られた後処理対象文
   字カテゴリ集合の標準サイズ情報、標準位置情報を前記
   文字パターンのサイズ情報、位置情報を用いて修正する
   文字情報修正部を備えたことを特徴とする請求項３、
   ４、または５記載の文字認識装置。
7. 【請求項７】 候補文字選択部は、単一特徴認識部から
   得られた各文字カテゴリの類似度をそれらの類似度の中
   の最大値で正規化する複数の類似度正規化部と、前記類
   似度正規化部から得られた各文字カテゴリの正規化類似
   度と前記文字パターンのサイズ情報、位置情報を用いて
   全ての文字カテゴリの中から複数の第１次候補文字カテ
   ゴリを選択する複数の第１次候補文字選択部と、前記第
   １次候補文字カテゴリの正規化類似度を非線形変換し、
   それら非線形変換された前記正規化類似度をその総和値
   で各々除算することによって各文字カテゴリの統合類似
   度を求める統合類似度計算部と、各々選択された前記第
   １次候補文字カテゴリの統合類似度を同一カテゴリ毎に
   加算することによって、全ての前記第１次候補文字カテ
   ゴリの最終類似度を求め、この最終類似度の値の大きい
   ものを第２次候補文字カテゴリとして複数個選択する第
   ２次候補文字選択部を備えたことを特徴とする請求項２
   〜６のいずれか記載の文字認識装置。
8. 【請求項８】 ファジィ大分類部は、入力文字パターン
   の特徴ベクトルと群辞書に記憶されている全ての群参照
   用特徴ベクトルとの距離を計算する複数個の距離計算部
   と、前記距離計算部の出力の逆数を計算する複数個の割
   算器と、前記割算器の各出力を加算する加算器と、前記
   加算器の出力と前記距離計算部の出力を乗算する複数個
   の乗算器と、前記乗算器の出力の逆数を計算する複数個
   の割算器を備えたことを特徴とする請求項１〜７のいず
   れか記載の文字認識装置。
9. 【請求項９】 細分類部は、文字パターンの各文字カテ
   ゴリの代表値を示す文字カテゴリ参照用特徴ベクトルが
   複数個記憶されている文字カテゴリ辞書と、前記特徴ベ
   クトルと前記文字カテゴリ辞書に記憶されている全ての
   文字カテゴリ参照用特徴ベクトルとの距離を計算する複
   数個の距離計算部と、前記距離計算部の出力の逆数を計
   算する複数個の割算器と、前記割算器の各出力を加算す
   る加算器と、前記加算器の出力と前記距離計算部の出力
   を乗算する複数個の乗算器と、前記乗算器の出力の逆数
   を計算する複数個の割算器を備えたことを特徴とする請
   求項１〜８のいずれか記載の文字パターン認識装置。
10. 【請求項１０】 細分類部は、層構造をもち、各層内相
    互の結合がなく、上位層にのみ信号が伝搬するようにネ
    ットワーク接続された複数の多入力ー出力信号処理部か
    らなり、前記多入力ー出力信号処理部は、複数の重み係
    数を保持する重み係数記憶部と、複数の入力信号を入力
    する入力部と、前記重み係数記憶部に貯えられた重み係
    数で前記入力部からの入力信号を重み付けする乗算手段
    と、前記乗算手段で重み付けされた複数の入力信号を加
    え合わせる加算手段と、該加算手段の出力を一定範囲の
    値に制限するしきい値処理部を備えたことを特徴とする
    請求項１〜８のいずれか記載の文字認識装置。