JPH0795336B2

JPH0795336B2 - 文字認識方式

Info

Publication number: JPH0795336B2
Application number: JP61256379A
Authority: JP
Inventors: 道義立川; 公一江尻
Original assignee: Ricoh Co Ltd
Current assignee: Ricoh Co Ltd
Priority date: 1986-10-28
Filing date: 1986-10-28
Publication date: 1995-10-11
Anticipated expiration: 2010-10-11
Also published as: JPS63109592A

Description

【発明の詳細な説明】〔技術分野〕本発明は手書き漢字などの文字の認識方式に関し、さら
に詳細には、多層方向ヒストグラム法による特徴ベクト
ルを用いる文字認識方式に関する。

〔従来技術〕

本出願人は、多層方向ヒストグラム法による文字認識方
式を既に提案している。本発明は、このような文字認識
方式の改良に関するものである。

この多層方向ヒストグラム法による文字認識方式におい
ては、文字パターンの文字線輪郭画素に方向コードを付
け、その文字の各辺から対向する辺に向って文字パター
ンを走査して白画素（背景）の次に出現する方向コード
を検出し、その方向コードをそれが走査線上で何番目に
検出されたかによって複数の層に層別する。そして、文
字の枠内の分割領域毎に、ある層までの層別に方向コー
ド別ヒストグラムを求め、それぞれのヒストグラム（特
徴量）を成分としたベクトルを、文字の特徴ベクトルと
して用いる。

一般に、特徴ベクトルの各成分（特徴量）を次元で表わ
す。例えば、方向コードとして８種類のコードを付け、
文字枠内を４×４のメッシュ領域に分割し、第１層およ
び第２層の方向コードまでを対象とすると、特徴ベクト
ルの次元数は256（＝４×４×２×８）となる。

辞書に関しては、文字種毎の複数のパターンから同様の
特徴ベクトルを抽出し、その平均を辞書パターン（標準
パターン）の特徴ベクトルとして登録する。

また、本出願人は、層別のための走査方向も加味してさ
らに詳細に方向コードを層別する同様の文字認識方式も
既に提案している。本発明は、この文字認識方式にも同
様に適用できるものである。

さて、このような多層方向ヒストグラム法による文字認
識方式においては、入力文字から抽出された特徴ベクト
ルと、辞書の特徴ベクトルとの距離演算を行って、入力
文字の文字種を同定する。

しかし、前記のように特徴ベクトルの次元数が大きくな
ると、距離演算が多く、マッチング処理時間が長くなる
という問題があった。

〔目的〕

したがって、本発明の目的は、多層方向ヒストグラム法
による文字認識方式において、マッチング処理の効率化
を図ることにある。

本発明のもう一つの目的は、多層方向ヒストグラム法に
よる文字認識方式において、マッチング処理の高速化と
ゝもに「つぶれ」文字の認識率の向上を図ることにあ
る。

〔構成〕

多層方向ヒストグラム法による特徴ベクトルは、文字識
別効果の大きい次元の成分と、その効果がそれほと顕著
でない次元の成分とがある。これに関し、説明を簡単に
するために、２次元の特徴ベクトルを考える。

次元数を２として多層方向ヒストグラム法による辞書を
作成した場合、“文",“字",“認",“識”のそれぞれの
特徴ベクトルは、それぞれ第６図のg₁，g₂，g₃，g₄のよ
うになる。この例では、図から明らかなように、各特徴
ベクトルの成分（特徴量）Ａのほうが、成分（特徴量）
Ｂよりも分散（または標準偏差）が大きい。換言すれ
ば、成分Ａのほうが、未知文字に対する識別能力が高
い。

このような特徴ベクトルの性質に着目すれば、文字識別
能力の高い成分から優先的に距離を演算することによ
り、識別能力の高い一部の次元まで距離演算を実行した
段階で、候補となり得ない文字種を排除し、候補となり
得る文字種を早い段階で絞り込むことができるであろ
う。

また、多層方向ヒストグラム法により特徴ベクトルは、
その各次元成分の順番を入れ替えてもパターンの特徴と
保存されるという性質がある。

以上のような点に着目し、本発明にあっては、多層方向
ヒストグラム法によって全文字種の仮辞書パターンの特
徴ベクトルを得て、その特徴ベクトルの成分を標準偏差
（もしくは偏差）または分散の大きい次元順に並べ替え
たベクトルを辞書パターンの特徴ベクトルとして辞書に
登録する。

そして、文字認識は次のようにして行う。入力文字から
多層方向ヒストグラム法によって特徴ベクトルを抽出
し、その成分を前記標準偏差または分散の大きい次元順
に並べ替えたベクトルと、各パターン種の辞書パターン
の特徴ベクトルとの距離演算を上位のある次元まで行
い、その距離と当該文字種に対応した判定閾値とを比較
し、その比較結果によって当該文字種に関する距離演算
を中断するか、さらに下位次元までの詳細マッチングを
行うか否かの判定を行う。

また、その判定閾値は例えば次のようにして文字種毎に
決定する。文字種毎に複数のパターンから多層方向ヒス
トグラム法によって特徴ベクトルをそれぞれ抽出して、
その成分を前記標準偏差（偏差）または分散の大きい次
元順に並べかえたベクトルと、同一文字種の前記辞書パ
ターンの特徴ベクトルとの上位のある次元までの距離の
標準偏差（偏差）または分散を求め、この値に基づいて
前記判定閾値を決定する。

このような文字認識方式によれば、入力文字の候補とな
り得ないような文字種に関するマッチング処理が早期に
中断するので、マッチング処理の効率が向上して認識速
度が上がる。また、マッチング処理の中断の判定閾値を
前記のように文字種別に決定するので、候補から排除す
べきでない文字種のマッチング処理が誤って中断するエ
ラーも確実に防止できるため、多層方向ヒストグラム法
による文字認識方式の本質的な利点は損なわれず、高い
認識率を達成できる。

〔実施例〕

以下、本発明の実施例について図面を参照し説明する。

第１図は本発明の一実施例の機能的構成を簡略化して示
す概略ブロック図である。

図において、10は原稿から文字パターンを読み取り、文
字パターン情報を前処理部12に入力する読み取り部であ
る。前処理部12は、入力文字パターンの切り出し、正規
化などの前処理を行い、処理後の文字パターンを１字毎
に特徴抽出部14に入力する部分である。

特徴抽出部14は、入力文字パターンから多層方向ヒスト
グラム法により特徴ベクトルを抽出する部分である。

こゝで、この実施例においては、動作モードとして辞書
作成モードと文字認識モードとがある。まず、辞書作成
モードの場合について以下に説明する。また、このモー
ドにおける辞書作成処理の概略フローチャートを第２図
に示し、以下の説明において対応するステップ番号を
（）内に示す。

一つの文字種について、Ｍ個の文字パターンが読み取り
部10より順次入力される（ステップ50）。その入力文字
パターンは前処理部12で前処理を受け（ステップ52）、
特徴抽出部14に入力されて多層方向ヒストグラム法によ
る特徴ベクトル（こゝでは256次元のベクトルとする）
を抽出される（ステップ54）。抽出された特徴ベクトル
は並べ替え部16を介して辞書作成部20に入力される。こ
の辞書作成部20により、Ｍ個の入力文字パターンから抽
出された特徴ベクトルを平均したベクトルが求められ
（ステップ56）、その平均ベクトルは、その文字種の仮
辞書パターンの特徴ベクトルとして辞書22に仮登録され
る（ステップ58）。

辞書作成部20により、最後の文字種まで処理が終了した
か調べられ（ステップ60）、未処理の文字種が残ってい
れば、ステップ51に戻り、次の文字種に対する同様の処
理が行われる。

全ての文字種について処理が終ると、並べ替えテーブル
作成部26において、辞書22に仮登録されている全仮辞書
パターンの特徴ベクトルの、次元毎の標準偏差（もしく
は偏差）または分散が計算される（ステップ62）。そし
て、もとの特徴ベクトルを標準偏差（偏差）または分散
の大きい次元順に並べ替えるための情報のテーブル（並
べ替えテーブル）が作成され、並べ替えテーブル部18に
登録される（ステップ64）。

こゝまでは、並べ替えテーブルを作成するための処理段
階であり、この後に実際の辞書作成処理が始まる。

一つの文字種ｋについて、Ｍ個の文字パターンが読み取
り部10より順次入力される（ステップ66）。その入力文
字パターンは前処理部12で前処理を受け（ステップ6
8）、特徴抽出部14に入力されて多層方向ヒストグラム
法による特徴ベクトルを抽出される（ステップ70）。

抽出された特徴ベクトルは、並べ替え部16によって、並
べ替えテーブル部18に登録されている並べ替えテーブル
の情報に従い、前記標準偏差（偏差）または分散の大き
い次元順に成分が並べ替えられる（ステップ72）。この
ように成分の並べ替え後のＭ個の特徴ベクトルは辞書作
成部20に送られ、それらの平均ベクトルが、その文字種
ｋの辞書パターンの特徴ベクトルとして辞書20に本登録
される（ステップ74）。

辞書作成部20により、全部の文字種（Ｋ種）について辞
書作成処理が終了したか調べられ（ステップ76）、未処
理の文字種が残っているならば、未処理の文字種につい
てステップ66から同様の処理が行われる。

全文字種について処理が完了すると、辞書そのものゝ作
成は終わりであるが、次に判定閾値決定の処理が行われ
る。

この処理においては、文字種毎に辞書作成に用いられた
と同様なＭ個の文字パターンが入力され（ステップ7
8）、前処理（ステップ80）の後、それぞれ多層方向ヒ
ストグラム法による特徴ベクトルを抽出される（ステッ
プ82）、このＭ個の文字パターンの特徴ベクトルはそれ
ぞれ、並べ替え部16によって並べ替えテーブルの情報に
従い成分が並べ替えられ（ステップ84）、マッチング部
24に入力される。

次にマッチング部24および閾値決定部28の起動により、
閾値決定が行われる。すなわち、マッチング部24によ
り、その各特徴ベクトルと文字種ｋの辞書パターンの特
徴ベクトルとの距離が上位Ｎ次元まで演算され、閾値決
定部28において、その演算結果から、上位Ｎ次元まで距
離の標準偏差が求められる（ステップ86）。そして、そ
の標準値が文字値ｋの判定閾値として閾値テーブル部30
に登録される（ステップ88）。

同様にして、他の文字種の判定閾値が決定され、閾値テ
ーブル部30に登録される。

全文字種について閾値の決定登録が完了したと判定され
ると（ステップ90）、辞書作成モードの処理全体が終了
する。

つぎに、文字認識モードの場合について以下に説明す
る。また、このモードにおける処理の概略フローチャー
トを第３図に示し、以下の説明において対応するステッ
プ番号を（）内に示す。

認識対象の未知の文字パターンは、読み取り部10より入
力され（ステップ100）、前処理部12により前処理（ス
テップ102）の後、特徴抽出部14で多層方向ヒストグラ
ム法によって特徴ベクトル（こゝでは256次元のベクト
ル）を抽出される（ステップ104）。

この特徴ベクトルは、並べ替え部16によって並べ替えテ
ーブルの情報に従い成分が並べ替えられ、その並べ替え
後の特徴ベクトルYnがマッチング部24に入力される（ス
テップ106）。

マッチング部24において、文字種ｋの辞書パターンの特
徴ベクトルFknと、入力文字の特徴ベクトルYnとの上位
Ｎ次元までのマッチング距離ｄが演算される（ステップ
108）。そして、その距離ｄと、閾値テーブル部30に登
録されている対応文字種ｋの判定閾値Thkとの比較判定
が行われる（ステップ110）。

ｄ＞Thkであれば、その入力文字の文字種は現在の文字
種ｋである可能性はないので、その辞書パターンとのマ
ッチング処理を中断し、終了判定を行う（ステップ11
6）。

ｄ≦Thkであれば、現在の文字種は入力文字の文字種で
ある可能性が高いので、詳細マッチングが行われる。す
なわち、全次元についてマッチング距離Ｄが演算される
（ステップ112）。そして、その距離Ｄと、それまでの
候補の距離とが比較され、距離が小さいほうが文字種が
新しい候補として残され（ステップ114）。終了判定の
ステップ116に進む。

ステップ116において、マッチングすべき文字種が残っ
ていると判定されると、次の文字種についてステップ10
8以降のマッチング処理が行われる。

すべての文字種についてマッチング処理が行われると、
ステップ116で終了と判定され、最終的に残った候補の
文字種の文字コードが認識結果として出力される。これ
で、一つの入力文字の認識処理を完了する。

さて、手書き漢字などの文字の変形や傾向や程度は、記
入者（認識システムの使用者）によって様々である。こ
れに対処するために、様々な文字変形を考慮した文字パ
ターンを用意し、辞書作成に用いる。

しかし、そのようにしても、使用者によって、その手書
き文字パターンと辞書パターンとのマッチングの良し悪
しがある。また、同一の使用者でも、認識システムに対
し慣れるに従い、辞書とのマッチング性が向上し、認識
率が高く成る傾向が認められる。

このような点に着目すると、詳細マッチングを行うか否
かの判定のための閾値を変更できると好都合である。す
なわち、辞書とのマッチングの良い使用者の場合または
慣れた使用者の場合、判定閾値を下げて詳細マッチング
の頻度を下げることにより、認識率を下げることなく、
認識速度を上げることができる。

次に、このような閾値の調整を可能とした本発明の第２
実施例について説明する。なお、この実施例の機能的構
成は前記実施例と同様であるので、そのブロック図は省
略し、以下の説明において必要に応じ第１図に参照す
る。

この実施例においては、辞書作成モードにおいて、前記
実施例と同様に、並べ替えテーブルと辞書が作成され
る。たゞし、詳細マッチングを行うか否かの判定のため
の閾値が、文字種毎の複数種類決定される。

この点について、前記第１実施例に関連した第２図のフ
ローチャートを参照して説明すれば、ステップ88におい
て決定される閾値をThkとすれば、この実施例にあって
は、Thk/1,Thk/2〜Thk/L（Ｌは正の整数）の値が、それ
ぞれ文字種ｋの閾値Thk（１）,Thk（２）〜Thk（Ｌ）と
して閾値決定部28により決定され、閾値テーブル部30に
登録される。

第４図は、この実施例におけるパターン認識モードの概
略フローチャートである。この図を参照し、この実施例
におけるパターン認識モードについて説明する。

この実施例においては、閾値の選択のためのパラメータ
であるユーザレベルUL（＝1,2,3,…,L）が最初のステッ
プ200で設定される。このユーザレベルULは、この実施
例に係るパターン認識システムの使用者側で指定できる
ものである。

ステップ202からステップ210までは、第３図のステップ
100からステップ108までと同一内容である。ステップ21
4からステップ220までは、第３図のステップ112からス
テップ118までと同一内容である。

ステップ212は、上位Ｎ次元までのマッチング距離から
詳細マッチングを行うか否かを判定するためのステップ
であり、第３図のステップ110と対応する。この実施例
の場合、文字種ｋの複数の閾値Th（１）〜Th（Ｌ）の中
から、ユーザレベルULに対応する一つの閾値Th（UL）
が、その判定の閾値として用いられる。

つまり、この実施例に係わるパターン認識システムに慣
れた使用者の場合、ユーザレベルULを高いレベル（最高
はＬ）に指定すれば、より小さい閾値（最低はTh
（Ｌ））が選択されて判定に用いられるから、詳細マッ
チング（ステップ214）に進む頻度が少なくなり、それ
だけマッチング効率が向上して文字認識速度が上がる。

逆に、慣れていない使用者または辞書とのマッチングの
良くない使用者の場合、低いユーザレベルUL（最低は
１）を指定すれば、大きい閾値（最高はThk（１））が
選択されて判定に用いられ、詳細マッチングの頻度が上
がるから、認識速度は落ちるが認識率を上げることがで
きる。

さて、前述のように、認識率は使用者によって変動する
が、さらに文字種によっても変動する。これは、辞書作
成用のパターンとして、ある癖を持ったパターンが用い
られた場合などに顕著であるが、このような点は漢字の
ように文字種が多い場合、辞書作成段階ではチェックが
困難である。

そのような文字種ごとに認識率の変動を吸収することが
できる。本発明の第３実施例について以下に説明する。
なお、この実施例に係るパターン認識システムの機能的
構成は前記第１実施例と同様である。また、辞書作成モ
ードの処理は前記第２実施例と同様であり、文字種毎に
複数種類の判定用閾値Th（１）〜Th（Ｌ）が決定され
る。

第５図は、この実施例におけるパターン認識モードの処
理の概略フローチャートである。この図において、ステ
ップ300〜308は第４図のステップ202〜210と同一内容で
あり、ステップ314〜320も第４図のステップ214〜220と
同一内容である。

ステップ310では、文字種毎のレベルLV（ｋ）が、閾値
選択用のパラメータＶとして設定される。このレベルLV
（ｋ）は、例えばパターン認識システムの運用中に文字
種ｋのリジェクト・認識率Rkを蓄えておき、そのPk値を
ある定数で割り算した値として与えられる。

そして、ステップ312は第４図のステップ212に対応する
ステップであり、文字種ｋの複数の閾値Thk（１）〜Th
（Ｌ）の中から、パラメータＶに対応する一つの閾値Th
k（Ｖ）を選択し、距離ｄと比較することにより詳細マ
ッチング（ステップ314）に進むか否かを判定する。

なお、この実施例と、前記第２実施例とを組み合わせた
第４の実施例について、便宜上、第５図のフローチャー
トを参照して説明する。

この実施例にあっては、ステップ300の前にユーザレベ
ルULの設定ステップ（第４図のステップ200に相当）が
追加される。また、ステップ310において、文字種ｋの
レベルLV（ｋ）とユーザレベルULとの和がパラメータＶ
として設定される。そして、ステップ312において、パ
ラメータＶに対応する閾値Thk（Ｖ）が判定に用いられ
る。

これ以外は、前記各実施例と同様である。

この実施例によれば、使用者および文字種による変動要
因を吸収し、最適な閾値を用いて詳細マッチングを行う
か否かの判定を行うことができるので、前記第２実施例
と第３実施例の両方の利点が得られる。

さて、漢字のような複雑な文字は、活字印刷であっても
手書きであっても、「つぶれ」が起こりやすい。発明者
の研究によれば、第１層の画素は文字の「つぶれ」の影
響を受けにくゝ、第１層の特徴量は「つぶれ」文字の場
合でも安定しており、「つぶれ」文字の認識に有効であ
ることが分かった。

このような点に基づき、「つぶれ」文字に対しても高い
認識率を達成でき、また、効率的な認識処理の可能な他
の実施例について、以下に説明する。

なお、この実施例の機能的構成は前記各実施例と殆ど同
様であるので、第１図のブロック図を参照して説明す
る。

この実施例においては、第１図に破線で示すようにつぶ
れ判定部32が追加される。このつぶれ判定部32は、入力
文字の周囲長Scと黒画素数Tbとの比Rcを測定し、その比
Rc（つぶれ度合い）が所定の閾値以上の場合には、入力
文字を正常文字と判定し、その閾値を下回る場合には、
入力文字を「つぶれ」文字と判定する。この判定結果は
並べ替え部16およびマッチング部24に与えられる。

なお、つぶれ判定のアルゴリズムは適宜変更してもよい
ものである。

また、この実施例においては、正常文字用の第１の並べ
替えテーブルと、つぶれ文字用の第２の並べ替えテーブ
ルとが辞書作成時に作成されて、それぞれ並べ替えテー
ブル部18に登録される。

正常文字用の第１の並べ替えテーブルには、辞書の特徴
ベクトルの並べ替え後の成分順に合わせて、入力文字か
ら抽出された特徴ベクトルを、第１層および第２層の特
徴量に関して標準偏差もしくは偏差または分散の大きい
次元順に並べ替えるための情報が格納される。つぶれ文
字用の第２の並べ替えテーブルには、入力文字から抽出
された特徴ベクトルを、第１層の特徴量に関して標準偏
差もしくは偏差または分散の大きい次元順に特徴ベクト
ルの成分を並べ替えるための情報が格納される。

文字認識モードにおいては、入力文字が正常文字と判定
された場合、入力文字から抽出された特徴ベクトルは、
並べ替え部16により第１の並べ替えテーブルの情報に従
って第１層および第２層の特徴量に関して成分の並べ替
えが行われてからマッチング部24へ送られる。他方、入
力文字が「つぶれ」文字と判定された場合、その抽出特
徴ベクトルは、第２の並べ替えテーブルの情報に従っ
て、第１層の特徴量に関してだけ成分量の並べ替えが行
われる。

マッチング部24においては、その並べ替え後の入力文字
の特徴ベクトルと辞書の特徴ベクトルとの距離演算を行
うが、正常文字の場合には第１層および第２層の特徴量
に関して最高256次元まで距離の演算を行い、他方、
「つぶれ」文字の場合には第１層の特徴量に関して最高
128次元まで距離の演算を行う。つまり、「つぶれ」文
字に関しては、「つぶれ」の影響を受けにくい第１層の
特徴量に限って距離演算が行われ、しかも有効次元を限
定している。

いずれの場合にも、前記実施例と同様に、上位のある次
元までの距離を判定閾値と比較し、距離演算を中止する
か継続するかの判定を行う。

この実施例によれば、「つぶれ」文字に対しても高い認
識率を達成でき、しかも距離演算量が削減されるので、
マッチング処理の一層の効率化が可能である。

以上、本発明を実施例について説明したが、本発明はそ
れだけに限定されるものではなく、様々な変形が許され
るものである。

〔効果〕

以上の説明から明らかなように、本発明によれば、多層
方向ヒストグラム法の利点を損なうことなく、マッチン
グ処理の効率を大幅に向上し、高速の文字認識が可能で
あり、また、つぶれ文字に対しても高い認識率を達成で
きる。

【図面の簡単な説明】第１図は本発明の第１の実施例ならびに他の実施例に拘
わるブロック図、第２図は第１の実施例における辞書作
成処理の概略フローチャート、第３図は第１実施例にお
ける文字認識処理の概略フローチャート、第４図は本発
明の第２実施例における文字認識処理の概略フローチャ
ート、第５図は本発明の第３実施例における文字認識処
理の概略フローチャート、第６図は多層方向ヒストグラ
ム法の特徴ベクトルの性質を説明するためのベクトル図
である。 10…読み取り部、14…特徴抽出部、16…並べ替え部、18
…並べ替えテーブル部、22…辞書、24…マッチング部、
30…閾値テーブル部。

Claims

【特許請求の範囲】

【請求項１】多層方向ヒストグラム法による特徴ベクト
ルを用いる文字認識方式であって、標準偏差もしくは偏
差または分散の大きい順に成分が並べ替えられた各種文
字の特徴ベクトルを格納する辞書と、前記並べ替えのた
めの情報を格納する並べ替えテーブルと、文字種対応の
判定閾値を格納する閾値テーブルと、入力文字から特徴
ベクトルを抽出するための手段と、該抽出された特徴ベ
クトルの成分を前記並べ替えテーブルの格納情報に従っ
て前記標準偏差もしくは偏差または分散の大きい順に並
べ替えるための手段と、該並べ替え後の特徴ベクトルと
辞書に格納されている特徴ベクトルについて、標準偏差
もしくは偏差または分散の大きい一部の特徴成分につい
てだけ距離演算を行い、その距離が前記閾値テーブルに
格納されている対応文字種の判定閾値以下の場合にだ
け、さらに標準偏差もしくは偏差または分散のより小さ
い特徴成分を加えた一部の特徴成分についてのみ距離演
算を行って入力文字を認識する手段とを具備することを
特徴とする文字認識方式。
【請求項２】多層方向ヒストグラム法による特徴ベクト
ルを用いる文字認識方式であって、標準偏差もしくは偏
差または分散の大きい順に成分が並べ替えられた各種文
字の特徴ベクトルを格納する辞書と、第１層および第２
層の特徴量に関して標準偏差もしくは偏差または分散の
大きい順に特徴ベクトルの成分を並べ替えるための情報
を格納する第１の並べ替えテーブルと、第１層の特徴量
に関して標準偏差もしくは偏差または分散の大きい順に
特徴ベクトルの成分を並べ替えるための情報を格納する
第２の並べ替えテーブルと、文字種対応の判定閾値を格
納する閾値テーブルと、入力文字から特徴ベクトルを抽
出するための特徴抽出手段と、入力文字が正常文字かつ
ぶれ文字かの判定を行うための判定手段と、前記判定に
より正常文字と判定された入力文字から抽出された特徴
ベクトルの成分を前記第１の並べ替えテーブルの格納情
報に従って並べ替え、前記判定によりつぶれ文字と判定
された入力文字から抽出された特徴ベクトルの成分を前
記第２の並べ替えテーブルの格納情報に従って並べ替え
るための手段と、前記並べ替え後の入力文字の特徴ベク
トルと辞書に格納されている特徴ベクトルについて、正
常文字と判定された入力文字の場合には第１層および第
２層の特徴量に関して、また、つぶれ文字と判定された
入力文字の場合には第１層の特徴量に関して、それぞれ
標準偏差もしくは偏差または分散の大きい一部の特徴成
分についてだけ距離演算を行い、その距離が前記閾値デ
ータに格納されている対応文字種の判定閾値以下の場合
だけ、さらに標準偏差もしくは偏差または分散のより小
さい特徴成分を加えた一部の特徴成分についてのみ距離
演算を行って入力文字を認識する手段とを具備すること
を特徴とする文字認識方式。