JPH0962794A - 文書認識装置 - Google Patents

Abstract

(57)【要約】 【課題】 本発明は、画像イメージから文字認識して文
書構成要素を付加する文書認識装置に関し、入力データ
から文書構成要素を抽出し、誤字を含んだものはそれを
修正して正しい文字列を自動抽出して検索用情報などに
使用することを目的とする。 【解決手段】 文字認識する認識部と、文字属性および
表現パターンを予め登録したテンプレートと、文字認識
された認識結果の文字列ついて、テンプレートと照合し
て一致したときに当該文字列に一致したときのテンプレ
ートの属性を付与する手段とを備えるように構成する。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、画像イメージから
文字認識して文書構成要素を付加する文書認識装置に関
するものである。

【０００２】

【従来の技術】文書情報をコンパクトに格納し、更に情
報の効率的な検索を可能にするための手段として、電子
ファイリング装置がある。これは、文書情報を画像デー
タに変換し、その画像データに検索用の情報を付加して
格納するものである。

【０００３】

【発明が解決しようとする課題】ここで、画像データに
検索用情報を付加する方法として、人手による入力が考
えられる。しかし、この方法は、大変なコストが必要と
なるという問題がある。

【０００４】また、別の方法として文字認識による画像
データ内の文字コード化によって、その文字コードを検
索用情報とする方法が考えられる。しかし、この方法で
は、文字認識時の誤りによって検索用情報として役に立
たない文字列が付与される可能性があるといった問題が
ある。

【０００５】これらの問題を解決する方式として、従
来、認識文字列と装置内に具備した単語辞書内の登録単
語とのあいまいマッチングによって、マッチした単語を
検索用情報とするものがある。

【０００６】しかし、この方法では、認識結果の他の候
補文字についての情報を無視しているので、認識文字列
とマッチした単語が正解文字列である可能性が高いとは
言えない問題がある。また、正しい文字列を得るために
は、登録文字列を多量に保持する必要がある。更に、タ
イトルなどの文書を構成している要素である文書構成要
素で検索がきた方が効率的な検索が実現できるが、この
方式ではマッチした単語が格納文書のどの文書構成要素
なのかを判定する仕組みがないという問題がある。ま
た、それぞれの文書構造要素用の辞書を作成しておくこ
とも考えられるが、文書構成要素の１つのである例えば
日付、レポート番号などの単語レベルで全てを登録する
のは非常に無駄が多いという問題もあった。

【０００７】本発明は、これらの問題を解決するため、
入力データから文書構成要素を抽出し、誤字を含んだも
のはそれを修正して正しい文字列を自動抽出して検索用
情報などに使用することを目的としている。

【０００８】

【課題を解決するための手段】図１を参照して課題を解
決するための手段を説明する。図１において、認識部３
は、文字を文字認識するものである。

【０００９】属性判定モジュール５は、認識結果につい
て、類似文字テーブル８を参照したり、テンプレート９
と照合したりして認識結果の文字列の属性を判定するも
のである。

【００１０】ブロック結合／分割モジュール６は、認識
結果の文字列を結合したり、分割したりするものであ
る。誤り修正モジュール７は、認識結果の文字列の誤り
を修正するものである。

【００１１】類似文字テーブル８は、類似する文字を予
め登録したものである。テンプレート９は、文字属性お
よび表現パターンを予め登録したものである。正しい認
識結果１０は、属性を付加した正しい認識結果である。

【００１２】次に、動作を説明する。認識部３が入力さ
れた画像データを認識して文字列の認識結果を生成し、
属性判定モジュール５が文字認識された認識結果の文字
列ついて、テンプレート９の表現パターンと照合して一
致したときにテンプレート９の属性を付与した正しい認
識結果１０を生成するようにしている。

【００１３】この際、表現パターンとして正規表現を用
い照合するようにしている。また、表現パターンとして
意味クラスを用い照合するようにしている。また、表現
パターンとしてマッチング制御情報を用い照合する範囲
を制限するようにしている。

【００１４】また、誤り修正モジュール７が認識結果に
ついて形態素解析によって誤りを修正した後、属性判定
モジュール５に渡し、テンプレート９と照合して属性を
付与するようにしている。

【００１５】また、属性判定モジュール５が照合する際
に類似文字テーブル８を参照して類似文字を取り出し、
この取り出した類似文字についても合わせてテンプレー
ト９と照合を行うようにしている。

【００１６】また、ブロック結合／分割モジュール６が
認識結果を結合あるいは分割して属性判定モジュール５
に渡し、属性判定モジュール５が結合後あるいは分割後
の認識結果について照合などするようにしている。

【００１７】従って、入力データから文書構成要素を抽
出し、誤字を含んだものはそれを修正して正しい文字列
を自動抽出した後、テンプレート９と照合して属性を付
与することにより、属性が自動付与された正しい文字列
の認識結果を生成してこれを検索用情報などに使用する
ことが可能となる。

【００１８】

【発明の実施の形態】次に、図１から図７を用いて本発
明の実施の形態および動作を順次詳細に説明する。

【００１９】図１は、本発明の１実施例構成図を示す。
図１において、文書１は、用紙や電子媒体上に記載され
た文書である。入力部２は、文字などの記載された文書
をイメージデータに変換するものであって、例えば用紙
に記載された文字を読み取ってイメージデータにするス
キャナやファクシミリ装置などである。

【００２０】認識部３は、イメージデータから文字を認
識して、認識結果を出力するものである。文字認識は、
イメージデータ中の文字領域に対して、イメージのレイ
アウトより分割し、それぞれの文字列ブロックについて
文字認識を行い、各ブロックについての文字の認識結果
を出力する。認識結果は、例えば文字列“文書認識装
置”の文字列ブロックについて、下記のように第１位、
第２位、第３位・・・というように候補をそれぞれ出力
する。

【００２１】・入力ブロック文字列：“文書認識装置” ・認識結果： １文字目：｛文、丈、之｝ ２文字目：｛書、音、昔｝ ３文字目：｛誌、認｝ ４文字目：｛識、艦｝ ５文字目：｛装、裳、楽｝ ６文字目：｛宣、置｝ 知識処理部４は、認識結果をもとに、属性を付加した認
識結果１０を自動生成するものであって、属性判定モジ
ュール５、ブロック結合／分割モジュール６、誤り修正
モジュール７、類似文字テーブル８、テンプレート９な
どによって属性を付加して認識結果１０を自動生成する
ものである。

【００２２】属性判定モジュール５は、認識結果につい
て、類似文字テーブル８を参照して類似する文字を取り
出し、これら類似する文字を候補としてテンプレート９
と照合して一致する表現パターンの属性を取り出して認
識結果に付加したりなどするものであり（図２を用いて
後述する）、照合モジュール５１などから構成されるも
のである。

【００２３】照合モジュール５１は、認識結果につい
て、テンプレート９と照合したりなどするものである。
ブロック結合／分割モジュール６は、認識結果の文字列
を結合したり、分割したりするものである（図６、図７
を用いて後述する）。

【００２４】。誤り修正モジュール７は、認識結果の文
字列の誤りを修正するものである。類似文字テーブル８
は、類似する文字を予め登録したものである（図４を用
いて後述する）。

【００２５】テンプレート９は、文字属性および表現パ
ターンを予め登録したものである（図５のテンプレート
９参照）。正しい認識結果１０は、属性を付加した正し
い認識結果である。

【００２６】次に、図２のフローチャートに示す順序に
従い、図１の構成の動作を図５を参照しつつ詳細に説明
する。図２は、本発明の動作説明フローチャートを示
す。

【００２７】図２において、Ｓ１は、読み込みする。こ
れは、スキャナあるいはファクシミリ装置から文字列の
画像イメージを読み込む。Ｓ２は、文字認識する。これ
は、Ｓ１で読み込んだ文字列の画像イメージ中からブロ
ック単位に既知の文字認識を行う。

【００２８】Ｓ３は、保存する。Ｓ４は、形態素解析す
る。これは、文字認識して保存したブロック毎の文字認
識結果について、形態素解析を行い、右側に記載した下
記を行う。

【００２９】・候補単語の作成 ・辞書引きによる接続チェック ・類似文字テーブルの検索 ここで、候補単語の作成は、後述する図５の（ｂ）に示
すように、ブロック毎に各単語の認識結果の候補１位、
２位、３位・・・についてそれぞれを組み合わせた候補
単語の作成を行う。この作成した候補単語について、図
示外の辞書を引いて接続チェックを行い、正しい接続を
持つ候補単語を抽出する。この際、類似文字テーブルと
して後述する図４を参照し、認識文字に類似する文字に
置き換えたときの接続チェックを行い、正しい接続を持
つ候補単語を抽出する。

【００３０】Ｓ５は、テンプレートとのマッチングを行
う。これは、Ｓ４で正しいとして抽出した検索結果の文
字列について、後述する図５の（ｃ）のテンプレート９
とマッチング（照合）を行う。

【００３１】Ｓ６は、Ｓ５のマッチングが成功か判別す
る。ＹＥＳの場合には、Ｓ７からＳ１０の処理を行う。
一方、ＮＯの場合には、Ｓ５のマッチングに失敗し、マ
ッチングする正規表現で表した表現パターンが見つから
なかったので、Ｓ１１に進む。

【００３２】Ｓ７は、文書属性の付与を行う。Ｓ８は、
正しい認識結果の保存を行う。これらＳ７およびＳ８
は、Ｓ６のＹＥＳで認識結果の文字列とマッチングする
表現パターンがテンプレート中から見つかったので、こ
の見つけた表現パターンに対応づけて格納されている、
後述する図５の（ｃ）のテンプレート９から対応する属
性、マッチング制御情報、統計情報などを取り出し、こ
のうちの属性（文書属性）を正しい認識結果に付与し、
例えば下記のようにし保存する。

【００３３】タイトル：発明について ここで、“タイトル”が属性であり、“発明について”
が認識結果である（図５を用いて後述する）。

【００３４】Ｓ９は、認識文字列がまだあるか判別す
る。ＹＥＳの場合には、Ｓ４に戻り繰り返す。一方、Ｎ
Ｏの場合には、Ｓ１０で正しい認識結果（属性を付与し
た正しい認識結果）を出力すると共に保存する。

【００３５】以上によって、文字列を画像イメージとし
て読み込み、この画像イメージ上でブロック毎に文字認
識を行い、この文字認識結果について形態素解析して各
文字毎の候補、辞書引きによる接続チェック、類似文字
テーブルによる類似文字の検索を行い、正しい認識結果
を抽出し、テンプレートとマッチングしてマッチングす
る表現パターンを見つけてそれに対応づけて登録されて
いる属性（文書属性）、マッチング制御情報、統計情報
などを取り出し、これらをもとに正しい認識結果を生成
することにより、文字列の画像イメージから自動的に文
書構成要素を付加した正しい文字認識結果を得ることが
可能となる。以下順次詳細に説明する。

【００３６】図３は、本発明の正規表現／表現パターン
／意味クラスの説明図を示す。図３の（ａ）は、正規表
現に用いられる記号例を示す。ここで、正規表現とは、
マッチングさせる文字列に制御記号を加えて、複雑な表
現パターンを簡素に書き表し、かつ効率的で正確なマッ
チングを行うためのものである。正規表現に用いられる
記号としては図示の記号欄に記載されているものがあ
り、これらを用いることによって文書属性の表現パター
ンを簡素に記述できる。また、正規表現は正確なマッチ
ングを行い、正しい属性の付与にも役立つ。例えば、文
書タイトルによく出てくる表現の１つとして、“・・・
について”がある。ここで、認識結果に“について”が
含まれたならばそれはタイトルであると定義してしまう
と、本文中に“・・・について考える”という表現が見
つかると、これをタイトルと見なしてしまう。しかし、
本発明の正規表現を用いれば、“＜単語＞＋について
＄”と記述する（ここで、正規表現“＄”は文字列の終
了を表す改行、大きな余白と図３の（ａ）に定義してお
く）と、“・・・について考える”はマッチングしな
く、抽出されない。

【００３７】尚、図中の記号欄に記載された例え
ば“．”は任意の１文字をあらあし、“＊”は直前の文
字、文字クラスの０個以上の繰り返しなどを図示のよう
に定義する。

【００３８】図３の（ｂ）は、正規表現で記述された表
現パターン例を示す。これは、図３の（ａ）で定義され
た正規表現の記号を用いて記述した表現パターンであっ
て、例えば ｛＜数字＞＋｜元号｝年 は、“数字”あるいは“元号”に続いて“年”が見つか
った場合に抽出するという表現パターンである。尚、こ
こで、“数字”および“元号”の詳細は、図３の（ｃ）
の意味クラスで、“数字”は０〜９までの整数、“元
号”は明治、大正、昭和、平成を表すと定義する。

【００３９】このように正規表現を使って表現パターン
を記述することにより、西暦や元号を用いた文書中の記
述を自動的に抽出することが可能となる。図３の（ｃ）
は、意味クラスの記述例を示す。これは、図３の（ｂ）
の表現パターンで記述する正規表現などの意味クラスを
定義したものである。意味クラスは、ラベルとその要素
または表現パターンからなり、正規表現に用いること
で、より正確なマッチングを行うためのものである。

【００４０】例えば社内に流通するレポートなどは、文
書の属性としてその宛先がある。宛先の表現パターンと
しては“・・・殿”などが考えられるが、“・・・”の
部分の文字列はどんなものでも良いわけではなく、役職
名や個人名など限られた文字列しかないと考えられる。
このために、それら限られた文字列を要素とする集合を
作り、その集合の意味を表すラベルを付与することで１
つの意味クラスを図３の（ｃ）のように作成し、その意
味クラスを用いて宛先の表現パターンを“＜役職＞｜＜
人名＞殿＄”などと表す（ここでは“＜ ＞”で挟まれ
た文字列は意味クラスとして別に定義されていることを
表し、“｜”は論理和（あるいは）を表し、“＄”は文
字列の終了を表す）ことで、より正確なマッチングが可
能となる。これにより、“○御殿”などがマッチしなく
なる。

【００４１】また、意味クラスの登録を簡便にするため
に、意味クラスの要素を全て並べる方法に加えて、定義
済みの意味クラスや正規表現を使ってその要素を表現す
る方法も可能である（図３の（ｃ）の＜正整数＞意味ク
ラス参照）。

【００４２】図４は、本発明の類似文字テーブル例を示
す。これは、認識結果に正解文字が含まれないために、
テンプレートとのマッチングに失敗することがあるの
で、認識結果について認識間違いし易い類似文字を予め
登録したものであって、この登録した類似文字で認識結
果の文字列を置き換え、テンプレート９とマッチングし
て正確なマッチングを可能にするためのものである。

【００４３】例えば１位の認識結果が“発明につじて”
となり、“じ”の２位以下の候補文字に“い”が含まれ
ていなかった場合、テンプレート９とマッチングしても
“＜単語＞＋について＄”とマッチングしなく失敗して
しまう。このとき、図４の類似文字テーブルを参照し、
“じ”の類似文字である“い”、“い”（下添字のいを
表す）、“し”、“ビ”、“Ｃ”という順番に置き換え
てマッチングし、“じ”を“い”に置き換えたときにマ
ッチングに成功し、正しい表現パターンを抽出すること
が可能となる。

【００４４】図５は、本発明の動作説明図を示す。図５
の（ａ）は、イメージの例を示す。ここでは、図示の “発明について” という文字列からなるブロックのイメージである。この
ブロック内の画像イメージの文字列を公知の文字認識
し、図５の（ｂ）の認識結果が得られたとする。

【００４５】図５の（ｂ）は、文字の認識結果の例を示
す。ここでは、ブロック中の各文字について１位、２
位、３位、４位・・・というように類似度の高い順にそ
の候補を求める。

【００４６】図５の（ｃ）は、形態素解析結果を示す。
ここでは、図５の（ｂ）の認識結果の各文字の１位をつ
なげて “発明につりで” となる。この認識結果は、図示外の辞書引きを行い、そ
の接続チェックをするが、正しい接続として登録されて
いないので、他の文字認識結果の組み合わせを調べる。
ここでは、先頭から５文字目の“り”が図示外の辞書と
照合して一致しないので、この文字の２位以下の候補中
から探すと“い”で一致したので、 “発明についで” となるが、更に先頭から６文字目の“で”が図示外の辞
書と照合して一致しないので、この文字の２位以下の候
補中から探すと“て”で一致したので、 “発明について” と接続チェックでＯＫとなった認識結果を生成する。
尚、図示外の辞書で接続チェックを行ったが、後述する
テンプレートとマッチングを行い、不成功のときに２位
以下の候補中からマッチングする候補を探してもよい。

【００４７】以上のようにして接続チェックでＯＫとな
った認識結果について、テンプレート９とマッチングを
行い、ここでは、 という表現パターンにマッチングすることが判明する。

【００４８】図５の（ｄ）は、正しい認識結果“発明に
ついて”を示す。これは、図５の（ｃ）によってテンプ
レート９とマッチングして成功したときの正しい文字列
“発明について”である。

【００４９】図５の（ｅ）は、属性と属性値を示す。こ
れは、図５の（ｄ）で正しい認識結果が得られたので、
属性と属性値を図示の下記のように出力する。 “タイトル：発明について” ここでは、“タイトル”は文書構成情報であって、文字
列“発明について”がタイトルとして文書中に記載され
ている旨を表す情報である。

【００５０】尚、ここで、図５の（ｃ）のテンプレート
９のマッチング制御情報は、認識結果と、テンプレート
９とをマッチングする際に、例えば認識結果の何位まで
マッチングを行うかを指定する制御情報などであって、
例えば“｛殿｜様｜各位｝は２位候補まで”というもの
である。これは、比較的に認識誤りが少ない文字や属性
について、下位の何位の候補までの文字列についてマッ
チングを行い旨を定義し、余り下位の文字列がたまたま
テンプレート９にマッチングして誤認識してしまう事態
を避けるためである。

【００５１】また、図５の（ｃ）のテンプレート９の統
計情報は、認識結果によって２種類の表現パターンにマ
ッチングしてしまった場合に、いずれのテンプレート９
を選択するかの値（統計的に集計して予め付与した値）
を設定してものであって、大きい値の方を選択するため
のものである。

【００５２】図６は、本発明の分割フローチャートを示
す。図６において、Ｓ２１は、認識結果を示す。ここで
は、右側に図示のように “ソフト研 ５月２０日” というように“ソフト研”と“５月２０日”とが空白を
置いて認識されたとする。

【００５３】Ｓ２２は、テンプレートとのマッチングに
失敗し、大きな空白が存在すると判明した状態を示す。
ここでは、 “ソフト研 ５月２０日” という文字列と、テンプレート９とを照合したが、マッ
チングするものがなくて失敗した。その理由は、予め設
定したうちの文字列“ソフト研”と他の文字列“５月２
０日”との間に大きな空白が存在すると判明した。

【００５４】Ｓ２３は、分割する。これは、Ｓ２２で文
字列と文字列との間に大きな空白が存在し、分割条件に
合致したので、大きな空白の部分で２つの文字列に分割
し、Ｓ２３、Ｓ２４、およびＳ２５、Ｓ２６の２つに分
けてそれぞれ独立に処理を行う。

【００５５】Ｓ２３は、分割した先頭部分の文字列“ソ
フト研”を取り出す。Ｓ２４は、テンプレートとのマッ
チングを行う。ここでは、“ソフト研”がテンプレート
９および意味クラスをマッチングして属性“発信元”が
見つかったとするので、 ・属性：発信元 ・認識結果：ソフト研 として得られる。

【００５６】Ｓ２５は、分割した末尾部分の文字列“５
月２０日”を取り出す。Ｓ２６は、テンプレートとのマ
ッチングを行う。ここでは、“５月２０日”がテンプレ
ート９および意味クラスをマッチングして属性“日付”
が見つかるので（図５の（ｃ）のテンプレート９参
照）、 ・属性：日付 ・認識結果：５月２０日 として得られる。

【００５７】Ｓ２７は、属性出力する。これは、Ｓ２４
およびＳ２５のマッチングで得られた認識結果として、 ・発信元：ソフト研 ・日付 ：５月２０日 として生成し出力する。

【００５８】以上のように、認識結果とテンプレートと
マッチングを行い、マッチングできなかったときに、認
識結果内の文字列と文字列との間に大きな空白、文字列
と文字列との間で改行があったなどの不連続性を表すも
のがあったときに分割し、分割後の認識結果（文字列）
についてテンプレート９とマッチングをそれぞれ行った
後に両者を合わせて正しい属性の付加した認識結果を生
成することにより、文書構成と特殊性に基づき認識率を
高めることが可能となる。

【００５９】図７は、本発明の結合フローチャートを示
す。図７において、Ｓ３１は、認識結果を示す。ここで
は、右側に図示のように というように“文字認識装置の発明”と“について”と
が２段に記載されていたとする。

【００６０】Ｓ３２は、テンプレートとのマッチングに
失敗し、レイアウトなどから、複数行と判定される。Ｓ
３３は、結合する。これは、Ｓ３２で文字列と文字列と
が複数行あると判明し、結合条件に合致したので、ここ
では、２段に分割されていた文字列をまとめ、 “文字認識装置の発明について” と１つの文に結合する。

【００６１】Ｓ３４は、テンプレートとのマッチングを
行う。ここでは、図５の（ｃ）のテンプレート９の第１
行目の表現パターン“＜単語＞＋について＄”とパター
ンマッチングしたので、 ・属性：タイトル ・認識結果：文字認識装置の発明について として得られる。

【００６２】Ｓ３５は、属性出力する。これは、Ｓ３４
のマッチングで得られた認識結果として、 “タイトル：文字認識装置の発明について” として生成し出力する。ここで、先頭の“タイトル”が
属性、“文字認識装置の発明について”が属性値（認識
結果）を表す。

【００６３】以上のように、認識結果とテンプレートと
マッチングを行い、マッチングできなかったときに、認
識結果内の文字列が複数行であったときなどの不連続性
を表すものがあったときに結合し、結合後の認識結果
（文字列）についてテンプレート９とマッチングを行
い、正しい属性の付加した認識結果を生成することによ
り、文書構成と特殊性に基づき認識率を高めることが可
能となる。

【００６４】

【発明の効果】以上説明したように、本発明によれば、
入力データから文書構成要素を抽出し、誤字を含んだも
のはそれを修正して正しい文字列を自動抽出した後、テ
ンプレート９と照合して属性を付与する構成を採用して
いるため、文字列の画像イメージ上から文字認識して属
性を自動付与した正しい文字列の認識結果を生成するこ
とができ、これを検索用情報などに使用するが可能とな
る。

【図面の簡単な説明】

【図１】本発明の１実施例構成図である。

【図２】本発明の動作説明フローチャートである。

【図３】本発明の正規表現／表現パターン／意味クラス
の説明図である。

【図４】本発明の類似文字テーブル例である。

【図５】本発明の動作説明図である。

【図６】本発明の分割フローチャートである。

【図７】本発明の結合フローチャートである。

【符号の説明】

１：文書 ２：入力部 ３：認識部 ４：知識処理部 ５：属性判定モジュール ６：ブロック結合／分割モジュール ７：誤り修正モジュール ８：類似文字テーブル ９：テンプレート １０：正しい認識結果

Claims (7)

【特許請求の範囲】
1. 【請求項１】文字認識する認識部と、 文字属性および表現パターンを予め登録したテンプレー
   トと、 上記文字認識された認識結果の文字列について、上記テ
   ンプレートと照合して一致したときに当該文字列に一致
   したときのテンプレートの属性を付与する手段とを備え
   たことを特徴とする文書認識装置。
2. 【請求項２】上記表現パターンとして正規表現を用いて
   照合することを特徴とする請求項１記載の文書認識装
   置。
3. 【請求項３】上記表現パターンとして意味クラスを用い
   て照合することを特徴とする請求項１あるいは請求項２
   記載の文書認識装置。
4. 【請求項４】上記表現パターンとしてマッチング制御情
   報を用いて照合することを特徴とする請求項１ないし請
   求項３記載のいずれかの文書認識装置。
5. 【請求項５】上記認識結果について、形態素解析によっ
   て誤りを修正することを特徴とする請求項１ないし請求
   項４記載のいずれかの文書認識装置。
6. 【請求項６】類似文字を登録する類似文字テーブルを設
   け、 上記照合する際にこの類似文字テーブルを参照して類似
   文字を取り出し、この取り出した類似文字についても合
   わせて上記照合を行うことを特徴とする請求項１ないし
   請求項５記載のいずれかの文書認識装置。
7. 【請求項７】上記認識結果を分割あるいは併合した後の
   文字列について、上記照合を行うことを特徴とする請求
   項１ないし請求項６記載のいずれかの文書認識装置。