JP2010262578A - 帳票辞書生成装置、帳票識別装置、帳票辞書生成方法、及びプログラム - Google Patents

Abstract

【課題】一部が異なる帳票を同一種類として扱うために必要とされる作業負荷を軽減すること。
【解決手段】同一種類として指定された複数の帳票の雛形画像のそれぞれより帳票の特徴を示す特徴情報を抽出する特徴抽出手段と、前記雛形画像ごとに抽出された前記特徴情報に基づいて、複数の前記雛形画像に共通の罫線によって形成される共通セルの特徴を示す共通情報を生成する共通情報生成手段と、前記各共通セルについて、前記共通セル情報とそれぞれの各雛形画像の特徴情報とに基づいて、前記各雛形画像において当該共通セルと対応するセルの中で当該共通セルとは異なる特徴を有するセルが存在する場合に当該共通セルの領域を帳票の識別における無視領域と判定する無視領域判定手段と、前記共通情報と前記無視領域を示す情報とを含むデータを帳票を識別するための辞書データとして生成する辞書生成手段とを有する。
【選択図】図１

Description

本発明は、帳票の種類をＯＣＲによって自動的に識別するための技術に関する。

各種の帳票の記載内容をＯＣＲ（Optical Character Recognition）によって電子化するために、予め帳票の種類ごとに雛形画像の登録が行われる。入力対象の帳票のＯＣＲ時には、当該帳票より読み取られた画像に基づく情報と雛形画像に基づく情報との照合により当該帳票の種類が識別される（例えば、特許文献１）。その識別結果に基づいて帳票の種類ごとに定義された読取領域等を示す情報を利用して、当該帳票の記載内容がＯＣＲによって電子化される。

帳票の種類の識別には、帳票の罫線構造の情報（帳票辞書）が利用されることがある。すなわち、入力対象の帳票の罫線構造と雛形画像の罫線構造とが一致するか否かによって当該帳票は雛形画像に係る種類に属するか否かが判定される。但し、罫線構造がほぼ等しく、部分的にしか罫線が異ならない類似帳票の帳票識別結果は不安定であり、しばしば分類誤りが生じる。そのため、従来、類似帳票を精度よく区別するための技術が提案されている（例えば、特許文献２）。一方で、類似帳票の区別に相反するニーズとして、類似帳票を同一種類の帳票として扱いたいといったニーズがある。

特開２００７−８７０２１号公報 特開平１１−２８２９５６号公報

しかしながら、従来の技術では、部分的に異なる帳票を同一種類として扱うことが困難であった。そのため、類似帳票のそれぞれについて雛形画像や読取領域等を示す情報等の登録を行い、登録された情報を関連付けることで類似帳票間の関係が構築されていた。ここで、読取領域等を示す情報には、読取領域ごとの情報の意味（例えば、住所、氏名、電話番号等）を示す情報が含まれる。当該情報を類似帳票として扱いたい帳票ごとに登録する作業は時間を要し、ユーザの負担となっていた。

本発明は、上記の点に鑑みてなされたものであって、一部が異なる帳票を同一種類として扱うために必要とされる作業負荷を軽減することのできる帳票辞書生成装置、帳票識別装置、帳票辞書生成方法、及びプログラムの提供を目的とする。

そこで上記課題を解決するため、同一種類として指定された複数の帳票の雛形画像のそれぞれより帳票の特徴を示す特徴情報を抽出する特徴抽出手段と、前記雛形画像ごとに抽出された前記特徴情報に基づいて、複数の前記雛形画像に共通の罫線によって形成される共通セルの特徴を示す共通情報を生成する共通情報生成手段と、前記各共通セルについて、前記共通セル情報とそれぞれの各雛形画像の特徴情報とに基づいて、前記各雛形画像において当該共通セルと対応するセルの中で当該共通セルとは異なる特徴を有するセルが存在する場合に当該共通セルの領域を帳票の識別における無視領域と判定する無視領域判定手段と、前記共通情報と前記無視領域を示す情報とを含むデータを帳票を識別するための辞書データとして生成する辞書生成手段とを有する。

開示の装置、方法、又はプログラムによれば、一部が異なる帳票を同一種類として扱うために必要とされる作業負荷を軽減することができる。

本発明の実施の形態における辞書生成装置及び帳票識別装置の機能構成例を示す図である。 共通情報及び無視領域の例を示す図である。 本発明の実施の形態における辞書生成装置のハードウェア構成例を示す図である。 辞書生成装置の処理手順を説明するためのフローチャートである。 帳票グループの指定方法の例を示す図である。 帳票特徴テーブルの例を示す図である。 コーナー点の例を示す図である。 罫線の例を示す図である。 セルの例を示す図である。 本実施の形態におけるセル間の親子関係を示す図である。 罫線画像の例を示す図である。 マスク画像の例を示す図である。 比較対象の罫線画像とマスク画像との重ね合わせの例を示す図である。 重なり度の算出結果の例を示す図である。 セルの対応関係情報を示す図である。 共通情報テーブルの例を示す図である。 共通画像の例を示す図である。 辞書データの例を示す図である。 帳票識別装置の処理手順を説明するためのフローチャートである。

以下、図面に基づいて本発明の実施の形態を説明する。図１は、本発明の実施の形態における辞書生成装置及び帳票識別装置の機能構成例を示す図である。同図において、辞書生成装置１０は、各種の帳票の画像データに基づいて、帳票の種類を識別するための辞書データ５０を生成する装置（例えば、コンピュータ）である。帳票識別装置２０は、辞書生成装置１０によって生成された辞書データ５０を利用して、入力される帳票の種類を判定する装置（例えば、コンピュータ）である。

辞書生成装置１０は、帳票入力部１１、グループ指定受付部１２、特徴抽出部１３、及び辞書生成部１４等を有する。

帳票入力部１１は、雛形としての（未記入の）帳票よりスキャナによって読み取られる情報を電子的に変換して、２値画像を生成する。当該２値画像は、帳票の雛形画像として利用される。グループ指定受付部１２は、帳票グループの指定をユーザより受け付ける。帳票グループとは、相互に一部が異なる複数の雛形画像の集合である。同じ帳票グループに属する雛形画像に係る帳票は同一種類の帳票として扱われる。

特徴抽出部１３は、各雛形画像より、帳票の特徴を示す情報（特徴情報）を抽出する。より詳しくは、特徴抽出部１３は、罫線抽出部１３１、セル情報抽出部１３２、及びセル内文字認識部１３３等を含む。罫線抽出部１３１は、公知又は周知の方法により各雛形画像から罫線情報を抽出する。セル情報抽出部１３２は、公知又は周知の方法により前記罫線情報に基づいて罫線線分によって形成されるセル（升目）に関する情報（セル情報）を計算する。セル内文字認識部１３３は、セル内に含まれている文字列（１文字も含む）をＯＣＲ（Optical Character Recognition）によって抽出し、当該文字列の文字コードをテキスト情報として出力する。

辞書生成部１４は、共通情報生成部１４１、無視領域判定部１４２、共通画像生成部１４３、及び辞書出力部１４４等を含む。共通情報生成部１４１は、同一の帳票グループに属する各雛形画像が共通に有する特徴を示す共通情報を生成する。共通情報は、各雛形画像が共通に有する罫線情報（共通罫線情報）、雛形画像が共通に有するセル情報（共通セル情報）、雛形画像が共通に有するテキスト情報（共通テキスト情報）等を含む。無視領域判定部１４２は、共通セル情報に基づく各共通セルについて、同一帳票グループに属する各雛形画像の対応セルとの比較を行い、両者の異同を判定する。対応セルとは、共通セルを導出する元となったセルをいう。例えば、対応セル内に、共通セルには存在しない罫線線分やテキスト情報が存在する場合、当該対応セルと当該共通セルとは異なると判定される。無視領域判定部１４２は、少なくとも一つの雛形画像の対応セルと異なると判定された共通セルの領域を無視領域として判定する。無視領域とは、帳票の識別の際に比較対象から除外される領域をいう。

なお、辞書生成装置１０又は帳票識別装置２０が有する機能は、一つの装置１に含まれていてもよい。

図２は、共通情報及び無視領域の例を示す図である。同図では、雛形画像Ｆ１と雛形画像Ｆ２とが同一の帳票グループのメンバとして指定された場合の例が示されている。この場合、共通情報生成部１４１によって、雛形画像Ｆ１と雛形画像Ｆ２とが共通に有する特徴を示す情報として共通情報Ｃが生成される。また、無視領域判定部１４２によって、共通情報Ｃと雛形画像Ｆ１及び雛形画像Ｆ２とのいずれかの間で相違するセルが無視領域Ｎとして判定される。無視領域Ｎに対応するするセルについて、雛形画像Ｆ１においては垂直な罫線Ｌ９が存在する点において共通情報Ｃと異なる。また、雛形画像Ｆ２においては「発注書」という文字列が存在する点において共通情報Ｃと異なる。したがって、当該セルは無視領域Ｎと判定されている。なお、無視領域Ｎは、共通情報Ｃといずれかの雛形画像とが相違する部分である。したがって、例えば、雛形画像Ｆ２において「発注書」という文字列が無かった場合であっても、図２の場合における無視領域の判定結果に変わりは無い。なお、共通情報Ｃは、後述される共通情報テーブルＴＣに記録される情報を視覚化したものである。

共通画像生成部１４３は、前記共通情報に基づいて共通画像を生成する。

辞書出力部１４４は、無視領域を示す情報（無視領域情報）と、共通罫線情報、共通セル情報、共通テキスト情報、及び共通画像情報を含むデータを、帳票グループに対する辞書データ５０として出力する。すなわち、帳票グループに属する複数の帳票に対して一つの辞書データ５０が出力される。

なお、いずれの帳票グループにも属していない帳票は、帳票グループのメンバ数が１であり、無視領域の無い特殊なケースとして扱えばよい。したがって、当該帳票の雛形画像に関しては、無視領域の有無の判定は実行されず、無視領域数は０となる。当該帳票の雛形画像より抽出された罫線情報、セル情報、及びテキスト情報を含むデータが、当該帳票の種類を識別するための辞書データ５０となる。

一方、帳票識別装置２０は、帳票入力部２１、特徴抽出部２２、及び帳票識別部２３等を有する。帳票入力部２１は、入力対象とされる記入済みの帳票（入力帳票）よりスキャナによって読み取られる情報を電子的に変換して、２値画像を生成する。帳票入力部２１によって生成される画像を、以下「帳票画像」という。特徴抽出部２２は、特徴抽出部１３と同じ機能を有する。すなわち、特徴抽出部２２は、罫線抽出部２２１、セル情報抽出部２２２、及びセル内文字認識部２２３を含み、各部は、特徴抽出部１３が有する各部と同じ機能を実現する。

帳票識別部２３は、辞書生成装置１０によって帳票の種類ごとに生成された複数の辞書データ５０と帳票画像より抽出された特徴情報とを照合し、最も類似度の高い辞書データ５０に係る種類を入力帳票の種類として判定する。帳票識別部２３は、無視領域情報を含む辞書データ５０との照合においては、無視領域情報によって示される領域外の特徴情報を使用して照合を行う。

図３は、本発明の実施の形態における辞書生成装置のハードウェア構成例を示す図である。図３の辞書生成装置１０は、ドライブ装置１００、補助記憶装置１０２、メモリ装置１０３、及びＣＰＵ１０４等を有する。これらは、バスＢによって接続されている。

辞書生成装置１０での処理を実現するプログラムは、ＣＤ−ＲＯＭ等の記録媒体１０１によって提供される。プログラムを記録した記録媒体１０１がドライブ装置１００にセットされると、プログラムが記録媒体１０１からドライブ装置１００を介して補助記憶装置１０２にインストールされる。但し、プログラムのインストールは必ずしも記録媒体１０１より行う必要はなく、ネットワークを介して他のコンピュータよりダウンロードするようにしてもよい。補助記憶装置１０２は、インストールされたプログラムを格納すると共に、必要なファイルやデータ等を格納する。

メモリ装置１０３は、プログラムの起動指示があった場合に、補助記憶装置１０２からプログラムを読み出して格納する。ＣＰＵ１０４は、メモリ装置１０３に格納されたプログラムに従って辞書生成装置１０に係る機能を実現する。

辞書生成装置１０は、また、所定のインタフェース（ＳＣＳＩ（Small Computer System Interface）又はＵＳＢ（Universal Serial Bus）等）を介して、表示装置１０５、入力装置１０６、及びスキャナ１０７等と接続されている。表示装置１０５はプログラムによるＧＵＩ（Graphical User Interface）等を表示する。入力装置１０６はキーボード及びマウス等であり、様々な操作指示を入力させるために用いられる。スキャナ１０７は、紙の帳票より画像を読み取る。

なお、帳票識別装置２０も、図３と同様のハードウェア構成を有していればよい。本実施の形態において、帳票識別装置２０の各ハードウェアは、２００番台の符号によって記す。例えば、帳票識別装置２０のＣＰＵは、ＣＰＵ２０１といった具合である。辞書生成装置１０及び帳票識別装置２０は、必ずしもスキャナ１０７又は２０７と直接接続されていなくてもよい。例えば、他のコンピュータにおいてスキャナ１０７又は２０７より入力された画像データが、辞書生成装置１０又は帳票識別装置２０において処理対象とされてもよい。この場合、当該画像データはネットワークを介して辞書生成装置１０又は帳票識別装置２０に転送されてもよいし、携帯型の記憶媒体を介して辞書生成装置１０又は帳票識別装置２０に入力されてもよい。

以下、各装置の処理手順について説明する。図４は、辞書生成装置の処理手順を説明するためのフローチャートである。

ユーザが、スキャナ１０７に雛形とする未記入の帳票をセットし、入力装置１０６を介してスキャンの開始指示を入力すると、帳票入力部１１は、スキャナ１０７に帳票の読み取りを実行させる。帳票入力部１１は、スキャナ１０７によって読み取られた情報に基づいて、帳票ごとに雛形画像をメモリ装置１０３又は補助記憶装置１０２生成する（Ｓ１０１）。ステップＳ１０１が複数種類の帳票（すなわち、複数枚の帳票）について実行されることにより、複数の雛形画像が生成される。なお、ステップＳ１０１は、他の装置において実行されてもよい。

続いて、グループ指定受付部１２は、生成された雛形画像又は雛形画像の縮小画像（サムネイル）の一覧を表示装置１０５に表示させ、帳票グループに含める雛形画像の選択を、入力装置１０３を介してユーザより受け付ける（Ｓ１０２）。

図５は、帳票グループの指定方法の例を示す図である。同図では、雛形画像Ｆ１及び雛形画像Ｆ２が選択され、コンテキストメニューｍ１によって二つの雛形画像を含む一つの帳票グループの生成が指示された例が示されている。雛形画像の選択は、ラバーバンドによって囲まれてもよいし、一つずつマウスでクリックされることにより行われてもよい。なお、帳票グループの指定は、他の操作手順によって行われてもよいし、必ずしも対話的に行われなくてもよい。例えば、グループ指定受付部１２は、所定のフォルダ内に保存されている雛形画像を同一の帳票グループに属する雛形画像であると判定するようにしてもよい。但し、本実施の形態のように、対話的に帳票グループの指定を可能とすることで、ユーザの操作負担を軽減することができる。

グループ指定受付部１２は、帳票グループごとに、帳票グループに属する雛形画像（帳票）の識別子（以下、「帳票ラベル」という。）を関連付けてメモリ装置１０３に記録しておく。本実施の形態において「ラベル」とは識別子を意味する。

続いて、特徴抽出部１３によって、ステップＳ１０１において生成された雛形画像（雛形画像Ｆ１及びＦ２）ごとに帳票の特徴情報が抽出され、抽出された特徴情報が帳票特徴テーブルに記録される（Ｓ１０３〜Ｓ１０５）。

図６は、帳票特徴テーブルの例を示す図である。同図において、帳票特徴テーブルＴ１は雛形画像Ｆ１に対応し、帳票特徴テーブルＴ２は雛形画像Ｆ２に対応する。各帳票特徴テーブルは、帳票ラベル、罫線情報、及びセル情報等を登録可能である。罫線情報及びセル情報の詳細については後述する。なお、帳票特徴テーブルは、メモリ装置１０３又は補助記憶装置１０２に生成される。

まず、罫線抽出部１３１は、各雛形画像より帳票の罫線に関する情報（罫線情報）を抽出し、抽出された罫線情報を雛形画像に対応する帳票特徴テーブルに記録する（Ｓ１０３）。罫線抽出部１３１で行われる罫線情報の抽出方法については、多数開示されている公知の技術を用いればよい。例えば、コーナー点を検出し、コーナー点の間の一定長以上の黒画素ランを求めるという方法を用いてもよい。黒画素ランとは、２値画像において、一定方向の黒画素の連続した部分をいう。

図７は、コーナー点の例を示す図である。同図では、雛形画像Ｆ１及びＦ２のそれぞれのコーナー点が示されている。雛形画像Ｆ１については、コーナー点（Ｘ１，Ｙ１）〜コーナー点（Ｘ８，Ｙ８）の８個のコーナー点が検出されている。雛形画像Ｆ２については、コーナー点（ｘ１，ｙ１）〜コーナー点（ｘ６，ｙ６）の６個のコーナー点が検出されている。なお、画像におけるコーナー点の検出方法については、公知又は周知であるためその説明は省略する。

また、図８は、罫線の例を示す図である。同図では、雛形画像Ｆ１及びＦ２のそれぞれの罫線が示されている。各罫線は、コーナー点間の一定長以上の黒画素ランによって検出される。雛形画像Ｆ１については、罫線Ｌ１〜Ｌ１４の１４本の罫線が検出されている。雛形画像Ｆ２については、罫線ｌ１〜ｌ９の９本の罫線が検出されている。なお、罫線Ｌ１は、罫線Ｌ４及びＬ５を含む。この場合、罫線Ｌ４及びＬ５は、罫線Ｌ１の子罫線という。罫線Ｌ２、Ｌ８、Ｌ１０、ｌ４、及びｌ５についても同様に子罫線を含む。

罫線抽出部１３１は、抽出（検出）された罫線ごとに、罫線ラベル、開始座標、終点座標、方向（１：水平、０：垂直）、子罫線数、子罫線ラベル等を含む情報を罫線情報として帳票特徴テーブルに記録する。罫線ラベルは、各罫線の識別子である。図６の帳票特徴テーブルＴ１及びＴ２において、罫線ラベルは、図８における各罫線に対する符号と一致する。開始座標は、罫線の始点に位置するコーナー点の座標である。終了座標は、罫線の終点に位置するコーナー点の座標である。子罫線ラベルは、子罫線の罫線ラベルの一覧（一つである場合も含む。）である。

続いて、セル情報抽出部１３２は、罫線情報に基づいて、４本の罫線によって囲まれる領域を求める（検出する）（Ｓ１０４）。当該領域が本実施の形態においてセルと呼ばれる領域である。

図９は、セルの例を示す図である。同図では、雛形画像Ｆ１及びＦ２のそれぞれのセルが示されている。雛形画像Ｆ１については、セルＣ１〜Ｓ５の５つのセルが検出されている。雛形画像Ｆ２については、セルｃ１〜ｓ３の３つのセルが検出されている。同図では、便宜上、雛形画像Ｆ２のセルｃ２に含まれている文字列「発注書」の記載は省略されている。同図からも明らかなように、セルＣ１、セルＣ２、及びセルｃ１等、複数のセルを含むセルが存在する。本実施の形態において、セル間の包含関係を親子関係という。セル情報抽出部１３２は、図１０に示されるようなセル間の親子関係を示す情報についても検出する。

図１０は、本実施の形態におけるセル間の親子関係を示す図である。同図に示されるように、雛形画像Ｆ１において、セルＣ１は、セルＣ２及びＣ３を子セルとして含む。セルＣ３は、セルＣ４及びＣ５を子セルとして含む。また、雛形画像Ｆ２において、セルｃ１は、セルｃ２及びｃ３を子セルとして含む。

セル情報抽出部１３２は、検出されたセルごとに、セルラベル、罫線ラベル、及び子セルラベルをセル情報の一部として雛形画像に対応する帳票特徴テーブルに記録する。セルラベルは、各セルの識別子である。図６の帳票特徴テーブルＴ１及びＴ２において、セルラベルは、図９における各セルに対する符号と一致する。罫線ラベルは、セルを形成する４本の罫線の罫線ラベルである。子セルラベルは、子セルのセルラベルである。

続いて、セル内文字認識部１３３は、子セルを持たないセル（当該セルの画像領域）に対して文字認識（ＯＣＲ（Optical Character Recognition））を実行し、認識結果を当該セル情報の一部であるテキスト情報として帳票特徴テーブルに記録する（Ｓ１０５）。

テキスト情報としては、内包文字列数及び内包文字列が帳票特徴テーブルに記録される。内包文字列数は、セルより抽出された文字列の数である。内包文字列は、セルより抽出された文字列である。本実施の形態では、雛形画像Ｆ２のセルｃ２に「発注書」という文字列が含まれている。したがって、帳票特徴テーブルＴ２のセルｃ２の内包文字列数に「１」が、内包文字列に「発注書」が記録されている。

特徴抽出部１３による帳票特徴テーブルの生成が、処理対象とされた全ての雛形画像について実行されると（Ｓ１０６でＹｅｓ）、辞書生成部１４は、帳票特徴テーブルに基づいて、帳票グループごとに辞書データ５０を生成する（Ｓ１０７〜Ｓ１１０）。なお、ステップＳ１０７〜Ｓ１１０において処理対象とされている帳票グループを、「カレント帳票グループ」という。

まず、共通情報生成部１４１は、カレント帳票グループに属する各雛形画像の帳票特徴テーブルに基づいて、カレント帳票グループの共通情報を生成する（Ｓ１０７）。より詳しくは、共通情報生成部１４１は、帳票特徴テーブルに記録された罫線情報に基づいて、カレント帳票グループに属する雛形画像ごとに、開始座標及び終了座標を一画素幅で結ぶことにより形成される罫線を含む罫線画像を生成する。

図１１は、罫線画像の例を示す図である。同図において、罫線画像Ｆ１ａは、雛形画像Ｆ１の罫線画像である。罫線画像Ｆ２ａは、雛形画像Ｆ２の罫線画像である。

続いて、共通情報生成部１４１は、カレント帳票グループに属する雛形画像の中から任意に一つの雛形画像を基本雛形画像として選択し、基本雛形画像に対応する罫線画像の罫線を膨張させたものをマスク画像とする。罫線の膨張とは、罫線の幅の画素数を増加させることをいう。

図１２は、マスク画像の例を示す図である。同図において、マスク画像Ｍ２は、罫線画像Ｆ２ａに基づいて生成されたマスク画像である。

続いて、共通情報生成部１４１は、各罫線画像を順番に比較対象とし、比較対象とマスク画像とを重ね合わせることにより、比較対象の罫線の中でマスク画像の罫線と重なる罫線を判定する。

図１３は、比較対象の罫線画像とマスク画像との重ね合わせの例を示す図である。同図では、罫線画像Ｆ１ａとマスク画像Ｍ２とを重ね合わせた例が示されている。二重線は、罫線画像Ｆ１ａの罫線の中でマスク画像Ｍ２の罫線と重なっている罫線を示す。一重線は、罫線画像Ｆ１ａの罫線の中でマスク画像Ｍ２の罫線と重なっていない罫線（罫線Ｌ９）を示す。

マスク画像の罫線と重なっているか否かを判定するための処理は、比較対象の罫線ごとに、例えば、式（１）によって算出される重なり度に基づいて行われる。

重なり度＝比較対象の罫線においてマスク画像の罫線と重なっている部分の画素数／比較対象の罫線の全画素数 ・・・ （１）
なお、式（１）によって重なり度を算出する場合、重なり度の最大値は１．０である。重なり度が閾値を超える場合、比較対象の罫線はマスク画像の罫線と重なっていると判定される。重なり度に対する閾値は、実験等に基づいて適切な値を選択すればよい。

図１４は、重なり度の算出結果の例を示す図である。同図では、罫線画像Ｆ１ａに含まれる各罫線（罫線Ｌ１〜Ｌ１４）について、重なり度及び重なった罫線（マスク画像Ｍ２の罫線）の罫線ラベルが示されている。例えば、閾値を０．９とした場合、罫線Ｌ９以外の罫線が、マスク画像Ｍ２のいずれかの罫線と重なっていると判定される。なお、罫線情報に基づいて罫線画像が生成される際、罫線画像内の各罫線と罫線ラベルとの対応関係は維持される。したがって、罫線画像とマスク画像との比較の結果、罫線の対応関係（例えば、罫線Ｌ１と罫線ｌ１との対応関係）は、罫線画像内の各罫線と罫線ラベルとの対応関係に基づいて判定される。

カレント帳票グループに属するメンバ数（雛形画像の数）がＮ（Ｎ＞２）の場合、（Ｎ−１）個の基本雛形画像以外に対応する各罫線画像について、マスク画像の罫線との重なり度が判定される。

続いて、共通情報生成部１４１は、マスク画像の罫線の中で、比較対象とされた全ての罫線画像の罫線と重なっている罫線を共通罫線とする。また、共通情報生成部１４１は、共通罫線によって形成されるセルを共通セルとする。共通情報生成部１４１は、重なった罫線の対応関係（図１４参照）に基づいて、各罫線画像のセルと、共通セルとの対応関係を示す情報をメモリ装置１０３又は補助記憶装置１０２に記録しておく。

図１５は、セルの対応関係情報を示す図である。同図では、罫線画像Ｆ１ａ（雛形画像Ｆ１）とマスク画像Ｍ２（雛形画像Ｆ２）とのセルの対応関係が示されている。すなわち、セルＣ１とセルｃ１、セルＣ２とセルｃ２、セルＣ３とセルｃ３とがそれぞれ対応するセルであることが示されている。また、セルＣ４及びセルＣ５に対応するセルは無い（ＮＵＬＬ）ことが示されている。

続いて、共通情報生成部１４１は、共通罫線の罫線情報、及び共通セルのセル情報を含む共通情報を共通情報テーブルに記録する。共通情報テーブルは、メモリ装置１０３又は補助記憶装置１０２に生成される。

図１６は、共通情報テーブルの例を示す図である。共通情報テーブルＴＣは、共通罫線ごとに罫線情報を含み、共通セルごとにセル情報を含む。罫線情報及びセル情報の項目については、図６において説明した帳票特徴テーブルにおけるものと同様である。同図では、マスク画像Ｍ２（雛形画像Ｆ２）と罫線画像Ｆ１ａ（雛形画像Ｆ１）との共通情報が登録された例が示されている。すなわち、罫線ｌ１、ｌ２、ｌ３、ｌ４、ｌ５、ｌ６、ｌ７、ｌ８、及びｌ９が共通罫線として判定され、当該各罫線の罫線情報が、帳票特徴テーブルＴ２から共通情報テーブルＴＣへ転記（コピー）されている。また、共通罫線によって形成されるセルｃ１、ｓ２、及びｓ３のセル情報が、が帳票特徴テーブルＴ２から共通情報テーブルＴＣへ転記（コピー）されている。

なお、共通情報生成部１４１は、テキスト情報を含む共通セルについては、全ての雛形画像において対応するセルが同じテキスト情報を含む場合に、当該テキスト情報を帳票特徴テーブルＴ２から共通情報テーブルＴＣへ転記する。具体的には、セルｃ２は、内包文字列として「発注書」を含んでいる。したがって、セルＣ２が「発注書」を内包文字列として含む場合は、当該内包文字列がセルｃ２のセル情報として転記される。本実施の形態において、セルＣ２は内包文字列を含んでいないため、図１６において、セルｃ２の内包文字列は「ＮＵＬＬ」とされている。

続いて、無視領域判定部１４２は、共通セルの中で無視領域とするセルを判定する（Ｓ１０８）。具体的には、無視領域判定部１４２は、共通情報テーブルに登録されている各共通セルのセル情報について、各帳票特徴テーブルに登録されている、当該共通セルに対応するセルのセル情報との比較を行う。無視領域判定部１４２は、カレント帳票グループ内の少なくとも一つの帳票特徴テーブルのセル情報と一致しないセル情報を有する共通セルを無視領域と判定する。なお、共通セルの階層構造（図１０参照）において、上位（親）のセルから順に比較するとよい。親セルが無視領域であれば、その子セルは無視領域と判定できるからである。

本実施の形態では、共通情報テーブルＴＣのセル情報と、帳票特徴テーブルＴ１のセル情報及び帳票特徴テーブルＴ２のセル情報との比較が行われる。その結果、共通情報テーブルＴＣのセルｃ２が無視領域と判定される。共通情報テーブルＴＣにおけるセルｃ２の罫線ラベルと帳票特徴テーブルＴ１のセルＣ２のセル情報とを比較すると、後者の罫線ラベルには、対応しない罫線（Ｌ９）の罫線ラベルが含まれているからである。又は、共通情報テーブルＴＣにおけるセルｃ２のセル情報と、帳票特徴テーブルＴ２のセル情報とにおいて、内包文字列数及び内包文字列が異なることに基づいてもセルｃ２は無視領域であると判定されうる。すなわち、対応するいずれかのセルと罫線情報又はテキスト情報が異なる共通セルは、無視領域とされる。

続いて、共通画像生成部１４３は、基本雛形画像より無視領域内部の描画要素（罫線又は文字列）を消去した（すなわち、無視領域内部の黒画素を白画素とした）画像データを生成する（Ｓ１０９）。共通画像生成部１４３は、生成された画像データをカレント帳票グループの共通画像として補助記憶装置１０２に記録する。

図１７は、共通画像の例を示す図である。本実施の形態では、雛形画像Ｆ２のセルｃ２の内部が消去された画像が共通画像とされる。

続いて、辞書出力部１４４は、無視領域に関する情報及び共通情報を含むデータをカレント帳票グループの辞書データ５０として生成し、補助記憶装置１０２に記録する（Ｓ１１０）。

図１８は、辞書データの例を示す図である。同図において、辞書データ５０は、辞書通番、無視領域数、無視領域座標、共通画像ポインタ、罫線情報、及びセル情報等を含む。

辞書通番は、各辞書データ５０の識別番号である。各辞書データ５０は、辞書通番によって帳票の種類と対応付けられている。無視領域数は、無視領域の数である。無視領域座標は、無視領域とされた共通セルの頂点の座標である。共通画像ポインタは、共通画像の保存位置を示す情報である。罫線情報及びセル情報は、共通情報テーブルの内容がそのまま転記される。但し、辞書データ５０のセル情報は、無視領域フラグを有する。無視領域フラグは、セルが無視領域であるか（１）否か（０）を示す情報である。したがって、辞書出力部１４４は、無視領域とされた共通セルについては、無視領域フラグに「１」を記録し、無視領域でない共通セルについては、無視領域フラグに「０」を記録する。

辞書データ５０の生成が、全ての帳票グループに関して完了すると（Ｓ１１１でＹｅｓ）、図４の処理は終了する。

続いて、帳票識別装置２０の処理手順について説明する。図１９は、帳票識別装置の処理手順を説明するためのフローチャートである。図１９の処理の前提として、辞書生成装置１０によって生成された１以上の辞書データ５０が帳票識別装置２０よりアクセス可能な記憶媒体に保存されていることとする。当該記憶媒体は、帳票識別装置２０内の記憶媒体であってもよいし、帳票識別装置２０とネットワークを介して通信可能なコンピュータ又は記憶装置内の記憶媒体であってもよい。したがって、帳票識別装置２０と辞書生成装置１０とがネットワークを介して通信可能な場合、当該記憶媒体は辞書生成装置１０の補助記憶装置１０２であってもよい。

ユーザが、帳票識別装置２０に接続されたスキャナ２０７に識別対象とする記入済みの帳票をセットし、入力装置２０６を介してスキャンの開始指示を入力すると、帳票入力部２１は、スキャナ２０７に帳票の読み取りを実行させる。帳票入力部２１は、スキャナ２０７によって読み取られた情報に基づいて、帳票ごとに雛形画像をメモリ装置２０３又は補助記憶装置２０２生成する（Ｓ２０１）。

続く、ステップＳ２０２〜Ｓ２０４においては、帳票画像を処理対象として特徴抽出部２２によって、図４のステップＳ１０３〜Ｓ１０５と同様の処理が実行され、帳票画像の特徴情報が抽出される。したがって、帳票画像より、罫線情報、セル情報、及びテキスト情報が抽出される。

続いて、帳票識別部２３は、全辞書データ５０のうち、帳票画像との照合対象とする辞書データ５０を一つ選択する（Ｓ２０５）。選択された辞書データ５０を、以下「カレント辞書データ」という。続いて、帳票識別部２３は、カレント辞書データにおける無視領域の有無を判定する（Ｓ２０６）。当該判定は、例えば、カレント辞書データの無視領域数が「０」であるか否かに基づいて行えばよい。

カレント辞書データに無視領域が有る場合（Ｓ２０６でＹｅｓ）、帳票識別部２３は、無視領域外の特徴情報を利用して、帳票画像とカレント辞書データとの照合を行い、カレント辞書データに対する帳票画像の類似度を算出する（Ｓ２０７）。無視領域は、カレント辞書データの無視領域座標に基づいて判定される。

なお、辞書データ５０と帳票画像との類似度の算出方法は、公知又は周知の各種方法のいずれかを選択して利用すればよい。例えば、共通画像と帳票画像との画像マッチングによって類似度を算出してもよい。または、双方の罫線情報を比較することにより類似度を算出してもよい。但し、ステップＳ２０７では、無視領域については、類似度の算出対象から除外される。すなわち、カレント辞書データ及び帳票画像の特徴情報において無視領域に該当する特徴情報は、存在しないものとして扱われる。

一方、カレント辞書データに無視領域が無い場合（Ｓ２０６でＮｏ）、帳票識別部２３は、カレント辞書データと帳票画像の全ての特徴情報とを照合することにより類似度を算出する（Ｓ２０８）。

なお、帳票識別部２３は、ステップＳ２０７又はＳ２０８において算出された類似度を、カレント辞書データ（例えば、カレント辞書データの辞書通番）に関連付けてメモリ装置２０３に記録しておく。

帳票画像と全ての辞書データ５０とについて、ステップＳ２０５〜Ｓ２０８の処理の実行が完了すると（Ｓ２０９でＹｅｓ）、帳票識別部２３は、算出された全ての類似度を比較し、最大の類似度と関連付いている辞書通番（辞書データ５０）又は辞書通番と関連付けられて補助記憶装置２０２等に記録されている帳票の種類を示す情報を出力する（Ｓ２１０）。したがって、帳票画像より必要事項を抽出する非図示の装置は、当該出力結果に基づいて当該帳票の種類に応じた抽出処理等を実行すればよい。

上述したように、本実施の形態によれば、辞書生成装置１０は、同一の帳票グループとして指定された複数の帳票の雛形画像より自動的に共通情報及び無視領域情報を抽出し、一つの辞書データ５０を生成する。また、帳票識別装置２０は、一つの辞書データ５０に基づいて、複数の帳票を同一種類として判定することができる。したがって、同一視したい（同一種類として扱いたい）N種類の帳票がある場合であっても、N個の辞書データを生成、Ｎ個の辞書データを関連付けるための作業を行う必要はない。すなわち、一つの辞書データを生成すればよい。また、同一視したいＮ種類の帳票の記載内容を抽出するための定義情報も一つ作成すればよい。よって、複数の帳票を同一種類として扱うために必要なデータ量を削減することができる。その結果、当該データを扱うユーザの作業負担を著しく軽減することが出来る。また、辞書データのデータ量の削減により、帳票識別の際の消費メモリ及びＣＰＵの負荷等を軽減することができる。

以上、本発明の実施例について詳述したが、本発明は斯かる特定の実施形態に限定されるものではなく、特許請求の範囲に記載された本発明の要旨の範囲内において、種々の変形・変更が可能である。

以上の説明に関し、更に以下の項を開示する。
（付記１）
同一種類として指定された複数の帳票の雛形画像のそれぞれより帳票の特徴を示す特徴情報を抽出する特徴抽出手段と、
前記雛形画像ごとに抽出された前記特徴情報に基づいて、複数の前記雛形画像に共通の罫線によって形成される共通セルの特徴を示す共通情報を生成する共通情報生成手段と、
前記各共通セルについて、前記共通セル情報とそれぞれの各雛形画像の特徴情報とに基づいて、前記各雛形画像において当該共通セルと対応するセルの中で当該共通セルとは異なる特徴を有するセルが存在する場合に当該共通セルの領域を帳票の識別における無視領域と判定する無視領域判定手段と、
前記共通情報と前記無視領域を示す情報とを含むデータを帳票を識別するための辞書データとして生成する辞書生成手段とを有する帳票辞書生成装置。
（付記２）
複数の前記雛形画像を表示手段に表示させ、同一種類とする雛形画像の選択を受け付ける同一種類指定受付手段を有する付記１記載の帳票辞書生成装置。
（付記３）
前記無視領域判定手段は、前記共通セルと対応するセルが該共通セルとは異なる罫線又は文字列を含むか否かによって当該対応するセルが当該共通セルとは異なる特徴を有するか否かを判定する付記１又は２記載の帳票辞書生成装置。
（付記４）
帳票の種類の識別対象とする帳票画像の入力を受け付ける帳票画像入力手段と、
前記帳票画像より帳票の特徴を示す特徴情報を抽出する特徴抽出手段と、
付記１乃至３いずれか一項記載の帳票辞書生成装置によって生成された前記辞書データに含まれる前記無視領域を示す情報に基づいて該無視領域を無視して該辞書データに含まれる前記共通情報と前記帳票画像の前記特徴情報とを照合する帳票識別手段とを有する帳票識別装置。
（付記５）
コンピュータが実行する帳票辞書生成方法であって、
同一種類として指定された複数の帳票の雛形画像のそれぞれより帳票の特徴を示す特徴情報を抽出する特徴抽出手順と、
前記雛形画像ごとに抽出された前記特徴情報に基づいて、複数の前記雛形画像に共通の罫線によって形成される共通セルの特徴を示す共通情報を生成する共通情報生成手順と、
前記各共通セルについて、前記共通セル情報とそれぞれの各雛形画像の特徴情報とに基づいて、前記各雛形画像において当該共通セルと対応するセルの中で当該共通セルとは異なる特徴を有するセルが存在する場合に当該共通セルの領域を帳票の識別における無視領域と判定する無視領域判定手順と、
前記共通情報と前記無視領域を示す情報とを含むデータを帳票を識別するための辞書データとして生成する辞書生成手順とを有する帳票辞書生成方法。
（付記６）
複数の前記雛形画像を表示手段に表示させ、同一種類とする雛形画像の選択を受け付ける同一種類指定受付手順を有する付記５記載の帳票辞書生成方法。
（付記７）
前記無視領域判定手順は、前記共通セルと対応するセルが該共通セルとは異なる罫線又は文字列を含むか否かによって当該対応するセルが当該共通セルとは異なる特徴を有するか否かを判定する付記５又は６記載の帳票辞書生成方法。
（付記８）
コンピュータが実行する帳票識別方法であって、
帳票の種類の識別対象とする帳票画像の入力を受け付ける帳票画像入力手順と、
前記帳票画像より帳票の特徴を示す特徴情報を抽出する特徴抽出手順と、
付記５乃至７いずれか一項記載の帳票辞書生成方法によって生成された前記辞書データに含まれる前記無視領域を示す情報に基づいて該無視領域を無視して該辞書データに含まれる前記共通情報と前記帳票画像の前記特徴情報とを照合する帳票識別手順とを有する帳票識別方法。
（付記９）
コンピュータに、
同一種類として指定された複数の帳票の雛形画像のそれぞれより帳票の特徴を示す特徴情報を抽出する特徴抽出手順と、
前記雛形画像ごとに抽出された前記特徴情報に基づいて、複数の前記雛形画像に共通の罫線によって形成される共通セルの特徴を示す共通情報を生成する共通情報生成手順と、
前記各共通セルについて、前記共通セル情報とそれぞれの各雛形画像の特徴情報とに基づいて、前記各雛形画像において当該共通セルと対応するセルの中で当該共通セルとは異なる特徴を有するセルが存在する場合に当該共通セルの領域を帳票の識別における無視領域と判定する無視領域判定手順と、
前記共通情報と前記無視領域を示す情報とを含むデータを帳票を識別するための辞書データとして生成する辞書生成手順とを実行させるためのプログラム。
（付記１０）
複数の前記雛形画像を表示手段に表示させ、同一種類とする雛形画像の選択を受け付ける同一種類指定受付手順を有する付記９記載のプログラム。
（付記１１）
前記無視領域判定手順は、前記共通セルと対応するセルが該共通セルとは異なる罫線又は文字列を含むか否かによって当該対応するセルが当該共通セルとは異なる特徴を有するか否かを判定する付記９又は１０記載のプログラム。
（付記１２）
コンピュータに、
帳票の種類の識別対象とする帳票画像の入力を受け付ける帳票画像入力手順と、
前記帳票画像より帳票の特徴を示す特徴情報を抽出する特徴抽出手順と、
付記９乃至１１いずれか一項記載のプログラムによって生成された前記辞書データに含まれる前記無視領域を示す情報に基づいて該無視領域を無視して該辞書データに含まれる前記共通情報と前記帳票画像の前記特徴情報とを照合する帳票識別手順とを実行させるためのプログラム。

１０ 辞書生成装置
１１ 帳票入力部
１２ グループ指定受付部
１３ 特徴抽出部
１４ 辞書生成部
２０ 帳票識別装置
２１ 帳票入力部
２２ 特徴抽出部
２３ 帳票識別部
５０ 辞書データ
１００ ドライブ装置
１０１ 記録媒体
１０２ 補助記憶装置
１０３ メモリ装置
１０４ ＣＰＵ
１０５ 表示装置
１０６ 入力装置
１０７ スキャナ
１３１ 罫線抽出部
１３２ セル情報抽出部
１３３ セル内文字認識部
１４１ 共通情報生成部
１４２ 無視領判定部
１４３ 共通画像生成部
１４４ 辞書出力部
２２１ 罫線抽出部
２２２ セル情報抽出部
２２３ セル内文字認識部
Ｂ バス

Claims (6)

1. 同一種類として指定された複数の帳票の雛形画像のそれぞれより帳票の特徴を示す特徴情報を抽出する特徴抽出手段と、
   前記雛形画像ごとに抽出された前記特徴情報に基づいて、複数の前記雛形画像に共通の罫線によって形成される共通セルの特徴を示す共通情報を生成する共通情報生成手段と、
   前記各共通セルについて、前記共通セル情報とそれぞれの各雛形画像の特徴情報とに基づいて、前記各雛形画像において当該共通セルと対応するセルの中で当該共通セルとは異なる特徴を有するセルが存在する場合に当該共通セルの領域を帳票の識別における無視領域と判定する無視領域判定手段と、
   前記共通情報と前記無視領域を示す情報とを含むデータを帳票を識別するための辞書データとして生成する辞書生成手段とを有する帳票辞書生成装置。
2. 複数の前記雛形画像を表示手段に表示させ、同一種類とする雛形画像の選択を受け付ける同一種類指定受付手段を有する請求項１記載の帳票辞書生成装置。
3. 前記無視領域判定手段は、前記共通セルと対応するセルが該共通セルとは異なる罫線又は文字列を含むか否かによって当該対応するセルが当該共通セルとは異なる特徴を有するか否かを判定する請求項１又は２記載の帳票辞書生成装置。
4. 帳票の種類の識別対象とする帳票画像の入力を受け付ける帳票画像入力手段と、
   前記帳票画像より帳票の特徴を示す特徴情報を抽出する特徴抽出手段と、
   請求項１乃至３いずれか一項記載の帳票辞書生成装置によって生成された前記辞書データに含まれる前記無視領域を示す情報に基づいて該無視領域を無視して該辞書データに含まれる前記共通情報と前記帳票画像の前記特徴情報とを照合する帳票識別手段とを有する帳票識別装置。
5. コンピュータが実行する帳票辞書生成方法であって、
   同一種類として指定された複数の帳票の雛形画像のそれぞれより帳票の特徴を示す特徴情報を抽出する特徴抽出手順と、
   前記雛形画像ごとに抽出された前記特徴情報に基づいて、複数の前記雛形画像に共通の罫線によって形成される共通セルの特徴を示す共通情報を生成する共通情報生成手順と、
   前記各共通セルについて、前記共通セル情報とそれぞれの各雛形画像の特徴情報とに基づいて、前記各雛形画像において当該共通セルと対応するセルの中で当該共通セルとは異なる特徴を有するセルが存在する場合に当該共通セルの領域を帳票の識別における無視領域と判定する無視領域判定手順と、
   前記共通情報と前記無視領域を示す情報とを含むデータを帳票を識別するための辞書データとして生成する辞書生成手順とを有する帳票辞書生成方法。
6. コンピュータに、
   同一種類として指定された複数の帳票の雛形画像のそれぞれより帳票の特徴を示す特徴情報を抽出する特徴抽出手順と、
   前記雛形画像ごとに抽出された前記特徴情報に基づいて、複数の前記雛形画像に共通の罫線によって形成される共通セルの特徴を示す共通情報を生成する共通情報生成手順と、
   前記各共通セルについて、前記共通セル情報とそれぞれの各雛形画像の特徴情報とに基づいて、前記各雛形画像において当該共通セルと対応するセルの中で当該共通セルとは異なる特徴を有するセルが存在する場合に当該共通セルの領域を帳票の識別における無視領域と判定する無視領域判定手順と、
   前記共通情報と前記無視領域を示す情報とを含むデータを帳票を識別するための辞書データとして生成する辞書生成手順とを実行させるためのプログラム。

Images