JPH02240791A - 文字認識装置 - Google Patents
文字認識装置Info
- Publication number
- JPH02240791A JPH02240791A JP1061760A JP6176089A JPH02240791A JP H02240791 A JPH02240791 A JP H02240791A JP 1061760 A JP1061760 A JP 1061760A JP 6176089 A JP6176089 A JP 6176089A JP H02240791 A JPH02240791 A JP H02240791A
- Authority
- JP
- Japan
- Prior art keywords
- character
- input
- recognition
- feature
- learning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 claims abstract description 13
- 238000000034 method Methods 0.000 abstract description 6
- 230000001537 neural effect Effects 0.000 abstract 3
- 238000000605 extraction Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Landscapes
- Character Discrimination (AREA)
Abstract
(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。
め要約のデータは記録されません。
Description
【発明の詳細な説明】
産業上の利用分野
この発明は、文字認識装置に関するもので、例えば、手
書き文字のコンピュータへの入力装置等に利用できる。
書き文字のコンピュータへの入力装置等に利用できる。
従来の技術
従来、ニューラルネットワークを利用して文字の認識を
行なう場合、入力文字パターンをｍ行ｎ列の画素に分割
してニューラルネットワークに入力した後、ｍｘｎ個の
画素データがら正しい文字認識が行なわれるようにバッ
クプロパゲーション等の方法で学習が行なわれている。
行なう場合、入力文字パターンをｍ行ｎ列の画素に分割
してニューラルネットワークに入力した後、ｍｘｎ個の
画素データがら正しい文字認識が行なわれるようにバッ
クプロパゲーション等の方法で学習が行なわれている。
例えば、第５図に示すように入力層・中間層・出力層か
らなる階層的ネットワークを用いる。入力層は６４ （
＝８Ｘ８）個の画素３４から成り立っており、中間層の
ユニット数は８個、出力層は４個のユニット３５で構成
されている。入力層の各ユニットは全ての中間層と、ま
た中間層の各ユニットは全ての出力層と接続されている
。中間層・出力層の各ユニット３５は、しきい値開数と
してシグモイド関数を用いたニューロンで構成されてい
る。
らなる階層的ネットワークを用いる。入力層は６４ （
＝８Ｘ８）個の画素３４から成り立っており、中間層の
ユニット数は８個、出力層は４個のユニット３５で構成
されている。入力層の各ユニットは全ての中間層と、ま
た中間層の各ユニットは全ての出力層と接続されている
。中間層・出力層の各ユニット３５は、しきい値開数と
してシグモイド関数を用いたニューロンで構成されてい
る。
発明が解決しようとする課題
例えば、入カバターンを第６図に示すように５×５個の
画素に分割し、これを入力として学習を行なう場合を考
える。この入力は２５個のデータ列とみなせるため、同
じ入カバターンでも１行位置がずれると、第７図に示す
ようにデータ列は完全に異なるパターン列となり認識が
できなくなる。入カバターンが変形しても同様なことが
起こるため、この方法では手書き文字のような位置すれ
や変形のある文字パターンを認識することは極めて困難
である。
画素に分割し、これを入力として学習を行なう場合を考
える。この入力は２５個のデータ列とみなせるため、同
じ入カバターンでも１行位置がずれると、第７図に示す
ようにデータ列は完全に異なるパターン列となり認識が
できなくなる。入カバターンが変形しても同様なことが
起こるため、この方法では手書き文字のような位置すれ
や変形のある文字パターンを認識することは極めて困難
である。
この発明の目的は、位置ずれや変形のある文字パターン
を認識するための文字認識装置を提供することにある。
を認識するための文字認識装置を提供することにある。
課題を解決するための手段
本発明の文字認識装置は、入力される文字パターン中に
含まれた特徴を抽出し、その特徴を入力として学習を行
なうニューラルネットワークを構成する。特徴抽出面は
、特徴抽出面を１行１列ごとにずらして入力面全面に配
置する。
含まれた特徴を抽出し、その特徴を入力として学習を行
なうニューラルネットワークを構成する。特徴抽出面は
、特徴抽出面を１行１列ごとにずらして入力面全面に配
置する。
作用
上記した手段によれば、入力文字パターンの位置ずれや
変形を入力面全面に配置された特徴抽出面により低減し
て文字認識を行なうことができる。
変形を入力面全面に配置された特徴抽出面により低減し
て文字認識を行なうことができる。
実施例
第１図には、この発明が適用される文字認識装置の一実
施例の特徴抽出面が示されている。この例では、第１図
（ａ）に示す５×５の入力面に対して第１図（ｂ）に示
す３×３の特徴抽出面Ａ、Ｂ、・・・・・・■が存在し
、それぞれが入力面の番号の位置の画素と対応している
。この特徴抽出面内に第２図のようなパターンが存在す
れば“１′、存在しなければ“０゛の値を対応させてニ
ューラルネットワークへの入力とし、バックプロパゲー
ションにより学習を行なう。第２図の中で２６はパター
ンの存在しない画素、２７はパターンの存在する画素を
表わす。
施例の特徴抽出面が示されている。この例では、第１図
（ａ）に示す５×５の入力面に対して第１図（ｂ）に示
す３×３の特徴抽出面Ａ、Ｂ、・・・・・・■が存在し
、それぞれが入力面の番号の位置の画素と対応している
。この特徴抽出面内に第２図のようなパターンが存在す
れば“１′、存在しなければ“０゛の値を対応させてニ
ューラルネットワークへの入力とし、バックプロパゲー
ションにより学習を行なう。第２図の中で２６はパター
ンの存在しない画素、２７はパターンの存在する画素を
表わす。
第３図に本発明の文字認識装置の構成図を示す。文字を
フォトダイオードアレイ２８で読み取り、文字データか
ら特徴を特徴抽出層２９で抽出し、ニューラルネットの
中間層３０に入力して出力層３１から認識結果を出力す
る。この認識結果が入力文字と異なる場合、正しい文字
認識結果を教師信号３２として入力する。教師信号とニ
ューラルネットの認識結果の差を小さくするように、バ
ックプロパゲーション法によりニューラルネットの重み
を変化させて学習を行ない、正しい認識が行なわれるま
で学習を繰り返す。文字データの入力は、光学的に読取
る以外にタブレットを使用した手書き入力であってもよ
い。特徴抽出層２９には本発明の方法を適用する。この
文字認識装置の動作のフローチャートを第４図に示す。
フォトダイオードアレイ２８で読み取り、文字データか
ら特徴を特徴抽出層２９で抽出し、ニューラルネットの
中間層３０に入力して出力層３１から認識結果を出力す
る。この認識結果が入力文字と異なる場合、正しい文字
認識結果を教師信号３２として入力する。教師信号とニ
ューラルネットの認識結果の差を小さくするように、バ
ックプロパゲーション法によりニューラルネットの重み
を変化させて学習を行ない、正しい認識が行なわれるま
で学習を繰り返す。文字データの入力は、光学的に読取
る以外にタブレットを使用した手書き入力であってもよ
い。特徴抽出層２９には本発明の方法を適用する。この
文字認識装置の動作のフローチャートを第４図に示す。
また、本発明の実施例において、並列処理による高速性
を生かすために特徴抽出面を入力面全面に配置している
が、回路を簡単化するために、特徴抽出面と入力面の接
続を時間的に変化させて順次入力面全面を走査して特徴
の抽出を行なってもよい。
を生かすために特徴抽出面を入力面全面に配置している
が、回路を簡単化するために、特徴抽出面と入力面の接
続を時間的に変化させて順次入力面全面を走査して特徴
の抽出を行なってもよい。
特徴抽出面で抽出する特徴は、３×３の画素で構成され
ているため、組合せとしては２９通り考えられるがその
中で実際に文字パターン中に出現する可能性のあるもの
で文字の区別に役立つもののみを抽出に使用すればよい
。本発明の実施例では例えば第２図に示すような２７個
の特徴について抽出を行なっている。この例では３×３
の画素の特徴を抽出しているが、４×３とか５×５のよ
うに画素が多くても正方形でも長方形でもよい。
ているため、組合せとしては２９通り考えられるがその
中で実際に文字パターン中に出現する可能性のあるもの
で文字の区別に役立つもののみを抽出に使用すればよい
。本発明の実施例では例えば第２図に示すような２７個
の特徴について抽出を行なっている。この例では３×３
の画素の特徴を抽出しているが、４×３とか５×５のよ
うに画素が多くても正方形でも長方形でもよい。
特徴抽出面は、例えば第２図に示すような特徴に対応し
た出力を出すように接続を固定して構成してもよいがこ
の部分もニューラルネットワークとして構成し、第２図
の特徴に対応した出力を出すように事前にバックプロパ
ゲーションにより学習を行ない、特徴抽出面として利用
してもよい。
た出力を出すように接続を固定して構成してもよいがこ
の部分もニューラルネットワークとして構成し、第２図
の特徴に対応した出力を出すように事前にバックプロパ
ゲーションにより学習を行ない、特徴抽出面として利用
してもよい。
発明の効果
以上のように、本発明によれば、入力された文字パター
ンから特徴を抽出し、その特徴を入力としてニューラル
ネットワークに学習させることにより、位置ずれや変形
のある文字パターンを認識することができる。
ンから特徴を抽出し、その特徴を入力としてニューラル
ネットワークに学習させることにより、位置ずれや変形
のある文字パターンを認識することができる。
第１図（ａ） 、 （ｂ）は本発明の一実施例の文字認
識装置の文字入力面（（ａ） ）と特徴抽出面（（ｂ）
）の図、第２図は本発明の文字認識装置の抽出する特
徴パターンの図、第３図は本発明の文字認識装置の構成
図、第４図は本発明の文字認識装置の文字認識のフロー
チャート、第５図は従来のニューラルネットワークを使
用した文字認識装置の図、第６図、第７図は従来の文字
認識装置の文字読取の例を示す図である。 １〜２５・・・・・・文字読取用画素、２６，３６．４
０・・・・・・パターンの存在する画素、２７，３７．
３９・・・・・・存在しない画素、２８・・・・・・フ
ォトダイオードアレイ、２９・・・・・・特徴抽出層、
３０・・・・・・中間層、３１・・・・・・出力層、３
２・・・・・・教師信号、３３・・・・・・バックプロ
パゲーション法による学習制御部、３４・・・・・・入
力層、３５・・・・・・ニューロン。 代理人の氏名 弁理士 粟野重孝 ほか１名第 図 第 図 傷 図 第 図 第 図
識装置の文字入力面（（ａ） ）と特徴抽出面（（ｂ）
）の図、第２図は本発明の文字認識装置の抽出する特
徴パターンの図、第３図は本発明の文字認識装置の構成
図、第４図は本発明の文字認識装置の文字認識のフロー
チャート、第５図は従来のニューラルネットワークを使
用した文字認識装置の図、第６図、第７図は従来の文字
認識装置の文字読取の例を示す図である。 １〜２５・・・・・・文字読取用画素、２６，３６．４
０・・・・・・パターンの存在する画素、２７，３７．
３９・・・・・・存在しない画素、２８・・・・・・フ
ォトダイオードアレイ、２９・・・・・・特徴抽出層、
３０・・・・・・中間層、３１・・・・・・出力層、３
２・・・・・・教師信号、３３・・・・・・バックプロ
パゲーション法による学習制御部、３４・・・・・・入
力層、３５・・・・・・ニューロン。 代理人の氏名 弁理士 粟野重孝 ほか１名第 図 第 図 傷 図 第 図 第 図
Claims (1)
- ニューラルネットワークで構成され、入力された文字パ
ターンから特徴を抽出し、前記特徴の種類を、前記ニュ
ーラルネットワークにバックプロパゲーションにより学
習させることを特徴とする文字認識装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP1061760A JPH02240791A (ja) | 1989-03-14 | 1989-03-14 | 文字認識装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP1061760A JPH02240791A (ja) | 1989-03-14 | 1989-03-14 | 文字認識装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH02240791A true JPH02240791A (ja) | 1990-09-25 |
Family
ID=13180426
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP1061760A Pending JPH02240791A (ja) | 1989-03-14 | 1989-03-14 | 文字認識装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH02240791A (ja) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5481621A (en) * | 1992-05-28 | 1996-01-02 | Matsushita Electric Industrial Co., Ltd. | Device and method for recognizing an image based on a feature indicating a relative positional relationship between patterns |
| US6101270A (en) * | 1992-08-31 | 2000-08-08 | International Business Machines Corporation | Neural network architecture for recognition of upright and rotated characters |
| JP2009217454A (ja) * | 2008-03-10 | 2009-09-24 | Kyodo Printing Co Ltd | 文字認識方法、文字認識装置及び文字認識プログラム |
-
1989
- 1989-03-14 JP JP1061760A patent/JPH02240791A/ja active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5481621A (en) * | 1992-05-28 | 1996-01-02 | Matsushita Electric Industrial Co., Ltd. | Device and method for recognizing an image based on a feature indicating a relative positional relationship between patterns |
| US5793932A (en) * | 1992-05-28 | 1998-08-11 | Matsushita Electric Industrial Co., Ltd. | Image recognition device and an image recognition method |
| US6101270A (en) * | 1992-08-31 | 2000-08-08 | International Business Machines Corporation | Neural network architecture for recognition of upright and rotated characters |
| JP2009217454A (ja) * | 2008-03-10 | 2009-09-24 | Kyodo Printing Co Ltd | 文字認識方法、文字認識装置及び文字認識プログラム |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Acharya et al. | Deep learning based large scale handwritten Devanagari character recognition | |
| US5067164A (en) | Hierarchical constrained automatic learning neural network for character recognition | |
| Kussul et al. | Improved method of handwritten digit recognition tested on MNIST database | |
| Radzi et al. | Character recognition of license plate number using convolutional neural network | |
| Park et al. | Saliency map model with adaptive masking based on independent component analysis | |
| JPH056463A (ja) | 計算ネツトワーク | |
| EP0907140B1 (en) | Feature extraction device | |
| Das et al. | Handwritten arabic numeral recognition using a multi layer perceptron | |
| US5511134A (en) | Image recognition device and image recognition method | |
| Hurlbert et al. | Making machines (and artificial intelligence) see | |
| Fukushima | Character recognition with neural networks | |
| Feldman et al. | Computing with connections | |
| JPH02240791A (ja) | 文字認識装置 | |
| CN117173422A (zh) | 基于图融合多尺度特征学习的细粒度图像识别方法 | |
| US4318083A (en) | Apparatus for pattern recognition | |
| Mori et al. | Neural networks that learn to discriminate similar Kanji characters | |
| CN115049830A (zh) | 一种基于矩阵边缘特征元素的图像缩边模型、方法及装置 | |
| Choi et al. | Biologically motivated visual attention system using bottom-up saliency map and top-down inhibition | |
| Fukushima et al. | Symmetry axis extraction by a neural network | |
| Kussul et al. | LIRA neural classifier for handwritten digit recognition and visual controlled microassembly | |
| JPH0367381A (ja) | 文字認識装置 | |
| Kamentsky | Pattern and character recognition systems: Picture processing by nets of neuron-like elements | |
| JPH02240790A (ja) | 文字認識装置 | |
| AU2021107299A4 (en) | A system for deep neural network based handwritten digit classification for low resource bengali script | |
| JPH0644376A (ja) | 画像特徴抽出装置、画像認識方法及び画像認識装置 |