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 |