JP2006501554A - 学習サンプルおよび／またはテストサンプルの作成方法 - Google Patents

Abstract

本発明の方法では、まず符号化された形式の目標情報が、記号、単語、送付物ラベルまたは送付物ラベルを含む送付物表面全体の任意のオブジェクト画像の意味内容および必要なレイアウトが完全に記述されているサンプル要素として適応タスクにしたがって設定される。次に設定された目標情報に対応するサンプル要素のコピーがドキュメントに関連するフォントライブラリおよびオブジェクト画像ライブラリから設定されたフォントタイプおよび言語に対して形成され、目標情報に対応して形成されたコピーがサンプル用のピクセル表現で記憶される。続いて先行のステップで形成されたサンプル要素のコピーがそれ自体周知の画像処理アルゴリズムにより変形され、適応タスクに基づくテスト送付物の選択、テスト送付物からテストサンプルへのまとめ上げおよびその処理の際に印刷および／または読み取りおよび／またはレイアウトおよび／または紙特性および／またはピクセル表現に関して発生する現実に即した統計的変動がシミュレーションにより形成され、目標情報に対応するバリアントがサンプル用のピクセル表現で記憶される。

Description

本発明はアダプティブクラシフィケータを備えた送付物のアドレスラベル自動読取機を最適化するための学習サンプルおよび／またはテストサンプルの作成方法に関する。

アドレスラベル自動読取機で行われる処理ステップ、例えば記号認識、単語認識、字体認識などの大部分はアダプティブクラシフィケーションプロセスに基づいている。全てのアダプティブプロセスに共通する基本方式は、前もって収集されたパターンを学習し、その特性を量子化可能な特徴またはフィーチャのセットとしてマッピングすることである。ここからさらなるフローにおいてクラス属性が結論される。つまりアダプティブプロセスには、基本的に
ａ）学習およびテストから成る最適化フェーズ
ｂ）可能フェーズ（Kannphase）
の２つの作業フェーズが存在する。

最適化フェーズ中は、タスクごとに、記号、単語またはアドレスから成る１つのパターンのあらゆる特徴セットに対してその意味を目標情報の形式で付加し、クラシフィケーションシステムの決定量を最適に調整しなければならない。システムが最適なパラメータの調整を志向するこのフェーズは有利には２段階で進行する。すなわち学習フェーズでパラメータの基本設定が行われ、テストフェーズでパラメータの微調整が行われるのである。可能フェーズではさらにパターンの特徴セットが必要となり、このセットから記憶されているパラメータに応じてクラシフィケーションシステムによりクラス属性が導出される。

クラシフィケーションシステムの実現のための最大の技術開発コストは学習フェーズおよびテストフェーズにかかるので、これらをさらに２つのメインアクティビティへ分割する。まず識別タスクを充分に良好に表すサンプルを準備しなければならない。そののちクラシフィケーション本来の適応化を行う。これはクラシフィケーションのメソッドおよびクラシフィケータのデザインに応じて、基礎となる決定量の最適化、例えば多項式クラシフィケータでのクラシフィケータ係数の最適化、ニューラルネットでの重み係数の最適化、またはネイバークラシフィケータでの最良効率の参照ベクトルの選択に集約される。

一般に定義された数学的手法および最適化プロセスに基づいているために学習フェーズおよびテストフェーズの第２の局面が自動で進行可能であるのに対して、第１の局面には計画・再検査・監視などの作業への高いコストがかかり、アダプティブプロセスのボトルネックとなることも稀ではない。

サンプルをまとめ上げるために、従来技術によれば、現場で大量の送付物（ライフメール）が収集され、いわゆるラベルによって目標情報（ラベルの意味、レイアウトデータなど）が手動で付されている。つまりここでは画像から、失われてしまった元の目標情報または意味を推論によって求めなければならない（Juergen Schuermann: Pattern Classification, Verlag: John Wiley & Sons, Inc., 1995, "Introduction Learning", p.17-21を参照）。

サンプルをまとめ上げる過程は種々の理由から自動認識に決定的な意義を有する。なぜならその品質がアダプティブクラシフィケーションシステムの能力に直接に影響するからである。サンプルが当該の読取タスクを充分に良好に反映していれば、可能フェーズにおいても、生じたパターンの広いスペクトルにわたって充分な読取能力が得られる。サンプルの選択範囲が狭いと、可能フェーズにおいて制限されたスペクトルでのパフォーマンスしか期待できず、生じたパターンの残りの部分については予測された能力が得られない。充分な包括性を有するサンプルのこうした様相は数学的統計に由来するサンプルの代表性の概念に直接に結びついている。

高品質かつ代表性を有するサンプルを得るためには一連の基準が満たされなければならない。良好な学習サンプルまたはテストサンプルの前提となるのは、パターンクラスの学習すべき形状の全てが充分に存在することである。しかしこれは容易に満足される条件ではない。なぜなら通常、タスクは識別タスク全体の一部でしかない１つの専門分野に基づいて設定されるからである。例えば送付物識別の分野でクラシフィケータを適応化する時点では、全スペクトルのうち限定された一部のみのフォント（書式）または印刷技術が優位にある。しかし時間が経てば他のフォントや印刷技術が前面に現れてきて、そちらを充分に良好に識別しなければならなくなるかもしれない。こうした様相は技術の使用される国ごとにさまざまに異なっている。技術的先進国では中進国とは全く異なるフォントやプリンタまたはワードプロセッサが使用されることもある。したがって全体を見通したサンプルの作成とできるだけ広いベースでのパターン形成とが要求される。

送付物の分野ではこれまで、特殊なタスク、つまりドイツ語にあまり登場しないアルファベット“Ｑ”や珍しい社名ロゴなどについては基本的に満足な見本が見出されないことが多かった。なるほどこの分野のカテゴリは迅速に形式化され、相応のアルゴリズムが開発されている。ただしこれらは高い記述能で判別できないことも多い。なぜならサンプルを既存のストックから選別する際にそもそも必要なクラスの見本が充分に含まれないことがあるからである。

次にパターンに対応する真の意味を合致させなければならない。アダプティブシステムはパターンへのクラス分類の誤りを被ることがきわめて多く、その場合には可能フェーズで相応のパターンが提示されても判別誤りが増大する。アダプティブシステムは人間がシステムに提示したものであれば、誤っていてもそれを学習してしまう。学習サンプルまたはテストサンプルでの識別誤りが小さくなるにつれて、開発されるクラシフィケーションシステムの能力も向上する。

特徴セットの形成に直接に関連する別の様相もある。通常は特徴セットは既存の読取ソフトウェア内に含まれている識別アルゴリズムによって形成される。なぜならたいてい範囲が厖大であり（例えば記号認識では１つの記号あたり数千例が相当する）、特徴をできるだけ現実に沿うようにしたいからである。ただし既存のアルゴリズムではエラーがほぼ不可避である。例えば記号をセグメント化する際に誤ったセグメントが生じ、記号の一部しか含まれなかったり２つ以上の記号が含まれたりする。この場合にはクラシフィケーションシステムが本格的に誤った方向へ導かれるので、適応化に全く無関係の障害情報のみしか得られなくなってしまう。

パターン認識プロセスにおいてはさらに、可視的に判別ないし検出できず、全体を統計的に処理しなければならない一連の処理ステップが存在する。例えば、バイナリ化による量子化効果、多色紙によるコントラストの変動、スキャナおよびプリンタにおける種々の解像度アルゴリズムおよびラスタアルゴリズムによる丸め効果、機器の経年劣化およびメンテナンス状態によるスキャニング品質または印刷品質の変動などが挙げられる。

従来技術の送付物のアドレスラベル自動読取機の最適化には前述のような問題点があり、高いコストがかかる。

したがって本発明の課題は、アダプティブクラシフィケータを備えた送付物のアドレスラベル自動読取機を最適化するための学習サンプルおよび／またはテストサンプルの作成方法を提供し、僅かな時間的コストおよび人的コストでサンプルを取得し、これを問題なくそのつどのクラシフィケーションタスクへ適合化できるようにすることである。

この課題は請求項１に記載の特徴を有する方法により解決される。

本発明の方法は、符号化された形式の目標情報を記号、単語、送付物ラベルまたは送付物ラベルを含む送付物表面全体の任意のオブジェクト画像の意味内容および必要なレイアウトが完全に記述されているサンプル要素として適応タスクにしたがって設定し、設定された目標情報に対応するサンプル要素のコピーをドキュメントに関連するフォントライブラリおよびオブジェクト画像ライブラリから設定されたフォントタイプおよび言語に対して形成し、目標情報に対応して形成されたコピーをサンプル用のピクセル表現で記憶し、先行のステップで形成されたサンプル要素のコピーをそれ自体周知の画像処理アルゴリズムにより変形し、適応タスクに基づくテスト送付物の選択、テスト送付物からテストサンプルへのまとめ上げおよびその処理の際に印刷および／または読み取りおよび／または送付物コピーのレイアウトおよび／または紙特性および／または送付物画像のピクセル表現に関して発生する現実に即した統計的変動をシミュレーションにより形成し、目標情報に対応するバリアントをサンプル用のピクセル表現で記憶することを特徴とする。

学習サンプルの要素またはテストサンプルの要素の画像オブジェクト、テキスト、ジオメトリの完全な記述である目標情報から学習サンプルの作成がトリガされる。これまでユーザ側でたいへんな手間をかけて行われていた対象となるサンプル送付物の収集やスキャニング、バリアントのモデリングをともなう紙の中間担体のラベリングなどを完全に省略することができる。学習サンプル要素はつねに真の意味を表し、ラベリングエラーを生じない。これにより最大の学習効果が得られる。

本発明の有利な実施形態は従属請求項に記載されている。

有利には、ポリゴン記述のフォントとして存在する記号画像がラスタリングされ、適切なピクセルフォーマットへ変換される。

また有利には、ポリゴン記述による記号画像を多数回ラスタリングすることにより、ピクセル表現でのバリアントを形成し、サンプルとして記憶することができる。

用紙に関連するサンプルのリアルなシミュレーションを得るために、記号、単語または送付物ラベルのコピーを変形する際には、送付物ラベルを従来のように印刷したり光学的に走査したりする際の障害プロセスおよび劣化プロセスや用紙品質のばらつきがシミュレートされる。

記号のコピーを変形するための記号のサイズの変更、記号の傾きの変更および記号のディストーションは、有利にはポリゴン表現で行われる。

また有利には、単語または送付物ラベルのコピーを変形する場合には、メトリック、ラインの傾き、ポイントノイズが変更される。

ラベルを有する送付物の表面のコピーを作成するために、有利にはオブジェクト画像ライブラリに格納されているオブジェクト画像へのアクセスが行われる。

以下に本発明を図示の実施例に則して詳細に説明する。図１にはサンプルを作成する手段の構造が示されている。図２には記号のサンプルを作成する方法のフローチャートが示されている。図３には単語のサンプルを作成する方法のフローチャートが示されている。図４にはアドレスのサンプルを作成する方法のフローチャートが示されている。

本発明の手段によれば、
ａ）タスクの設定に必要な多様な形状／タイプへの対応
ｂ）タスクの設定に必要な多様なレイアウトへの対応
ｃ）エラーフリーの目標識別子の付与
ｄ）排他的な有効特徴セットの作成
ｅ）適用分野に典型的な特徴バリアントのアルゴリズムシミュレーション
などの高品質の学習サンプルまたはテストサンプルへの要求が満足される。

これにより通常の中間担体としての紙、またこれに関連してスキャナおよびプリンタを省略することができる。最終的には人間がサンプルを形成する手間が著しく軽減される。

送付物またはその他のドキュメントの分野では、図１に示されているように４つの出力量が考察される。これは目標情報１、フォントプール２、オブジェクト画像プール３および画像処理アルゴリズムプール７である。ここでフォントプール２、オブジェクト画像プール３および画像処理アルゴリズムプール７は市販またはライセンスフリーで入手可能な製品またはアルゴリズムである。目標情報１は性質上単語レベルからメーカ内部のものである。なぜならこれは例外なくタスクごとにフレキシブルに実現しなければならないからである。

フォントプール２は種々のフォーマット（PostScript Type1, Truetype, Metafont, IK, ...）および種々の言語（ラテン語，ギリシア語，キリル語，アラビア語，ヒンドゥー語，．．．）での数百のフォント（Arial, Times, Univers, ...）を備えた種々のフォントライブラリの集合から成っており、例えば記号サンプル、単語サンプルまたはテキストサンプルの多様な形状およびタイプを保証している。各フォントライブラリは、少なくとも、アウトライン記述された状態または直接にラスタ化された状態で格納された記号形状２．１の集合と、実際のテキスト画像を作成する際に重要な例えばスペース、アンダライン、ハイフネーションなどのセット情報を含むフォントメトリック２．２とから成る。

目標情報１はメインアプリケーション領域、すなわち記号サンプル８、単語サンプル９、送付物／ドキュメントサンプル１０を考慮した少なくとも３つの異なる目標情報タイプを含む。目標情報は２つの観点で利用される。まず第１には単語画像、送付物画像またはドキュメント画像などの複雑な画像を形成するため、第２には固有の目標識別子の割り当てのためである。目標識別子は学習サンプルまたはテストサンプルでの適応化およびテストに用いられる。第１に所定のフォントの記号を要求可能な記号コードの情報が存在する。これは目標情報（真の意味）として用いられ、記号画像によって個々の記号に対する学習サンプル要素４が形成される。第２に単語情報が存在し、これは最も簡単な実施例では作成すべき単語の純粋なＡＳＣＩＩリストである。このリストは一方では記号画像の形成に必要な記号コードのベクトル量を、他方では単語画像５に対する目標識別子情報を制御する。第３にドキュメントに関与する要素の全てのテキストおよびレイアウト情報、すなわち純粋なテキスト情報およびジオメトリ情報、例えば記号、ライン、オブジェクト画像などが存在する。レイアウト情報が充分に精細であり、全てのオブジェクトが検出されると、これらのオブジェクトを画像として任意に構成し、各観察面に合わせて識別能を設定してテストすることができる。この手段によれば、識別タスクに対して基本的に可能であるはずなのにプロセスから導出されるテストデッキにおいて発見できない学習サンプルまたはテストサンプルを形成することができる。このようにして従来は実現不能であったカバーグレードの機能テストセットも実現することができる。

オブジェクト画像プール３はフォントライブラリから取得できない基本的なオブジェクト画像の全てを結合するために用いられる。オブジェクト画像プール３は切手、エアメールマークまたは書留マークなどのオブジェクト画像のプールであってもよいし、回路技術またはセキュリティ符号などの全く別の分野の基本的なオブジェクト画像のライブラリであってもよい。このようなオブジェクト画像プールを用いることにより、任意の送付物またはドキュメントの版下を作成することができる。

画像作成が直接に目標情報の割り当てに結びついていることにより、目標情報が自動的に正確になることが自然に保証される。学習サンプルまたはテストサンプルを作成する際に不充分な識別アルゴリズムのために不可避的に発生し、消去の困難な厖大な量のセグメントごみをもたらしていたエラーは本発明の新たな手段によれば生じない。

前述の出力量とこれに関連する学習サンプルまたはテストサンプルの作成プロセスとにより、先に挙げた５つの条件のうちはじめの４つが考慮される。最後の出力量、すなわち画像処理アルゴリズムプール７は５つめの条件に相当する。このプールには２つの主な役割
１．画像オブジェクトのラスタリング（ポリゴン記述）
２．画像オブジェクトに対するバリアント形成
がある。

画像オブジェクトという概念には単純な画像オブジェクトも複雑な画像オブジェクトも含まれる。単純な画像オブジェクトとは例えば直接にフォントデータから得られる記号画像であると理解されたい。こうした単純な画像オブジェクトがサンプルの所望の要素である場合には、ラスタリングは周知のコンパクトなピクセルフォーマットｐｋ，ｂｄｆ，ｓｇｍｌのいずれかで行われる。これに対して複雑な画像オブジェクトとは、単語、送付物情報または任意のドキュメント情報を含む全ての画像のことである。こうした画像は個々の要素を予め一般的な画像フォーマット（例えばＴｉｆｆまたはｐｎｍファミリーのバリアントなど）で組み合わせたものとして格納されている。

画像情報のラスタリングとは別にバリアント形成が行われる。これには２つのメインカテゴリがある。１つはデフォルメーションのための現実の識別プロセスにおいて、多様なフォントサイズ、種々に選択された動作幅（圧縮、伸長）、種々に調整されたスキャンツールおよびプリンタツールの解像度、ダイナミック効果によるフォントラインの小さな回転などにより、基本形状が著しく変動することである。もう１つは、用紙品質、用紙色、使用されるバイナリ化アルゴリズム、スキャンツールおよびプリンタツールの経年劣化およびメンテナンス状態が、処理すべき付加的な基本形状の変動の無限のソースとなるものである。変動の一方の原因がアルゴリズム手段によって問題なくシミュレート可能なシステム特性であるのに対して、他方の原因は処理が困難でアダプティブにしかシミュレートできない。変動の２つのカテゴリに対して、基本形状の見本の集合から現実に則した偏差を形成できる充分なアルゴリズムが得られるので、統計的に重要度の高い学習サンプルおよびテストサンプルのセットの要求が満足される。

バリアント形成アルゴリズムはポリゴン記述もピクセル記述も演算可能である。したがってフォント内因性の変動（例えばフォントサイズ、回転および歪みなど）はポリゴン記述に基づいて処理し、環境に依存する変動（例えば用紙品質、印刷品質およびシステムメンテナンス状態など）はピクセルごとに考慮することができる。

本来の学習サンプルおよびテストサンプル形成プロセスは所望の学習サンプルおよびテストサンプルの形式（記号、単語、送付物／ドキュメント）に依存して行われる。

最も簡単なケースは純粋な個別の記号サンプル８の作成である。これに必要なのは選択されたフォントプール２から成る記号画像２．１および記号コードの形式の所望の目標情報１のみである。目標情報は直接に所望の記号画像プールのストックの選択に必要であるが、その時点では目標情報は正確に割り当てられているので、基本的にはここではエラーは発生しない。画像処理アルゴリズムプール７から得られた所望のバリアント形成アルゴリズムは当該の記号画像に適用され、ポリゴン記述のフォントである場合にはこれを固有のピクセルフォーマットまたは既知のピクセルフォーマット（例えばｂｄｆ．．．）へ変換する。これによりサンプルの範囲および特性の点で現実に即し、かつタスクを定義する学習およびテストサンプルが得られる。バリアントのビューポイントが電子的に充分にシミュレートされているので、紙などの中間担体を省略し、本来の適応化やテストにただちに利用することができる。

記号のサンプル形成は次のように進行する（図２を参照）。

最初に記号目標情報がステップ１１で設定される。ここでは記号範囲の定義、アルファベットの選択、フォント範囲の選択である。続いてステップ１２でフォントライブラリ２から第１のフォントが取り出され、これに対して記号目標情報１１から第１の記号コードがステップ１３で得られ、対応する記号画像がステップ１４で取り出される。ステップ１５で記号画像がアウトライン記述されているか否かが問い合わされ、アウトライン記述されている場合には１回または複数回ラスタリングされ、ステップ１６で記号画像のラスタリングバリアントが所望の範囲で当該の記号コードに対して形成され、ステップ１７でサンプル要素が形成される。記号画像がすでにピクセル表現されている場合には、ステップ１７で当該の記号コードについてサンプル要素が形成される。そののちステップ１８でピクセルフォーマットによる記号画像のデグラデーション、例えばプリンタまたはスキャナの劣化や汚れのシミュレーションが所望されたか否かが問い合わされ、所望されている場合には画像処理アルゴリズムプール７からの相応のアルゴリズムを用いて当該の記号コードに対する別のサンプル要素がステップ１９で形成される。

前述の各ステップは当該のフォントの別の記号コードに対して記号のストックが消尽されたことが問い合わせステップ２０で確認されるまで行われる。こうしてサンプル要素がステップ２４でデータとして記憶される。本発明のプロシージャは問い合わせステップ２３でフォントのストックが消尽されたことが確認されるまで順次にステップ２２で読み出すべき次のフォントに対して行われる。

単語のサンプル９を形成するプロシージャも同様に進行する。図３の読み出しタスクから出発して、ステップ２５で単語の目標情報が例えばＡＳＣＩＩフォーマットで設定され、記号列として格納される。これは言語の選択、単語範囲の選択、フォント範囲の選択などである。続いて対応する記号コードを備えた記号画像とフォントライブラリから取り出されたフォントメトリックとから成る第１のフォントがステップ２６で取り出される。次に第１の単語または第１の記号列がステップ２７で取り出され、これに対して第１の記号コードがステップ２８で取り出される。当該の記号コードに対して相応の記号画像がステップ２９で割り当てられ、フォントメトリックを用いて段階的に単語画像がステップ３０で形成される。これらの各ステップは問い合わせステップ３１で記号列が消尽されたことが確認されるまで反復され、次の記号コードがステップ３２で取り出される。この単語画像から対応する記号列によりサンプル要素がステップ３３で形成される。付加的にステップ３４で単語画像のデグラデーションが所望されたか否かが問い合わされ、所望されている場合には画像処理アルゴリズムプール７からの相応のアルゴリズムを用いてデグラデーションバリアントがステップ３５で形成される。バリエーションを高める措置はここでは個々の記号レベルにおいても単語画像全体のレベルにおいても行うことができる。単語画像全体におけるバリエーションは例えばフォントメトリックの変動、ラインの傾き、ポイントノイズなどによって高められる。

問い合わせステップ３６で単語のリストが消尽されたことが確認されるまでは、次の単語がステップ３７で取り出され、前述の各ステップが反復される。そののち単語画像が対応する記号列とともにサンプル要素としてＴｉｆｆまたはＰｏｓｔＳｃｒｉｐｔなどの現行のフレームフォーマットでステップ４０でデータに記憶される。問い合わせステップ３８でフォントのストックが消尽されたことが確認されるまでは、次のフォントがステップ３９で取り出され、前述の各ステップが反復される。こうして単語リストの全ての単語に対して前述のように別のサンプル要素が形成される。

送付物画像サンプル１０の要素は複数のテキスト画像部分の集合から成る。送付物の分野ではアドレスの情報は通常、都市名、通り名、受信者名および送信者名などである。テキスト部分はステップ３３の単語サンプルの単語画像に相応に形成される。アドレス画像オブジェクトのテキスト内容、位置および寸法は相応のアドレス目標情報（アドレス列範囲の定義、アドレスレイアウト範囲の定義、言語の選択、フォント範囲の選択）として定義される。テキストのセグメンテーションおよびテキスト画像のセグメンテーションが精細になるにつれて、アドレス画像全体の変動の可能性も大きくなる。これは所定のアドレス部分の探索のタスクを課すべき所望のアルゴリズムをテストする場合に特に重要である。したがって目標情報の構造ができるかぎりフレキシブルとなるように注意しなければならない。これはタグ付きのフォーマット、例えばＨＴＭＬまたはＸＭＬで保持するのが最善である。アドレス画像形成プロセスはアドレス目標情報により制御され、この場合にも個々のアドレス要素にアドレス画像形成の際に正しい目標情報をエラーなしに割り当てることができる。アドレス画像の変動は３つのレベル（記号・単語・アドレス）の全てで生じうる。アドレス画像のレベルでは位置情報の変動のほか、全ての汚れおよびノイズ効果の変動がシミュレートされ、画像データに対する画像処理プロセスにより、実際にはこれまでの現場でサンプルを収集する手法では達成できなかったほぼ無限に多様なサンプルバリアントが得られる。

フローを詳細に図４に則して説明する。アドレス目標情報はここではアドレス列範囲の定義、アドレスレイアウト範囲の定義、言語の選択、フォント範囲の選択であり、ここでアドレスレイアウト範囲の定義とはどのようなアドレス部分がアドレス画像のどこにどのくらいの大きさで存在しているかを定めている。アドレス目標情報をステップ４１で設定した後、ステップ４２でフォントライブラリから目標フォントのうちいずれかが取り出され、ステップ４３，４４でアドレス列およびアドレスレイアウト要素が取り出され、図３によればステップ４５で当該のアドレス列に対するアドレス要素が消尽されるまで単語サンプル作成のループが処理される。そののち相応のサンプル要素（アドレス画像，アドレス列，レイアウト）の形成がステップ４６で行われ、ステップ５２でデータとして記憶される。ステップ４７でデグラデーションが所望されたことが確認されると、画像処理アルゴリズムプール７を用いてデグラデーションバリアントがステップ４８で形成され、同様に目標情報がステップ５２でデータとして記憶される。ステップ４９でアドレスレイアウトのストックが消尽されたことが確認されるまでは、次のアドレスレイアウト要素がステップ４４で取り出され、そのフォントおよびアドレス列についてサンプル要素が形成され、記憶される。ステップ５０でアドレス列のストックを消尽されたことが確認されると、次のアドレス列がステップ４３で取り出され、サンプル要素の形成／記憶が前述のようにアドレスレイアウト要素全体について行われる。ステップ５０で全てのアドレス列が処理されたことが確認されると、ステップ４２で新たなフォントがフォントのプールから取り出され、前述のプロシージャがアドレス列およびアドレスレイアウト要素について行われる。サンプル形成が全てのフォントについて行われ、フォントのストックを消尽されたことがステップ５１で確認されると、サンプル形成は終了する。

アドレス画像サンプルの自然な拡張はテキスト画像部分およびオブジェクト画像部分のセットから成る任意の送付物画像サンプル１０である。送付物の分野では、テキスト部分は例えば受信者アドレスまたは送信者アドレスであり、画像オブジェクトは例えば切手、速達マーク、書留マークなどである。

全ての個別オブジェクトのテキスト内容、位置および寸法は、送付物の目標情報に含まれている。これはアドレス目標情報をオブジェクト画像プール３のオブジェクト画像範囲とオブジェクト画像レイアウト範囲とのカテゴリのぶんだけ拡張したものである。アドレス画像を形成し、任意の送付物画像に対する所望の全てのオブジェクト画像を調製するほか、送付物の目標情報を基礎として、レイアウトバリアントの範囲およびデグラデーションバリアントの範囲により相応の送付物画像が形成される。

サンプルを作成する手段の構造を示す図である。 記号のサンプルを作成する方法のフローチャートである。 単語のサンプルを作成する方法のフローチャートである。 アドレスのサンプルを作成する方法のフローチャートである。

Claims (4)

1. 記号のバリアントを使用した、アダプティブクラシフィケータを備えた送付物アドレスラベル自動読取機を最適化するための学習サンプルおよび／またはテストサンプルの作成方法において、
   符号化された形式の目標情報を記号、単語、送付物ラベルまたは送付物ラベルを含む送付物表面全体の任意のオブジェクト画像の意味内容および必要なレイアウトが完全に記述されているサンプル要素として適応タスクにしたがって設定し、
   設定された目標情報に対応するサンプル要素のコピーをドキュメントに関連するフォントライブラリおよびオブジェクト画像ライブラリから設定されたフォントタイプおよび言語に対して形成し、目標情報に対応して形成されたコピーをサンプル用のピクセル表現で記憶し、
   先行のステップで形成されたサンプル要素のコピーをそれ自体周知の画像処理アルゴリズムにより変形し、適応タスクに基づくテスト送付物の選択、テスト送付物からテストサンプルへのまとめ上げおよびその処理の際に印刷および／または読み取りおよび／または送付物コピーのレイアウトおよび／または紙特性および／または送付物画像のピクセル表現に関して発生する現実に即した統計的変動をシミュレーションにより形成し、目標情報に対応するバリアントをサンプル用のピクセル表現で記憶する
   ことを特徴とする学習サンプルおよび／またはテストサンプルの作成方法。
2. 記号、単語または送付物ラベルのコピーを変形する際に、送付物ラベルを従来のように印刷したり後から光学的に走査したりする際の障害プロセスおよび劣化プロセスをシミュレートする、請求項１記載の方法。
3. ポリゴン表現による記号のコピーを変形する際に、記号のサイズ、記号の傾きを変更し、さらに記号のディストーションを行う、請求項１記載の方法。
4. 単語または送付物ラベルのコピーを変形する際に、メトリック、ラインの傾きおよびポイントノイズを変更する、請求項４記載の方法。

Images