共同研究報告書

Size: px

Start display at page:

Download "共同研究報告書"

せとかほうねん
7 years ago
Views:

1 一般社団法人電子情報通信学会信学技報 THE INSTITUTE OF ELECTRONICS, IEICE Technical Report INFORMATION AND COMMUNICATION ENGINEERS PRMU ,SP ,WIT ( ) 文字位置自由オンライン手書き文字列認識方式梁建娟, 朱碧蘭, 熊谷太郎, 中川正樹東京農工大学情報工学科, 東京, 日本三菱電機株式会社自動車機器開発センターあらまし本論文では文字位置自由オンライン手書き文字列認識方式について述べる. 車載のタッチパネルなどでの利用を想定し, 重なりながら文字幅の半分程度横方向に進めながら筆記される文字列パターン, 完全に重ね書きされる文字列パターンなどを疑似的に作成し, 従来のオンライン手書き文字列認識に改造を加えたうえで認識実験を行った. 従来のオンライン手書き文字列認識では,ストロークの切れ目を非切出しポイント, 不確定ポイント,そして, 切出しポイントに区分し, 候補ラティスを構築していた. 本では,この分類を認識対象に合わせて学習し直すと,すべての切れ目を不確定ポイントとして扱うを検討する. 候補ラティスから,Viterbi で最適な文字列認識を探索する際には, 文字認識の確からしさや幾何学的文脈および言語的文脈の確からしさに加えて,SVM モデルによる各文字の切出し確からしさも評価する. 生成した文字位置自由オンライン手書き文字列データベースで評価実験を行い,すべての切れ目を不確定にすることで, 一部を確定する方法より高い認識率を達成し, 認識速度も実用上問題がないことを確認した. キーワード文字位置自由手書き文字列,オンライン手書き文字列認識, 候補ラティス,SVM 分類 Position-Free On-line Hanwritten Tet Recognition Jianjuan LIANG,Bilan ZHU,Taro KUMAGAI,Masa NAKAGAWA Department of Computer an Information Sciences, Toko Universit of Agriculture an Technolog, Naka-cho, Koganei-Cit, Toko, , Japan Mitsubishi Electric Corporation, Automotive Electronics Development Center, , Miwa, Sana-Cit, Hogo , Japan Abstract The paper presents a metho of position-free on-line hanwritten tet recognition esigne to allow a user to overla characters without confirming previousl written characters in such situations as uring riving. This metho sets each off-stroke as unecie an evaluates the segmentation probabilit b a SVM moel. Then, the optimal segmentationrecognition path can be effectivel foun b the Viterbi search in the caniate lattice, combining the scores of character recognition, geometric features, linguistic contet, as well as the off-stroke segmentation. We test this metho on variousl overlai sample patterns artificiall prepare an verif that it prouces competing recognition rate as the normal tet without the serious problem in spee for practical applications. Kewors Position-Free Hanwritten Tet, On-line Hanwritten Tet Recognition, Caniate Lattice, SVM Classification 1. はじめに近年,スマートフォンやタブレット, 電子ペンなどの爆発的普及に伴い,オンライン手書き文字列認識に再び注目が集まっている. さらに, 車載情報環境として, 大型のタッチパネルが開発され販売されるようになっている.そこでは, 行先を指書きし, 認識させるなどが考えられる.この場合, 通常のタブレット環境のように筆跡を確認しながら筆記することは期待できない.その結果, 文字位置は非常に不安定になることを想定しなければならない. 本論文では,こうした条件での利用を想定し, 文字位置制限を緩和あるいは解除して手書き文字列を認識する方式を述べる. オンライン手書き文字列認識においては, 様々なが提 This article is a technical report without peer review, an its polishe an/or etene version ma be publishe elsewhere. Copright 2015 b IEICE

2 案されている. 日本語の場合は, 村瀬らによって, 切出しの不確定性を候補文字ラティスとして表現し, 文字認識の確からしさを加算して, 最適のパスの認識結果とするが提案された[1].その後, 多くの提案がなされているが, 最近では, 朱らは, 文字列パターンから隣接ストローク間の重なりや距離などの特徴値によって基本切出しパターンに過分割し, 基本切出しパターンと結合して生成された候補文字パターンを文字認識し,それらを組み合わせことで候補ラティスを構築する.そして, 経路評価においては文字認識の確からしさ, 文字切出しの確からしさ, 幾何的な確からしさと言語文脈の確からしさを総合し, 動的計画法で最適な認識結果を探索する[2].このはスマートフォンや各社のタブレットに採用されている. 一方, 非常に小さい筆記面を想定して, 文字を重ね書きして認識させる方式が提案された. 下平らは文字の切出しを必要としないサブストローク HMM と文字構造辞書, 文字 bigram の言語モデルを用いる方式を提案した[3], 漢字 1016 字種と平仮名 71 字種に対して, 自由な筆順で 69.2%, 正しい筆順で,88.0%の認識率を報告している. 登内らは, 漢字を書く負担を低減するために, 平仮名だけの重ね書きを対象に, 離散 HMM モデルに基づいて 1 画ごとに逐次処理する方式を提案した[4]. 認識された平仮名は手書きジェスチャによって仮名漢字変換することもできる. 英語では, 英単語を対象に, Bharath らは英単語のトライ辞書を用いた方式を提案した[5]. 語彙数が2 万のトライ辞書の場合は 89%の認識率を報告している. 中国語では漢字を対象に,Zou らはニューラルネットワークを用いてストローク列から文字を仮切出しし,この仮切出しを重ね書きされた古いストローク列の消去と文字認識の高速化に利用し, 文字ごとの認識の確からしさと文字 bigram の言語モデルに基づいて重ね書き文字列を認識する手法を提案している[6].ここでは,ニューラルネットワークの出力値から, 一つ文字として統合するか,2つに文字に分離するかを確定している.Wan らは,SVM によって切出し,この確からしさに文字 bigram による言語モデルと外接矩形の重なり,そして, 文字認識のスコアを統合して文字ペアを評価する方式を提案し, を総合的に最適化するパス探索よりも高い文字切出し率および文字認識率を報告している[7].Lv らは,SVM によって文字列から文字ごとへ過分割し, 文字認識の確からしさと文字 bigram による言語モデル, そして, 字種非依存の文字パターン単独および連接の幾何学的確からしさを統合して最適な文字列認識結果を探索する方式を提案している.ただし,ここでも,SVM の出力値に応じて, 統合の確定を行っている[8]. 本論文では, 重ね書きに留まらず, 文字位置が不安的なオンライン手書き文字列を対象とする. 以下は文字位置自由オンライン手書き文字列と呼ぶ. 本論文で提案するは, 従来のオンライン手書き文字列認識を基に,SVM によって各文字に仮切出しし, 仮切出しポイントをすべて不確定にすること,および, 切出しと認識の候補を表現する候補ラティスの中で候補文字列の評価に仮切出しポイントの評価を含めることを提案し,その効果を示す. 以下,2 章では文字位置自由手書きデータベースを生成するについて,3 章では提案した文字位置自由手書き文字列認識方式について,4 章では提案した認識方式の性能について報告する. 最後に,5 章において結論を示す. 2. 文字位置自由オンライン手書きデータベースまず, 複数の被験者に, 肘をつけずに,かつ, 筆跡を確認せずにタブレットで筆記してもらった. 例を図 1に示す.おおむね水平右方向に移動しながら, 文字が筆記されるが, 途中で中断したりすると文字が重なったり, 離れたりする. 一方, 文字のなかでは, 筆画の位置は比較的安定している. 図 1. 手を浮かせて目視なしに書かれた文字列パターン現状では, 運転しながら, 車載タッチパネルに筆記することができなので, 上に模して, 従来のオンライン手書き文字列パターンデータベースから文字位置自由オンライン手書き文字列パターンを次のいくつかの条件で生成する.これらには, 上で採集したものに近いパターン,より厳しく重なるパターン,そして, 小さい筆記面に文字を完全に重ねて書かれるパターンも含めることにする.なお, 前述の重ね書き文字認識の文献でも採用されているように,これらに共通して句読点は除く.これは, 位置情報なしに, 句読点を認識することが非常に難しく( 多くの場合, 前後の文字に統合される), また,ソフトキーボードやジェスチャ入力などの別の方法で入力可能だからである. (1) データセット 1 文字単位に, 文字間の横方向と縦方向の距離を式 (1)に示す範囲でランダムに生成する.つまり, 文字間隔を重ねから1 文字分まで, 平均して半分の文字幅程度横方向に進めながら, 縦方向に上限 1 割まで変動して筆記される文字列パターンを疑似的に作成した. 一様乱数と正規乱数を比較したところ, 一様乱数のほうが先の手書きパターンに近かったため, 以後, 一様乱数を用いる.ここで, は文字の平均幅, は文字の平均高さである. 以下も同じである. [ 0.5*, 1.0* ] [ 0.1*, 0.1* ] (1)

3 (2) データセット 2 文字単位に文字間の横方向と縦方向の距離を式 (2)に示す範囲でランダムに生成する.つまり, 文字間隔の横方向の範囲はデータセット 1 より広くして, 文字間隔を重ねから 1.5 文字分まで横方向に進めながら, 縦方向に上限 1 割まで変動して筆記される文字列パターンを疑似的に作成した. (3) データセット 3( 重ね書き) 文字単位に, 文字間の横方向と縦方向距離を式 (3)に示す範囲にランダムに生成する.つまり, 文字間隔を左右上下に1 割程度変動させて重ね書きで筆記される文字列パターンを擬似的に作成した. [ 0.4 *, 1.5* ] [ 0.1*, 0.1* ] [ 0.1*, 0.1* ] [ 0.1*, 0.1* ] (4) データセット 4 文字単位に, 文字間の横方向と縦方向距離を式 (4)に示す範囲にランダムに生成する.つまり, 文字間の左右上下に1 文字分程度まで変動を許して筆記される文字列パターンを作成した.これが最も広い範囲で変動するパターンである. [ 1.0 *, 1.0 * ] [ 1.0 *, 1.0 * ] 生成した4つのデータセットの一例を図 2に示す. (a) 正常な手書き文字列 (b) 生成したデータセット 1 (c) 生成したデータセット 2 () 生成したデータセット 3( 左 )とデータセット 4( 右 ) 図 2. 文字位置自由手書きデータベースの例 (2) (3) (4) 3. 処理の流れここで,まず幾つかの用語を定義する.ストロークはペンを筆記面に付けてから離すまでの筆点座標系列であり,オフストロークはペンを離してから再び筆記面に付けるまでのベクトルを表す. 文字位置自由オンライン手書き文字列パターンに対する認識処理の流れを図 3に示す. 次に処理ごとに詳細に述べる. 文字位置自由手書き文字列仮切出し候補ラティスの構築探索と認識最適な認識結果図 3. 認識処理の流れ 3.1 仮切出し (1) 仮切出しポイント従来のオンライン手書き文字列認識方式 [2]で,まず隣接ストローク間の距離や重なりなどの幾何的な特徴値により, 非切出しポイントと仮切出しポイントに区分する.そして, 仮切出しポイントから抽出した 20 次元の特徴値に SVM モデルを適用することで, 一部を切出しポイントとして確定する. 最後に各オフストロークは, 非切出しポイント, 切出しポイントと不確定ポイントに分類する. 非切出しポイントは 1 つの文字パターンの内部に存在すると判断されたものに対して, 切出しポイントは 2 つの文字間にあると判断されたものである. 不確定ポイントは切出しポイントであるか非切出しポイントであるかを決定できないポイントのことである.したがって, 不確定ポイントは, 非切出しポイントあるいは, 切出しポイントの両方の可能性を評価する. しかし, 文字位置自由オンライン手書き文字列パターンに対して, 文字間隔が非常に不安定であるので,このままでは利用できない.そこで,オフストロークから, 従来以上に幾何学的な特徴値を抽出する.これまでの文献を調査し,すべてを網羅できるように 56 次元の特徴値を設定した. 詳細は次項に述べる. 従来のオンライン手書き文字列認識では,オフストロークを非切出しポイント, 不確定ポイント,そして, 切出しポイントに区分していたことは上に述べた.この扱いについて, 本論文では, 比較のために,2 つを検討する. 第一のは, 各オフストロークに対する SVM の出力値を2つの閾値と比べて,それぞれを非切出しポイントと不確定ポイント,そして切出しポイントに分類する. 非切出しポイントと切出しポイントは確定し, 不確定ポイントでは, 従来と同

4 様に両方の可能性を検討する.このを切出し候補と呼ぶ. 一方, 第二のでは, 各オフストロークをすべて不確定ポイントとする.これを不確定と呼ぶ. そして, 両者に共通して, 各オフストロークに対する SVM の出力値から切出しの確からしさを求め, 文字列候補パスの評価に利用する. 切出しポイントと不確定ポイントを仮切出しポイントとする. 仮切出しポイントによって切り出されたストローク列を仮切出しユニットと呼び, 仮切出しユニットでその中に仮切出しポイントを含まないものを最小仮切出しユニットと呼ぶ. 不確定ポイントは, 仮切出しにも使われるが, 切り出さない可能性もあるので,その両側をまとめて仮切出しユニットとして扱われる場合もある. 不確定での仮切出しユニットを図 4に示す.すべての矩形が仮切出しユニットになる.このうち, 赤い線に繋ながれた仮切出しユニット列が正しい切出しを示している. 図 4. 仮切出しユニット(すべての矩形 ) (2) SVM 分類文献 [8]と[9]に使われた特徴値から統合した, 各オフストロークから 56 個の特徴値を抽出する.これらには,オフストロークの両側のストロークの中心点,サイズと横縦比などが含まれる.すべての特徴値は平均文字サイズを用いて正規化する. 平均文字サイズ acs は, 各ストロークの外接矩形における長い方の辺長を求め, 全てのストロークについてその辺長をソートし,そして,それらの辺長の中においての長い方から 3 分の 1 のものに対して平均を取ることによって求める. 学習パターンに対して, 切出しポイントに教師信号 1, 非切出しポイントに教師信号 -1 を与えて,SVM を学習させる. 3.2 候補ラティスの構築図 5に示すように仮切出しユニットごとに認識候補を列挙し,それらをリンクした候補ラティスを構築する. 候補ラティスにおいては, 各ノードは1つの仮切出しユニットに関して文字認識によって生成される 1 つの文字認識候補を示し, 各連結線は1つの仮切出しポイントを文字の境として文字列の連接を示す. 文字パターンサイズの確からしさ, 文字パターン内分割の確からしさ, 文字認識の確からしさ, 単一文字パターン位置の確からしさ, 連接する 2 文字パターン(ペア文字パターンと呼ぶ)の位置の確からしさ, 文字仮切出しポイントの確からしさと言語文脈の確からしさからなる尤度を評価するスコアは各連結線とノードに与えられる.そして閾値より低い確からしさを持つノードを削除する. 3.3 探索と認識文献 [2]で最初に報告し, 文献 [10]で定式化した経路評価基準を用いて, 候補ラティスから Viterbi 探索で最適な認識結果を決定する. 文字列パターン X に対して,ある切出しSS = SS 1 SS 2 SS ii SS nn を選択して,ある文字列 CC = CC 1 CC 2 CC ii CC nn に認識するとする(n は仮切出しユニットの数 ). 仮切出しユニットSS ii はCC ii に対応している. 文字列候補パスの尤度評価は次の通りになる. f ( X, C) = ( λ11 + λ12( Ci 1, Ci 2) + ( λ21 + λ22( bi ) + ( λ31 + λ32( ) n ( λ41 + λ42( Si ) + ( λ51 + λ52( ) i= 1 b ( λ61 + λ62( pi, Ci + ji + 1 λ71 log P( g j Sb) + λ P g j Sw i 72 log ( ) j = ji + 1 log P( qi ) + u log P( p + i ) + λn 式 (5)においては,kk ii は仮切出しユニットSS ii の中で含まれる最小仮切出しユニットの数.λ i1 (i=1~7)と λ i2 (i=1~7),λ は重みパラメータであり, 最小分類誤り学習を用いて, 学習文字列パターンでその最適化を行う. 各は次の通りである. PP(CC ii CC ii 1, CC ii 2 )は, 言語文脈 tri-gram の確からしさである. 式 (6)に示す.パラメータβ 1,β 2,β 3 は tri-grams の学習用のテキストから学習する. ( C C, C ) P i i 1 i 2 = β1p( C i Ci 1, Ci 2 ) + β2p( C i Ci 1) + β3p( C i) subject to β + β + β = 1 (6) PP(bb ii CC ii )は, 文字パターンサイズの条件確率である.bb ii は acs で正規化された文字パターン外接矩形の幅と高さからなる幾何的な特徴ベクトルである. (5) 図 5. 仮切出しユニット列 ( 青 )に対する候補ラティス図 6. 幾何学的特徴

5 図 7. 文字内分割 PP(qq ii CC ii )は, 文字パターン内分割の条件確率である.qq ii は図 7に示すqq iiii (k=1~6)からなる幾何的特徴ベクトルである. qq iiii (k=1~3)は各垂直の分割での垂直方向の射影におけるギャップの長さを acs で除することで正規化した値,qq iiii (k=4~6)は各水平の分割での水平方向の射影におけるギャップの長さを acs で除することで正規化した値である. PP(pp uu ii CC ii )は, 単一文字パターン位置の条件確率である.pp uu ii は図 6に示す 2 つの要素からなる幾何的な特徴ベクトルである. 2 つの要素は,それぞれ文字パターンの上部から文字列の水平な中心線までの距離を acs で正規化された値と文字パターンの底部から文字列の水平な中心線までの距離を acs で正規化された値である. PP pp bb ii CC ii, CC ii 1 は,ペア文字パターン位置の条件確率である. pp bb ii は図 6に示すように,2 つの隣接文字パターンの間におけるペア文字パターン位置の幾何的な 2 次元特徴ベクトルである.それぞれ 2 つ文字パターンの上部同士の距離を acs で正規化した値と底部同士の距離を acs で正規化した値である. 以上の幾何的な特徴値 bb ii, qq ii, pp uu ii, pp bb ii は全て二次判別関数 (QDF)を用いて, 得られるスコアから log 尤度スコアまで変化する. PP(SS ii CC ii )は, 仮切出しユニットの条件確率である.SS ii は文字パターンとしての仮切出しユニットの特徴ベクトルを示す. PP(SS ii CC ii )は単独文字認識のスコアから近似できる. PP gg jj ii Sbb は, 文字パターン間の空間がgg jj を生じる条件確率である.PP gg jj Sw (j=j i +1~j i +k i 1)は, 文字パターンの内部の空間がgg jj を生じる条件確率である.gg jj は各オフストロークから抽出した 56 次元の幾何的な特徴ベクトルである. 不確定ポイントは Sb と Sw 両方の可能性に解釈され, 文字パターン間では Sb として,1 つの文字パターン内では Sw として処理される. 一方, 切出しポイントは Sb として, 非切出しポイントは Sw として処理される. PP gg jj ii Sbb とPP gg jj Sw は SVM を用いて近似する. 4. 認識実験我々は研究室で収集したオンライン手書き日本語文字列パターンデータベース konate(100 人 )を利用する.ただし, 車載環境では長文を書かれることはないので,30 個以上の文字からなる文字列を除外する.そうして得られた konate データベースの情報を表 1に示す.そして, 第 2 節に述べたように,4つの文字位置自由オンライン手書き文字列パターンデータセットを生成した. 各データセットにつき,100 人のデータを4つに分割し,3 つ分 (75 人分 )を学習セットとし, 残り(25 人分 )を評価セットとする.さらに, 提案の学習には, 各データセットの学習セットをすべて統合し,つまり,75 人分 4 セットを利用し, 評価はデータセットごとの評価セットを用いる.そして,この学習と評価を4 回繰り返して平均をとる4 分割交叉検証法を採用する. データセットごとに提案を学習し, 評価することも可能であるが, 認識システムをデータセットごとに作ることは, データセットが予測できないときには性能が著しく下がる危険があるので, 上の選択をした. 表 1.データベースの情報文字列あたりデータ文字列数文字数字種平均文字数 konate 15, ,076 1, 実験結果我々は提案した 2 つと従来のオンライン手書き日本語文字列認識方式 [2]との性能を比較した. 文字列パターンの経路評価関数は,7 個のからなる.その中で文字仮切出しだけを更新した, 他のは同じである. 単独文字認識は nakaosi と kuchibue データベースで学習した. 幾何的文脈モデルも nakaosi と kuchibue データベースで学習した. 言語的文脈モデルは 1993 年の朝日新聞と 2002 年の日経新聞の記事から作成した. 経路評価の重みパラメータは, MCE( 最小分類誤り学習 )で再学習した. 文字位置自由オンライン手書き文字列パターンの評価については, 文字認識率 (RR cc )と切出しポイントに対する F 値 (F)を利用し, 評価実験を行った. 式 (7)に文字認識率を, 式 (8)に切出しポイント評価 F 値 (F)を示す. 正しく認識された文字数 R c = 全て文字数 2 F = 1/R + 1/P 正しく分類された切出しポイント数 R = 真の切出しポイント数正しく分類された切出しポイント数 P = 分類された切出しポイント数 ( 誤ったポイントを含む) 実験環境は Intel(R) Core TM i CPU@3.40GHz であり 8.00GB メモリを搭載している. (1) データセット 1 認識結果と平均認識時間を表 2に示す. 表 2.データセット 1 に対する認識結果従来切出し候補不確定 (7) (8)

6 (2) データセット 2 認識結果と平均認識時間を表 3に示す. 表 3.データセット 2 に対する認識結果従来切出し候補不確定 (3) データセット 3( 重ね書き) 認識結果と平均認識時間を表 4に示す. 表 4.データセット 3 に対する認識結果従来切出し候補不確定 (4) データセット 4 認識結果と平均認識時間を表 5に示す. 表 5.データセット 4 に対する認識結果従来切出し候補不確定考察前節の実験結果から, 提案した認識方式は, 切出し候補手法, 不確定ともに, 従来の認識方式と比べて, 大幅な認識率の向上を実現した. 特に, 不確定は従来に比べて,データセット1に対して認識率は 23.72%から 91.83%に向上し,データセット 2 では,39.61%から 92.23%に,データセット 3( 重ね書き)では,0.00%から 92.34%に,そして, データセット 4 は非常に厳しいパターンであるが, 認識率は 0.04%から 84.97%に向上した.なお, 従来のエンジンは, 通常のオンライン手書き文字列を認識する場合,92.80%の認識率がある[2].このことから, 不確定は,データセット 4 を除いて, 従来エンジンが通常のオンライン手書き文字列に対して実現している認識率と同程度であることがわかる. 実際, 不確定は, 選択した konate のデータセット(データセット 0 と呼ぶ)に対して,92.95%の認識率を達成している. 認識結果と平均認識時間を表 6に示す. 表 6.データセット 0 に対する認識結果切出し候補不確定次に 2 つのの比較を述べる. 不確定の認識率は, 切出し候補と比較して,データセット 1 で 1.88 ポイント, データセット 2 で 1.24 ポイント,データセット 3 で 1.03 ポイント,そして,データセット 4 で 1.71%ポイント向上したしたがって, 安定して 1 から 2 ポイント認識率を向上させることがわかる.すべてのオフストロークを不確定にする効果があることがわかる. 一方, 認識時間については, 従来が認識できないデータセット 3 と 4 を除いて, 切出し候補, 不確定ともに, 従来の認識方式と比べて 10 倍程度を要することがわかる. 切出し候補でも, 多くのオフストロークを不確定とし, 不確定では,すべてのオフストロークを不確定にして処理するために, 構築された候補ラティスが大きくなるためである.そして, 切出し候補, 不確定ともに,データセット 3 に対して認識時間が一番大きい.しかし,その場合でも, 一文字あたり 0.3 秒,あるいは,0.6 秒程度なので, 実用上の問題はあまりない. 5. まとめ本論文では文字位置自由オンライン手書き文字列認識方式について報告した. 文字位置自由文字列パターンを通常の文字列に近い精度で認識できることが確認できた. 今後は, 非文字パターンに対して単独文字認識の頑強性の向上, 特徴量の検討, 候補ラティスからの非文字パターンの削除を検討し, 更なる認識率の向上, 及び処理の高速化を目指していきたい. 文献 [1] 村瀬洋, 若原徹, 梅田三千雄, 候補文字ラティス法による枠無し筆記文字列のオンライン認識, 信学論 (D), vol. J68-D, no.4, pp , April [2] B. Zhu, X.-D. Zhou, C.-L. Liu, an M. Nakagawa, A robust moel for on-line hanwritten the Japanese tet recognition, Int. J. Document Analsis an Recognition, vol. 13, no. 2, pp , June [3] H. Shimoaira, T. Suo, M. Nakai, an S. Sagaama, On-line overlai hanwriting recognition base on substroke HMMs, Proc. 7th ICDAR, pp , Aug [4] Y. Tonouchi an A. Kawamura, Tet input sstem using online overlappe hanwriting recognition for mobile evices, Proc. 9th ICDAR, pp , Sept [5] A. Bharath an S. Mahvanath, FreePa: a novel hanwriting-base tet input for pen an touch interfaces, Proc. 13th International Conference on Intelligent User Interfaces, pp , Jan [6] Y. Zou, Y. Liu, Y. Liu, an K. Wang, Overlappe hanwriting input on mobile phones, Proc. 11th ICDAR, pp , Sept [7] X. Wan, C. Liu, an Y. Zou, On-line Chinese character recognition sstem for overlapping samples, Proc. 11th ICDAR, pp , Sept [8] Y.-F. Lv, L.-L. Huang, D.-H. Wang, an C.-L. Liu, Learning-base caniate segmentation scoring for real-time recognition of online overlai Chinese hanwriting, Proc. 12th ICDAR, pp.74-78, Aug [9] B. Zhu an M. Nakagawa, Segmentation of on-line freel written Japanese tet using SVM for improving tet recognition, IEICE Trans. Inf. & Sst., vol.e91- D, no.1, pp , Jan [10] J. Gao, B. Zhu, an M. Nakagawa, Development of a robust an compact on-line hanwritten Japanese tet recognizer for han-hel evices, IEICE Trans. Inf. & Sst., vol. E96-D, no.4, pp , April 2013.

(Microsoft Word - \221\346\202P\202U\201@\214i\212\317.doc)

$(Microsoft Word - \221\346\202P\202U\201@\214i\212\317.doc)$ (1) 1 ア調査すべきの手法情報できる主要な眺望地点及び主要で身近な視点の状況な実視施点地 ( 区点不域のうち特周定辺の多主数の要ななものをいう人々眺望又地は点周 ( 辺の不以住特下民定が同多じ ) 数のする人及々が場び所対利で象