▶ コニカ ミノルタ ビジネス ソリューションズ ユー．エス．エー．， インコーポレイテッドの特許一覧
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公開特許公報(A)
(11)【公開番号】P2024009774
(43)【公開日】2024-01-23
(54)【発明の名称】フォーム上のフィールドラベルを識別する方法とシステム
(51)【国際特許分類】
G06V 30/412 20220101AFI20240116BHJP
G06V 30/12 20220101ALI20240116BHJP
G06V 30/16 20220101ALI20240116BHJP
G06F 40/216 20200101ALI20240116BHJP
【ＦＩ】
G06V30/412
G06V30/12 Z
G06V30/16
G06F40/216
【審査請求】有
【請求項の数】20
【出願形態】ＯＬ
【外国語出願】
(21)【出願番号】P 2023108397
(22)【出願日】2023-06-30
(31)【優先権主張番号】17/856,764
(32)【優先日】2022-07-01
(33)【優先権主張国・地域又は機関】US
(71)【出願人】
【識別番号】519448326
【氏名又は名称】コニカ ミノルタ ビジネス ソリューションズ ユー．エス．エー．， インコーポレイテッド
(74)【代理人】
【識別番号】110001254
【氏名又は名称】弁理士法人光陽国際特許事務所
(72)【発明者】
【氏名】ジャン， ヨンミェン
(57)【要約】 （修正有）
【課題】ＡＩ技術の使用またはＡＩシステムを訓練するための実質的なデータセットのコンパイルを必要とすることなく、比較的少数の繰り返しにおいて、記入済みフォームでのフィールドラベルの識別及び識別後の記入されていないフォームの生成を可能にする方法並びにシステムを提供する。
【解決手段】画像処理を使用して、記入済みフォームからフィールドラベルを識別し、同じ種類のフォーム、あるいは異なって記入されたフォームを２部又は数部比較する方法であって、各記入済みフォーム上の各テキスト行に１つのテキスト文字列を生成し、テキスト文字列を、ベクトルに変換し、異なる記入済みフォームからのベクトルを、フィールドラベルを示す共通の単語を識別するために比較する。一実施形態では、ヒストグラムが生成されて文字や単語の出現頻度を示す。ヒストグラム数値もまたフィールドラベルを示す。
【選択図】図５
【解決手段】画像処理を使用して、記入済みフォームからフィールドラベルを識別し、同じ種類のフォーム、あるいは異なって記入されたフォームを２部又は数部比較する方法であって、各記入済みフォーム上の各テキスト行に１つのテキスト文字列を生成し、テキスト文字列を、ベクトルに変換し、異なる記入済みフォームからのベクトルを、フィールドラベルを示す共通の単語を識別するために比較する。一実施形態では、ヒストグラムが生成されて文字や単語の出現頻度を示す。ヒストグラム数値もまたフィールドラベルを示す。
【選択図】図５
【特許請求の範囲】
【請求項1】
ａ． 画像として記入済みフォームの複数のバージョンの受領に応じて、前記画像を処理し、各バージョンの各行についてテキスト文字列を生成することと、
ｂ． 各バージョンについて、テキスト文字列の複数の行の行列を生成することと、
各バージョンの各行について、
ｃ． １つのバージョンの行と別のバージョンの当該行のベクトルの所定の行数内の複数のベクトルの１つとの最良の一致を生成することと、
ｄ． その行にあるテキスト文字列の複数の文字について文字ヒストグラムを構築することと、
ｅ． その行にあるテキスト文字列の複数の単語について単語ヒストグラムを構築することを備える、コンピュータ実施方法であって、
前記方法が、
ｆ． 前記最良の一致の生成に応じて、前記文字ヒストグラムと前記単語ヒストグラムから前記記入済みフォームのフィールドラベルを識別することと、
ｇ． 前記識別されたフィールドラベルを有する空白のフォームを生成することを更に備える、コンピュータ実施方法。
ｂ． 各バージョンについて、テキスト文字列の複数の行の行列を生成することと、
各バージョンの各行について、
ｃ． １つのバージョンの行と別のバージョンの当該行のベクトルの所定の行数内の複数のベクトルの１つとの最良の一致を生成することと、
ｄ． その行にあるテキスト文字列の複数の文字について文字ヒストグラムを構築することと、
ｅ． その行にあるテキスト文字列の複数の単語について単語ヒストグラムを構築することを備える、コンピュータ実施方法であって、
前記方法が、
ｆ． 前記最良の一致の生成に応じて、前記文字ヒストグラムと前記単語ヒストグラムから前記記入済みフォームのフィールドラベルを識別することと、
ｇ． 前記識別されたフィールドラベルを有する空白のフォームを生成することを更に備える、コンピュータ実施方法。
【請求項2】
前記ａ．におけるバージョンの数が、２または３である、請求項１に記載のコンピュータ実施方法。
【請求項3】
前記所定の行数が３である、請求項１に記載のコンピュータ実施方法。
【請求項4】
前記処理することが、各記入済みフォームの行画像を識別すること、および前記識別された行画像のそれぞれからテキスト文字列を生成することを備える、請求項１に記載のコンピュータ実施方法。
【請求項5】
前記最良の一致の生成に応じて、前記最良の一致の複数のベクトルに対応するそれぞれのテキスト行をアラインすることを更に備える、請求項１に記載のコンピュータ実施方法。
【請求項6】
前記アラインすることが、前記それぞれのテキスト行のテキストが同じ大きさになるように、前記それぞれのテキスト行のテキストをスケーリングすることを備える、請求項５に記載のコンピュータ実施方法。
【請求項7】
前記スケーリングすることが、前記それぞれのテキスト行内の同じ文字を識別することと、前記識別された文字にスケーリングを実行することとを備える、請求項６に記載のコンピュータ実施方法。
【請求項8】
前記最良の一致の生成が、
ａ． 前記テキスト文字列の識別された単語を使用して、前記テキスト文字列の識別された各単語のベクトルに番号を割り当てて、その行にある前記テキスト文字列のベクトルを作成することと、
ｂ． １つのバージョンの前記行のベクトルと別のバージョンの当該行の前記ベクトルの所定の行数内の複数のベクトルとを比較することと、
ｃ． 前記比較に応じて、前記最良の一致を生成することを備える、請求項１に記載のコンピュータ実施方法。
ａ． 前記テキスト文字列の識別された単語を使用して、前記テキスト文字列の識別された各単語のベクトルに番号を割り当てて、その行にある前記テキスト文字列のベクトルを作成することと、
ｂ． １つのバージョンの前記行のベクトルと別のバージョンの当該行の前記ベクトルの所定の行数内の複数のベクトルとを比較することと、
ｃ． 前記比較に応じて、前記最良の一致を生成することを備える、請求項１に記載のコンピュータ実施方法。
【請求項9】
各バージョンにおける各行について、前記テキスト文字列のそれぞれで複数回出現する複数の単語を識別することと、複数回出現する前記複数の単語のそれぞれについて、当該単語が出現するベクトルの各位置に同じ番号を割り当てることとを更に備える、請求項８に記載のコンピュータ実施方法。
【請求項10】
前記単語ヒストグラムのｘ軸はテキスト行の複数の単語を表し、前記単語ヒストグラムのｙ軸は前記単語内の複数の文字の基礎分布の密度を表しており、
前記密度の範囲は［０，１］であり、次の式を使用し、
ここで、ρは単語内の複数の文字の基礎分布の密度であり、ｍはテキスト行の数、ｎは前記単語内の複数の文字の数、ｆｉは前記単語内のｉ番目の文字の番号である、請求項１に記載のコンピュータ実施方法。
前記密度の範囲は［０，１］であり、次の式を使用し、
【数1】
ここで、ρは単語内の複数の文字の基礎分布の密度であり、ｍはテキスト行の数、ｎは前記単語内の複数の文字の数、ｆｉは前記単語内のｉ番目の文字の番号である、請求項１に記載のコンピュータ実施方法。
【請求項11】
プロセッサと、
前記プロセッサによって実行されると、方法を実行する指示を記憶する非一時的なメモリとを備えるシステムであって、
前記方法は、
ａ． 画像として記入済みフォームの複数のバージョンの受領に応じて、前記画像を処理し、各バージョンの各行についてテキスト文字列を生成することと、
ｂ． 各バージョンについて、テキスト文字列の複数の行の行列を生成することと、
各バージョンの各行について、
ｃ． １つのバージョンの行と別のバージョンの当該行のベクトルの所定の行数内の複数のベクトルの１つとの最良の一致を生成することと、
ｄ． その行にあるテキスト文字列の複数の文字について文字ヒストグラムを構築することと、
ｅ． その行にあるテキスト文字列の複数の単語について単語ヒストグラムを構築することを備え、
前記方法が、
ｆ． 前記最良の一致の生成に応じて、前記文字ヒストグラムと前記単語ヒストグラムから前記記入済みフォームのフィールドラベルを識別することと、
ｇ． 前記識別されたフィールドラベルを有する空白のフォームを生成することを更に備える、システム。
前記プロセッサによって実行されると、方法を実行する指示を記憶する非一時的なメモリとを備えるシステムであって、
前記方法は、
ａ． 画像として記入済みフォームの複数のバージョンの受領に応じて、前記画像を処理し、各バージョンの各行についてテキスト文字列を生成することと、
ｂ． 各バージョンについて、テキスト文字列の複数の行の行列を生成することと、
各バージョンの各行について、
ｃ． １つのバージョンの行と別のバージョンの当該行のベクトルの所定の行数内の複数のベクトルの１つとの最良の一致を生成することと、
ｄ． その行にあるテキスト文字列の複数の文字について文字ヒストグラムを構築することと、
ｅ． その行にあるテキスト文字列の複数の単語について単語ヒストグラムを構築することを備え、
前記方法が、
ｆ． 前記最良の一致の生成に応じて、前記文字ヒストグラムと前記単語ヒストグラムから前記記入済みフォームのフィールドラベルを識別することと、
ｇ． 前記識別されたフィールドラベルを有する空白のフォームを生成することを更に備える、システム。
【請求項12】
前記ａ．におけるバージョンの数が、２または３である、請求項１１に記載のシステム。
【請求項13】
前記所定の行数が３である、請求項１１に記載のシステム。
【請求項14】
前記処理することが、各記入済みフォームの行画像を識別すること、および前記識別された行画像のそれぞれからテキスト文字列を生成することを備える、請求項１１に記載のシステム。
【請求項15】
前記方法が、前記最良の一致の生成に応じて、前記最良の一致の複数のベクトルに対応するそれぞれのテキスト行をアラインすることを更に備える、請求項１１に記載のシステム。
【請求項16】
前記アラインすることが、前記それぞれのテキスト行のテキストが同じ大きさになるように、前記それぞれのテキスト行のテキストをスケーリングすることを備える、請求項１５に記載のシステム。
【請求項17】
前記スケーリングすることが、前記それぞれのテキスト行内の同じ文字を識別することと、前記識別された文字にスケーリングを実行することとを備える、請求項１６に記載のシステム。
【請求項18】
前記最良の一致の生成が、
ａ． 前記テキスト文字列の識別された単語を使用して、前記テキスト文字列の識別された各単語のベクトルに番号を割り当てて、その行にある前記テキスト文字列のベクトルを作成することと、
ｂ． １つのバージョンの前記行のベクトルと別のバージョンの当該行の前記ベクトルの所定の行数内の複数のベクトルとを比較することと、
ｃ． 前記比較に応じて、前記最良の一致を生成することを備える、請求項１１に記載のシステム。
ａ． 前記テキスト文字列の識別された単語を使用して、前記テキスト文字列の識別された各単語のベクトルに番号を割り当てて、その行にある前記テキスト文字列のベクトルを作成することと、
ｂ． １つのバージョンの前記行のベクトルと別のバージョンの当該行の前記ベクトルの所定の行数内の複数のベクトルとを比較することと、
ｃ． 前記比較に応じて、前記最良の一致を生成することを備える、請求項１１に記載のシステム。
【請求項19】
前記方法が、各バージョンにおける各行について、前記テキスト文字列のそれぞれで複数回出現する複数の単語を識別することと、複数回出現する前記複数の単語のそれぞれについて、当該単語が出現するベクトルの各位置に同じ番号を割り当てることとを更に備える、請求項１１に記載のシステム。
【請求項20】
前記単語ヒストグラムのｘ軸はテキスト行の複数の単語を表し、前記単語ヒストグラムのｙ軸は前記単語内の複数の文字の基礎分布の密度を表しており、
前記密度の範囲は［０，１］であり、次の式を使用し、
ここで、ρは単語内の複数の文字の基礎分布の密度であり、ｍはテキスト行の数、ｎは前記単語内の複数の文字の数、ｆｉは前記単語内のｉ番目の文字の番号である、請求項１１に記載のシステム。
前記密度の範囲は［０，１］であり、次の式を使用し、
【数2】
ここで、ρは単語内の複数の文字の基礎分布の密度であり、ｍはテキスト行の数、ｎは前記単語内の複数の文字の数、ｆｉは前記単語内のｉ番目の文字の番号である、請求項１１に記載のシステム。
【発明の詳細な説明】
【技術分野】
【0001】
本発明の態様は、フォームの画像処理に関し、より具体的には、フォーム内のフィールドを識別するための、記入済みフォームの画像処理に関する。
【背景技術】
【0002】
フォームの画像内のフィールドラベルを自動的に検索することは、ドキュメント処理の自動化に役立つ。フォームの内容がフォームのフィールドとどのように一致するかを理解するには、フォームのフィールドラベルを知る必要がある。多くの場合、フィールドラベルは空白のフォームで識別できる。しかしながら、空白のフォームは常に使用できるとは限らない。その場合、記入済みフォームの画像からフィールドラベルを識別する必要がある。
【0003】
記入済みフォームを読み、比較する際には、特有の課題がある。例えば、同じフォームで、各フィールドに異なる内容を異なる方法で入力することがある。別の例として、記入済みフォーム画像は、異なる程度に拡大または縮小することができ、その結果、異なる垂直および水平寸法を有する異なる記入済みフォームができる。
【発明の概要】
【発明が解決しようとする課題】
【0004】
前述の相違点のために、２つの同じタイプの記入済みフォーム画像は、見た目だけでなく、スケール、回転、フォントスタイル、および／またはフォントサイズにおいても、互いに著しく異なることがある。その結果、画像特徴記述子や画像変換のような画像処理技術を直接適用して、記入済みフォーム中のフィールドを見つけることは困難となり得る。
【0005】
更に、上述の問題に人工知能（ＡＩ）技術を適用しようとすると、教師付き学習か教師なし学習かにかかわらず、時間がかかり、達成が困難になり得る。
【課題を解決するための手段】
【0006】
前述のことを考慮すると、本発明の目的の１つは、同じタイプの記入済みフォームの画像を比較することによって、フィールドラベルを識別することである。とりわけ、本発明の実施形態は、以下を提供する。
●記入済みフォームの２つの異なる画像間のテキスト行の画像のアライメントを解くための、スケールと回転、フォントサイズとフォントスタイルのバリエーション下における非常に堅牢な文字列エンコーディング技法。
●光学文字認識（ＯＣＲ）エラー耐性の誤りに耐えつつ、フィールドラベルと記入済み内容の間を識別することができるフィールドラベル識別ヒストグラム階層技法。
●フィールドラベルを識別するために、記入済みフォームの多数の画像の必要性の減少。
●記入済みフォームの２つの異なる画像間のテキスト行の画像のアライメントを解くための、スケールと回転、フォントサイズとフォントスタイルのバリエーション下における非常に堅牢な文字列エンコーディング技法。
●光学文字認識（ＯＣＲ）エラー耐性の誤りに耐えつつ、フィールドラベルと記入済み内容の間を識別することができるフィールドラベル識別ヒストグラム階層技法。
●フィールドラベルを識別するために、記入済みフォームの多数の画像の必要性の減少。
【0007】
本発明の態様は、ＡＩ技術の使用またはＡＩシステムを訓練するための実質的なデータセットのコンパイルを必要とすることなく、比較的少数の繰り返しにおいて、記入済みフォームでのフィールドラベルの識別、および識別後の記入されていないフォームの生成を可能にする。
【図面の簡単な説明】
【0008】
次に、本発明の前述と他の特徴、および態様を、添付の図面を参照して詳細に説明するが、これらの図面は、以下のように記載される。
【0009】
【発明を実施するための形態】
【0010】
図１は、１つまたは複数の実施形態に従って、本明細書に記載される方法の態様を実施するためのシステムの高レベルのブロック図である。図１において、計算装置は、合成的に生成されたフォーム（空白、部分的に記入されたフォーム、または記入済みフォーム）の対をコンピューティングシステム１５０に提供し得る。一実施形態では、記入済みフォーム１１０はスキャナ１２０を介して提供され、コンピューティングシステム１５０に直接または計算装置１３０を介して接続されてもよい。一実施形態では、カメラは入力画像を提供し得る。
【0011】
一実施形態では、コンピューティングシステム１５０は、記入済みフォームを処理してフィールドラベルを識別する。コンピューティングシステム１５０は、１つまたは複数のプロセッサ、１つまたは複数の記憶装置、および１つまたは複数の固体メモリシステム（記憶装置とは異なり、非一時的なメモリおよび一時的なメモリの両方を含むことができる）を含み得る。
【0012】
フィールドラベルとの数値位置の判別の一部として、コンピューティングシステム１５０は、バウンディングボックス生成システム１６０を使用して、テキスト周辺にバウンディングボックスを生成し得る。一実施形態では、コンピューティングシステム１５０は、テキストスケーリングおよびアライメントシステム１６５を含み得、異なるスケールの画像を異なる記入済みフォームで補償する。一実施形態では、ストレージ１７５は、コンピューティングシステム１５０が処理する入力画像を格納してもよい。
【0013】
コンピューティングシステム１５０は、単一の場所にあってもよく、ネットワーク１５５は、コンピューティングシステム１５０の様々な要素間の通信を可能にする。さらに、または代替的に、コンピューティングシステム１５０の１つまたは複数の部分が他の部分から遠隔であってもよく、その場合、ネットワーク１５５は、通信用のクラウドシステムを意味することがある。一実施形態では、様々な要素が併設されている場合であっても、ネットワーク１５５は、クラウドベースのシステムであり得る。
【0014】
さらに、または代替的に、上記で言及したプロセッサ、ストレージシステム、およびメモリシステムのうちの１つまたは複数を含むことができる処理システム１９０は、フィールドラベルの位置を解決するために１つまたは複数のアルゴリズムを実装することができる。
【0015】
行レベル検出を有するために、行の画像は、まず行分割アルゴリズムを用いて抽出される。通常、当業者は、利用可能な行分割アルゴリズムを認識するため、行分割アルゴリズムの詳細を簡潔にし、ここでは省略する。
【0016】
図２Ａおよび図２Ｂは、同じフォームの２つの例を示し、各々は異なって記入されており、各々は異なる倍率を有する。これらの図では、バウンディングボックスがフォーム内にフィールドラベルでテキストの周囲に描かれる。フィールド２０５、２０５’は、氏名フィールドであり、「Ｊｏｎａｓ Ｊａｃｋｓｏｎ」という名前が記入されている。フィールド２１０、２１０’は、生年月日フィールドであり、月および日、ならびに年については、４桁（図２Ａ）または２桁（図２Ｂ）のいずれかの２つの桁で記入されている。フィールド２１５、２１５’は、住所フィールドであり、住所が２行で記入されている。フィールド２２０、２２０’は、電話番号フィールドであり、１０桁の数字で記入されている。
【0017】
フィールド２２５、２２５’は、診断フィールドであり、診断の説明が記入されている。フィールド２３０、２３０’は、処置／治療フィールドであり、従うべき処置および／または治療の識別が記入されている。フィールド２３５、２３５’は、開始日フィールドであり、処置および／または治療が開始される日付が記入されている。フィールド２４０、２４０’は、終了日フィールドであり、処置および／または治療が終了される日付が記入されている。フィールド２１０、２１０’と同様に、図２Ａにおいて、開始日フィールド２３５、２３５’および終了日フィールド２４０、２４０’は、月と日に対して２桁で、および年に対して４桁（図２Ａ）または２桁（図２Ｂ）のいずれかの２つの桁で記入されている。フィールド２４５、２４５’は、フィールド２３０、２３０’内の特定の処置および／または治療の理由を記入するフィールドである。フィールド２５０、２５０’は、処置および／または治療を実施するための指示を記入するフィールドである。
【0018】
【0019】
図２Ａおよび図２Ｂのような記入済みフォームの１つの態様は、それらのフィールドが、それらのフィールドに記入されるべきものによって、異なって記入されることである。様々な診断、処置／治療、および／または処置／治療の指示の記述は、異なる量のスペースを必要とすることがある。これらの様々に記入されたフォームの結果については、以下で説明する。
【0020】
【0021】
一実施形態では、図２Ａおよび図２Ｂの記入済みフォームから図３の行画像が抽出された後、各行画像は、テキスト文字列にデジタル化される。次に、テキスト文字列は、文字列内の単語の位置に基づく順序で、一組の単語にセグメント化される。テキスト文字列内の繰り返しの単語は、単語の後に追加の文字を置くことで識別できる。例えば、テキスト文字列内のある単語が２回出現する場合、２番目の出現には_１が付加され得る。単語が３回出現する場合、２番目の出現には_１が付加され、３番目の出現には_２が付加される。一実施形態では、句読点は、テキスト文字列中の文字として数えられない。
【0022】
例えば、図３の行画像３１０がデジタル化された後、テキスト文字列は、次のようにセグメント化され得る。「開始＼日＼０２＼０３＼２０２３＼終了＼日_１＼０４＼０３＼２０２３」図３の行画像３２０がデジタル化された後、結果として得られるテキスト文字列は、次のようにセグメント化され得る。「開始＼日＼０７＼０８＼２３＼終了＼日_１＼１１＼０８＼２３」
【0023】
前述のことを考慮し、一実施形態では、以下のように、一組の単語をテキスト文字列内に符号化することが可能である。
１）テキスト文字列内の単語は、左から右へ順に番号を付けて、テキスト文字列の数値ベクトル表現を形成することができる。例えば、行画像３１０からのテキスト文字列は、ベクトルＳ１＝｛１，２，３，４，５，６，２，７，８，９｝として符号化され得る。つまり、「日」という単語がベクトルに２回現れ、同じ番号が割り当てられる。
２）ベクトルＳ１は、ベクトルＳ２と同様に、図３のテキスト文字列３２０に対して符号化されてもよい。ベクトルＳ２は、次のように生成され得る。ベクトルＳ２の単語がＳ１の単語と同じ場合、その単語の位置はベクトルＳ１の対応する単語の位置と同じで、同じ番号が割り当てられる。現在の状況では、ベクトルＳ２＝｛１，２，１０，１１，１２，２，７，１３，１４，１５｝である。すなわち、テキスト文字列３２０内の第１、第２、第６、および第７の単語は、テキスト文字列３１０内のものと同じであり、したがって、それらは、テキスト文字列３１０のベクトル内のものと同じ番号が割り当てられる。テキスト文字列３２０内の３番目から５番目の単語および８番目から１０番目の単語は、テキスト文字列３１０内のものとは異なる。
１）テキスト文字列内の単語は、左から右へ順に番号を付けて、テキスト文字列の数値ベクトル表現を形成することができる。例えば、行画像３１０からのテキスト文字列は、ベクトルＳ１＝｛１，２，３，４，５，６，２，７，８，９｝として符号化され得る。つまり、「日」という単語がベクトルに２回現れ、同じ番号が割り当てられる。
２）ベクトルＳ１は、ベクトルＳ２と同様に、図３のテキスト文字列３２０に対して符号化されてもよい。ベクトルＳ２は、次のように生成され得る。ベクトルＳ２の単語がＳ１の単語と同じ場合、その単語の位置はベクトルＳ１の対応する単語の位置と同じで、同じ番号が割り当てられる。現在の状況では、ベクトルＳ２＝｛１，２，１０，１１，１２，２，７，１３，１４，１５｝である。すなわち、テキスト文字列３２０内の第１、第２、第６、および第７の単語は、テキスト文字列３１０内のものと同じであり、したがって、それらは、テキスト文字列３１０のベクトル内のものと同じ番号が割り当てられる。テキスト文字列３２０内の３番目から５番目の単語および８番目から１０番目の単語は、テキスト文字列３１０内のものとは異なる。
【0024】
一実施形態では、ベクトルＳ１にない単語がベクトルＳ２にある場合、これらの単語は、ベクトルＳ１の最後の位置の番号に続くように符号化されてもよい。一実施形態では、第２のテキスト文字列が第１のテキスト文字列より短い場合、ベクトルＳ２にゼロパディングを追加して、ベクトルＳ２をベクトルＳ１と同じ長さにしてもよい。ベクトルＳ２は、ベクトルＳ２の最長増加サブシーケンスの長さが、ベクトルＳ１とベクトルＳ２との間の類似性の尺度であり得るように、この方法で符号化され得る。ここで、最長増加サブシーケンストとは、サブシーケンスの要素がソートされた順序、最下位から最上位へ、そして、サブシーケンスが可能な限り長くなる、所与のシーケンスのサブシーケンスである。
【0025】
２つの異なる記入済みフォームの同じテキスト行に対する２つのベクトルの前述の比較では、２つの異なる記入済みフォームのすべてのテキスト行に対するこの比較のパフォーマンスを考慮することが有益である。この比較のためには、異なって記入された同一フォームの２部を手作業で選択することが適切である。このようにして、２部のテキストを比較し、フィールドラベルを識別することができる。
【0026】
図２Ａおよび図２Ｂを見返すと、フィールドのいくつかは、他のフィールドよりも多くの行を含むことが分かる。例えば、図２Ａのフィールド２１５は２行を有し、一方、図２Ｂのフィールド２１５’は３行を有する。図２Ａのフィールド２２５は１行を有し、一方、図２Ｂのフィールド２２５’は２行を有する。図２Ａのフィールド２５０は３行を有し、一方、図２Ｂのフィールド２５５’は１行を有する。図２Ａおよび図２Ｂにそれぞれ示される２つのフォームにおける異なる行数は、２つのフォームの行画像を比較するために説明されるアプローチを動機づける。
【0027】
次に、同じフォームの異なる２部を見ると、デジタル化と単語セグメント化の後、第１の画像からのＭ個のテキスト文字列（Ｍ行画像に対応）と、第２の画像からのＮ個のテキスト文字列（Ｎ行画像に対応）があり得る。ＭとＮは、様々理由で異なり得る。例えば、図２Ａおよび図２Ｂが示すように、画像の一方又は他方に追加のテキスト行があり得る。先に述べたように、手書きの表記２５５を有する図２Ａの上部に見られるように、アーティファクトが存在することがある。その結果、上記の２つの文書画像を表すために、それぞれＭ行とＮ行を持つ、次の２つの単語行列ＡとＢを提供することができる。
式中、それぞれ、ａｉ１・・・ａｉＫは、第１の画像に対する一組の単語で、行列Ａの行であり、ｂｊ１・・・ｂｊＫは、第２の画像に対する一組の単語で、行列Ｂの行である。行列Ａの行と行列Ｂの行との対応を決定するために、一実施形態では、次のシーケンスを実行することができる。
１）行列Ａから行ａｉ１・・・ａｉＫを取る。
２）ａｉ１・・・ａｉＫで繰り返される単語を検索し、繰り返し単語の末尾に「_ｎ」を付ける。
３）前述のように、ａｉ１・・・ａｉＫをベクトルとして符号化する。
４）一組の行ｂｊ１・・・ｂｊＫを行列Ｂから取る。ここで、一実施形態では、ｊ＝ｉ－３からｉ＋３である。実施形態に応じて、フォーカスの行の前または後に、より多くまたはより少数の行を選択することができる。少なくとも３つの行（すなわち、フォーカス行の少なくとも前の１行および後の１行）を見る理由は、図２Ａおよび２Ｂに関して上述した例のように、特定のフィールドラベルに関連付けられて記入されたテキストが、それぞれの記入済みフォームにおいて異なる行数を占める可能性のある状況を説明することである。
５）前述のように、ａｉ１・・・ａｉＫに関してｂｊ１・・・ｂｊＫの各行を符号化する。
６）ｂｊ１・・・ｂｊＫの各行の最長増加サブシーケンスを見つけることにより、ａｉ１・・・ａｉＫとｂｊ１・・・ｂｊＫの間の最良の一致を見つける。ここで、ｊ＝ｉ－３からｉ＋３である。
７）ｉ＝ｉ＋１を増加させて次の行に移動する。
【数1】
式中、それぞれ、ａｉ１・・・ａｉＫは、第１の画像に対する一組の単語で、行列Ａの行であり、ｂｊ１・・・ｂｊＫは、第２の画像に対する一組の単語で、行列Ｂの行である。行列Ａの行と行列Ｂの行との対応を決定するために、一実施形態では、次のシーケンスを実行することができる。
１）行列Ａから行ａｉ１・・・ａｉＫを取る。
２）ａｉ１・・・ａｉＫで繰り返される単語を検索し、繰り返し単語の末尾に「_ｎ」を付ける。
３）前述のように、ａｉ１・・・ａｉＫをベクトルとして符号化する。
４）一組の行ｂｊ１・・・ｂｊＫを行列Ｂから取る。ここで、一実施形態では、ｊ＝ｉ－３からｉ＋３である。実施形態に応じて、フォーカスの行の前または後に、より多くまたはより少数の行を選択することができる。少なくとも３つの行（すなわち、フォーカス行の少なくとも前の１行および後の１行）を見る理由は、図２Ａおよび２Ｂに関して上述した例のように、特定のフィールドラベルに関連付けられて記入されたテキストが、それぞれの記入済みフォームにおいて異なる行数を占める可能性のある状況を説明することである。
５）前述のように、ａｉ１・・・ａｉＫに関してｂｊ１・・・ｂｊＫの各行を符号化する。
６）ｂｊ１・・・ｂｊＫの各行の最長増加サブシーケンスを見つけることにより、ａｉ１・・・ａｉＫとｂｊ１・・・ｂｊＫの間の最良の一致を見つける。ここで、ｊ＝ｉ－３からｉ＋３である。
７）ｉ＝ｉ＋１を増加させて次の行に移動する。
【0028】
先ほど説明したプロセスのｉ番目の繰り返しの後、２つの画像からそれぞれ２つのテキスト行、ｌ１とｌ２を関連付けることになり、次のステップは、次の行に進む前にｌ１とｌ２をアラインすることである。ｌ１とｌ２のアライメントは、２つのテキスト行の間の画像スケールやフォントサイズの違いなどの考慮のために必要となり得る。正しいアライメントを決定するために、一実施形態では、ｌ１とｌ２の各単語は、文字または単語にセグメント化されてもよい。テキスト行はベクトル一致に基づいて照合されているため、２つのテキスト行の間には共通する文字や単語が存在する可能性が高く、これによりスケーリングを実行できる。共通の文字または単語が見つからない場合、共通の文字がないということは、これら２つの行に共通のキーワードが存在しないことを意味する。この場合、プロセスは、前述したように、他のテキスト行のペアを処理するために続行することができる。
【0029】
一実施形態では、テキスト行をアラインさせる能力に関して、プロセスの一定数の失敗の後、アライメントが失敗したと推定することができる。このような失敗は、記入済みフォームの一方または両方が比較される画像品質、または記入済みフォームの一方または両方のアーティファクト、または通常当業者が理解するであろうその他の技術的理由のために起こり得る。その場合、別の記入済みフォームを、比較したばかりの記入済みフォームの１つに置き換えてもよく、または別の記入済みフォームのペアを選択してもよく、このプロセスが繰り返される。
【0030】
２つのテキスト行ｌ１とｌ２の間に共通の文字または単語がある場合、２つのテキスト行のスケールＳｘとＳｙを計算するためのシードとして、ｌ１とｌ２の両方に共通する文字または単語のグループを識別できる。例えば、図５の下方を見て、バウンディングボックスは、それぞれのテキスト行内の各単語の周囲に描かれてもよい。
【0031】
上記の算出されたスケールＳｘとＳｙを使用すると、ｌ１内の単語のバウンディングボックスはすべて、ｌ２と同じスケールにすることができる。次いで、図５に示すように、ｌ２内の各単語は、そのバウンディングボックスの位置に基づいて、ｌ１内の対応する単語にアラインされ得る。一実施形態では、削除および挿入操作を介して編集距離を最小化することによって、ｌ１とｌ２との間の各対応する単語の文字に対して、さらなるアライメントを行うことができる。アライメント後、図５の中央に示すように、文字ヒストグラムを構築することができる。文字ヒストグラムでは、ｘ軸はテキスト行の単語の文字を表し、ｙ軸は単語に出現する文字数を表す。より頻繁に出現する文字は、より高い線で表される。
【0032】
さらに、単語ヒストグラムは、文字ヒストグラムの上に構築することができ、ここで、ｘ軸はテキスト行内の単語を表し、ｙ軸は単語内の文字の基礎分布（ｕｎｄｅｒｌｙｉｎｇ ｄｉｓｔｒｉｂｕｔｉｏｎ）の密度を表す。ここで密度の範囲は［０，１］であり、以下の式を使用する。
式中、ρは単語内の文字の基礎分布の密度、ｍはテキスト行の数、ｎは単語内の文字の数、ｆｉは単語内のｉ番目の文字のカウントである。文字ヒストグラムと単語ヒストグラムはヒストグラム階層を形成し、いくつかのフォーム画像を与えられたフィールドラベルを識別するために使用することができる。より高い密度値を持つ隣接単語のグループは、抽出されるフィールドラベルであると決定される。この抽出により、図６に示されるもののような空白のフォームを作成することができ、ここで、フィールドラベル６０５から６５０は、図２Ａのフィールドラベル２０５から２５０に対応する。
【数2】
式中、ρは単語内の文字の基礎分布の密度、ｍはテキスト行の数、ｎは単語内の文字の数、ｆｉは単語内のｉ番目の文字のカウントである。文字ヒストグラムと単語ヒストグラムはヒストグラム階層を形成し、いくつかのフォーム画像を与えられたフィールドラベルを識別するために使用することができる。より高い密度値を持つ隣接単語のグループは、抽出されるフィールドラベルであると決定される。この抽出により、図６に示されるもののような空白のフォームを作成することができ、ここで、フィールドラベル６０５から６５０は、図２Ａのフィールドラベル２０５から２５０に対応する。
【0033】
前述の説明は、プロセスの開始時に受領された２つの記入済みフォームが、一致、アライメント、スケーリングを行うことができ、それらの２つのフォームのみからフィールドラベルを決定するために文字と単語のヒストグラムが作成されるという仮定に基づいている。場合によっては、追加の記入済みフォームを比較に追加する必要がある。その場合、構築された単語行列Ａ、ＢおよびＣを有する３つの画像、ならびに行列ＡとＢ間および行列ＡとＣ間の識別された行対応を見ると、次のプロセスが提供され得る。
１）行列Ａから、および行列ＢとＣの対応する行から、単語の一行を取り出す。
２）行列ＢとＣの単語の行を行列Ａの単語の行にアラインする。
３）３つのアラインされた行を使用してヒストグラムを作成する。
４）この行の階層ヒストグラムに基づいてキーワードをローカライズする。
５）すべての行が処理されるまで、１から４を繰り返す。
１）行列Ａから、および行列ＢとＣの対応する行から、単語の一行を取り出す。
２）行列ＢとＣの単語の行を行列Ａの単語の行にアラインする。
３）３つのアラインされた行を使用してヒストグラムを作成する。
４）この行の階層ヒストグラムに基づいてキーワードをローカライズする。
５）すべての行が処理されるまで、１から４を繰り返す。
【0034】
図４Ａおよび図４Ｂは、一実施形態による前述のプロセスのためのフローを説明する。４０１では、同じ記入済みフォームの多数のバージョンが受領される。具体的に説明した実施形態では、この時点で２つまたは３つのバージョンを受け取ることができるが、いずれにしても、その数は大きくない。４０３では、画像処理が実行され、記入済みフォームの各々の行画像を識別する。４０５では、テキスト文字列が行画像から作成される。４０７では、記入済みフォームごとにテキスト文字列の行列が作成される。４０９では、それぞれの行列の行の比較の最初の繰り返しが、変数ｍが１に設定された状態で始まる。
【0035】
４１１では、第１の行列に対して、テキスト文字列内で、複数回出現する単語が識別される。４１３では、指定された単語を使用して、テキスト文字列ごとにベクトルが作成される。４１５では、同じ単語がテキスト文字列内で識別され、ベクトル内のその位置にある同じ番号が割り当てられる。
【0036】
４１７では、プロセスが、作業中の行の前後に所定数の行（ｘは整数）を見ることができるように、行列を十分に下っている行画像上で作業するのに十分に沿っているかどうかを確認する決定が行われる。そうでない場合（４１７で「Ｎｏ」）、４１９で、ｍ番目の行のベクトルが使用され、フローは４２９に進み、これについて説明する。プロセスが十分に沿っている場合（４１７で「Ｙｅｓ」）、４２１で、別の行列に対してｍ－ｘからｍ＋ｘまでの多数のテキスト文字列が選択され、４２３で、各テキスト文字列内の識別された単語を使用して、それらのテキスト文字列の各々に対してベクトルが作成される。前述と同様に、同じ単語を含む各テキスト文字列のベクトル位置にも同じ番号が割り当てられる。
【0037】
４２７で、第１の行列の行ｍと、別の行列の行ｍ－ｘからｍ＋ｘとの間の最良のベクトル一致を見つけることができる。（行列Ａ、Ｂ、およびＣの説明と同様に、４２７は、ＡＩベースのシステムを訓練するためのトレーニングセットを得るために必要な数と比較して、２つの行列間、または３つの行列間、またはいずれかの場合において、非常に小さい数の間の比較であり得る。）４２９では、テキスト行は、一致したベクトルに対応してアラインされる。
【0038】
ベクトルを一致させると、４３３では、スケーリングがテキスト行に同じスケールを与えることが可能であるかどうかが決定される。そうでない場合（４３３で「Ｎｏ」）、４３５で第１の行列のすべての行が処理されたかどうかがチェックされる。そうでない場合（４３５で「Ｎｏ」）、４３７でｍが増加され、フローは４１１に戻る。第１の行列のすべての行が処理された場合（４３５で「Ｙｅｓ」）、４３９で、同じ記入済みフォームのバージョンまたは更なるバージョンが受領され、フローは４０３に戻る。
【0039】
スケーリングが可能な場合（４３３で「Ｙｅｓ」）、４４１では、テキスト行ごとに文字および／または単語の中からシードが識別され、スケールが算出される。４４３では、算出されたスケールが、比較対象のテキスト行に同じスケールを与えるために使用される。ここでも、比較対象のテキスト行数は、実施形態において比較される行列の数に応じて、２つまたは３つであってもよく、あるいは、おそらく数行多くではあるが、いずれの場合でも、ＡＩベースのシステムを訓練するためのトレーニングセットを得るために必要な数に比べて、はるかに少ない数であり得る。
【0040】
４４５では、スケーリングが達成された後、文字ヒストグラムは、テキスト行内の文字に対して構築され得る。次いで、４４７では、テキスト行内の単語に対して単語ヒストグラムが構築され得る。この後、４４９では、フィールドラベルがヒストグラムから識別され得、ヒストグラムのY軸に沿って表されるように、フィールドラベル内の単語中の文字（４４５）およびフィールドラベル内の単語（４４７）を示す、より高い数が示される。
【0041】
４５１では、フォームのすべてのフィールドラベルが識別されている場合（４５１で「Ｙｅｓ」）、４５３では、フィールドラベルを持つ空白のフォームが生成され得る。すべてのフィールドラベルが生成されていない場合（４５１で「Ｎｏ」）、４５５で第１の行列のすべての行が処理されたかどうかがチェックされる。そうでない場合（４５５で「Ｎｏ」）、４３７でｍが増加され、フローは４１１に戻る。第１の行列のすべての行が処理された場合（４５５で「Ｙｅｓ」）、４３９で、同じ記入済みフォームのバージョンまたは更なるバージョンが受領され、フローは４０３に戻る。
【0042】
本発明の態様を様々な図面を参照して詳細に説明したが、当業者であれば、本発明の範囲および精神の範囲内で多数の変更があり得ることを理解するであろう。従って、本発明は以下の特許請求の範囲によってのみ限定される。
【図1】
【図2A】
【図2B】
【図3】
【図4A】
【図4B】
【図5】
【図6】
【手続補正書】
【提出日】2023-10-31
【手続補正1】
【補正対象書類名】特許請求の範囲
【補正対象項目名】全文
【補正方法】変更
【補正の内容】
【特許請求の範囲】
【請求項1】
ａ． 画像として記入済みフォームの複数のバージョンの受領に応じて、前記画像を処理し、各バージョンの各行についてテキスト文字列を生成することと、
ｂ． 各バージョンについて、テキスト文字列の複数の行の行列を生成することと、
各バージョンの各行について、
ｃ． １つのバージョンの行と別のバージョンの当該行のベクトルの所定の行数内の複数のベクトルの１つとの最良の一致を生成することと、
ｄ． その行にあるテキスト文字列の複数の文字について文字ヒストグラムを構築することと、
ｅ． その行にあるテキスト文字列の複数の単語について単語ヒストグラムを構築することを備える、コンピュータ実施方法であって、
前記方法が、
ｆ． 前記最良の一致の生成に応じて、前記文字ヒストグラムと前記単語ヒストグラムから前記記入済みフォームのフィールドラベルを識別することと、
ｇ． 前記識別されたフィールドラベルを有する空白のフォームを生成することを更に備える、コンピュータ実施方法。
ｂ． 各バージョンについて、テキスト文字列の複数の行の行列を生成することと、
各バージョンの各行について、
ｃ． １つのバージョンの行と別のバージョンの当該行のベクトルの所定の行数内の複数のベクトルの１つとの最良の一致を生成することと、
ｄ． その行にあるテキスト文字列の複数の文字について文字ヒストグラムを構築することと、
ｅ． その行にあるテキスト文字列の複数の単語について単語ヒストグラムを構築することを備える、コンピュータ実施方法であって、
前記方法が、
ｆ． 前記最良の一致の生成に応じて、前記文字ヒストグラムと前記単語ヒストグラムから前記記入済みフォームのフィールドラベルを識別することと、
ｇ． 前記識別されたフィールドラベルを有する空白のフォームを生成することを更に備える、コンピュータ実施方法。
【請求項2】
前記ａ．におけるバージョンの数が、２または３である、請求項１に記載のコンピュータ実施方法。
【請求項3】
前記所定の行数が３である、請求項１又は２に記載のコンピュータ実施方法。
【請求項4】
前記処理することが、各記入済みフォームの行画像を識別すること、および前記識別された行画像のそれぞれからテキスト文字列を生成することを備える、請求項１又は２に記載のコンピュータ実施方法。
【請求項5】
前記最良の一致の生成に応じて、前記最良の一致の複数のベクトルに対応するそれぞれのテキスト行をアラインすることを更に備える、請求項１又は２に記載のコンピュータ実施方法。
【請求項6】
前記アラインすることが、前記それぞれのテキスト行のテキストが同じ大きさになるように、前記それぞれのテキスト行のテキストをスケーリングすることを備える、請求項５に記載のコンピュータ実施方法。
【請求項7】
前記スケーリングすることが、前記それぞれのテキスト行内の同じ文字を識別することと、前記識別された文字にスケーリングを実行することとを備える、請求項６に記載のコンピュータ実施方法。
【請求項8】
前記最良の一致の生成が、
ａ． 前記テキスト文字列の識別された単語を使用して、前記テキスト文字列の識別された各単語のベクトルに番号を割り当てて、その行にある前記テキスト文字列のベクトルを作成することと、
ｂ． １つのバージョンの前記行のベクトルと別のバージョンの当該行の前記ベクトルの所定の行数内の複数のベクトルとを比較することと、
ｃ． 前記比較に応じて、前記最良の一致を生成することを備える、請求項１又は２に記載のコンピュータ実施方法。
ａ． 前記テキスト文字列の識別された単語を使用して、前記テキスト文字列の識別された各単語のベクトルに番号を割り当てて、その行にある前記テキスト文字列のベクトルを作成することと、
ｂ． １つのバージョンの前記行のベクトルと別のバージョンの当該行の前記ベクトルの所定の行数内の複数のベクトルとを比較することと、
ｃ． 前記比較に応じて、前記最良の一致を生成することを備える、請求項１又は２に記載のコンピュータ実施方法。
【請求項9】
各バージョンにおける各行について、前記テキスト文字列のそれぞれで複数回出現する複数の単語を識別することと、複数回出現する前記複数の単語のそれぞれについて、当該単語が出現するベクトルの各位置に同じ番号を割り当てることとを更に備える、請求項８に記載のコンピュータ実施方法。
【請求項10】
前記単語ヒストグラムのｘ軸はテキスト行の複数の単語を表し、前記単語ヒストグラムのｙ軸は前記単語内の複数の文字の基礎分布の密度を表しており、
前記密度の範囲は［０，１］であり、次の式を使用し、
ここで、ρは単語内の複数の文字の基礎分布の密度であり、ｍはテキスト行の数、ｎは前記単語内の複数の文字の数、ｆｉは前記単語内のｉ番目の文字の番号である、請求項１又は２に記載のコンピュータ実施方法。
前記密度の範囲は［０，１］であり、次の式を使用し、
【数1】
ここで、ρは単語内の複数の文字の基礎分布の密度であり、ｍはテキスト行の数、ｎは前記単語内の複数の文字の数、ｆｉは前記単語内のｉ番目の文字の番号である、請求項１又は２に記載のコンピュータ実施方法。
【請求項11】
プロセッサと、
前記プロセッサによって実行されると、方法を実行する指示を記憶する非一時的なメモリとを備えるシステムであって、
前記方法は、
ａ． 画像として記入済みフォームの複数のバージョンの受領に応じて、前記画像を処理し、各バージョンの各行についてテキスト文字列を生成することと、
ｂ． 各バージョンについて、テキスト文字列の複数の行の行列を生成することと、
各バージョンの各行について、
ｃ． １つのバージョンの行と別のバージョンの当該行のベクトルの所定の行数内の複数のベクトルの１つとの最良の一致を生成することと、
ｄ． その行にあるテキスト文字列の複数の文字について文字ヒストグラムを構築することと、
ｅ． その行にあるテキスト文字列の複数の単語について単語ヒストグラムを構築することを備え、
前記方法が、
ｆ． 前記最良の一致の生成に応じて、前記文字ヒストグラムと前記単語ヒストグラムから前記記入済みフォームのフィールドラベルを識別することと、
ｇ． 前記識別されたフィールドラベルを有する空白のフォームを生成することを更に備える、システム。
前記プロセッサによって実行されると、方法を実行する指示を記憶する非一時的なメモリとを備えるシステムであって、
前記方法は、
ａ． 画像として記入済みフォームの複数のバージョンの受領に応じて、前記画像を処理し、各バージョンの各行についてテキスト文字列を生成することと、
ｂ． 各バージョンについて、テキスト文字列の複数の行の行列を生成することと、
各バージョンの各行について、
ｃ． １つのバージョンの行と別のバージョンの当該行のベクトルの所定の行数内の複数のベクトルの１つとの最良の一致を生成することと、
ｄ． その行にあるテキスト文字列の複数の文字について文字ヒストグラムを構築することと、
ｅ． その行にあるテキスト文字列の複数の単語について単語ヒストグラムを構築することを備え、
前記方法が、
ｆ． 前記最良の一致の生成に応じて、前記文字ヒストグラムと前記単語ヒストグラムから前記記入済みフォームのフィールドラベルを識別することと、
ｇ． 前記識別されたフィールドラベルを有する空白のフォームを生成することを更に備える、システム。
【請求項12】
前記ａ．におけるバージョンの数が、２または３である、請求項１１に記載のシステム。
【請求項13】
前記所定の行数が３である、請求項１１又は１２に記載のシステム。
【請求項14】
前記処理することが、各記入済みフォームの行画像を識別すること、および前記識別された行画像のそれぞれからテキスト文字列を生成することを備える、請求項１１又は１２に記載のシステム。
【請求項15】
前記方法が、前記最良の一致の生成に応じて、前記最良の一致の複数のベクトルに対応するそれぞれのテキスト行をアラインすることを更に備える、請求項１１又は１２に記載のシステム。
【請求項16】
前記アラインすることが、前記それぞれのテキスト行のテキストが同じ大きさになるように、前記それぞれのテキスト行のテキストをスケーリングすることを備える、請求項１５に記載のシステム。
【請求項17】
前記スケーリングすることが、前記それぞれのテキスト行内の同じ文字を識別することと、前記識別された文字にスケーリングを実行することとを備える、請求項１６に記載のシステム。
【請求項18】
前記最良の一致の生成が、
ａ． 前記テキスト文字列の識別された単語を使用して、前記テキスト文字列の識別された各単語のベクトルに番号を割り当てて、その行にある前記テキスト文字列のベクトルを作成することと、
ｂ． １つのバージョンの前記行のベクトルと別のバージョンの当該行の前記ベクトルの所定の行数内の複数のベクトルとを比較することと、
ｃ． 前記比較に応じて、前記最良の一致を生成することを備える、請求項１１又は１２に記載のシステム。
ａ． 前記テキスト文字列の識別された単語を使用して、前記テキスト文字列の識別された各単語のベクトルに番号を割り当てて、その行にある前記テキスト文字列のベクトルを作成することと、
ｂ． １つのバージョンの前記行のベクトルと別のバージョンの当該行の前記ベクトルの所定の行数内の複数のベクトルとを比較することと、
ｃ． 前記比較に応じて、前記最良の一致を生成することを備える、請求項１１又は１２に記載のシステム。
【請求項19】
前記方法が、各バージョンにおける各行について、前記テキスト文字列のそれぞれで複数回出現する複数の単語を識別することと、複数回出現する前記複数の単語のそれぞれについて、当該単語が出現するベクトルの各位置に同じ番号を割り当てることとを更に備える、請求項１１又は１２に記載のシステム。
【請求項20】
前記単語ヒストグラムのｘ軸はテキスト行の複数の単語を表し、前記単語ヒストグラムのｙ軸は前記単語内の複数の文字の基礎分布の密度を表しており、
前記密度の範囲は［０，１］であり、次の式を使用し、
ここで、ρは単語内の複数の文字の基礎分布の密度であり、ｍはテキスト行の数、ｎは前記単語内の複数の文字の数、ｆｉは前記単語内のｉ番目の文字の番号である、請求項１１又は１２に記載のシステム。
前記密度の範囲は［０，１］であり、次の式を使用し、
【数2】
ここで、ρは単語内の複数の文字の基礎分布の密度であり、ｍはテキスト行の数、ｎは前記単語内の複数の文字の数、ｆｉは前記単語内のｉ番目の文字の番号である、請求項１１又は１２に記載のシステム。
【外国語明細書】