特表 2024-544791 テキスト検出のための技術

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公表特許公報(A)

(11)【公表番号】

(43)【公表日】2024-12-04

(54)【発明の名称】テキスト検出のための技術

(51)【国際特許分類】

   G06T 7/11 20170101AFI20241127BHJP

   G06T 7/00 20170101ALI20241127BHJP

   G06V 30/14 20220101ALI20241127BHJP

【ＦＩ】

G06T7/11

G06T7/00 350B

G06V30/14 340A

【審査請求】未請求

【予備審査請求】未請求

(21)【出願番号】P 2024537925

(86)(22)【出願日】2022-12-12

(85)【翻訳文提出日】2024-06-21

(86)【国際出願番号】 EP2022085464

(87)【国際公開番号】W WO2023117557

(87)【国際公開日】2023-06-29

(31)【優先権主張番号】17/558,937

(32)【優先日】2021-12-22

(33)【優先権主張国・地域又は機関】US

(81)【指定国・地域】

(71)【出願人】

【識別番号】390009531

【氏名又は名称】インターナショナル・ビジネス・マシーンズ・コーポレーション

【氏名又は名称原語表記】ＩＮＴＥＲＮＡＴＩＯＮＡＬ ＢＵＳＩＮＥＳＳ ＭＡＣＨＩＮＥＳ ＣＯＲＰＯＲＡＴＩＯＮ

【住所又は居所原語表記】Ｎｅｗ Ｏｒｃｈａｒｄ Ｒｏａｄ， Ａｒｍｏｎｋ， Ｎｅｗ Ｙｏｒｋ １０５０４， Ｕｎｉｔｅｄ Ｓｔａｔｅｓ ｏｆ Ａｍｅｒｉｃａ

(74)【代理人】

【識別番号】100112690

【弁理士】

【氏名又は名称】太佐 種一

(74)【代理人】

【識別番号】100120710

【弁理士】

【氏名又は名称】片岡 忠彦

(74)【復代理人】

【識別番号】110000420

【氏名又は名称】弁理士法人ＭＩＰ

(72)【発明者】

【氏名】アズライ、オフィール

(72)【発明者】

【氏名】バーズレイ、ウディ

(72)【発明者】

【氏名】ナパステク、オシュリ、ペサー

【テーマコード（参考）】

5B029

5L096

【Ｆターム（参考）】

5B029CC25

5L096BA17

5L096DA02

5L096EA03

5L096FA16

5L096FA44

5L096GA51

5L096JA25

5L096KA04

(57)【要約】

いくつかの例では、画像内のテキストを検出するためのシステムは、アップスケールされたテキストの画像を使用して訓練されたテキスト検出モデルを記憶するメモリ・デバイスと、画像に対してテキスト検出を実行して、画像内の潜在テキストを識別する原バウンディング・ボックスを生成するように構成されるプロセッサとを含む。プロセッサは、また、閾値サイズ未満のバウンディング・ボックスに関連付けられた画像のアップスケールされた部分を含む二次画像を生成し、二次画像に対してテキスト検出を実行して、二次画像内の潜在テキストを識別する二次バウンディング・ボックスを生成するように構成される。プロセッサはまた、原バウンディング・ボックスを二次バウンディング・ボックスと比較して、偽陽性である原バウンディング・ボックスを識別し、原バウンディング・ボックスを含む画像ファイルを生成するように構成され、偽陽性として識別された原バウンディング・ボックスが除去される。

【特許請求の範囲】

【請求項1】

画像内のテキストを検出するためのシステムであって、
アップスケールされたテキストの画像を使用して訓練されたテキスト検出モデルを記憶する、メモリ・デバイスと、
プロセッサであって、
前記テキスト検出モデルを使用して、画像に対してテキスト検出を実行して、前記画像内の潜在テキストを識別する原バウンディング・ボックスを生成し、
閾値サイズ未満のバウンディング・ボックスに関連付けられた前記画像のアップスケールされた部分を含む二次画像を生成し、
前記テキスト検出モデルを使用して、前記二次画像に対してテキスト検出を実行して、前記二次画像内の潜在テキストを識別する二次バウンディング・ボックスを生成し、
前記原バウンディング・ボックスを前記二次バウンディング・ボックスと比較して、偽陽性である原バウンディング・ボックスを識別し、
前記原バウンディング・ボックスを含む画像ファイルを生成し、偽陽性として識別された前記原バウンディング・ボックスは除去される、前記プロセッサと
を備えるシステム。

【請求項2】

前記プロセッサは、前記画像ファイルをテキスト認識アルゴリズムで処理して、機械符号化テキストを含むテキスト文書を生成する、請求項１に記載のシステム。

【請求項3】

前記原バウンディング・ボックスを前記二次バウンディング・ボックスと比較して、偽陽性である原バウンディング・ボックスを識別することは、
二次バウンディング・ボックスが、前記原バウンディング・ボックスのうちの特定の１つに関連付けられた前記画像の一部に対して生成されているかどうかを判定することと、
二次バウンディング・ボックスが生成されていない場合に、前記原バウンディング・ボックスのうちの前記特定の１つを偽陽性として識別することと
を含む、請求項１に記載のシステム。

【請求項4】

前記原バウンディング・ボックスを前記二次バウンディング・ボックスと比較して、偽陽性である原バウンディング・ボックスを識別することは、前記二次バウンディング・ボックスのそれぞれに対して、
前記二次バウンディング・ボックスを対応する原バウンディング・ボックスと比較して、類似度を決定することと、
前記類似度を類似度閾値と比較することと、
前記類似度が前記類似度閾値未満である場合に、前記対応する原バウンディング・ボックスを偽陽性として識別することと
を含む、請求項１に記載のシステム。

【請求項5】

類似度を決定することは、前記二次バウンディング・ボックスおよび対応する原バウンディング・ボックスについてのジャッカード係数を計算することを含む、請求項４に記載のシステム。

【請求項6】

前記類似度閾値は、０．８～０．９のジャッカード係数である、請求項４に記載のシステム。

【請求項7】

前記閾値サイズは、１０ピクセル未満の閾値高さであり、前記画像の前記アップスケールされた部分が、２より大きな倍数でアップスケールされる、請求項１に記載のシステム。

【請求項8】

前記メモリ・デバイスは、前記アップスケールされたテキストの前記画像を記憶し、前記プロセッサは、前記アップスケールされたテキストの前記画像を使用して前記テキスト検出モデルを訓練する、請求項１に記載のシステム。

【請求項9】

前記テキスト検出モデルを訓練するために使用される前記アップスケールされたテキストの前記画像は、３以上の倍数でアップスケールされた１０ピクセル未満の元の高さを有するテキスト画像を含む、請求項８に記載のシステム。

【請求項10】

前記画像は、
スキャンされた文書、
およびカメラでキャプチャされた画像
のうちの１つである、請求項１に記載のシステム。

【請求項11】

画像内のテキストを検出する方法であって、
画像に対してテキスト検出を実行して、前記画像内の潜在テキストを識別する原バウンディング・ボックスを生成することと、
閾値サイズ未満のバウンディング・ボックスに関連付けられた前記画像のアップスケールされた部分を含む二次画像を生成することと、
前記二次画像に対してテキスト検出を実行して、前記二次画像内の潜在的テキストを識別する二次バウンディング・ボックスを生成することと、
前記原バウンディング・ボックスを前記二次バウンディング・ボックスと比較して、偽陽性である原バウンディング・ボックスを識別することと、
前記原バウンディング・ボックスを含む画像ファイルを生成することであって、偽陽性として識別された前記原バウンディング・ボックスは除去される、前記生成することと、
前記画像ファイルをテキスト認識アルゴリズムで処理して、機械符号化テキストを含むテキスト文書を生成することと
を含む方法。

【請求項12】

前記原バウンディング・ボックスを前記二次バウンディング・ボックスと比較して、偽陽性である原バウンディング・ボックスを識別することは、
二次バウンディング・ボックスが、前記原バウンディング・ボックスのうちの特定の１つに関連付けられた前記画像の一部に対して生成されているかどうかを判定することと、
二次バウンディング・ボックスが生成されていない場合に、前記原バウンディング・ボックスのうちの前記特定の１つを偽陽性として識別することと
を含む、請求項１１に記載の方法。

【請求項13】

前記原バウンディング・ボックスを前記二次バウンディング・ボックスと比較して、偽陽性である原バウンディング・ボックスを識別することは、前記二次バウンディング・ボックスのそれぞれに対して、
前記二次バウンディング・ボックスを対応する原バウンディング・ボックスと比較して、類似度を決定することと、
前記類似度を類似度閾値と比較することと、
前記類似度が前記類似度閾値未満である場合に、前記対応する原バウンディング・ボックスを偽陽性として識別することと
を含む、請求項１１に記載の方法。

【請求項14】

類似度を決定することは、前記二次バウンディング・ボックスおよび対応する原バウンディング・ボックスについてのジャッカード係数を計算することを含む、請求項１３に記載の方法。

【請求項15】

前記閾値サイズは、１０ピクセル未満の閾値高さであり、前記画像の前記アップスケールされた部分は、２より大きな倍数でアップスケールされる、請求項１１に記載の方法。

【請求項16】

具現化されたプログラム命令を有するコンピュータ可読記憶媒体を含む、画像内のテキストを検出するためのコンピュータ・プログラム製品であって、前記コンピュータ可読記憶媒体は、一過性信号自体ではなく、前記プログラム命令は、
画像に対してテキスト検出を実行して、前記画像内の潜在テキストを識別する原バウンディング・ボックスを生成することと、
閾値サイズ未満のバウンディング・ボックスに関連付けられた前記画像のアップスケールされた部分を含む二次画像を生成することと、
前記二次画像に対してテキスト検出を実行して、前記二次画像内の潜在的テキストを識別する二次バウンディング・ボックスを生成することと、
前記原バウンディング・ボックスを前記二次バウンディング・ボックスと比較して、偽陽性である原バウンディング・ボックスを識別することと、
前記原バウンディング・ボックスを含む画像ファイルを生成することであって、偽陽性として識別された前記原バウンディング・ボックスは除去される、前記生成することと
をプロセッサに行わせるように、前記プロセッサによって実行可能である、コンピュータ・プログラム製品。

【請求項17】

前記原バウンディング・ボックスを前記二次バウンディング・ボックスと比較して、偽陽性である原バウンディング・ボックスを識別することは、
二次バウンディング・ボックスが、前記原バウンディング・ボックスのうちの特定の１つに関連付けられた前記画像の一部に対して生成されているかどうかを判定することと、
二次バウンディング・ボックスが生成されていない場合に、前記原バウンディング・ボックスのうちの前記特定の１つを偽陽性として識別することと
を含む、請求項１６に記載のコンピュータ・プログラム製品。

【請求項18】

前記原バウンディング・ボックスを前記二次バウンディング・ボックスと比較して、偽陽性である原バウンディング・ボックスを識別することは、前記二次バウンディング・ボックスのそれぞれに対して、
前記二次バウンディング・ボックスを対応する原バウンディング・ボックスと比較して、類似度を決定することと、
前記類似度を類似度閾値と比較することと、
前記類似度が前記類似度閾値未満である場合に、前記対応する原バウンディング・ボックスを偽陽性として識別することと
を含む、請求項１６に記載のコンピュータ・プログラム製品。

【請求項19】

類似度を決定することが、前記二次バウンディング・ボックスおよび対応する原バウンディング・ボックスについてのジャッカード係数を計算することを含む、請求項１６に記載のコンピュータ・プログラム製品。

【請求項20】

前記閾値サイズが、１０ピクセル未満の閾値高さであり、前記画像の前記アップスケールされた部分が、２より大きな倍数でアップスケールされる、請求項１６に記載のコンピュータ・プログラム製品。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、画像内のテキストを検出するための技術に関する。

【背景技術】

【0002】

光学式文字認識は、タイプされた、または手書きのテキストの画像を機械符号化テキストに変換するための電子プロセスである。光学式文字認識には、データ入力、情報抽出、文書のスキャン画像を検索可能にすること、およびその他多くを含む、多数の用途がある。

【発明の概要】

【0003】

本明細書に記載される実施形態によれば、画像内のテキストを検出するためのシステムは、アップスケールされたテキストの画像を使用して訓練されたテキスト検出モデルを記憶するメモリ・デバイスと、テキスト検出モデルを使用して画像に対してテキスト検出を実行して、画像内の潜在テキストを識別する原バウンディング・ボックスを生成するプロセッサとを含み得る。プロセッサは、また、閾値サイズ未満のバウンディング・ボックスに関連付けられた画像のアップスケールされた部分を含む二次画像を生成し、テキスト検出モデルを使用して二次画像に対してテキスト検出を実行して、二次画像内の潜在テキストを識別する二次バウンディング・ボックスを生成するように構成される。プロセッサは、また、原バウンディング・ボックスを二次バウンディング・ボックスと比較して、偽陽性である原バウンディング・ボックスを識別し、原バウンディング・ボックスを含む画像ファイルを生成するように構成され、偽陽性として識別された原バウンディング・ボックスが除去される。

【0004】

いくつかの実施形態では、画像内のテキストを検出する方法は、画像に対してテキスト検出を実行して、画像内の潜在テキストを識別する原バウンディング・ボックスを生成することを含み得る。方法は、また、閾値サイズ未満のバウンディング・ボックスに関連付けられた画像のアップスケールされた部分を含む二次画像を生成することと、二次画像に対してテキスト検出を実行して、二次画像内の潜在テキストを識別する二次バウンディング・ボックスを生成することとを含む。方法は、また、原バウンディング・ボックスを二次バウンディング・ボックスと比較して、偽陽性である原バウンディング・ボックスを識別することと、原バウンディング・ボックスを含む画像ファイルを生成することであって、偽陽性として識別された原バウンディング・ボックスが除去される、生成することとを含む。方法は、また、画像ファイルをテキスト認識アルゴリズムで処理して、機械符号化テキストを含むテキスト文書を生成することを含み得る。

【0005】

さらに別の実施形態では、画像内のテキストを検出するためのコンピュータ・プログラム製品は、具現化されたプログラム命令を有するコンピュータ可読記憶媒体を含むことができ、コンピュータ可読記憶媒体は、一過性信号自体ではない。プログラム命令は、プロセッサが画像に対してテキスト検出を実行して、画像内の潜在テキストを識別する原バウンディング・ボックスを生成するように、プロセッサによって実行可能である。また、プログラム命令により、プロセッサは、閾値サイズ未満のバウンディング・ボックスに関連付けられた画像のアップスケールされた部分を含む二次画像を生成して、二次画像に対してテキスト検出を実行し、二次画像内の潜在テキストを識別する二次バウンディング・ボックスを生成する。また、プログラム命令により、プロセッサは、原バウンディング・ボックスを二次バウンディング・ボックスと比較して、偽陽性である原バウンディング・ボックスを識別し、原バウンディング・ボックスを含む画像ファイルを生成し、偽陽性として識別された原バウンディング・ボックスは除去される。

【0006】

ここで、本発明の実施形態について、単なる例として、添付図面を参照しながら説明する。

【図面の簡単な説明】

【0007】

【図1】本明細書に記載される実施形態による、画像内のテキストを認識するように構成されたコンピューティング・デバイスの例を示す図である。

【図2A】本明細書に記載される実施形態による、画像内のテキストを検出するための技術の例示を示す図である。

【図2B】本明細書に記載される実施形態による、画像内のテキストを検出するための技術の例示を示す図である。

【図2C】本明細書に記載される実施形態による、画像内のテキストを検出するための技術の例示を示す図である。

【図2D】本明細書に記載される実施形態による、画像内のテキストを検出するための技術の例示を示す図である。

【図3】本明細書に記載される実施形態による、画像内のテキストを検出する方法の例のプロセス・フロー図である。

【発明を実施するための形態】

【0008】

本開示では、文書中のテキスト画像を自動的に識別するための技術について説明する。多くの光学式文字認識アルゴリズムでは、テキスト画像を符号化された文字に変換するための最初のステップが、テキストの存在を検出することを伴う。回帰ベース・テキスト検出、セグメンテーション・ベース・テキスト検出など、テキストを検出するためのさまざまな技術が存在する。しかしながら、このような方法では、小さなフォントのテキストを検出することが困難である場合がある。例えば、９ピクセル未満のサイズのテキストは、見逃される傾向にあることがある。

【0009】

本技術の実施形態は、小さなテキストを識別するためのテキスト検出技術を提供する。実施形態によれば、テキスト検出モデルは、アップサンプリングされた小さなテキストに対して訓練される。訓練済みのテキスト検出モデルを使用してターゲット文書がその後処理され、その結果、検出されたテキストを囲むバウンディング・ボックスのリストが得られる。最初のパスの後、小さなバウンディング・ボックスはテキストを含むことがあり、または偽陽性検出の結果であることもある。偽陽性を除外するために、閾値サイズ未満のバウンディング・ボックスに対応する画像が、アップスケールされ、新たな画像にコピーされる。新たな画像は、新たな画像内の各バウンディング・ボックスが、実際にテキストを含むかどうか、またはいくつかのバウンディング・ボックスが偽陽性を表すかどうかを確認するために、訓練済みテキスト検出モデルを使用して処理される。

【0010】

ここで図１を参照すると、画像内のテキストを認識するように構成されたコンピューティング・デバイスの例が示されている。コンピューティング・デバイス１００は、例えば、サーバ、デスクトップ・コンピュータ、ラップトップ・コンピュータ、タブレット・コンピュータ、またはスマートフォンであってもよい。いくつかの例では、コンピューティング・デバイス１００は、クラウド・コンピューティング・ノードであってもよい。コンピューティング・デバイス１００は、コンピュータ・システムによって実行される、プログラム・モジュールなどのコンピュータ・システム実行可能命令の一般的な文脈で説明され得る。一般に、プログラム・モジュールは、特定のタスクを実行するかまたは特定の抽象データ型を実装する、ルーチン、プログラム、オブジェクト、コンポーネント、ロジック、データ構造などを含み得る。コンピューティング・デバイス１００は、通信ネットワークを通してリンクされたリモート処理デバイスによってタスクが実行される、分散クラウド・コンピューティング環境において実施され得る。分散クラウド・コンピューティング・プログラム環境では、プログラム・モジュールは、メモリ記憶デバイスを含む、ローカルおよびリモート両方のコンピュータ・システム記憶媒体に位置し得る。

【0011】

コンピューティング・デバイス１００は、記憶された命令を実行するように適合されたプロセッサ１０２と、動作中に前記命令の動作のために一時メモリ空間を提供するメモリ・デバイス１０４とを含み得る。プロセッサは、シングルコア・プロセッサ、マルチコア・プロセッサ、コンピューティング・クラスタ、または任意の数の他の構成であってもよい。メモリ１０４は、ランダム・アクセス・メモリ（ＲＡＭ）、リード・オンリ・メモリ、フラッシュ・メモリ、または任意の他の適当なメモリ・システムを含み得る。

【0012】

プロセッサ１０２は、コンピューティング・デバイス１００を１つまたは複数のＩ／Ｏデバイス１１０に接続するように適合された入力／出力（Ｉ／Ｏ）デバイス・インターフェース１０８に、システム相互接続１０６（例えば、ＰＣＩ（登録商標）、ＰＣＩ－Ｅｘｐｒｅｓｓ（登録商標）など）を通して接続され得る。Ｉ／Ｏデバイス１１０は、例えば、キーボードおよびポインティング・デバイスを含んでもよく、ポインティング・デバイスは、具体的にはタッチパッドまたはタッチスクリーンを含んでもよい。Ｉ／Ｏデバイス１１０は、コンピューティング・デバイス１００のビルトイン・コンポーネントであってもよいし、またはコンピューティング・デバイス１００に外部接続されたデバイスであってもよい。

【0013】

プロセッサ１０２はまた、コンピュータ・デバイス１００をディスプレイ・デバイス１１４に接続するように適合されたディスプレイ・インターフェース１１２に、システム相互接続１０６を通してリンクされ得る。ディスプレイ・デバイス１１４は、コンピューティング・デバイス１００のビルトイン・コンポーネントであるディスプレイ・スクリーンを含み得る。ディスプレイ・デバイス１１４はまた、コンピューティング・デバイス１００に外部接続された、具体的にはコンピュータ・モニタ、テレビ、またはプロジェクタを含み得る。加えて、ネットワーク・インターフェース・コントローラ（ＮＩＣ）１１６は、コンピューティング・デバイス１００を、システム相互接続１０６を通してネットワーク１１８に接続するように適合され得る。いくつかの実施形態では、ＮＩＣ１１６は、具体的にはインターネット・スモール・コンピュータ・システム・インタフェースなどの任意の適当なインターフェースまたはプロトコルを使用してデータを送信し得る。ネットワーク１１８は、具体的には、セルラ・ネットワーク、無線ネットワーク、ワイド・エリア・ネットワーク（ＷＡＮ）、ローカル・エリア・ネットワーク（ＬＡＮ）、またはインターネットであってもよい。リモート・デバイス１２０は、ネットワーク１１８を通してコンピューティング・デバイス１００に接続し得る。

【0014】

いくつかの例では、プロセッサ１０２は、システム相互接続１０６を通して、開示された技術の実装のためのファイル、データ、およびプログラミング・コードを記憶するストレージ・デバイス１２２にリンクされ得る。ストレージ・デバイスは、訓練画像１２４、テキスト検出モデル生成器１２６、テキスト検出モデル１２８、テキスト検出アルゴリズム１３０、画像１３２、テキスト認識アルゴリズム１３４、およびテキスト文書１３６を含み得る。

【0015】

訓練画像１２４は、テキスト検出モデル１２８を生成するために使用される文字画像の記憶されたセットである。文字画像は、典型的な画像において予想され得るテキスト・サイズの範囲をカバーするために、広い範囲のサイズをカバーし得る。いくつかの実施形態では、文字画像の高さは、例えば、９ピクセルから２５ピクセルほどの小ささであってもよい。加えて、いくつかの文字画像は、アップスケールされた小さなテキストであってもよい。例えば、文字画像は、２倍、３倍、４倍、またはそれ以上の倍数で元のサイズからアップスケールされてもよい。このように、約１０×１０ピクセルの元の文字画像が、２０×２０ピクセル、３０×３０ピクセル、４０×４０ピクセル、またはそれ以上にサイズを増加され得る。アップスケールすることによって、文字サイズが増加するが、画像ノイズも生じる。このようにして、結果として得られるテキスト検出モデルは、同レベルの画像ノイズを有する小さなテキストをより良好に検出することが可能であり得る。

【0016】

テキスト検出モデル生成器１２６は、訓練画像１２４を処理してテキスト検出モデル１２８を生成する機械学習アルゴリズムである。訓練画像１２４を使用して訓練されたテキスト検出モデル１２８は、その後、画像１３２を処理するためにテキスト検出アルゴリズム１３０によって使用され得る。画像は、スキャンされた文書、カメラでキャプチャされた画像、またはスクリーン・キャプチャなど、任意の適当な種類のデジタル画像であってもよい。

【0017】

テキスト検出アルゴリズム１１３０は、２段階で動作する。第１段階の間に、アルゴリズムは、画素ごとにその画素がテキスト文字の中にあるかどうかの確率を記述した確率マップまたはマトリクスを作り出す。確率マトリクスは、文字ボックスを識別し、接続コンポーネント、すなわち、単語を形成しているとみなされるほど互いに近接している文字を識別するために使用され得る。テキスト検出アルゴリズムの第１段階の最終結果は、可能性のある単語または文字として識別されている画像の部分を囲むバウンディング・ボックスの配列である。

【0018】

テキスト検出アルゴリズム１３０の第２段階は、偽陽性を除外するためのものである。テキスト検出モデル１２８は、小さなテキストに対して訓練されるため、スキャンされた画像上のストレイ・マークまたは小さな形状などの小さな画像アーティファクトが偽陽性を引き起こし得る可能性がある。第２段階の間に、第１段階で生成されたバウンディング・ボックスが分析されて、閾値サイズ未満のバウンディング・ボックスが識別される。閾値は、例えば、１０ピクセル未満の高さサイズを有するバウンディング・ボックスであってもよい。それらの閾値未満のバウンディング・ボックスに対して、対応するテキストが、より大きなサイズにアップサンプリングされ、本明細書では二次画像と呼ばれ得る新たな画像にコピーされる。アップスケールの度合いにより、例えば、２倍から４倍以上の拡大率になり得る。また、アップスケールすることによって、アップスケールされた画像に追加のピクセル・データが追加される。最近傍補間法、バイリニア・アルゴリズム、バイキュービック・アルゴリズムなどの、任意の適当なアップスケール・プロセスが使用されてもよい。

【0019】

アップサンプリングされた画像を含む新たな二次画像は、段階１で使用されたのと同じテキスト検出モデル１２８を使用して再処理され、それによって、バウンディング・ボックスの第２の配列が作り出される。第１段階についてのバウンディング・ボックスは、偽陽性を識別するために、第２段階についてのバウンディング・ボックスと比較され得る。バウンディング・ボックスの比較は、同一画像部分に関連する２つのバウンディング・ボックス間の類似度を決定することと、類似度を類似度閾値と比較することとを含み得る。類似度は、例えば、対応するバウンディング・ボックスのサイズを比較すること、またはバウンディング・ボックス間の重複度を比較することによって判定され得る。対応するバウンディング・ボックスが、同一サイズであるか、または同一サイズの指定された閾値範囲内である場合に、テキストの存在が確認される。第２段階の間に生成されたバウンディング・ボックスが、第１段階についてのバウンディング・ボックスよりも著しく小さい場合、アルゴリズムは、第１段階についてのバウンディング・ボックスを偽陽性として識別する。

【0020】

類似度は、また、二次バウンディング・ボックスおよびその対応する原バウンディング・ボックスについてのジャッカード係数を計算することによって判定されてもよく、ジャッカード係数は、バウンディング・ボックス間の重複度を示す。このような場合、類似度閾値は、例えば、０．８～０．９のジャッカード係数であってもよい。加えて、第１段階の間に識別されたバウンディング・ボックスが以前あった場所でバウンディング・ボックスが検出されない場合、第１段階からのバウンディング・ボックスは、偽陽性と識別される。

【0021】

たいていの場合、偽陽性識別に対して生成される新たな画像は、例えば、５０ピクセルの高さおよび４００ピクセルの幅程度に比較的小さくなる。したがって、第２段階に使用される追加の処理オーバヘッドは、小さいと予想される。たいていの場合、第２段階で、全体のテキスト検出処理時間が５パーセント増加し得る。

【0022】

偽陽性が識別されると、偽陽性と識別された、第１段階において識別されたバウンディング・ボックスは除外され得る。この段階で、テキスト検出プロセスが完了し、テキストを含むと識別された画像の領域を識別する対応するバウンディング・ボックスを有する、電子画像が得られる。結果として得られる電子画像は、次いで、テキスト認識アルゴリズム１３４によって処理されて、テキスト画像が、デジタル符号化されたテキストを含むテキスト文書１３６に変換され得る。テキスト認識アルゴリズム１３４は、任意の適当な光学式文字認識（ＯＣＲ）技術であってもよい。

【0023】

図１のブロック図は、コンピューティング・デバイス１００が図１に示されたコンポーネントのすべてを含むべきであると示すことを意図するものではないことを理解されたい。むしろ、コンピューティング・デバイス１００は、コンポーネントをさらに少なく含んでもよいし、または図１に図示されていない追加のコンポーネント（例えば、追加のメモリ・コンポーネント、組み込みコントローラ、モジュール、追加のネットワーク・インターフェースなど）を含んでもよい。さらに、テキスト検出モデル生成器１２６、テキスト検出アルゴリズム１３０、およびテキスト認識アルゴリズム１３４の機能性のいずれかは、ハードウェアもしくはプロセッサ１０２またはその両方において、部分的に、または全体的に実装される。例えば、機能性は、具体的には、特定用途向け集積回路、組み込みコントローラにおいて実装されたロジック、またはプロセッサ１０２において実装されたロジックで実装されてもよい。本明細書で言及されるロジックという用語は、任意の適当なハードウェア（例えば、具体的にプロセッサ）、ソフトウェア（例えば、具体的にアプリケーション）、ファームウェア、またはハードウェア、ソフトウェア、およびファームウェアの任意の適当な組合せを含み得る。

【0024】

図２Ａ、図２Ｂ、および図２Ｃは、画像内のテキストを検出するための技術の例示である。図２Ａは、テキストを含む画像２００の例を示している。画像２００は、任意の適当なファイル・タイプであってよく、スキャンされた文書、カメラでキャプチャされた画像、スクリーン・キャプチャなどを含む任意の種類の画像であってもよい。例示的な画像２００は、さまざまなフォント・スタイルおよびサイズのテキストを含んでもよく、また、ストレイ・マーク、非テキストの幾何学形状または画像などの非テキスト・アーティファクトを含んでもよい。図２Ａに示される例では、画像は、大きなフォントのテキスト２０２、小さなフォントのテキスト２０４、および、ストレイ・マーキング２０６を含み、ストレイ・マーキング２０６は、画像２００を作り出すためにスキャンされる前に偶然に紙文書上に付けられたマークであってもよい。

【0025】

図２Ｂは、テキスト検出プロセスの第１段階を通過した後のバウンディング・ボックスを有する画像を示している。この段階で、大きなフォントのテキストおよび小さなフォントのテキストの両方において個々の単語および文字のそれぞれに対して、バウンディング・ボックスが生成されている。加えて、ストレイ・マークに対してもバウンディング・ボックスが生成されている。

【0026】

図２Ｃは、テキスト検出プロセスの第２段階の間に生成された小さな二次画像２０８を示している。二次画像２０８は、閾値サイズ未満のバウンディング・ボックスに関連付けられた原画像２００の部分２１０～２２８を含む。加えて、小さな画像２０８に取り込まれた識別された各部分が、指定されたスケール倍数によって拡大、即ちアップスケールされて、より大きな画像が作り出される。様々な部分が、同一の小さな画像に含まれてもよい。しかしながら、いくつかの実装態様では、それぞれがある数の画像部分を有する複数の小さな画像が生成されてもよいし、または各画像部分が、別個の画像として記憶されてもよい。小さな画像２０８内の各画像部分の位置は、それが原画像２００内の適切なバウンディング・ボックスと相互に関連付けられ得るように追跡される。例えば、小さな画像２０８は、各部分を原画像内のその位置と相互に関連付けるメタデータを含んでもよいし、またはメタデータに関連付けられてもよい。

【0027】

図２Ｃに示されるように、外側のバウンディング・ボックスは、テキスト検出プロセスの第１段階の間に識別された原バウンディング・ボックスを表し、本明細書では、原バウンディング・ボックスと呼ばれ得る。テキスト検出プロセスの第２段階の間、小さな画像２０８は、第１段階の間に使用されたのと同一のテキスト検出アルゴリズムおよびモデルを使用して処理され、本明細書では二次バウンディング・ボックスとも呼ばれる、バウンディング・ボックスの新たなセットが得られる。第２段階の間に識別された新たな二次バウンディング・ボックスは、内側のバウンディング・ボックスとして図２Ｃに示されている。

【0028】

図２Ｃに示されるように、原画像から取り込まれた部分のいくつかは、第２段階の間にテキスト検出アルゴリズムによってテキストとして識別されず、その場合、二次バウンディング・ボックスは存在しない。例えば、部分２１０および２２６は、二次バウンディング・ボックスを示していない。このような場合、この画像部分に対するバウンディング・ボックスは、偽陽性と識別される。画像部分内でテキストが検出された場合、原バウンディング・ボックスおよび二次バウンディング・ボックスは、比較されて類似度が判定され得る。類似度は、類似度閾値と比較されてもよく、類似度が、類似度閾値未満である場合、対応する原バウンディング・ボックスは、偽陽性として識別される。

【0029】

比較には、バウンディング・ボックスの相対サイズまたはバウンディング・ボックス間の重複度の比較を伴い得る。類似度閾値に従って、原バウンディング・ボックスと二次バウンディング・ボックスとが同一であるか、または同一に近い場合、その画像部分は、真陽性として識別される。いくつかの実施形態では、重複度は、ジャッカード類似度係数としても知られる、ジャッカード係数を使用して比較されてもよく、それは、交差部分（ｉｎｔｅｒｓｅｃｔｉｏｎ）のサイズを結合部分（ｕｎｉｏｎ）のサイズで割ったものとして定義される。例えば、閾値は、０．８または０．９のジャッカード係数であってもよい。原バウンディング・ボックスと二次バウンディング・ボックスとが同一に近いかどうかを判定するための他の技術も使用されてもよい。例えば、類似度閾値は、二次バウンディング・ボックスの閾値領域を、原バウンディング・ボックスの領域のパーセンテージとして指定してもよい。類似度閾値未満のそれらの画像部分は、偽陽性として識別される。

【0030】

図２Ｃの結果の例では、４つの偽陽性および６つの真陽性が識別されている。画像部分２１０および２２６は、二次バウンディング・ボックスがないことによって示されるように、テキスト検出アルゴリズムが第２段階においてテキストを識別しなかったため、偽陽性と識別される。画像部分２１２および２２８は、原バウンディング・ボックスに対する二次バウンディング・ボックスの比較が、類似度閾値未満である結果をもたらすため、偽陽性と識別される。残りの画像部分２１２～２２４は、二次バウンディング・ボックスが原バウンディング・ボックスのサイズに近く、高い重複度をもたらし、それによって、比較結果が類似度閾値を上回るため、真陽性として識別される。

【0031】

偽陽性の識別は、原画像内のバウンディング・ボックスを変更するために使用され、図２Ｄに示される画像を生成する。図２Ｄに見られるように、画像部分２１０、２１２、２２６、および２２８に関連付けられた画像アーティファクトに対するバウンディング・ボックスは、削除されている。図２Ｄに示される画像は、その後、テキスト認識アルゴリズムを使用して処理されて、文字符号化テキスト文書が生成され得る。

【0032】

図３は、画像内のテキストを検出する方法の例のプロセス・フロー図である。方法２００は、図１のコンピューティング・デバイス１００などの、任意の適当なコンピューティング・デバイスで実装され得る。方法は、ブロック３０２において開始し得る。

【0033】

ブロック３０２において、テキスト検出モデルが、アップサンプリングされた小さなテキストを使用して訓練される。アップサンプリングされた小さなテキストは、人間のオペレータによって提供されるラベル付き訓練画像から生成され得る。小さなテキストをアップスケールするために、任意の適当なアップスケール・アルゴリズムが使用され得る。

【0034】

ブロック３０４において、画像文書は、ブロック３０２で生成されたテキスト検出モデルを使用してテキストを検出するために処理される。ブロック３０４において実行されるプロセスは、テキストとして識別された画像の部分を囲む複数のバウンディング・ボックスを生成し得る。ブロック３０４において処理された画像は、３０６で生成された二次画像と区別するために、原画像と呼ばれ得る。

【0035】

ブロック３０６において、原画像の一部をアップスケールすること、およびアップスケールした部分を二次画像にコピーすることにより、二次画像が生成される。アップスケールされて二次画像にコピーされる原画像の部分は、指定されたサイズ閾値未満である、バウンディング・ボックスに関連付けられた部分である。

【0036】

ブロック３０８において、二次画像は、ブロック３０２で生成されたテキスト検出モデルを使用してテキストを検出するために処理される。ブロック３０８において実行された処理により、テキストとして識別された画像の部分を囲む複数の二次バウンディング・ボックスが得られ得る。

【0037】

ブロック３１０において、ブロック３０４で生成されたバウンディング・ボックスが、ブロック３０８で生成されたバウンディング・ボックスと比較されて、偽陽性が識別される。いくつかの実施形態では、画像部分に対する二次バウンディング・ボックスの存在が、その部分がテキストを含む（真陽性）ことを示すために使用され得る。いくつかの実施形態では、ある部分に対して二次バウンディング・ボックスが存在する場合、二次バウンディング・ボックスは、類似度を決定するために、原バウンディングと比較される。類似度が類似度閾値を上回る場合、画像部分は、テキストを含む（真陽性）ものとして識別され得る。そうではなく、類似度が類似度閾値未満である場合、画像部分は、テキストを含まない（偽陽性）として識別され得る。

【0038】

ブロック３１２において、偽陽性と識別された原バウンディング・ボックスは、画像ファイルから除去される。

【0039】

ブロック３１４において、画像ファイルは、テキスト認識アルゴリズムによって処理されて、テキスト画像が文字符号化テキストに変換される。テキスト認識アルゴリズムは、任意の適当なテキスト認識アルゴリズムであってもよい。文字符号化テキストは、ＲＡＭなどの短期メモリ・デバイス、またはハード・ドライブもしくはソリッド・ステート・ドライブなどの長期ストレージ・デバイスに、ファイルとして記憶されてもよい。加えて、文字符号化テキストは、ネットワークを経てリモート・デバイスに転送されてもよいし、自然言語処理などの追加処理のために処理デバイスに送信されてもよいし、またはプリンタもしくはディスプレイ・スクリーンなどの出力デバイスへの送信のために処理されてもよい。

【0040】

図３のプロセス・フロー図は、方法３００の動作がある順序で実行されるべきであること、または方法３００の動作のすべてがあらゆる場合に含まれるべきであることを示すことを意図するものではない。加えて、方法３００は、図示または説明されていない追加の動作を含んでもよい。

【0041】

本発明は、システム、方法、もしくはコンピュータ・プログラム製品、またはそれらの組合せでもよい。コンピュータ・プログラム製品は、本発明の態様をプロセッサに実行させるためのコンピュータ可読プログラム命令を有する、コンピュータ可読ストレージ媒体（または複数の媒体）を含んでもよい。

【0042】

コンピュータ可読記憶媒体は、命令実行デバイスが使用するための命令を保持および記憶することができる有形デバイスとすることができる。コンピュータ可読記憶媒体は、例えば、電子記憶装置、磁気記憶装置、光学記憶装置、電磁気記憶装置、半導体記憶装置、またはこれらの任意の適切な組合せとすることができるが、これらに限定されるものではない。コンピュータ可読記憶媒体のより具体的な例の非網羅的な列挙としては、ポータブル・コンピュータ・ディスケット、ハード・ディスク、ランダム・アクセス・メモリ（ＲＡＭ）、リード・オンリ・メモリ（ＲＯＭ）、消去可能プログラマブル・リード・オンリ・メモリ（ＥＰＲＯＭまたはフラッシュ・メモリ）、静的ランダム・アクセス・メモリ（ＳＲＡＭ）、ポータブル・コンパクト・ディスク・リード・オンリ・メモリ（ＣＤ－ＲＯＭ）、デジタル・バーサタイル・ディスク（ＤＶＤ）、メモリスティック（登録商標）、フロッピー（登録商標）・ディスク、命令が記録されたパンチカードまたは溝に刻まれた隆起構造などの機械的に符号化されたデバイス、および上記の任意の好適な組合せが挙げられる。本明細書において使用される場合、コンピュータ可読記憶媒体は、電波もしくは他の自由に伝搬する電磁波、導波路もしくは他の伝送媒体を介して伝搬する電磁波（例えば、光ファイバ・ケーブルを通過する光パルス）、または電線を介して伝送される電気的信号など、一過性の信号そのものであると解釈されるものではない。

【0043】

本明細書に記載のコンピュータ可読プログラム命令は、コンピュータ可読記憶媒体からそれぞれのコンピューティング／処理デバイスに、または、ネットワーク、例えばインターネット、ローカル・エリア・ネットワーク、ワイド・エリア・ネットワーク、もしくは無線ネットワークまたはそれらの組合せなどを介して外部コンピュータまたは外部記憶デバイスにダウンロードされ得る。ネットワークは、銅伝送ケーブル、光伝送ファイバ、無線伝送、ルータ、ファイアウォール、スイッチ、ゲートウェイ・コンピュータ、もしくはエッジ・サーバ、またはそれらの組合せを含んでもよい。それぞれのコンピューティング／処理デバイスのネットワーク・アダプタ・カードまたはネットワーク・インターフェースは、ネットワークからコンピュータ可読プログラム命令を受信し、個別のコンピューティング／処理デバイス内のコンピュータ可読記憶媒体に記憶するためにコンピュータ可読プログラム命令を転送する。

【0044】

本発明の動作を実行するためのコンピュータ可読プログラム命令は、アセンブラ命令、命令集合アーキテクチャ（ＩＳＡ）命令、機械語命令、機械依存命令、マイクロコード、ファームウェア命令、状態設定データ、または、Ｓｍａｌｌｔａｌｋ（登録商標）、Ｃ＋＋などのオブジェクト指向プログラミング言語、および「Ｃ」プログラミング言語などの従来の手続き型プログラミング言語もしくは類似のプログラミング言語を含む、１つもしくは複数のプログラミング言語の任意の組合せで書かれたソース・コードまたはオブジェクト・コードのいずれかでもよい。コンピュータ可読プログラム命令は、すべてユーザのコンピュータ上で、一部はユーザのコンピュータ上でスタンドアロンのソフトウェア・パッケージとして、一部はユーザのコンピュータ上で一部はリモート・コンピュータ上で、またはすべてリモート・コンピュータ上もしくはサーバ上で、実行することができる。後者のシナリオでは、リモート・コンピュータが、ローカル・エリア・ネットワーク（ＬＡＮ）もしくはワイド・エリア・ネットワーク（ＷＡＮ）を含む任意のタイプのネットワークを介してユーザのコンピュータに接続することができるか、または接続が（例えば、インターネット・サービス・プロバイダを使用してインターネットを介して）外部のコンピュータに対してなされてもよい。いくつかの実施形態において、例えば、プログラマブル論理回路、フィールド・プログラマブル・ゲート・アレイ（ＦＰＧＡ）、またはプログラマブル論理アレイ（ＰＬＡ）を含む電子回路は、本発明の態様を実行するために、コンピュータ可読プログラム命令の状態情報を利用することによって、コンピュータ可読プログラム命令を実行して電子回路を個別設定することができる。

【0045】

本発明の態様は、本明細書では、本発明の実施形態による方法、装置（システム）、およびコンピュータ・プログラム製品のフローチャート図もしくはブロック図またはその両方を参照して説明される。フローチャート図もしくはブロック図またはその両方の各ブロック、およびフローチャート図もしくはブロック図またはその両方におけるブロックの組合せは、コンピュータ可読プログラム命令によって実装され得ることが理解されよう。

【0046】

これらのコンピュータ可読プログラム命令は、コンピュータまたは他のプログラマブル・データ処理装置のプロセッサを介して実行される命令が、フローチャートもしくはブロック図またはその両方の１つまたは複数のブロックで指定された機能／作用を実装するための手段を作り出すように、汎用コンピュータ、専用コンピュータ、または他のプログラマブル・データ処理装置のプロセッサに提供されて、マシンを作り出すものであってもよい。これらのコンピュータ可読プログラム命令はまた、命令が記憶されたコンピュータ可読記憶媒体が、フローチャートもしくはブロック図またはその両方の１つまたは複数のブロックで指定された機能／作用の態様を実装する命令を含む製造品を含むように、コンピュータ可読媒体に記憶され、コンピュータ、プログラマブル・データ処理装置、もしくは他のデバイスまたはそれらの組合せに対して特定の方式で機能するように指示できるものであってもよい。

【0047】

コンピュータ可読プログラム命令はまた、コンピュータ、他のプログラマブル装置、または他のデバイスで実行する命令が、フローチャートもしくはブロック図またはその両方の１つまたは複数のブロックに指定される機能／動作を実装するように、コンピュータ実装処理を作るために、コンピュータ、他のプログラマブル・データ処理装置、または他のデバイス上にロードされ、コンピュータ、他のプログラマブル装置、または他のデバイス上で一連の動作ステップを実行させるものであってもよい。

【0048】

図面中のフローチャートおよびブロック図は、本発明のさまざまな実施形態によるシステム、方法、およびコンピュータ・プログラム製品の可能な実装形態の、アーキテクチャ、機能性、および動作を図示している。この点において、フローチャートまたはブロック図のそれぞれのブロックは、指定される論理機能を実装するための１つまたは複数の実行可能な命令を含む、命令のモジュール、セグメント、または部分を表現し得る。いくつかの代替の実装形態では、ブロックに記載の機能は、図に記載の順序から外れて生じることもある。例えば、連続して示されている２つのブロックは、実際には実質的に同時に実行されることもあり、または、これらのブロックは関連する機能に応じて、時に逆順に実行されることもある。ブロック図もしくはフローチャート図またはその両方のそれぞれのブロック、およびブロック図もしくはフローチャート図またはその両方のブロックの組合せは、指定される機能もしくは作用を実施する、または専用ハードウェアとコンピュータ命令との組合せを実行する、専用ハードウェア・ベースのシステムによって実装され得ることにも留意されたい。

【0049】

本発明のさまざまな実施形態の説明は、例示の目的で提示されているが、網羅的であることは意図されておらず、開示された実施形態に制限されない。説明した実施形態の範囲および思想から逸脱することなく、当業者には多くの変更および変形が明らかであろう。本明細書において使用される用語は、実施形態の原理、実際的な適用または市場で見出される技術にまさる技術的改善を最良に説明し、または本明細書において開示される実施形態を他の当業者が理解することを可能にするように選択された。

【図1】

【図2A】

【図2B】

【図2C】

【図2D】

【図3】

【手続補正書】

【提出日】2024-07-01

【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】

画像内のテキストを検出するためのシステムであって、
アップスケールされたテキストの画像を使用して訓練されたテキスト検出モデルを記憶する、メモリ・デバイスと、
プロセッサであって、
前記テキスト検出モデルを使用して、画像に対してテキスト検出を実行して、前記画像内の潜在テキストを識別する原バウンディング・ボックスを生成し、
閾値サイズ未満のバウンディング・ボックスに関連付けられた前記画像のアップスケールされた部分を含む二次画像を生成し、
前記テキスト検出モデルを使用して、前記二次画像に対してテキスト検出を実行して、前記二次画像内の潜在テキストを識別する二次バウンディング・ボックスを生成し、
前記原バウンディング・ボックスを前記二次バウンディング・ボックスと比較して、偽陽性である原バウンディング・ボックスを識別し、
前記原バウンディング・ボックスを含む画像ファイルを生成し、偽陽性として識別された前記原バウンディング・ボックスは除去される、前記プロセッサと
を備えるシステム。

【請求項2】

前記プロセッサは、前記画像ファイルをテキスト認識アルゴリズムで処理して、機械符号化テキストを含むテキスト文書を生成する、請求項１に記載のシステム。

【請求項3】

前記原バウンディング・ボックスを前記二次バウンディング・ボックスと比較して、偽陽性である原バウンディング・ボックスを識別することは、
二次バウンディング・ボックスが、前記原バウンディング・ボックスのうちの特定の１つに関連付けられた前記画像の一部に対して生成されているかどうかを判定することと、
二次バウンディング・ボックスが生成されていない場合に、前記原バウンディング・ボックスのうちの前記特定の１つを偽陽性として識別することと
を含む、請求項１に記載のシステム。

【請求項4】

前記原バウンディング・ボックスを前記二次バウンディング・ボックスと比較して、偽陽性である原バウンディング・ボックスを識別することは、前記二次バウンディング・ボックスのそれぞれに対して、
前記二次バウンディング・ボックスを対応する原バウンディング・ボックスと比較して、類似度を決定することと、
前記類似度を類似度閾値と比較することと、
前記類似度が前記類似度閾値未満である場合に、前記対応する原バウンディング・ボックスを偽陽性として識別することと
を含む、請求項１に記載のシステム。

【請求項5】

類似度を決定することは、前記二次バウンディング・ボックスおよび対応する原バウンディング・ボックスについてのジャッカード係数を計算することを含む、請求項４に記載のシステム。

【請求項6】

前記類似度閾値は、０．８～０．９のジャッカード係数である、請求項４に記載のシステム。

【請求項7】

前記閾値サイズは、１０ピクセル未満の閾値高さであり、前記画像の前記アップスケールされた部分が、２より大きな倍数でアップスケールされる、請求項１に記載のシステム。

【請求項8】

前記メモリ・デバイスは、前記アップスケールされたテキストの前記画像を記憶し、前記プロセッサは、前記アップスケールされたテキストの前記画像を使用して前記テキスト検出モデルを訓練する、請求項１に記載のシステム。

【請求項9】

前記テキスト検出モデルを訓練するために使用される前記アップスケールされたテキストの前記画像は、３以上の倍数でアップスケールされた１０ピクセル未満の元の高さを有するテキスト画像を含む、請求項８に記載のシステム。

【請求項10】

前記画像は、
スキャンされた文書、
およびカメラでキャプチャされた画像
のうちの１つである、請求項１に記載のシステム。

【請求項11】

画像内のテキストを検出する方法であって、
画像に対してテキスト検出を実行して、前記画像内の潜在テキストを識別する原バウンディング・ボックスを生成することと、
閾値サイズ未満のバウンディング・ボックスに関連付けられた前記画像のアップスケールされた部分を含む二次画像を生成することと、
前記二次画像に対してテキスト検出を実行して、前記二次画像内の潜在的テキストを識別する二次バウンディング・ボックスを生成することと、
前記原バウンディング・ボックスを前記二次バウンディング・ボックスと比較して、偽陽性である原バウンディング・ボックスを識別することと、
前記原バウンディング・ボックスを含む画像ファイルを生成することであって、偽陽性として識別された前記原バウンディング・ボックスは除去される、前記生成することと、
前記画像ファイルをテキスト認識アルゴリズムで処理して、機械符号化テキストを含むテキスト文書を生成することと
を含む方法。

【請求項12】

前記原バウンディング・ボックスを前記二次バウンディング・ボックスと比較して、偽陽性である原バウンディング・ボックスを識別することは、
二次バウンディング・ボックスが、前記原バウンディング・ボックスのうちの特定の１つに関連付けられた前記画像の一部に対して生成されているかどうかを判定することと、
二次バウンディング・ボックスが生成されていない場合に、前記原バウンディング・ボックスのうちの前記特定の１つを偽陽性として識別することと
を含む、請求項１１に記載の方法。

【請求項13】

前記原バウンディング・ボックスを前記二次バウンディング・ボックスと比較して、偽陽性である原バウンディング・ボックスを識別することは、前記二次バウンディング・ボックスのそれぞれに対して、
前記二次バウンディング・ボックスを対応する原バウンディング・ボックスと比較して、類似度を決定することと、
前記類似度を類似度閾値と比較することと、
前記類似度が前記類似度閾値未満である場合に、前記対応する原バウンディング・ボックスを偽陽性として識別することと
を含む、請求項１１に記載の方法。

【請求項14】

類似度を決定することは、前記二次バウンディング・ボックスおよび対応する原バウンディング・ボックスについてのジャッカード係数を計算することを含む、請求項１３に記載の方法。

【請求項15】

前記閾値サイズは、１０ピクセル未満の閾値高さであり、前記画像の前記アップスケールされた部分は、２より大きな倍数でアップスケールされる、請求項１１に記載の方法。

【請求項16】

コンピュータにより実行されるコンピュータ・プログラムであって前記コンピュータ・プログラムは、画像に対してテキスト検出を実行して、前記画像内の潜在テキストを識別する原バウンディング・ボックスを生成することと、
閾値サイズ未満のバウンディング・ボックスに関連付けられた前記画像のアップスケールされた部分を含む二次画像を生成することと、
前記二次画像に対してテキスト検出を実行して、前記二次画像内の潜在的テキストを識別する二次バウンディング・ボックスを生成することと、
前記原バウンディング・ボックスを前記二次バウンディング・ボックスと比較して、偽陽性である原バウンディング・ボックスを識別することと、
前記原バウンディング・ボックスを含む画像ファイルを生成することであって、偽陽性として識別された前記原バウンディング・ボックスは除去される、前記生成することと
をプロセッサに実行させる、コンピュータ・プログラム。

【請求項17】

前記原バウンディング・ボックスを前記二次バウンディング・ボックスと比較して、偽陽性である原バウンディング・ボックスを識別することは、
二次バウンディング・ボックスが、前記原バウンディング・ボックスのうちの特定の１つに関連付けられた前記画像の一部に対して生成されているかどうかを判定することと、
二次バウンディング・ボックスが生成されていない場合に、前記原バウンディング・ボックスのうちの前記特定の１つを偽陽性として識別することと
を含む、請求項１６に記載のコンピュータ・プログラム。

【請求項18】

前記原バウンディング・ボックスを前記二次バウンディング・ボックスと比較して、偽陽性である原バウンディング・ボックスを識別することは、前記二次バウンディング・ボックスのそれぞれに対して、
前記二次バウンディング・ボックスを対応する原バウンディング・ボックスと比較して、類似度を決定することと、
前記類似度を類似度閾値と比較することと、
前記類似度が前記類似度閾値未満である場合に、前記対応する原バウンディング・ボックスを偽陽性として識別することと
を含む、請求項１６に記載のコンピュータ・プログラム。

【請求項19】

類似度を決定することが、前記二次バウンディング・ボックスおよび対応する原バウンディング・ボックスについてのジャッカード係数を計算することを含む、請求項１６に記載のコンピュータ・プログラム。

【請求項20】

前記閾値サイズが、１０ピクセル未満の閾値高さであり、前記画像の前記アップスケールされた部分が、２より大きな倍数でアップスケールされる、請求項１６に記載のコンピュータ・プログラム。

【国際調査報告】