专利名称：钞票的分类方法
技术领域：
本发明提到的方法是基于钞票的特性判断钞票的种类和面值。本方法能够在点钞设备上实现检测、计数和分类的功能。
背景技术：
本方法的原理是，设备里的扫描模块对任何形式的钞票进行扫描，转化为数字信号，然后对数字信号进行分析对比，定义出钞票的分类，也就是钞票种类、面值、版本和进入方向的总和。伪钞和其他文件在设备中没有设置，把他们简单的归类于不属于已知的任何分类。根据对分类的定义设置，结合自己的设置和算法，机器对钞票做出反映并将信息显示给使用者。例如在国际专利WO 00/46758有描述钞票分类的设备。设备自动扫描钞票，得 到一个二维数字图像，由可见光和红外线频谱，以及对紫外线辐射起反应的图像组成。要进行数字图像进行处理，设备需具备计算机单元。参照已知的设备和方法，对比被测的钞票和已知等级的特性。将二位数字图像分成若干个区域，每一个区域计算一套统计参数。然后每个区域根据这套统计参数，计算状态函数。函数的数值越大，与该区域类似的等级越高。然后计算一下状态函数超过预设极限的区域的数量。得到的数值结果判断钞票的等级。如果这些区域的数量大于一个最小要求值，则判定钞票属于这个分类。然后对比超过预设和超过极限的区域列表，进行进一步确认。现有方法主要的缺点如上面所述，就是在分类钞票时耗费大量计算。如果被测的钞票是未知的，那么就需要用被测钞票的数字图形跟整套的与其适应的钞票分类标准进行比较。在整个过程中同每个标准进行比较产生巨大的计算量。而下结论只能是在这些计算结束后。每个被测钞票产生的巨大计算量，导致对生产设备计算模块的要求也很高。保证高速的运算能力必定需要高功率。小功率的分类计算模块速度会非常的低。根据上述方法，在增加钞票分类时计算量是呈线性增加的，主要是因为每个可能分类的对比是独立的。因此在一个设备上检测很多不同国家的钞票是不可能的。在国际申请中解释了钞票验证方法的本质。根据这个方法，要自动验证钞票，通过使用能够表示钞票形态的符号使用一套种类分类机。一个种类的分类机是指计算过程，结果能够用来统计特性。对于每一个已知的分类，在对比统计值和指定等级极限时，都具备钞票特性准则。基于这个方法，钞票形态每个分类的分类法，只有对结果进行分析后做出是否属于某一类的结论。这个方法的缺点是，沉重的计算处理(用于分类)，并且每个货币保持一个固定的量。并且只有在这个动作之后才进行结果分析。这个缺点类似与之前在W000/46758里提到的那个缺点
发明内容
本发明的目的是，制定一个使用高速计算设备，对已知的钞票进行高速分类的方法。技术上的结果就是提高了钞票的处理速度。
实现这个结果需使用方法方案1，扫描钞票得到一个二位数字图像，根据显现的可能的分类，初步判断钞票属于的分类，然后依次与可能的分类对比钞票特性，至少对比两个特性。因此，哪怕有一个特性与类别不符合，则予以排除，下面继续与该类别对比的动作。最终下结论是当每个特性与等级都吻合时，由此，如果不能每个特性都吻合，则判定钞票不属于任何一个类别。一个可能的方案，如果判定钞票不属于任何一个分析的类别，额外增加一个工序，再进行一次初步分类，然后就钞票属性与已知的可能的分类进行对比。每一次使用之前没有对比过的类别，最终下结论是当每个特性与等级都吻合时，由此，如果不能每个特性都吻合，则判定钞票不属于任何一个类别。钞票分类的第2个方案是，扫描钞票得到一个二进制数字图像，由显现的特征进行分类，判断可能属于的类别。由此，为钞票每个可能属于的分类属性计算一个“相似数值”，并按照得来的相似数值进行排队，最终分类结果是选择最接近的数值。按照分类结果通过检查它的相似数值确定钞票属于选定的分类。至少，每一个指定的等级，至少有一个·数据符合。因此，参照第二方案进行钞票类别确认的一个可能的办法是，如果得到的结论是，钞票与分类结果不符，那么需要至少再一次查看会不会符合下一个分类(按照数值排行)。参照申请的第二方案的方法进行钞票类别分类时的一个可能的办法是，至少再进行一次钞票与远距选定的分类之间的相似性检查，以排除之后再与这些不相似的分类进行比对的可能。按照申请的任何一个方案，在检查或者确认钞票属性的时候，将钞票数字图像划分为若干区域；而用于检查，确认区域参数，至少制定一个分类属性标准，以确认一对区域之间的关系，因此计算一对区域关系比值是由组成该区域的像素点数值决定的。所以计算这个数值，只有当函数数值落入指定区间的情况时候。那些可以用申诉的方法来对比的钞票上的特性，将被称为是已知的分类。设备上运用已知的分类表示区域特性。这样，如果设备上预存一个国家全部的钞票的特征，那么他就要储存所有的面额和版本，而且每个钞票有四个方向。对于支持多货币的设备，他要储存的面额版本和方向的信息就会相应的增加。按照申请的方法，对于具体的设备，会使用与其一致的参数设置。本发明所述方法能够判断钞票属于已知的哪个分类，也能够判断钞票不属于任何一个分类。参照上述两个方案，是通过与各个类别参数进行多级对比后最终确认钞票的分类。原理上的不同是，原来参数对比是在完成大量的初步计算之后进行，在本发明所述方法中计算被分成若干个段，一边进行参数对比，一边进行参数计算。在刚刚发现第一个参数差异时，立即终止检查数字图像和参数对比的动作，减少了计算时间的耗费。通常情况下，大多数用于对比钞票的分类是很明显没有关联的。在对比指定分类的整套数据之前终止对比检查。这种方法，最终只需要计算总量的一小部分，便能够确认是否属于已知的分类。钞票的数字图像能够基于不同的物理原理形成。相应的，设备里不同的传感器记录钞票不同的物理特性。最常见的是光学传感器，可以检测特定光源下钞票透射和反射的特性，如红外线和紫外线光源。另外，光学传感器被用于记录各种可见光。除了光学传感器，被广泛使用的还有磁传感器，记录纸币的导磁率和剩余磁性。其他还有检测钞票介电常数和厚度的传感器。通常，根据钞票的线性移动排列传感器。这个过程叫做钞票扫描。传感器可以将钞票表面的几何图像转换成一维或者二维数字图像的形式。里面包含了传感器的数字化采样值。一维数列是沿着直线方向记录钞票表面参数。例如，钞票移动时，磁性传感器直线记录钞票表面磁性感应区域的数值。二维数列记录钞票表面的横竖排列的矩形区域的数据。例如，二维数列记录的是扫描后，钞票表面的反光水平。通常钞票的二维形态背称作是图像，组成图像的是像素点。大部分情况下，图像是通过光学传感器扫描得来，有的设备由磁性感应器扫描成像。 钞票分类可以基于一维数列，也可以基于二维数列，或者是以上两者的结合。使用 一维数组不能保证表现钞票的不同特性，因为有些特性可能超过了传感器的极限。因此，在大多数应用中，优质的分类设备会使用二维数组来增加钞票识别的可靠性，有时也会在二维数组中增加一维数组。按照本发明所述方案1，初步分类阶段的目的，是避免以后与那些明显不属于的分类进行对比。初步分类这一步不是去判断选择钞票属于某一个指定的分类，因此这个计算过程并不复杂。主要的计算是在确认钞票属于指定分类的阶段。因此，需要与之对比的分类数量比分类总数要小。预先进行分类的好处就在于降低了之后要对比的分类的数量。在进行初步分类之后，只按照这个结果与可能的分类进行对比。在刚刚发现一个完全符合条件的钞票时，检查就停止。如果相似的类别也没发现，则说明这个钞票哪个种类也不属于。检查钞票属性可能属于的分类，同时识别这个钞票是不是假的。实现这一功能是通过对比钞票防伪标识参数是否一致。按照本发明所述方法，在与指定分类匹配一致性参数时，使用所有钞票数字图像的计算结果，因此结果可能是成功或者不成功的。要制定匹配规则，以确保钞票类别判断的成功率。按照本发明所述方法，检查指定类的属性要依顺序大量对比不同的参数。如果在这个过程中有一个参数不匹配，则说明钞票不属于这个类别，这种情况下继续检查没有意义了，因为逻辑上讲，结论已经有了。相反，如果通过所有的匹配动作，则说明钞票属于这个类别，并且准确性很高。每个单独的成功匹配不会有这么高的准确性。但是每个成功匹配的单个数据总和起来就具有很高的信任度。为了增加匹配结果的信任度，必须使用大量的参数，并且这些参数代表钞票不同方面的特性。最佳效果是如果人和机器是用同一个顺序检查同一地方。在这种情况下，按照这个方法检测的结果，和专业鉴定师的鉴定结果是一致的。根据本发明的第2方案，在开始计算处理数字图像时进行分类。这个分类，类似预分类，确认钞票可能属于的类别。钞票不可能与所有的类别相似，这样排除之后进行重复匹配的可能。然后与每个可能的分类进行对比，按照相似数据进行排名。数值最接近的那个就是这个钞票的分类。同指定的极限值对比钞票的相似值能够使用钞票在这个分类的属性值。能够通过计算钞票不同分类的相似值来分类。在与所有的分类进行比较之后，还需要同每个分类的极限值进行比较。比对结果能够准确的避免进一步分析那些不可能属于的分类。为了确认钞票与剩余的分类中哪个更接近，将对比后的相似参数进行排队，最可能的分类数字最接近。选择分类算法要保证所点钞票分类的总体时间。它能够指出钞票类别，如果钞票与已知的类别相符。但是，他并不能提供必要的全面深入的检查，排除不属于任何一个分类的钞票，如伪钞和有些钞票。因此在分类之后要进一步确认钞票属性属于所选的分类。要完成检查，在分类结果中钞票至少有一个参数对比是和已知的类别是一致的。为了增加检查力度，能够增加几个检测指标，每个指标检测钞票是否有某些特性。特别是能够检查钞票表面防伪标识的指标，伪钞无法伪造的标识。这个标准允许你拒绝伪钞。如果所有这些检测标准都通过了，则说明钞票属于这个分类。如果有一项不能通过，则说明钞票 不属于已知的任何分类。
图I为钞票在可见光和红外线下的形态；图2为方案I的算法；图3-为依次检查指标的算法；图4为方案2的算法；图5为钞票区域划分示意图；图6为钞票磨损的线性图；图7为数学转化时钞票的频率分布图；图8为按照方案2，即能够实施的方法的算法。
具体实施例方式本发明所述方法能够实现应用到点钞机上。点钞机机构件传递钞票，也就是从入钞口进入，经过传感器扫描区域，然后送到出钞口。在机构件里添加了传感器，用来感应钞票的状态，检测钞票是位于进钞口或者出钞口，或者在通道里，这样可控制传动件的转动。用户界面允许用户在入钞口放置一叠钞票后启动点钞动作。在钞票全部从入钞口移动到出钞后之后，屏幕显示钞票数额和面值。如果发现不属于任何分类的钞票，点钞机会停止，并显示提示信息。按照本发明，设备必须需要具备CPU，存储器R0M，随机存取存储器RAM，扫描模块通信接口，驱动器控制，用户界面(键盘和显示器)。扫描模块应该是线性排列的光学图像传感器，安装在钞票通道的一面，另一面是双波段照明器。照明器辐射光源透过通道照射到光学图像传感器上。图像传感器和照明器是这样工作的，它们记录透射整个宽度的纸币的光线。图像传感器是一个光学系统，它将传感器扫描到的钞票转换成图像。双波照明器，与传动机构同步，交替地发射在可见光波或红外(IR)波长。交替周期是钞票每移动I毫米。因此，钞票每移动一毫米，传感器记录下红外线或者可见光透射到移动话费，每毫米的运动，图像传感器对透视过来的红外线和可见光进行记录。照明到检测器光线是线性模式工作的，当感应到光线饱和时则说明区间里没有钞票。能够这样进行预先分类。例如由钞票的几何尺寸来分。纸币的大小很容易通过分析数字图像的二维阵列的边界来确定。此算法在本发明的分类处理的理论中是已知的。按照钞票的长短可以分出几个类。选择的程度取决于被测的钞票属性。例如，147*82毫米的尺寸只能是100欧元。这个尺寸又分为四个分类，这些分类代表钞票在通过验钞机时出现的四个方向。157*69毫米的尺寸面值分别是1000卢布和5000卢布。方向就为八个。用几何尺寸进行预先分类是个比较简单的算法。这样减少了计算的复杂程度。预先分类还能够使用其他的方案，比如使用XY坐标轴，对称随机掩码法或者其他快速严密的分类算法。钞票分类的下一步是，选择可能属于的分类，至少选择两个属性。例如，属性检查可以是检查钞票表面指定区域两个类似的特性的平均值，使用这个方法，例如检查钞票上的红外线防伪标识。红外标识其实是由两种颜色印制的图形。这两种颜色在可见光下具有一样的光学特性，但是在红外线下，其中一种颜色是完全透明的(IR-透明)，而同时另外一种颜色具有完整的光学密度。在钞票的另一面，在印红外标识的地方用红外线下会透明的颜色印刷。图I展示的是欧元上500的字样，在红外线下(图Ia)和红色可见光下(图2b)。这个钞票支持几个红外标识，最明显的是500的字样，在红光下完全可见，红外线下部分可见。检查这个红外标识可以检查Z1，在红外线会透明的，另一个是Z2，在红外线具有完整的光学密度。两个位置在红色可见光下，都具有很高的光学密度。对比第一区域和第二区域可见光下的透射率比例，数值应接近I。如果比值落在指定的有效范围内，则测试成功，相反则判断为失败。有效值是基于大量的真钞分析，在该类别下的总和。设置这个参数应该是大多数都可以通过的。另一方面，第一区域对比第二区域的红外线透射平均值，应该是大于I。基于这个事实可以建立第二个标准。这个标准必须是合适的有效值，用真钞计算出来的有效值。因此，基于数字图像信息，按照两个区域能够指定不同的检查红外标识的标准。每个标准在端独的方面检查标识，所以通过两个标准的检测，结论有很高的信任度，判断钞票不是伪钞。重要的是，例子中，标准是成功检测过真钞后制定的。对于伪钞或者其他的钞票，是通不过这个标准的。虽然在极少数的情况下是能够通过的。有一个标准不通过，即立刻做出结论，钞票不属于既定的分类，如果两个都通过了，那么这个钞票属于这个分类。CPU控制程序储存在ROM里，包含第一模块，用于控制纸币移动的程序，这个通过用户端口与用户界面连接。第一模块监控移动传感器状态，进而控制电子机械传动。扫描纸币和随后的分类步骤由第二模块控制，也储存在ROM中。第二模块在第一模块之后，当钞票进入到点钞机通道扫描模块后启动。第二模块的软件在完成扫描之后反馈给第一模块分类结果，第一模块根据反馈的信息判断机器停止还是继续转动。紧接着，第二模块软件启动后开始扫描通过传感器区域的纸币。钞票在通道里每移动注I毫米，程序两次读取光感器数字信号，一次是红外线透射，另一个是可见光透射。这些数字化的数值以两个阵列的形式储存在处理器的RAM里。一旦光感应器饱和时，扫描完成。扫描结果是在RAM保存着两组数据，分别代表红外线透射和可见光透射。在扫描完成后程序开始计算划分钞票图像。图2是参照方案I使用的算法。
第一步是进行预先分类(I )。程序确认钞票的轮廓(每一边的尺寸)和数字图像的中心位置，通过使用边界查找算法。通过判断传感器数字信号的过渡界定钞票的边界，即在可见光下线性模式对应的饱和状态。在CPU的ROM里储存这个钞票尺寸列表，和可能的分类列表。然后，对于每一个可能的分类，程序选择用于检查的类别，然后依次同该分类的各个参数完成钞票属性比对。按顺序检查标准如图3所示，统一检查所有的标准。对于每个标准，提供第一个矩形区域检查点(Zl)和第二个矩形区域检查点(Z2)的坐标，以及第一区域和第二区域的尺 寸。区域坐标是参照钞票的中心点给出的。此外，第一区域和第二区域由两维阵列表示，在处理这些区域时或使用红外辐射数列、或使用可见光透射数列。程序计算第一第二区域中对应的数列中每个元素的平均值。然后得到的比值与该标准的可接受范围进行比对。如果在可接受范围内，相信该验证是成功的。如果超出范围的比例，考虑通过和失败的测试。在按顺序与标准进行对比中(6)，出现不成功的结果时，则与该类别的对比终止，转到与其他的可能的类别进行对比。如果与一个分类进行循序检查(3)时，每个标准都符合，则检查完成。判断这个钞票属于这个类别(4)。如果同每个可能分类的标准都进行了比较，但是里面没有一个不含有不成功结果的，那这样检查就被终止。最终的结论是钞票的属性不属于任何一个已知的类别。一旦通过验证，测试和程序控制的结果传回的第一个软件模块。第一软件模块根据测试结果进行操作。在某些情况下，预先分类有必要分成几个阶段，每个阶段按照钞票属性可能会属于的分类进行划分。按照预先分类的结果，同可能属于的类别对比钞票属性。如果在这个分类没找到可能的属性，则进入预先分类的下一个阶段，和第二个可能属于的且之前又没比对的分类进行比对。然后得出属于第二个可能的分类的相似值。过程会一直重复，或者因为没找到钞票相似的分类，或者是还没有跟所有的分类就行对比。如果没找到钞票可能属于的分类，则做出结论，钞票不属于任何一个已知的分类在预先分类的每个阶段使用更加合适的方法来选择可能属于的分类，能够使初步分类的结果更准确。例如，按照尺寸进行预先分类的办法对于欧元更加有效，因为每张欧元面值具有唯一的长度和宽度。欧元的预先分类就应该参照尺寸。用这个办法对美元进行预先分类就完全失效了，因为美元所有的版本所有面额，尺寸都是一样的。因此相对欧元来说，美元需要其他的办法进行预先分类，例如，可以使用随机掩码的算法。分类法的第二方案是基于钞票与该等级相似性参数的计算。通过不同的方法来计算相似性参数(或者评估相似程度)。其中一个可能的方法是，设定一个更能表示钞票特性的分类。在经过对大量的流通钞票，不同分类的数字图像进行分析之后，选择一个更能表示钞票特性的。计算相似性参数，计算被测钞票数列阵列与最鲜明特性的钞票之间的相关系数。相关系数越高，说明两个钞票越相似。对于两个相同的图像的相关系数最大值是I。对于钞票来说，属于的分类，相关系数应该是略小于I。相反，两者的差别越大，他们之间的相关系数越小。对于钞票来说，不属于的分类，相关系数会将小于I。因此相关系数能够方便的用做衡量的标准来对比相似性。在这个实施方案中，很大程度的与钞票等级相似性保持—致。另一个办法是提取符号，这个是在辨别领域比较熟悉的一个理论。钞票数字图像由一定数量的数字特性表示，这叫做符号。计算符号是基于数字图像的一种特定的算法。符号能够使用不用的已知的有特性的图像(对于二维数列)或者顺序(一维数列)，如统计矩，傅里叶变换，指定字段的平均值，小波系数。钞票的每个图像由N个点组成，对应相应的坐标数据。两个钞票的相似程度可以通过对比他们相对应的那些点。传统上，计算距离是计算对应坐标点的平方和的平方根。这个距离被叫做欧式距离。在实践中和其他的办法一起被用来计算距离。例如，曼哈顿距离是通过计算对应坐标点的差值系数总和。找到曼哈顿距离的计算成本比找到欧式距离的成本低的多。在相似特性方面，曼哈顿距离也并不比欧式距离差。在描述的方案实施案例中，提取特征和通过特征找到两个钞票的距离，选取任何一个适合的办法来计算相似参数。计算相似参数是提取被研究的钞票特征与该钞票分类比较有特点的特征进行对比。数据差别越小，说明两者越像。具体选择特征的原则是，这个特征能够最大限度的区分于钞票的其他分类。通常 辨别方法的理论，选择特征应该要保证它能可靠的进行划分。实践经验表明，总是可能的。为了根据分类结果找到所属的类别，将与等级对比后的相似性参数进行排队。选择相似性参数更接近的那个作为分类结果。如果是基于相关系数对比数值，则数值最大的那个做分类依据。如果是基于空间特征的距离来对比数值，则选择数字最好的那个类别为依据。所选出来的等级作为最终的分类结果。对比指定等级与预先设置的有范围的相似性数值，可以额外的使用一个标准，就是该分类钞票属性。那些相似值不在有效范围之内的，可以排除进一步检查的要求。更有效的方法是按照数值排队来排除更多的分类，来减少计算时间。如果对比的是相关系数，能够先来设定有效值，对于所有的钞票，相似性数据小于有效值，能够肯定的说钞票不属于已知的分类，如果数值大于或者等于有效值，则钞票可能属于这个分类。同理，如果是基于特征位置距离的相似性对比，能够这样设置有效值，对于所有的钞票，相似性数据大于有效值，能够肯定的说钞票不属于已知的分类，如果数值小于或者等于有效值，则钞票属于这个分类。设置有效值，这个数值必须是在对大量流通的货币进行分析后得来的。有效值要靠经验来选择，要保证有效值的范围能够将所有属于的分类纳入其中。按照第二方案进行计算处理的顺序，参见图4，从钞票分类开始。首先对信息进行预先处理(7)，确认钞票的轮廓和中心，这个是按照方案I。除此之外，绘制钞票数字图像红外线分布图。按照这个分布图确认钞票透射值界限的下限Hb和上限Ht。通过分析分布图，排除传感器饱和和钞票区域边缘的参数。然后进行特征提取。这个操作需要将钞票的数字图像分成10*10毫米相同的方块，按横竖方向排列(图5)。每个区域的数字信息对应的是10*10毫米方块里的像素点。绘制一个新的二维数列，数列里每一个元素对应一个方形区域。而这个元素的数值等于落入该区域每个红外线数字图像二维数据的平均值。在特征数列中每个10*10的红外线数列矩阵对应一个元素。数列的中心对应钞票的几何中心。得到的数列要进行修正，保证数值在O和正无穷之间。按照以下公式，使用线性转化原始数据区间从Hb到Ht。得到的值会在O到Imax。
权利要求
1.一种整理钞票的方法，其特征在于，通过扫描钞票得到一个二维数字图像，根据钞票可能属于的类别进行预先分类，然后检查钞票是否属于可能的分类，通过与既定的标准对比来确认钞票，至少有两个判断标准是一致的，如果与一个标准不相符，则停止与该类别继续对比，直到找到有完全匹配的等级，比对才结束，如果无法找到与所有标准匹配的等级，则判定钞票不属于任何分类。
2.如权利要求I所述方法，其特征在于，如果查出钞票不属于任何已知的分类，则至少额外增加一次，检查预先分类和钞票的属性，并且每次使用之前没用使用过的类别，直到首次发现与预先的用于检查的标准一致的钞票类别为止，如果没有找到与检查标准一致的类另O，则得出结论，钞票不属于任何分类。
3.如权利要求I或2所述方法，其特征在于，在检查或者确认钞票属于的类别时，将钞票的数字图像按照指定的结构划分成若干区域；同时检查中至少一个从属性准则，对应一对特定的区域，检查区域特性与这对区域允许的比例，因此计算区域特性比例相当于计算这对区域的函数，并且这个函数取决于落入该区域的像素点的数值，并且仅当它落入指定的区间时才被认为是有效的。
4.一种钞票加工方法，其特征在于，包括扫描钞票得到一个二维数字图像，根据显现的特征进行分类，即钞票可能属于的分类，然后与既定的钞票分类进行对比，计算相似比例，将得到的相似数值按大小顺序排列，数值更接近的那个可能的类别作为最后的分类结果，根据这个结果通过检查与该分类的相似性确认是否属于该分类，至少要与一个标准是一致的，如果找到一个不匹配的标准，则说明钞票不是这个类别，如果没有找到不匹配的标准，则认可分类结果，钞票是属于这个类别，如果在确认属性时得到结论是不属于任何已知分类，则得到的结论是，钞票不属于任何查看的类型。
5.如权利要求4所述方法，其特征在于，在确认钞票属于选择的类别时，如果得到结论，按照分类结果，钞票不属于选定的分类，则至少再选择一个额外的类别进行一次属性确认，在相似性数值大小排列队列里选择数值最接近的那个。
6.如权利要求4或5所述方法，其特征在于，在钞票分类时要检查相似性，至少选定有一个标准用于所有的类别，用于排除继续检查那些不适合的类别的可能性。
7.如权利要求4或5所述方法，其特征在于，在检查或者确认钞票属性的时候，将钞票数字图像划分为若干区域，而用于检查，至少有一个钞票属性标准对应指定的一对区域，用来验证这对区域允许的特征比值，这等于给这对区域计算一个函数，而这个函数取决于落入这对区域的像素点的数值，并且数值是落入到指定区间的。
8.如权利要求6所述方法，其特征在于，在检查或者确认钞票属性的时候，将钞票数字图像划分为若干区域；而用于检查，至少制定一个分类属性标准对应一对区域，以确认一对区域之间的关系，因此计算一对区域关系比值是由组成该区域的像素点数值决定的，所以计算这个数值，也就是只有当函数数值落入指定区间的情况时候。
全文摘要
本发明所述方法能够用于生产对钞票进行检测，计数和分类的设备，能够用来识别钞票的种类和面额。本发明所述分类法涉及的第1方案是依次判断出可能的分类与已知的几个分类进行对比，最终确认是通过检查两个区域间的特性关系。方案2是基于钞票的数字图像进行分类，对每一个可能的分类计算出一个参数，与分类进行对比，找出更像的那一个。
文档编号G07D7/00GK102934146SQ201180028299
公开日2013年2月13日 申请日期2011年4月7日 优先权日2010年4月8日
发明者彼得·瓦莱里维奇·米宁, 弗拉迪斯拉夫·伊戈列维奇·科洛腾科, 德米特里·真那迪尔维奇·皮斯们你, 德米特里·叶夫根尼·谢舒科夫 申请人:多尔斯研发有限公司