纸币币值的识别方法及装置与流程

本发明实施例涉及图像处理技术，尤其涉及纸币币值的识别方法及装置。

背景技术：

根据市场需求，在验钞过程中需要准确识别纸币的币值，即需要准确地对纸币币值进行区分，比如对人民币而言，需要准确地区分出待检测的纸币是100元、50元、20元或10元等。

现有技术中，一种纸币币值识别方案是利用纸币图像的尺寸进行币值识别，但是该方案对于纸币尺寸的识别精度具有很强的依赖性。另一种纸币币值识别方案是利用纸币的图像特征信息建立每种币值的纸币的模板数据，然后获取待检测纸币的相应数据，通过模板匹配进行币值的识别。

但是由于有些图像特征信息比较复杂，使得模板数据的准确获取较难，也使得数据之间的模板匹配程度难以确定，这些都会导致币值识别的出错率高，尤其是采集的图像噪声较大时，图像特征会变得更不明显，币值识别的出错率会更高。

技术实现要素：

本发明实施例提供一种纸币币值的识别方法及装置，以提高纸币币值识别准确率。

第一方面，本发明实施例提供了一种纸币币值的识别方法，包括：

获取待检测纸币的V分量图像，其中，所述V分量图像是所述待检测纸币的颜色饱和度图像；

确定所述V分量图像内所有像素的像素值总和；

判断所述像素值总和是否介于预设币值判断区间内，根据判断结果确定待检测纸币的币值。

进一步地，获取待检测纸币的V分量图像包括：

获取所述待检测纸币的彩色图像；

从所述彩色图像中分解出红、绿和蓝三个颜色分量图像；

将所述红、绿和蓝三个颜色分量图像转换为所述V分量图像。

可选地，在判断所述像素值总和是否介于预设币值判断区间内之前，上述方法还包括：

构建待训练币值的训练样本集，其中，所述训练样本集包含至少一张所述待训练币值的纸币彩色图像；

获取所述训练样本集的V分量图像集，并确定所述V分量图像集对应的像素值总和集；

确定所述像素值总和集中的最大值和最小值，并依据所述最大值和所述最小值确定所述待训练币值的预设币值判断区间。

其中，预设币值判断区间的区间端点值分别为所述最小值和所述最大值。

进一步地，判断所述像素值总和是否介于预设币值判断区间内，根据判断结果确定待检测纸币的币值包括：

若所述像素值总和介于所述预设币值判断区间内，则所述待检测纸币的币值是所述预设币值判断区间对应的币值。

第二方面，本发明实施例还提供了一种纸币币值的识别装置，该装置包括：

V分量图像获取模块，用于获取待检测纸币的V分量图像，其中，所述V分量图像是所述待检测纸币的颜色饱和度图像；

像素值总和确定模块，用于确定所述V分量图像内所有像素的像素值总和；

币值确定模块，用于判断所述像素值总和是否介于预设币值判断区间内，根据判断结果确定待检测纸币的币值。

进一步地，V分量图像获取模块具体用于：

获取所述待检测纸币的彩色图像；

从所述彩色图像中分解出红、绿和蓝三个颜色分量图像；

将所述红、绿和蓝三个颜色分量图像转换为所述V分量图像。

可选地，在上述装置的基础上，该装置还包括：

预设币值判断区间确定模块，用于在判断所述像素值总和是否介于预设币值判断区间内之前，构建待训练币值的训练样本集，其中，所述训练样本集包含至少一张所述待训练币值的纸币彩色图像；获取所述训练样本集的V分量图像集，并确定所述V分量图像集对应的像素值总和集；确定所述像素值总和集中的最大值和最小值，并依据所述最大值和所述最小值确定所述待训练币值的预设币值判断区间。

其中，预设币值判断区间的区间端点值分别为所述最小值和所述最大值。

进一步地，币值确定模块具体用于：

若所述像素值总和介于所述预设币值判断区间内，则所述待检测纸币的币值是所述预设币值判断区间对应的币值。

本发明实施例通过获取待检测纸币的V分量图像，并确定该V分量图像内所有像素的像素值总和，然后依据该像素值总和是否介于预设币值判断区间的判断结果确定待检测纸币的币值，实现了利用待检测纸币的颜色分量特征进行币值识别，提高了纸币币值识别的准确率。

附图说明

图1为本发明实施例一中的纸币币值的识别方法的流程图；

图2是本发明实施例一中的100元人民币的V分量图像；

图3是本发明实施例一中的50元人民币的V分量图像；

图4是本发明实施例一中的20元人民币的V分量图像；

图5是本发明实施例一中的10元人民币的V分量图像；

图6是本发明实施例二中的纸币币值的识别方法的流程图；

图7是本发明实施例三中的纸币币值的识别装置的结构示意图；

图8是本发明实施例三中的纸币币值的识别装置的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

实施例一

图1为本发明实施例一提供的纸币币值的识别方法的流程图，该方法可以由纸币币值的识别装置来执行，该装置可以由软件和/或硬件的方式实现，该装置可以集成在任何需要进行币值识别的金融设备中，例如典型的是验钞器、点钞机、清分机或公交系统的智能投币设备等。具体包括如下步骤：

S110、获取待检测纸币的V分量图像，其中，所述V分量图像是所述待检测纸币的颜色饱和度图像。

具体地，对于一种确定的币种而言，其不同币值的纸币都会有不同的纸币尺寸、颜色、图案及图案分布等，以便人们进行纸币的真伪鉴别和币值的区分。例如，对于人民币而言，主要的币值有100元、50元、20元、10元、5元和1元，其中100元的人民币尺寸最大，颜色为红色，中部印有100元字样和茶花图案；50元的人民币尺寸次之，颜色为绿色，中部印有50元字样和菊花图案；20元的人民币尺寸小于50元人民币的尺寸，颜色为棕色，中部印有20元字样和荷花图案；10元的人民币尺寸小于20元人民币的尺寸，颜色为蓝黑色，中部印有10元字样和月季图案；5元的人民币尺寸小于10元人民币的尺寸，颜色为紫色，中部印有5元字样和水仙图案；而1元的人民币是所有币值纸币中尺寸最小的，颜色为橄榄绿色，中部印有1元字样和兰花图案。所以除了利用尺寸、币值字样和花卉图案的图像特征来区分待检测纸币的币值以外，还可以利用纸币的颜色信息进行币值的识别。

通常情况下，获得的纸币图像是红绿蓝(RGB)颜色空间下的彩色图像。考虑到RGB颜色空间是基于人眼识别的颜色进行定义的，其将色调、亮度和饱和度三个量放在一起表示，使得R分量、G分量和B分量之间不互相独立，难以进行数字化的图像处理分析，所以基于彩色图像进行图像处理的分析时，需要将RGB颜色空间转换至其他便于进行图像处理分析的颜色空间，例如HSI颜色空间(H是色调，S是饱和度，I是强度)、HSB颜色空间(H是色调，S是饱和度，B是亮度)、HSL颜色空间(H是色调，S是饱和度，L是明度)或YUV颜色空间(Y是亮度，U是色调，V是饱和度)等，这些颜色空间都是根据实际应用中不同的应用需求构建的，其中色调、亮度和饱和度三个量都是相互独立的，都可以依据实际情况进行单个分量的数字化调节。

如果要基于颜色的差异对纸币的币值进行检测，那么需要找到不同币值纸币的颜色区分度最大的颜色分量。例如，本发明实施例经过大量实验发现，对于人民币的不同币值而言，在上述颜色空间中YUV颜色空间中的V分量图像的差异最大，最能够区分出人民币的不同币值。例如，图2至图5分别是100元、50元、20元和10元人民币的V分量图像，图中的明暗程度表示V分量(即饱和度)的数值大小。V分量图像越亮，饱和度越大；反之，V分量图像越暗，饱和度越小。从图中可以看出，100元的V分量图像最亮，20元的V分量图像次之，10元的V分量图像次第三，50元的V分量图像最弱。据此，可以利用V分量图像的明暗差异来识别人民币的不同币值，而不用去识别V分量图像中的具体的图案特征信息，以此可以避免图案特征信息识别及匹配的误差，提高币值识别的准确率。

所以，本发明实施例中，要首先获取待检测纸币的V分量图像。至于V分量图像的获取方式，可以是通过彩色传感器获取待检测纸币的RGB彩色图像，然后利用RGB颜色空间与YUV颜色空间的转换关系得到；也可以是直接利用硬件方式，比如一些智能相机可以直接获取YUV格式存储的图像数据，即YUV彩色图像，然后直接从该YUV彩色图像中提取V分量图像。

S120、确定所述V分量图像内所有像素的像素值总和。

其中，像素是对模拟信号进行数字化时的采样点，是组成数字化图像的最小单元。当采集数据的传感器确定之后，像素大小也就确定了，此时采集的待检测纸币的图像中包含的像素数量也相应确定。像素值是每个像素位置处的数值，具体是该像素的V分量。

具体地，经过步骤S110的分析可知，可以通过V分量图像的明暗差异来识别待检测纸币的币值。具体的识别指标可以是V分量图像中所有像素值的累加和，也可以是V分量图像中所有像素值的平均值，还可以是其他能够表征V分量图像明暗程度的指标。为了获得一个具有较大的数值区分度的数值范围，本发明实施例中选择了像素值的累加和的指标。将步骤S110中获取的待检测纸币的V分量图像中的每一个像素的像素值累计相加，获得该V分量图像所有像素值的累加和，即像素值总和。

S130、判断所述像素值总和是否介于预设币值判断区间内，根据判断结果确定待检测纸币的币值。

其中，预设币值判断区间是预先获得的用于判断每一种币值的V分量图像内所有像素的像素总和的数值区间。对于每一种币值，这个数值区间通常是利用大量的该币值的纸币数字化数据进行统计获得，其可以是统计全部数据的最大值和最小值，也可以是统计该数据在某一个置信区间内，比如95％的置信区间内的最大值和最小值。对于一种确定的币种而言，一般包含至少一种币值，则相应地具有至少一个预设币值判断区间。例如，对于人民币而言至少有6个预设币值判断区间。

具体地，将步骤S120中获得的像素值总和与预设币值判断区间的两个边界值进行比较，判断该像素值总和是不是落在上述预设比值判断区间内，以此来判断该待检测纸币的币值是不是上述预设判断阈值对应的币值。

示例性地，上述确定待检测纸币的币值的过程可以是：若所述像素值总和介于所述预设币值判断区间内，则所述待检测纸币的币值是所述预设币值判断区间对应的币值。

具体地，每一个预设币值判断区间都有两个区间临界值，分别为区间左边界值和区间右边界值。如果步骤S120中获得的像素值总和大于或等于区间左边界值，且小于或等于区间右边界值，那么就确定该像素值总和落在该预设币值判断区间内，就可以确定待检测纸币的币值是该预设币值判断区间对应的币值。

相反地，如果步骤S120中获得的像素值总和小于区间左边界值或者大于区间右边界值，则该像素值总和落在该预设币值判断区间外，那么待检测纸币的币值就不是该预设币值判断区间对应的币值。此时，需要依据币值识别的具体情况，作进一步地处理。比如对于一些只需要识别某一种币值的金融设备，在上述判断之后，直接结束该张待检测纸币的判断，进入下一张待检测纸币的判断。但是对于不限定具体币值，而是需要识别出待检测纸币的币值是哪种币值的情况，如果有多个预设币值判断区间，即检测纸币的币种包含多个币值，那么就要将该像素值总和再与除该预设币值判断区间之外的其他预设币值判断区间依次相比较，确定其是否落入其他某一个预设币值判断区间内。如果经判断，该像素值总和落入其他的某一个预设币值判断区间内，那么待检测纸币的币值就是上述像素值总和落入的预设币值判断区间对应的币值。否则，如果像素值总和没有落入任何一个预设币值判断区间，那么待检测纸币的币值不能确定，需向纸币检测系统报错，并进行下一张待检测纸币的币值检测。

本实施例的技术方案，通过获取待检测纸币的V分量图像，并确定该V分量图像内所有像素的像素值总和，然后依据该像素值总和是否介于预设币值判断区间的判断结果确定待检测纸币的币值，实现了利用待检测纸币的颜色分量特征进行币值识别，提高了纸币币值识别的准确率。

实施例二

图6为本发明实施例二提供的纸币币值的识别方法的流程图，本实施例在上述实施例的基础上，对上一实施例进行了具体说明和优化。其中与上述实施例相同的步骤采用与其相应的附图标记，与上述实施例相同或相应的术语的解释在此不再赘述。下面结合图6对本发明实施例二提供的纸币币值的识别方法进行说明，本实施例的方法包括：

S210、获取所述待检测纸币的彩色图像。

具体地，通过彩色传感器获取待检测纸币的RGB颜色空间下的彩色图像，即RGB彩色图像。

S220、从所述彩色图像中分解出红、绿和蓝三个颜色分量图像。

具体地，由于步骤S210中获取的RGB彩色图像中的每一个像素值都是R、G和B的数组，其并没有将R、G和B三个颜色分量的图像分离出来，只是一幅综合的图像，所以，需要从原始的RGB彩色图像中将R、G和B三个颜色分量的图像数据分离出来，得到三幅独立的颜色分量图像，分别对应R分量图像、G分量图像和B分量图像。

S230、将所述红、绿和蓝三个颜色分量图像转换为所述V分量图像。

具体地，YUV颜色空间中的每一个分量图像都可以通过RGB颜色空间与YUV颜色空间的转换关系得到，即：

那么可以利用上述公式中第三个公式，即V＝0.615·R-0.515·G-0.100·B，将步骤S220中分离出来的R分量图像、G分量图像和B分量图像进行转换，获得V分量图像。

S120、确定所述V分量图像内所有像素的像素值总和。

S130、判断所述像素值总和是否介于预设币值判断区间内，根据判断结果确定待检测纸币的币值。

在上述所有技术方案的基础上，本实施例中的方法在判断所述像素值总和是否介于预设币值判断区间内之前，还包括：

A、构建待训练币值的训练样本集，其中，所述训练样本集包含至少一张所述待训练币值的纸币彩色图像。

具体地，选择至少一张待训练币值的纸币，通过彩色传感器或其他彩色图像获取设备，获取该至少一张待训练币值的纸币的彩色图像，构成待训练币值的训练样本集。其中，训练样本集中的每一幅彩色图像称为一个样本。彩色图像可以是RGB彩色图像，也可以是YUV彩色图像。而选择的纸币应该尽可能地包含不同情形下的纸币，例如不同流通时间的完好纸币以及能够通过纸币检测设备的残损纸币。应当理解的是，训练样本集中样本数量越多，待训练币值的预设币值判断区间会越精准。这样设置的好处是能够对包含不同噪声的纸币进行训练，以减少后续币值识别过程中各种噪声的影响，提高币值识别准确率。

例如，待训练币值是100元人民币，选择1000张不同流通时间的完好的100元人民币以及可以通过纸币检测设备的有缺损、有诸如胶带的附着物或有折角的残损的100元人民币。

B、获取所述训练样本集的V分量图像集，并确定所述V分量图像集对应的像素值总和集。

具体地，从步骤A中的每一幅彩色图像中提取V分量图像，则步骤A中的所有彩色图像能够提取出至少一幅V分量图像，构成V分量图像集。然后，利用步骤S120的方法获取V分量图像集中每一幅V分量图像的像素值总和，构成V分量图像集对应的像素值总和集。其中，当步骤A中的彩色图像是RGB彩色图像时，提取V分量图像的方式是利用RGB颜色空间与YUV颜色空间的转换关系得到；而当步骤A中的彩色图像是YUV格式的彩色图像时，可以直接从该图像数据中提取V分量图像。

例如，可以获得1000幅如图2所示的100元人民币的V分量图像，即V分量图像集，相应地，可以获得1000个像素值总和，构成V分量图像集对应的像素值总和集。

C、确定所述像素值总和集中的最大值和最小值，并依据所述最大值和所述最小值确定所述待训练币值的预设币值判断区间。

具体地，统计出步骤B所得的像素值总和集中的最大像素值总和与最小像素值总和，即像素值总和集中的最大值和最小值，将该最小值作为预设币值判断区间的区间左边界值，同时，将该最大值作为预设币值判断区间的区间右边界值，那么上述区间左边界值到上述区间右边界值之间的数值范围便构成了待训练币值的预设币值判断区间。该预设币值判断区间可以包含上述区间左边界值和上述区间右边界值，即上述预设币值判断区间可以是闭合区间，也可以不包含上述区间左边界值和上述区间右边界值，即上述预设币值判断区间也可以是开放区间。

例如，从1000个像素值总和中统计得到其中的最大值，记为V100_UP，同时统计得到1000个像素值总和中的最小值，记为V100_DOWN，那么由这1000张100元人民币获得的币值为100元的预设币值判断区间就是(V100_DOWN，V100_UP)或[V100_DOWN，V100_UP]。

同样地，如果待训练币值是50元人民币，则可确定其预设币值判断区间是(V50_DOWN，V50_UP)或[V50_DOWN，V50_UP]。如果待训练币值是20元人民币，则可确定其预设币值判断区间是(V20_DOWN，V20_UP)或[V20_DOWN，V20_UP]。如果待训练币值是10元人民币，则可确定其预设币值判断区间是(V10_DOWN，V10_UP)或[V10_DOWN，V10_UP]。

这样设置的好处在于在进行待检测纸币的币值识别之前，通过大量的纸币实验，确定出每种币值的判断区间，能够很大程度地减少币值识别过程中的数据处理量，缩短数据处理时间，简化币值识别过程，提高币值识别效率。

优选地，预设币值判断区间的区间端点值分别为所述最小值和所述最大值。也就是说，预设币值判断区间的区间端点值为上述区间左边界值和上述区间右边界值，即预设币值判断区间是闭合区间。这样设置的好处在于能够给出更全面的数值范围，使得币值识别结果更加准确。

本实施例的技术方案，通过获取待检测纸币的RGB彩色图像，利用YUV颜色空间与RGB颜色空间的转换关系获得该待检测纸币的V分量图像，并确定该V分量图像内所有像素的像素值总和，然后依据该像素值总和是否介于预设币值判断区间的判断结果确定待检测纸币的币值，实现了利用待检测纸币的通用RGB彩色图像进行颜色分量特征提取并进一步识别待检测纸币的币值，提高了纸币币值识别的准确率。

实施例三

图7为本发明实施例三提供的纸币币值的识别装置的结构示意图，本实施例中与上述任一实施例相同或相应的术语的解释在此不再赘述。该装置可以包括：

V分量图像获取模块710，用于获取待检测纸币的V分量图像，其中，所述V分量图像是所述待检测纸币的颜色饱和度图像；

像素值总和确定模块720，用于确定V分量图像获取模块710获取的V分量图像内所有像素的像素值总和；

币值确定模块730，用于判断像素值总和确定模块720确定的像素值总和是否介于预设币值判断区间内，根据判断结果确定待检测纸币的币值。

通过本发明实施例三的纸币币值的识别装置的装置，实现了利用待检测纸币的颜色分量特征进行币值识别，提高了纸币币值识别的准确率。

本发明实施例所提供的纸币币值的识别装置可执行本发明任意实施例所提供的纸币币值的识别方法，具备执行方法相应的功能模块和有益效果。

实施例四

图8为本发明实施例四提供的纸币币值的识别装置的结构示意图，本实施例在上述实施例的基础上，对其进行了具体说明和优化。其中与上述实施例相同的图单元采用与其相应的附图标记，与上述任一实施例相同或相应的术语的解释在此不再赘述。该装置可以包括：

V分量图像获取模块710，具体用于获取所述待检测纸币的彩色图像；从所述彩色图像中分解出红、绿和蓝三个颜色分量图像；将所述红、绿和蓝三个颜色分量图像转换为所述V分量图像。

像素值总和确定模块720，用于确定V分量图像获取模块710获取的V分量图像内所有像素的像素值总和。

预设币值判断区间确定模块740，用于在币值确定模块730判断像素值总和是否介于预设币值判断区间内之前，按照如下方式预先确定所述预设币值判断区间：构建待训练币值的训练样本集，其中，所述训练样本集包含至少一张所述待训练币值的纸币彩色图像；获取所述训练样本集的V分量图像集，并确定所述V分量图像集对应的像素值总和集；确定所述像素值总和集中的最大值和最小值，并依据所述最大值和所述最小值确定所述待训练币值的预设币值判断区间。

其中，预设币值判断区间的区间端点值分别为所述最小值和所述最大值。

币值确定模块730，具体用于若像素值总和确定模块720确定的像素值总和介于预设币值判断区间确定模块740确定的预设币值判断区间内，则待检测纸币的币值是该预设币值判断区间对应的币值。

通过本发明实施例四的纸币币值的识别装置的装置，实现了利用待检测纸币的通用RGB彩色图像进行颜色分量特征提取并进一步识别待检测纸币的币值，减少了币值识别过程中的数据处理量，提高了纸币币值识别的准确率。

本发明实施例所提供的纸币币值的识别装置可执行本发明任意实施例所提供的纸币币值的识别方法，具备执行方法相应的功能模块和有益效果。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。