[0023]cG=a? (cV+cH+cD)，aGR+， (2)
[0024]a是尺度因子，如果必要的话，它为缩放系数和细节系数确保了相同的动态范围。 对于cG，所有所识别的结构转换都统一在一个矩阵中。应当注意的是，不能从统一的细节系 数cG中恢复信号。尽管在鉴别纸币时，该个方面是不相关的。关于等式（2)的上述计算对 每一个尺度都执行。细节可W参考[12]和WO2011/018764A2。为了处理小波变换，必须 使小波适合于应用。通常，良好的结果是用具有两个消失矩（化2-小波）的Daubechies小 波巧3]得到的。该些小波由于它们的紧支集和频率响应[12]，通常很好地适合于精细凹版 结构的频谱分析。
[0025] 分类。使用小波系数的基于矩的统计特征是有利的，参见巧]、[12]、和巧9]。在 图1中，基于本申请人所生产的如在图7(a)中大体描绘的"化lesVerne"纸币样本（该纸 币样本的一部分也展示在图2中）的典型凹版线结构示出了化2-SWT系数H"(p)的不同灰 度级频率直方图。纸币样本是原型纸币，具有真实的纸张、油墨、应用等，但没有价值。本申 请中所引用的纸币样本"化lesVerne"和"Flowe巧ower"由本申请人设计和生产。
[0026] 完整的纸币样本在图7(a)中示出。直观的是真实纸币的灰度级频率分布与伪造 纸币有很大不同。
[0027] 通过对标准化的直方图H"(p)计算描述性度量，可W讨论图像结构上的整体结论。 可W考虑W下统计特征W进一步分析小波系数，即方差0 2、偏斜度E和超量（或峰态）C。 方差0 2描绘了小波系数围绕直方图中屯、的幅度分布。偏斜度E描述了围绕该中屯、分布的 对称性。超量/峰态C描述了相对于高斯分布的偏差，参见巧9]。图3示出了包含对象类 的特征空间，将使用前述统计特征作为该特征空间的一组分类特征（或坐标）对该些对象 类进行分类。
[002引通常，上述特征不足W唯一地辨别一个复杂的特征空间。必须牢记的是，不仅是新 的，而且破旧的真实和伪造纸币也必须被正确地区分。一种实现更精确的线性分类的方法 是考虑附加特征。附加特征必须满足两个重要性质。首先，它们必须适合识别凹版印刷，并 且其次它们必须互补于现有的S个统计特征。人们应用S个典型的统计矩（方差02、偏斜 度E、和超量C)。S个其他的所谓LACH特征馬、斬和[4]必须被解释为本地自适应累 积直方图（LACH)统计，该些统计生成由方差。2控制的特征句片。它们表示 直方图的有意义部分的面积，使用〇2将直方图分为多个部分（L为左边部分，M为中间部 分，R为右边部分）。由于大部分特征是高斯分布的[4]，人们应用线性判别分析（LDA)方 法[4]计算分类器边界W用于稍后鉴别。
[0029] 3.方法
[0030] 该方法基于W下事实：如果用作图像处理单元，用于智能电话的信号处理算法必 须满足与鲁椿性和自适应性相关的某些标准。本节描述用于凹版检测的鲁椿和自适应特征 生成的调查结果。
[0031] 基于安全文件（通过凹版印刷所生产）的本质特征的分析来鉴别安全文件（尤其 是纸币）的方法如在第1和第2节强调的那样是已知的，该种分析设及基于小波分解待鉴 别的候选文件的至少一部分的一个或多个样本图像。根据该些已知方法，通过对样本图像 进行小波变换来数字化地处理每个样本图像，W便导出一组分类特征（包括例如方差曰2、 偏斜度E、和超量/峰态0,该些分类特征允许在多维特征空间（如例如图3中所展示）内 对候选文件进行分类，由此实现真实和伪造的安全文件之间的合适辨别。
[0032] 本发明的总体目标是提供一种鉴别安全文件的改进方法。更确切地说，本发明的 目标是提供更适合于在移动装置（如智能电话或类似的手持式或便携式装置）中实施的该 样一种方法。
[0033] 因此，提供了一种鉴别前述类型的安全文件尤其是纸币的方法，其特征在于，该方 法基于自适应小波方法，该自适应小波方法包括W下步骤：
[0034] -在进行小波变换之前，定义包含在该些安全文件上所发现的不同凹版线结构的 局部信息的一个归类图；
[0035] -基于该归类图在一个小波类型池中进行小波选择；W及
[0036] -基于所选择的小波进行样本图像的小波变换。
[0037] 所提出的自适应小波方法的优点在于具有较佳能力对待鉴别的候选文件的样本 W-种明确的方式进行分类。的确，由于所提出的将适合的小波类型映射到通常在安全文 件上发现的不同凹版线结构的自适应小波方法，在进行小波变换之前，首先基于归类图选 择最适合于样本图像中的具体凹版线结构特征的一个适合的小波，由此对被鉴别的各类文 件的特征空间中的辨别进行优化。
[003引根据本发明的一个优选实施例，定义该归类图的步骤包括定义每个给定的凹版线 结构的一个统计模型。优选地，该个统计模型由表征表示每个给定的凹版线结构的至少一 个直方图的至少一个参数组成（有利地，该参数是描述相应直方图的形状的一个形状参 数）。可W适当地基于最大似然估计（ML巧方法来确定该个参数。
[0039] 在此背景下，已经发现从每个给定的凹版线结构内的线宽和线距的测量来建立统 计模型是适当的。甚至更为优选地，该统计模型可W包括四元组参数，该四元组参数表征表 示每个给定的凹版线结构的四个直方图，该四个直方图分别描述了水平方向上线宽的统计 分布的直方图、水平方向上线距的统计分布的直方图、竖直方向上线宽的统计分布的直方 图、W及竖直方向上线距的统计分布的直方图。
[0040] 根据本发明的另一个优选实施例，该小波类型池包括一个基线小波，该基线小波 用作小波选择的基线。优选地，该个基线小波是化2-小波。对于给定的凹版线结构，如果 在特征空间中另一种小波类型的分离能力好于基线小波，则有利地由该另一种小波类型替 代基线小波。在此背景下，特征空间中更好的分离能力被理解为特征空间中更大的集群距 离的意义。
[0041] 优选地，该组分类特征包括统计矩，统计矩描述了由小波变换产生的小波系数的 统计分布（或直方图），统计矩有利地是方差0 2、偏斜度E和超量C。除了该些统计矩W外， 还可W使用另外的分类特征，包括所谓的LACH特征。
[0042] 还声明了该样一种应用在移动装置环境中（尤其是应用在智能电话中）的方法W 及一种移动装置，该移动装置包括被编程W执行该种方法的一个图像处理单元。
[0043] 3. 1鲁椿忡
[0044] 通过将鉴别算法转移到智能电话上，扩展了可能的应用领域，并且纸币的检查可 w由未经训练的人员来执行。在智能电话上实现鉴别算法对于一些算法的某些部分需要一 种新的概念。在此情况中智能电话的限制具有如下影响：
[0045] -相机模块的质量波动，
[0046] -软件限制，如限制或阻碍对原始图像数据的访问，
[0047] -变化的环境条件，尤其是光条件，W及
[0048] -相对于智能电话的光学器件的纸币位置。
[0049] 智能电话中的相机模块没有设计成用于工业图像处理应用。为了降低成本，该类 模块通过专用硬件生成已经优化的图像。电话的操作系统没有在任何偏差上进行调整。因 此，由相机模块制造商致使的生产偏差导致变化的图像表示，该图像表示可W在色偏（也 就是说，没有正确地调整颜色通道）、噪声、不恰当的调焦等中示出自身。必须通过对算法的 合适选择来考虑该些波动。若干反制措施试图补偿上述影响，也就是说，在后处理步骤中应 用阴影校正和白平衡调整。阴影校正补偿不均一的照明。白平衡调整通过将颜色通道调整 到预定义的参考值来校正色偏。
[0050] 对用于纸币实时鉴别的智能电话的使用要求机器学习的特殊程序。尽管存在不稳 定的图像采集条件，对象的分类应该尽可能鲁椿。而且，应用应当是可靠的，尽管只有数量 有限的伪造品可供训练使用。假阳性分类（即，将伪造品检测为真实的）必须被避免。因 此，必须将训练集设计为考虑生产过程中的可能变化。当选择一个适当的分类方法时，必须 考虑到手头的伪造品的数量是有限的。可能的印刷方法的数量也是有限的。由于假阳性分 类会给整个应用带来问题并在公众中带来负面反馈，因此分类器的可靠性最为重要。为此， 在鉴别过程中使用的机器学习的方法必须是经过慎重考虑的。
[0051] 3. 2自话麻小妮方法
[0化2] 如W上提及的，纸币分类在获取自小波系数直方图的统计矩上进行操作，该些小 波系数直方图反过来是基于例如给定的具有典型的60(Mpi分辨率的信号的化2-小波。虽 然此分类在很多情况中运作良好，但在一些情况中不是该样，也就是说出现误分类。由于凹 版印刷技术与小波变换[12]紧密相关，所W自适应小波方法必须克服该种误分类的出现。 该方法基于对不同凹版线结构进行的小波映射。基线是化2-小波，根据纸币的某个局部 凹版线结构，化2-小波由另一个小波类型替代。使用了来自相同小波家族的小波（例如， Daubechies[23])或来自具有其他特性的小波家族的小波（例如，双正交小波、Coiflets或 Symlets巧3]、[24]、和巧5])。
[0053]目的是更好的明确地对样本进行分类的能力。因此，在进行小波变换之前，必须在 纸币内表征信号样本结构并为整个纸币定义归类图（C-map)(参考图7(b)-图7(f))X-map 包含被映射为某个小波的凹版结构的局部信息。基于此归类，应用生成拟最优空间频率系 数的小波变换是可能的，因此，拟最优检测特征带来明确的分类。
[0化4] 对于该方法，基本步骤可W分为=个部分：
[0化5]i)应当定义并执行一个统计模型，该模型足够用于不同的给定的凹版线结构；
[0056]U)给定的样本结构必须经过测量和区分；并且
[0化7]iii)小波必须经过选择，它在有限小波池的约束下最为适合。
[0化引统计模型。手边的信号是二维光栅图像，可W认为该图像是两组一维信号，一个是 水平的而一个是竖直的。对于每一维，首先确定沿（斜率）中屯、。其次，计算两类距离；线宽 w，它是下降沿中屯、和上升沿中屯、之间的距离，w及线距d，它是上升沿中屯、和下降沿中屯、之 间的距离。该个过程基于的基础假设是，在亮的、发白的棉质纸张上检查较暗的打印结构。 由于斜率中屯、用作参考点，人们对样本的印刷技术是不敏感的。
[0059] 对于一个单线或线距，人们不感兴趣，但对于整个观察到的结构而言，人们对与W 和d有关的离散统计密度（直方图）感兴趣。所W，计算对于W和d的测量的直方图。由 于得到的密度呈现为伽玛概率密度P(x;k