一种纸币图像识别方法
【专利摘要】本发明提出一种纸币图像识别方法，它用训练集中的纸币图像训练分类器，并用所训练的分类器对所获取的待测纸币图像进行币种、面值、面向和版本的识别，具体包括如下步骤：1)对纸币图像进行预处理；2)取纸币图像中的若干个图像块；3)计算每个图像块的图像特征，组成纸币图像的特征向量，作为训练集中图像或待测图像的各图像块的特征向量；4)利用训练集中的图像的各图像块的特征向量训练分类器；5)将待测图像的各图像块的特征向量输入分类器，对该纸币图像进行识别。本发明方法不需要寻找不同纸币间的局部差异性，只需在纸币图像上提取相应的特征后即可进行后续识别。
【专利说明】
一种纸币图像识别方法
技术领域
[0001] 本发明涉及图像处理技术领域，尤其涉及一种纸币图像识别方法。
【背景技术】
[0002] 随着经济全球化和贸易一体化的发展，我国对外开放的程度不断加深，与各国的 贸易往来日益频繁，同时越来越火爆的出境游市场也一起促进了外币支付和兑换等相关业 务的迅速增长，因此，对各种外币的有效管理就显得十分重要。另一方面，国外市场对点钞 机和清分机也有支持自动多币种功能的要求。
[0003] 对于纸币图像的清分、鉴伪处理，首先需要识别纸币的面值、面向、版别，其次，在 多币种自动识别时还需要识别币种。目前，在纸币清分领域，国内有多个企业都研制开发了 自己的多币种点钞机，其具有清分、鉴伪、异常票面识别等多项功能，但却很少能真正做到 自动识别币种，通常还是需要人为选择需要清点的币种来进行识别。
[0004] 由于纸币印刷具有固定的图案，一般地，模板匹配是一种简单有效的识别方法。但 是在多币种识别，或港元这种币种版本很多时，模板数量就会很多，故模板匹配就会很费 时，影响处理性能；另一方面，在纸币有折边或缺边时，或如美元，其长宽一致但四周白边会 因印刷而偏移时，模板匹配法就容易导致识别错误。因此需要寻找快速、稳定的纸币识别方 法，实现多币种识别、解决折边或缺边币等的误识问题。
【发明内容】
[0005] 本发明针对上述现有技术中的不足，提出了一种纸币图像识别方法，该方法不需 要寻找不同纸币间的局部差异性，只需在纸币图像上提取相应的特征后即可进行后续识 另IJ。其具体方法如下：
[0006] -种纸币图像识别方法，用训练集中的纸币图像训练分类器，并用该分类器对待 测纸币图像进行识别，其特征在于对训练集中的纸币图像和待测纸币图像的处理包括如下 步骤：
[0007] 1)对纸币图像进行预处理；
[0008] 2)取纸币图像中的若干个图像块；
[0009] 3)计算每个图像块的图像特征；
[0010] 其特征还在于包括如下步骤：
[0011] 4)利用训练集中图像的各图像块的特征训练分类器；
[0012] 5)将待测图像的各图像块的特征输入分类器，对该纸币图像进行识别；
[0013] 所述的纸币图像包括如下图像之一种或多种:可见光反射图像、可见光透射图像、 红外反射图像、红外透射图像、紫外荧光反射图像和磁图像；
[0014] 在纸币图像包括所述多种图像时，采用相同或不同的图像块；
[0015] 所述的对待测纸币图像进行识别包括面值、面向和版本的识别，在输入图像包括 多币种时还包括币种识别。
[0016] 进一步的，所述的图像特征包括图像块的如下特征之至少一种:灰度统计特征、差 分特征、类Haar特征。
[0017] 进一步的，所述的灰度统计特征是指如下特征之一种或多种:像素灰度均值、像素 灰度方差或均方差。
[0018] 进一步的，所述的差分特征是指如下特征之一种或多种:水平或垂直方向的一阶 差分、水平或垂直方向的二阶差分。
[0019]进一步的，所述的类Haar特征，包括如下特征中的至少一种：边缘模板提取的类 Haar特征、中心线模板提取的类Haar特征、对角线模板提取的类Haar特征。
[0020] 进一步的，所述的将待测图像的各图像块的特征输入分类器，对纸币图像进行识 别包括如下步骤：
[0021] a)将待测纸币的长宽特征输入树分类器，对纸币进行粗分类；
[0022] b)计算待测图像的各图像块的特征向量与该图像块对应的各类的均值向量的 Mahalanobis距离；
[0023] c)计算所有块的Mahalanobis距离之和，将待测纸币图像判决为Mahalanobis距离 之和最小的类。
[0024] 与现有技术相比，本发明获得的有益效果有：（1)不需要寻找纸币间的局部差异性 特征，直接利用本发明所提取的特征进行训练后即可识别；（2)本发明的方法可以用于多国 纸币的混合自动识别，无需选择相应币种；（3)本发明方法由于计算的特征简单，计算速度 很快，解决了高速实时多币种自动识别问题；（4)本发明方法识别正确率高，抗折、缺边或印 刷漂移能力强。
【附图说明】
[0025] 图1是本发明纸币图像识别方法的一个实施例的流程图；
[0026] 图2是本发明纸币图像识别方法中Haar特征提取模板的一个实施例；
[0027] 图3是本发明纸币图像识别方法利用分类器对纸币图像进行识别的一个实施例流 程图。
【具体实施方式】
[0028] 为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例 中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是 本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员 在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0029] 图1是本发明中纸币图像识别方法的一个实施例的方法流程图，包括训练分类器 和对输入图像进行二个过程。其输入是已知币种、面值、面向和版别的训练集纸币图像或待 识别的纸币图像，所述的纸币图像是如下图像之一种:可见光反射图像、可见光透射图像、 红外反射图像、红外透射图像、紫外荧光反射图像和磁图像。包括以下步骤：
[0030] 步骤S101:对获取到的纸币图像I进行预处理。获取纸币图像边界信息，包括倾斜 角度、长宽和位置信息，对纸币图像进行倾斜校正和灰度归一化校正，并缩小到指定的尺 寸。对于从图像传感器(如CIS)得到的原始图像，一般地还需要对采集到的图像针对感光单 元的不一致性进行灰度校正。
[0031] 步骤S102:将纸币图像按照两行四列的规则，划分为八个大小为HXW，且互不重叠 的矩形块01，0 2，…，Q8，其中H是图像块的高度，W是图像块的宽度。用这种方法取纸币图 像中的图像块比较简单有效。很多现有的提取图像中的图像块的方法都可以被采用，如指 定若干个R0I区域，规则或不规则的区域，重叠或不重叠的区域，也可划分成其它不同的行 数和列数。
[0032] 步骤S103:在每个矩形图像块内提取纸币图像特征X = ? ,4')7',包括灰度 统计特征、差分特征和类Haar特征。这里n是所提取的特征数量，如n取6或8。本实施例采用 这些计算简单而效果较好的特征，但其它的图像特征，如矩特征、Gabor、小波、LBP、H0G等等 各种图像特征也可被米用。
[0033] 具体的，灰度统计特征包括像素灰度均值和像素灰度方差或均方差。设有第k个H ><￥的图像块〇1<，1^=1，2，-_，1]1，其中图像任一位置(1，」)处的像素(记为像素2)的灰度记为 1^，其中i和j分别为水平和垂直坐标，像素灰度均值的计算公式为：
[0035]像素灰度方差的计算公式为：
[0037] 均方差为^〇_2(仏）,
[0038] 差分特征包括水平、垂直方向的一阶差分和二阶差分。其中，水平方向一阶差分的 计算公式为：
[0040]垂直方向一阶差分的计算公式为：
[0042] 上述一阶差分算子也可改用Sobel、Prewitt等高通算子。 和范围Q k是指图像块内可计算的像素范围。
[0049]所述的类Haar特征采用图2所示的模板进行计算，包括垂直边缘模板S201、水平边 缘模板S202、垂直中心线模板S203、水平中心线模板S204。其计算公式为：
[0051 ]其中仏力为模板白色区域，其大小为Hi XWi，?〇「为模板深色区域，其大小为
[0052] H2 X %。如果Hi XI = H2 X %，则可改用：
[0053] H("k) = E .'w _ X 為，，
[0054]为了能快速计算，本实施例中只采用了水平和垂直二个方向，可增加45度或其它 方向的模板。
[0055] 步骤S104:在输入图像为训练集中图像时执行本步骤，利用训练集中图像的各图 像块的特征训练分类器。本实施例采用简化的Bayes分类器，假设各类的先验概率相同，训 练分类器的过程即为统计协方差矩阵和均值向量。若采用神经网络、SVM、深度学习、随机森 林等分类器，则采用相应的训练方法。本实施例假设各图像块相互独立，即每个图像块独立 训练分类器;也可将从各图像块得到的特征联合成一个特征向量再训练一个总的分类器。
[0056] 步骤S105:在输入图像为未知币种、面值、面向和版别的待识别图像时执行本步 骤，将S103得到的待测纸币图像的特征向量输入图1中S104训练好的分类器，对该纸币图像 进行识别。本实施例采用简化的Bayes分类器，假设各类的先验概率相同，且各图像块相互 独立，则每一类的后验概率完全取决于各图像块特征与其均值向量的Mahalanobis距离之 和，因此可判决为Mahalanobis距离之和最小的类。当然，若采用其它分类器，如神经网络、 SVM、深度学习、随机森林等，则采用相应的分类算法进行分类。
[0057] 在上述图1所示的实施例中，若只用纸币的一种图像，则由于差异不大或不同版别 没有差异，容易引起误判。因此，需要联合多种成像方式进行识别，这时所述的图1中输入 S101的纸币图像是一张纸币的如下至少二种成像图像:可见光反射图像、可见光透射图像、 红外反射图像、红外透射图像、紫外荧光反射图像和磁图像。则S101对每种成像方式的纸币 图像分别进行预处理;S102对每种成像方式的纸币图像分别提取图像块，S103对每种成像 方式的纸币图像分别计算图像块特征。S104将来自训练集的不同成像方式的纸币图像的各 图像块的特征联合成一个特征向量训练分类器，S105则对待测图像的不同成像方式的纸币 图像的各图像块的特征联合成一个特征向量输入分类器进行识别；或者，假设不同成像方 式的纸币图像相互独立，在采用Bayes分类器时，分别统计每种成像方式的各图像块的协方 差矩阵和均值向量，采用不同成像方式各图像块的Mahalanobis距离之和进行分类，将待测 纸币图像判决为Mahalanobis距离之和最小的类。
[0058] 具体的，针对不同的纸币图像的不同特点，取纸币图像中图像块时采用相同或不 同位置和形状的图像块。
[0059] 对于给定的一种或几种不同国家或地区的纸币，由于不同图像块、不同成像方式 的图像的特征是相关的，且可分性是不同的，上述Mahalanobis距离之和可调整为加权和， 其中权重取决于各图像块特征的可分性。
[0060]图3是本发明中利用分类器对纸币图像进行识别的一个实施例流程图，它采用 Bayes分类器进行分类，并利用不同纸币具有不同长宽特征来加快分类速度和分类正确率， 包括以下步骤：
[0061] 步骤S301:将图1中步骤S101得到的待测纸币的长宽特征输入树分类器，根据不同 纸币的长度和宽度对纸币进行粗分类。具体的，将待测纸币的长度和宽度与某一类纸币图 像的标准长度和宽度进行比较，若差异超过阈值则将该类排除在外，即不用该类进行分类 测试，只对差异小于阈值的类进行步骤S302的分类测试。
[0062]步骤S302:计算各图像块的特征向量与该图像块对应的各类块的均值向量的 Mahalanobis距离（严格地应为Mahalanobis距离的平方，在此简称为Mahalanobis距离）。具 体的，其计算公式为
[0063] D(xb,a>ib) = (xb - - ^i：b)
[0064] 其中Xb为待测纸币第b块的特征向量，colb为第i类第b块，ylb为第i类第b块的均值 向量，5： lb为第i类第b块特征向量的协方差矩阵。
[0065] 步骤S303:计算所有块的Mahalanobis距离之和或加权和。
[0066] 步骤S304:将待检测纸币图像判决为Mahalanobis距离之和或加权和最小的类。
[0067]实验证明，上述方法的有益结果是，与相关文献方法相比，显著提升了识别的速度 和准确率。
[0068]最后应说明的是:虽然结合附图描述了本发明的实施方式，但是本领域普通技术 人员可以在所附权利要求的范围内作出各种变形或修改，并不使相应技术方案的本质脱离 本发明各实施例技术方案的精神和范围。
【主权项】
1. 一种纸币图像识别方法，用训练集中的纸币图像训练分类器，并用该分类器对待测 纸币图像进行识别，其特征在于对训练集中的纸币图像和待测纸币图像的处理包括如下步 骤:1)对纸币图像进行预处理;2)取纸币图像中的若干个图像块;3)计算每个图像块的图像 特征;其特征还在于包括如下步骤:4)利用训练集中图像的各图像块的特征训练分类器;5) 将待测图像的各图像块的特征输入分类器，对该纸币图像进行识别； 所述的纸币图像包括如下图像之一种或多种:可见光反射图像、可见光透射图像、红外 反射图像、红外透射图像、紫外荧光反射图像和磁图像； 在纸币图像包括所述多种图像时，采用相同或不同的图像块； 所述的对待测纸币图像进行识别包括面值、面向和版本的识别； 在输入图像包括多币种时，还包括币种识别。2. 根据权利要求1所述的纸币图像识别方法，其特征在于，所述训练集中图像或待测图 像的图像特征，包括图像块的如下特征中的至少一种:灰度统计特征、差分特征、类Haar特 征。3. 根据权利要求2所述的纸币图像识别方法，其特征在于，所述灰度统计特征包括如下 特征中的至少一种:像素灰度均值、像素灰度方差或均方差。4. 根据权利要求2所述的纸币图像识别方法，其特征在于，所述差分特征包括如下特征 中的至少一种:水平或垂直方向的一阶差分、水平或垂直方向的二阶差分。5. 根据权利要求2所述的纸币图像识别方法，其特征在于，所述的类Haar特征，包括如 下特征中的至少一种:边缘模板提取的类Haar特征、中心线模板提取的类Haar特征、对角线 模板提取的类Haar特征。6. 根据权利要求1-5任一项所述的纸币图像识别方法，其特征在于，所述的步骤5)中对 纸币图像进行识别包括如下步骤： a) 将待测纸币的长宽特征输入树分类器，对纸币进行粗分类； b) 计算待测图像的各图像块的特征向量与该图像块对应的各类的均值向量的 Maha lanob is距离； c) 计算所有块的Mahalanobis距离之和，将待测纸币图像判决为Mahalanobis距离之和 最小的类。
【文档编号】G07D7/206GK105894656SQ201610194255
【公开日】2016年8月24日
【申请日】2016年3月30日
【发明人】唐慧明, 江帆, 江一帆
【申请人】浙江大学