一种纸币管理方法及其系统的制作方法

一种纸币管理方法及其系统的制作方法
【专利摘要】本发明提供一种纸币管理方法，包括采用纸币信息处理装置对纸币特征进行采集、识别和处理，得到纸币特征信息；将所述的纸币特征信息、业务信息、所述纸币信息处理装置的信息一起传输至主控服务器；所述主控服务器对接收的信息进行加工，并对纸币进行分类处理。本发明还提供了相应的纸币管理系统。本发明的上述方法能够在保证运算速度的同时，提高识别的鲁棒性，保证了实际应用中的准确性和实用性。
【专利说明】
-种纸币管理方法及其系统
技术领域
[0001] 本发明属于金融领域，具体设及一种纸币管理系统及其方法。
【背景技术】
[0002] 随着金融信息化应用水平的不断提升，银行系统的货币反假、业务流程管理和金 融安全逐步趋向智能化，纸币管理对维护国家金融领域的安全和稳定实现人民币流通痕迹 管理、假币管理、ATM配钞管理、残损币管理和现金出入库管理具有重大的意义。
[0003] 纸币管理主要是针对纸币信息、业务信息等信息的综合处理，纸币信息中的冠字 号码在纸币管理中发挥越来越重要的作用，通过将冠字号码的信息与业务等信息相关联， 可大大方便纸币追踪和查询。运就使得纸币管理中对于冠字号码W及其他信息的采集和识 另IJ，尤其是对于待识别区域中的冠字号码的识别，有着较高的要求，不仅要求准确率高，识 别效率和识别速度也要高。
[0004] 在现有技术中，随着DSP技术的发展，通过DSP平台，配合计算机视觉技术和图像处 理技术，实现对冠字号码的识别，较为常见。而在具体的识别算法中，常用的方法有模板匹 配、B巧巾经网络、支持向量机等，也有采用多重神经网络融合的方式实现识别，例如，在申请 号为CN201410258528.9的专利申请中，通过分别设计训练两个神经网络的方式，实现识别， 即通过冠字号码的图像矢量特征训练一个特征提取网络，再结合一个BP神经网络来识别， 通过对上述两个网络的加权融合，实现对冠字号码的识别。而在DSP识别方式中，往往局限 于网络传输效率W及DSP识别中对纸币的位置、朝向等影响，其识别效率及识别算法的鲁棒 性都比较差，例如在申请号为CN201510702688.2的专利申请中，通过灰度阔值与方向捜索 的方式，拟合出边缘，再通过阔值对边缘线进行筛选，获得区域斜率，结合神经网络训练识 别面向后，通过逐行扫描及后续的神经网络识别出冠字号码。
[0005] 又如在一现有技术中，如论文《基于图像分析的人民币清分方法研究与实现》中， 期采用了卷积神经网络的方式对冠字号码进行识别，但是，上述方案中仅通过最简单二值 化对字符进行划分，无法实现对字符的有效套紧，而运将直接影响后续需要处理的数据量， 直接影响算法的实用价值;并且上述技术方案中仅采取了对分割字符的简单大小处理，没 有有效对预处理及分割后的图像进行套紧W及图像数据的有效归一化处理，而运种简单的 大小处理，将对后续的神经网络识别带来繁重的数据处理量，极大降低了后续的识别效率； 并且，上述技术方案中同样没有很好地处理纸币残缺对纸币识别及图像的处理造成的影 响。虽然上述技术方案理论上能够达到一定的识别准确率，但是，由于其运算识别效率低 下，不能很好地转化为商业实用方法，不能适应在现实纸币识别中的速度要求。
[0006] 可见，现有技术存在W下问题:不能高效率地解决对纸币的朝向及字符的有效定 位，其识别后的字符范围较大，容易造成字符的错误划分，并且后期图像处理及识别的数据 量大，降低了识别效率;对于走钞造成的纸币图像的快速倾斜变化不能很好地适应，不能及 时对纸币的倾斜进行纠正并识别;对破损纸币识别的鲁棒性低，没有提供相应的纸币破损 识别处理方式。

【发明内容】

[0007] 为此，本发明所要解决的第一个技术问题在于现有技术中的纸币管理系统不能实 现高效率的准确采集和识别纸币信息，进而提供一种可高效率、准确采集和识别纸币信息 的纸币管理方法及其系统。
[0008] 本发明所要解决的第二个技术问题在于提出了一种冠字号码的识别方法，在保证 了冠字号码识别的效率的情况下，有效解决了待识别对象破损、脏污、快速翻折等情况下识 别算法的鲁棒性问题。
[0009] 本发明所述的纸币管理方法，包括W下步骤：
[0010] (1)采用纸币信息处理装置对纸币特征进行采集、识别和处理，得到纸币特征信 息；
[0011] (2)将步骤1)中所述的纸币特征信息、业务信息W及所述纸币信息处理装置的信 息一起传输至主控服务器；
[0012] (3)所述主控服务器对接收的所述纸币特征信息、所述业务信息、所述纸币信息处 理装置的信息进行整合加工处理，并对纸币进行分类处理。
[0013] 优选地，所述步骤1)中通过图像、红外、巧光、磁、测厚中的一种或多种方式对所述 纸币特征进行采集。
[0014] 优选地，所述步骤3)中对纸币进行分类处理具体为:将纸币分类后，使其按分类后 类别进入到不同的币仓中。所述仓币即容纳纸币的容器或空间。
[0015] 优选地，所述纸币信息包括币种、面值、面向、真伪、新旧程度、污损、冠字号码中的 一种或多种;其中，所述面向是指纸币的正反朝向。
[0016] 优选地，所述业务信息包括收款、付款、存款或取款的记录信息，业务时间段信息， 操作员信息，交易卡号信息，办理人和/或代办人身份信息，二维码信息，封包号中的一种或 多种。
[0017] 优选地，所述纸币特征的识别具体包括如下步骤：
[0018] 步骤a、提取纸币特征所在区域的灰度图像，并对灰度图像进行边缘检测；该边缘 检测，可W通过常规的canny检测、SObel检测等方式实现，再结合直线拟合，获得边缘直线 方程，但需要对边缘检测时的经验阔值进行试验设定，W保证方法的运算速度。
[0019] 步骤b、对图像进行旋转；即将边缘检测后的纸币的图像进行坐标点纠正和映射， W将图像摆正，从而方便号码图像的分割和识别，该旋转方法，可W采用坐标点变换方法， 或者依据检测出的边缘方程进行纠正，获得变换方程，也可W W极坐标旋转等方式实现；
[0020] 步骤C、对图像中的单个号码进行定位，具体包含:通过自适应二值化，对图像进行 二值化处理，获得二值化图像;然后对所述二值化图像进行投影，常规的图像投影仅通过一 次垂直投影和一次水平投影来完成，具体的投影方向和次数，可W依据识别的具体环境及 精度要求做调整，例如还可W采用带有倾斜角度方向的投影等，或者采用多次多重投影结 合;最后通过设置移动窗口，采用移动窗口配准的方式，对号码进行分割，得到每个号码的 图像，由于纸币的破损、脏污等常见问题，对于冠字号码图像上有脏污，字符与字符之间存 在粘连的纸币效果较差，尤其是对=个或=个W上字符的粘连，几乎分割不开，因此，本发 明在图像投影之后，又加入了移动窗口配准的方式，精确确定字符的位置;该移动窗口配准 的方式，即通过设置固定窗口的方式，例如类似窗口模板方式等，缩小号码区域，实现更精 准的区域定位，而所有通过设置固定窗口滑动匹配的方式，均能够适用于本申请之中；
[0021] 步骤d、对所述每个号码的图像中包含的字符进行套紧，并对每个号码图像进行归 一化处理;优选地，所述归一化包含尺寸归一化和明暗归一化;字符的套紧操作，是在步骤C 的基础上，对分割出大致位置的字符，再次进行详细定位，W进一步减少后续图像识别要处 理的数据量，运大大保证了系统的整体运行速度；
[0022] 步骤e、采用神经网络对归一化后的号码图像进行识别，获得纸币特征;优选的，所 述纸币特征为冠字号码。
[0023] 优选地，所述步骤a中的边缘检测进一步包括:设定一灰度阔值，依据该阔值从上、 下两方向进行直线捜索，获取边缘，运一边缘检测，采用直线扫面的方式，获取边缘直线的 像素坐标;再通过最小二乘法，获得图像的边缘直线方程，并同时获得纸币图像的水平长 度、垂直长度和斜率。
[0024] 优选地，所述步骤b中的旋转，进一步包括:基于所述水平长度、垂直长度和斜率， 获得旋转矩阵，依据所述旋转矩阵，求取旋转后的像素点坐标。所述旋转矩阵，可W通过极 坐标转换的方式获得，即极坐标转换矩阵，例如可W通过获取到的边缘的直线方程，得到纸 币的倾斜角度，依据该角度W及边缘的长度，计算各像素点的极坐标转换矩阵;也可W通过 普通的坐标转换方式计算，例如依据该倾斜角度和边缘长度，将纸币的中屯、点设定为坐标 原点，计算每个坐标点的在新坐标系中的转换矩阵等；当然，也可W采用其他的矩阵变换法 方式进行纸币图像的旋转纠正。
[0025] 优选地，所述步骤C中，所述通过自适应二值化对图像进行二值化处理，具体包括： 求取图像的直方图，设置一阔值化，当直方图中灰度值由0到化的点数和大于等于一预设值 时，W此时的化作为自适应二值化阔值，对图像进行二值化，获得二值化图像。
[0026] 优选地，所述对所述二值化图像进行投影，共进行=次不同方向投影。
[0027] 优选地，所述步骤C中的移动窗口配准具体包括:设计配准用移动窗口，所述窗口 在垂直投影图上水平移动，窗口内的黑点数总和最小值所对应的位置，即为冠字号码左右 方向分割的最佳位置。
[0028] 优选地，所述窗口为间隔固定的一脉冲序列，脉冲之间的宽度由冠字号码图像之 间的间隔预先设置。
[0029] 优选地，每个所述脉冲的宽度为2-10个像素。
[0030] 优选地，所述步骤d中的套紧，具体包括:对所述每个号码的图像单独进行二值化， 对获取到的每个号码的二值化图像进行区域增长，最后，再对区域增长后得到的区域里，选 取一个或两个面积大于某一预设面积阔值的区域，所述选取后的区域所在的矩形即为每个 号码图像套紧后的矩形。该区域增长可W采用例如八邻域区域增长算法等。
[0031] 优选地，对所述每个号码的图像单独进行二值化，具体包含:对所述每个号码的图 像提取直方图，采用直方图双峰法获取二值化阔值，再依据该二值化阔值将所述每个号码 的图像进行二值化。
[0032] 优选地，所述步骤d中的尺寸归一化采用双线性插值算法进行尺寸归一化。
[0033] 更为优选地，归一化后的尺寸为下述中的一个：1巧12、14*14、18*18、28*28,单位 为像素。
[0034] 优选地，所述步骤d中的所述明暗归一化包括:获取所述每个号码的图像的直方 图，计算号码前景灰度平均值和背景灰度平均值，并将明暗归一化之前的像素灰度值分别 与前景灰度平均值和背景灰度平均值进行比较，依据该比较结果，将归一化之前的像素灰 度值设置为对应的特定灰度值。
[0035] 优选地，在所述步骤b、步骤C之间，进一步包括面向判断步骤:通过所述旋转后的 图像确定纸币尺寸，依据所述尺寸确定面值;将目标纸币图像分割为n个区块，计算各区块 中的亮度均值，与预先存储的模板比较，差值最小时，判断为模板对应的面向。该模板可W 通过多种方式进行预先设置，只要能够通过纸币图像的对比，例如面额不同，朝向不同而引 起的亮度值差别、颜色差别，或其他能够转换为亮度数值的其他特征等等，均能够作为比较 模板使用。
[0036] 优选地，所述预先存储的模板，是将不同面值纸币的不同面向的图像，分割为n个 区块，并计算各区块中的亮度均值，作为模板。
[0037] 优选地，在所述步骤b、步骤C之间，进一步包括新旧程度判断步骤:首先提取预设 数量化i的图像，将该图像全部区域作为直方图的特征区域，扫描区域内的像素点，放在数 组里，记录各个像素点的直方图，根据直方图统计出一定比例的最亮像素点，求取所述最亮 像素点的平均灰度值，作为新旧程度判断依据。运一预设数量化i图像，可W是例如25化i图 像等，该一定比例，可W根据具体需要进行调整，可W是例如40%、50%等等。
[0038] 优选地，在所述步骤b、步骤C之间，进一步包括破损识别步骤:通过在纸币两侧分 别设置光源和传感器，获取透射后图像;对旋转后的透射后图像逐点检测，当该点的相邻两 像素点同时小于一预设阔值时，则判断该点为破损点。该破损点的检测，可W更详细地分为 缺角破损、孔桐破损等等。
[0039] 优选地，在所述步骤b、步骤C之间，进一步包括字迹识别步骤:在固定区域内，扫描 区域内的像素点，放在数组里，记录各个像素点的直方图，根据直方图统计出预设数量个最 亮像素点，求取平均灰度值，依据该平均灰度值得出阔值，灰度值小于阔值的像素点判定为 字迹点。该预设数量可W是例如20、30等，此处并不W此为保护范围的限定理解;该依据平 均灰度值得出阔值，可W采用多种方法，可W该平均灰度值直接作为阔值，也可W采用W该 平均灰度值作为变量的函数，求解出阔值。
[0040] 优选地，所述步骤e中的神经网络采用二级分类的卷积神经网络;第一级分类将冠 字号码设及的所有数字和字母进行分类，第二级分类分别对第一级分类中的部分类别进行 再次分类。此处需要说明的是，该第一级分类的类别数量可W根据分类需要和设置习惯等 进行设置，可W是例如10类、23类、38类等，此处不W此为限，而该第二级分类同样，是在第 一级分类的基础上，针对部分容易误判、特征近似或准确率不高等的分类中，再次进行二级 分类，从而W更高的识别率将冠字号码进一步区分识别，而该第二级分类的具体输入类别 数量W及输出类别数量，则可W根据第一级分类的类别设置W及分类需要和设置习惯等， 进行详细设定，此处并不W此为限。
[0041 ]优选地，所述卷积神经网络的网络模型结构依次设置如下：
[0042] 输入层:仅W-个图像作为视觉输入，所述图像为待识别的单个冠字号码的灰度 图像；
[0043] Cl层:是一个卷积层，该层由6个特征图构成；
[0044] S2层:为下采样层，利用图像局部相关性原理，对图像进行子抽样；
[0045] C3层:是一个卷积层，采用预设卷积核去卷积层S2，C3层中的每个特征图采用不全 连接的方式连接到S2中；
[0046] S4层:为下采样层，利用图像局部相关性原理，对图像进行子抽样；
[0047] 巧层:C5层是S4层的简单拉伸，变成一维向量；
[0048] 网络的输出个数为分类个数，与巧层组成全连接结构。
[0049] 优选地，所述Cl层、C3层均通过3x3的卷积核进行卷积。
[0050] 优选地，所述纸币信息处理装置为纸币清分机、点钞机、验钞机中的一种或多种； 所述纸币信息处理装置的信息为制造厂商、设备编号、所在金融机构中的一种或多种。
[0051] 或者，所述纸币信息处理装置为自助金融设备;所述纸币信息处理装置的信息为 配钞记录、钞箱号、制造厂商、设备编号、所在金融机构中的一种或多种。
[0052] 所述纸币管理方法是由若干个所述纸币处理信息装置分别对其相应的业务中的 纸币信息进行采集、识别和处理，并将所述纸币信息传输至网点主机或现金中屯、主机，再由 所述网点主机或现金中屯、主机将所述纸币信息传输至主控服务器。
[0053] 此外，本发明还提供了一种纸币管理系统，所述纸币管理系统包括纸币信息处理 终端和主控服务器端；
[0054] 所述纸币信息处理终端包括送钞模块、检测模块、信息处理模块；
[0055] 所述送钞模块用于将纸币输送至所述检测模块；
[0056] 所述检测模块对纸币特征进行采集和识别；
[0057] 所述信息处理模块加工处理所述检测模块采集和识别的纸币特征，输出为纸币特 征信息，并将其传输；
[0058] 所述主控服务器端，用于接收所述纸币特征信息、业务信息、所述纸币信息处理终 端的信息，对接收的上述=类信息进行加工，并对纸币进行分类处理。
[0059] 所述主控服务器端对接收的信息进行加工，具体包括汇总、存储、整理、查询、追 踪、导出等处理。
[0060] 所述检测模块还能够适用于DSP平台的冠字号码的识别系统，可W嵌入或联接到 市面上常规的验钞机、点钞机、ATM等设备结合使用，具体而言，所述检测模块包括图像预处 理模块、处理器模块、CIS图像传感器模块；
[0061] 所述图像预处理模块进一步包括边缘检测模块、旋转模块；
[0062] 所述处理器模块进一步包括号码定位模块、套紧模块、归一化模块、识别模块；
[0063] 所述号码定位模块，通过自适应二值化，对图像进行二值化处理，获得二值化图 像;然后对所述二值化图像进行投影;最后通过设置移动窗口，采用移动窗口配准的方式， 对号码进行分割，得到每个号码的图像，并将所述每个号码的图像传输给套紧模块;该移动 窗口配准的方式，即通过设置固定窗口的方式，例如类似窗口模板方式等，缩小号码区域， 实现更精准的区域定位，而所有通过设置固定窗口滑动匹配的方式，均能够适用于本申请 之中。
[0064] 所述归一化模块用于对套紧模块处理后的图像进行归一化;优选地，所述归一化 包括尺寸归一化及明暗归一化。
[0065] 优选地，所述号码定位模块进一步包括窗口模块，所述窗口模块依据冠字号码间 距，设计配准用移动窗口，将所述窗口在垂直投影图上水平移动，并计算所述窗口内的黑点 数总和；
[0066] 所述窗口模块还可W将不同窗口内的所述黑点数总和进行比较。
[0067] 优选地，所述套紧模块对每个号码的图像单独进行二值化，对获取到的每个号码 的二值化图像进行区域增长，最后，再对区域增长后得到的区域里，选取一个或两个面积大 于某一预设面积阔值的区域，所述选取后的区域所在的矩形即为每个号码图像套紧后的矩 形。该区域增长可W采用例如八邻域区域增长算法等。
[0068] 优选地，对所述每个号码的图像单独进行二值化，具体包含:对所述每个号码的图 像提取直方图，采用直方图双峰法获取二值化阔值，再依据该二值化阔值将所述每个号码 的图像进行二值化。
[0069] 优选地，所述检测模块还包括补偿模块，用于对CIS图像传感器模块获得的图像进 行补偿，所述补偿模块预先存储纯白及纯黑的采集亮度数据，并结合可设定的像素点的灰 度参考值，得到补偿系数；
[0070] 所述补偿系数存储至处理器模块，并建立查找表。
[0071] 优选地，所述识别模块利用训练好的神经网络实现冠字号码的识别。
[0072] 优选地，所述神经网络采用二级分类的卷积神经网络;第一级分类将冠字号码设 及的所有数字和字母进行分类，第二级分类分别对第一级分类中的部分类别进行再次分 类。此处需要说明的是，该第一级分类的类别数量可W根据分类需要和设置习惯等进行设 置，可W是例如10类、23类、38类等，此处不W此为限，而该第二级分类同样，是在第一级分 类的基础上，针对部分容易误判、特征近似或准确率不高等的分类中，再次进行二级分类， 从而W更高的识别率将冠字号码进一步区分识别，而该第二级分类的具体输入类别数量W 及输出类别数量，则可W根据第一级分类的类别设置W及分类需要和设置习惯等，进行详 细设定，此处并不W此为限。
[0073] 优选地，所述卷积神经网络的网络模型结构依次设置如下：
[0074] 输入层:仅W-个图像作为视觉输入，所述图像为待识别的单个冠字号码的灰度 图像；
[0075] Cl层:是一个卷积层，该层由6个特征图构成；
[0076] S2层:为下采样层，利用图像局部相关性原理，对图像进行子抽样；
[0077] C3层:是一个卷积层，采用预设卷积核去卷积层S2，C3层中的每个特征图采用不全 连接的方式连接到S2中；
[0078] S4层:为下采样层，利用图像局部相关性原理，对图像进行子抽样；
[0079] 巧层:C5层是S4层的简单拉伸，变成一维向量；
[0080] 网络的输出个数为分类个数，与巧层组成全连接结构。
[0081] 优选地，所述Cl层、C3层均通过3x3的卷积核进行卷积。
[0082] 优选地，所述识别模块还包括神经网络训练模块，用于训练所述神经网络。
[0083] 优选地，该处理器模块可W采用例如FPGA等忍片系统。
[0084] 优选地，所述处理器模块还包括:面向判断模块，用于判断纸币的朝向。
[0085] 优选地，所述处理器模块还包括新旧程度判断模块，用于判断纸币的新旧程度。
[0086] 优选地，所述处理器模块还包括破损识别模块，用于将纸币中的破损位置识别出 来。该破损包括缺角、孔桐等等。
[0087] 优选地，所述处理器模块还包括字迹识别模块，用于识别纸币上的字迹。
[0088] 优选地，所述主控服务器端对纸币进行分类处理具体为:将纸币分类后，使其按分 类后类别进入到不同的币仓中。
[0089] 优选地，所述纸币特征信息包括币种、面值、面向、真伪、新旧程度、污损、冠字号码 中的一种或多种；
[0090] 优选地，所述业务信息包括收款、付款、存款或取款的记录信息，业务时间段信息， 操作员信息，交易卡号信息，办理人和/或代办人身份信息，二维码信息，封包号中的一种或 多种；
[0091] 优选地，所述纸币信息处理终端为纸币清分机、点钞机、验钞机、自助金融设备中 的一种;进一步优选地，所述自助金融设备为自动取款机(ATM)、自动存款机、循环自动柜员 机(CRS)、自助查询机、自助缴费机中的一种。
[0092] 本发明还提供了纸币信息处理终端，所述纸币信息处理终端为上述纸币管理系统 中包含的所述纸币信息处理终端。
[0093] 本发明的上述技术方案的有益效果如下：
[0094] 1、本发明的纸币管理方法，可实现冠字号码的智能管理，通过本发明的方法，可W 对银行清分设备的纸币信息追溯、残假币管理、冠字号码统一管理、业务电子日志、数据统 计分析、设备状态监控、客户质疑币管理、配钞管理、远程管理、设备资产管理的精细化管 理，实现了设备及业务"事前监控，事中跟踪，事后分析"，不仅大幅降低了银行清分机类设 备的管理运行成本，还可促进清分机及点钞机等设备的良好运行；
[00M] 2、本发明的纸币管理方法，实现了在高效率的采集和识别纸币信息的同时，保证 识别信息的准确性，尤其是在冠字号码识别上，在保证了整体方法及系统运行的速度的情 况下，提高了方法的鲁棒性，能够很好地应付实际应用中，由于纸币污损、残缺、快速翻折等 对冠字号码识别带来的识别困难；
[0096] 3、本发明提供的方法占用系统资源少，比现有技术中的常规算法运算速度快，能 够很好地与ATM、验钞机等设备结合使用。
【附图说明】
[0097] 图1为本发明实施例的识别方法示意图；
[0098] 图2为本发明实施例的边缘检测方法示意图；
[0099] 图3为本发明实施例的走钞过程中的纸币图像与实际纸币示意图；
[0100] 图4为本发明实施例的纸币任意点旋转的示意图；
[0101] 图5为本发明实施例的移动窗口设置示意图；
[0102] 图6为本发明实施例的神经网络结构示意图。
【具体实施方式】
[0103] 为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具 体实施例进行详细描述。本领域技术人员应当知晓，下述具体实施例或【具体实施方式】，是本 发明为进一步解释具体的
【发明内容】
而列举的一系列优化的设置方式，而运些设置方式之间 均是可W相互结合或者相互关联使用的，除非在本发明明确提出了其中某些或某一具体实 施例或实施方式无法与其他的实施例或实施方式进行关联设置或共同使用。同时，下述的 具体实施例或实施方式仅作为最优化的设置方式，而不作为限定本发明的保护范围的理 解。
[0104] 此外，本领域技术人员应当了解，一下【具体实施方式】及实施例中所列举出来的对 于参数设定的具体数值，是作举例解释用，作为一可选的实施方式，而不应当理解为对本发 明保护范围的限定;而其中设及到的各算法及其参数的设定，也仅作为距离解释用，而对下 述参数的形式变换W及对下述算法的常规数学推导，均应视为落入本发明的保护范围之 内。
[0105] 实施例1:
[0106] 本实施例提供了一种纸币管理方法，具体包括W下步骤：
[0107] (1)由六个纸币信息处理装置分别对其相应的业务中的纸币的纸币特征进行采 集、识别和处理，得到所述纸币特征信息;其中，作为本实施例优选的实现方式，所述纸币信 息处理装置通过图像、红外、巧光、磁、测厚的方式对所述纸币特征进行采集。所述纸币特征 信息包括币种、面值、面向、真伪、新旧程度、污损和冠字号码;作为本实施例的具体实现方 式，所述纸币信息处理装置为纸币清分机;所述纸币信息处理装置的信息为制造厂商、设备 编号、所在金融机构；
[0108] 需要说明的是，所述纸币信息处理装置的个数并不唯一，包括但不限于六个，至少 为一个；
[0109] 作为本实施例可替换的实现方式，所述纸币信息处理装置还可W为点钞机或验钞 机中的一种或多种;所述纸币信息处理装置的信息还可W是省略制造厂商、设备编号、所在 金融机构中的一项或多项；
[0110] 作为本实施例的另一则可替换的实现方式，所述纸币信息处理装置还可W为自助 金融设备;具体而言，所述纸币信息处理装置可W是自动取款机、自动存款机、循环自动柜 员机、自助查询机、自助缴费机中的任意一种。所述纸币信息处理装置的信息可W为配钞记 录、钞箱号、制造厂商、设备编号、所在金融机构中的一种或多种；
[0111] (2)将步骤1)中所述的纸币特征信息传输至网点主机，再由所述网点主机传输至 主控服务器，并且，将业务信息W及所述纸币信息处理装置的信息传输至主控服务器；其 中，作为本实施例的优选实现方式，所述业务信息包括收款、付款、存款或取款的记录信息， 业务时间段信息，操作员信息，交易卡号信息，办理人和代办人身份信息，二维码信息，封包 号；
[0112] 需要说明的是，所述纸币特征信息传输至所述主控服务器的方式并不唯一，本领 域技术人员可根据实际情况更改所述纸币特征信息、所述业务信息、所述纸币信息处理装 置的信息的传输路径，例如，将步骤1)中所述的纸币特征信息、所述纸币信息处理装置的信 息、业务信息直接传输至主控服务器；
[0113] 另外，本领域技术人员还可根据实际需要省略或者替换部分本实施例中的所述业 务信息，即省略或者替换收款、付款、存款或取款的记录信息，业务时间段信息，操作员信 息，交易卡号信息，办理人和代办人身份信息，二维码信息，封包号中的一项或多项；
[0114] (3)所述主控服务器对接收的所述纸币特征信息、所述业务信息、所述纸币信息处 理装置的信息进行整合加工处理，并对纸币进行分类处理。作为本实施例的优选实现方式， 所述对纸币进行分类处理具体为:将纸币分类后，使其按分类后类别进入到不同的币仓中。
[0115] 作为本实施例的优选实现方式，下面W冠字号码的识别方法为例，对所述纸币特 征的识别方法进行说明，如图1所示，具体包括如下步骤：
[0116] 步骤a、提取冠字号码所在区域的灰度图像，并对灰度图像进行边缘检测；该边缘 检测，可W通过常规的canny检测、SObel检测等方式实现，再结合直线拟合，获得边缘直线 方程，但需要对边缘检测时的经验阔值进行试验设定，W保证方法的运算速度。
[0117] 在一个具体的实施方式中，所述步骤a中的边缘检测进一步包括：设定一灰度阔 值，依据该阔值从上、下两方向进行直线捜索，获取边缘，运一边缘检测，采用直线扫面的方 式，获取边缘直线的像素坐标;再通过最小二乘法，获得图像的边缘直线方程，并同时获得 纸币图像的水平长度、垂直长度和斜率。
[0118] 在一个具体的实施方式中，如图2所示，为保证边缘检测的准确性和计算的速度， 可W采用阔值线性回归分割技术，计算速度快，不受图像大小的限制，在其他的边缘检测理 论中，是需要对边缘的每一个像素点都要计算的，运样的话，图像越大，计算时间越长。而采 用阔值线性回归分割技术，只需要在上下边缘上找到少量的像素点，通过直线拟合的方式 可W很快速的确定边缘的直线方程。无论图像大或小都可W找少量的点来计算。
[0119] 具体而言，由于纸币图像的边缘亮度与背景黑色差异很大，非常容易找到一个阔 值来区分纸币和背景，因此运里采用直线捜索的方法从上、下两个方向检测纸币边缘。上、 下方向我们分别沿直线X= {xi}，Q = I ，n)捜索得到纸币上边沿Yi={yii}，下边沿Y2 = {y2i}。
[0120] 利用最小二乘法求出斜率kl，k2，截距bl，b2。求取上下沿中线的斜率K，截距B。已 知中线必然要经过中点(xo，yo)，所W沿直线y = K ? X+B
[0121] 因此可W得到如下关系式：
[0122] (1-1)
[0123]
[0124] (1-2)
[0125] (1-3)
[0126] (1-4)
[0127]
[012 引 (1-5:)
[0129] 柱中线 y=K.x+B
[0130]
[0131] =K ? x+B必然经过纸币的中点（xo，yo)，所W沿直线y =K- n右端点Ur, yr)，最后可W得到纸币图像的中点为：
[0132] (1-6：)：
[0133] 来求得纸币的水平方向长度L和垂直方向上的长度 W，运^ [型。因此有：
[0134]
[0135] (1-7)
[0136] 然后我们在直线y = y〇附近取￥=^1}，（1 = 1，2，-，，111)进行直线捜索得到纸币左边 沿Xl= {xii巧P右边沿拉={X2i}，因此有：
[0137]
(1-8)
[0138] 步骤b、对图像进行旋转；即将边缘检测后的纸币的图像进行坐标点纠正和映射， W将图像摆正，从而方便号码图像的分割和识别，该旋转方法，可W采用坐标点变换方法， 或者依据检测出的边缘方程进行纠正，获得变换方程，也可W W极坐标旋转等方式实现；
[0139] 在一具体的实施方式中，所述步骤b中的旋转，进一步包括:基于所述水平长度、垂 直长度和斜率，获得旋转矩阵，依据所述旋转矩阵，求取旋转后的像素点坐标。所述旋转矩 阵，可W通过极坐标转换的方式获得，即极坐标转换矩阵，例如可W通过获取到的边缘的直 线方程，得到纸币的倾斜角度，依据该角度W及边缘的长度，计算各像素点的极坐标转换矩 阵;也可W通过普通的坐标转换方式计算，例如依据该倾斜角度和边缘长度，将纸币的中屯、 点设定为坐标原点，计算每个坐标点的在新坐标系中的转换矩阵等；当然，也可W采用其他 的矩阵变换法方式进行纸币图像的旋转纠正。
[0140] 在一具体的实施方式中，如图3所示，可W采用直角坐标变换的方式对图像进行旋 转纠正，由于在图像采集过程中水平方向上每毫米采集P个点，垂直方向上每毫米采集q个 点。在之前的纸币图像边缘检测中我们已经计算出了纸币图像的水平长度AC = L,垂直长度 BE=W和斜率K。因此对纸币图像的几何计算得到下边的公式：
[0141] 由于
[0142]
[0143]
[0144] (1-10)
[0145]
[0146] (61-1:2)
[0147] (1-巧）
[014 引
[0149] (1-14)
[0150] 贝心
[0151]
(1-1 巧[0159] 由于AB '为实际纸币的长Length，B ' F '为实际纸币的宽Wide，因此有： 5)
[0152] :1-1 货
[0153]
[0154] 11-1。
[0155]
[0156] 巧
[0157]
[015 引
[0160] Cl-辨）
[0161] 纸币图像任意点的旋转，旋转的整个过程是对任意给出的纸币图像上的某一点A (Xs，ys)，找到点A对应于实际纸币的点A'（x's，y's)，把点A'旋转0角后得到点B'（x'd，y'd)， 最后找到点B '对应于旋转后的纸币图像上的点B(Xd，yd)。
[0162] 结合图4,纸币上的任意点旋转时，
[016； (1-21) (1-22)
[016'
[01 化]
[0166]
a-24)
[0167] a-近）
[0168] 如有旋转前的纸币图像中屯、为(XO，yo)，旋转后的纸币图像中屯、为(Xe，yc)，运样可 得：
[0169 U-2巧
[0170] 步骤C、对图像中的单个号码进行定位，具体包含:通过自适应二值化，对图像进行 二值化处理，获得二值化图像;然后对所述二值化图像进行投影，常规的图像投影仅通过一 次垂直投影和一次水平投影来完成，具体的投影方向和次数，可W依据识别的具体环境及 精度要求做调整，例如还可W采用带有倾斜角度方向的投影等，或者采用多次多重投影结 合;最后通过设置移动窗口，采用移动窗口配准的方式，对号码进行分割，得到每个号码的 图像，由于纸币的破损、脏污等常见问题，对于冠字号码图像上有脏污，字符与字符之间存 在粘连的纸币效果较差，尤其是对=个或=个W上字符的粘连，几乎分割不开，因此，本发 明在图像投影之后，又加入了移动窗口配准的方式，精确确定字符的位置；
[0171] 在一具体的实施方式中，所述步骤C中，所述通过自适应二值化对图像进行二值化 处理，具体包括:求取图像的直方图，设置一阔值化，当直方图中灰度值由0到化的点数和大 于等于一预设值时，W此时的化作为自适应二值化阔值，对图像进行二值化，获得二值化图 像;所述对所述二值化图像进行投影，共进行=次不同方向投影。优选地，所述设置移动窗 口具体包括:所述窗口在垂直投影图上水平移动，窗口内的黑点数总和最小值所对应的位 置，即为冠字号码左右方向分割的最佳位置。
[0172] 在一具体的实施方式中，对图像的二值化，可W采用整体自适应二值化的方法。首 选，求图像的直方图，亮度较黑色的是冠字号码区域，亮度较为白色的是背景区域。在直方 图上求灰度值为0到化的点数和N，当N〉= 2200(经验值)时，所对应的阔值化即为自适应二 值化的阔值。该方法的最大优点是计算时间短，可W满足清分机快速点钞的实时性要求，并 且具有很好的自适应性。
[0173] 在一具体的实施方式中，对二值化后的图像进行投影，可W采用=次投影结合的 方式，确定每个号码所在的上下左右位置。其中，第一次进行水平方向投影，确定号码所在 的行，第二次进行垂直方向投影，确定每个号码所在的左右方向位置，第=次是对每个小图 进行水平方向投影，确定每个号码所在的上下方向位置。
[0174] 在一具体的实施方式中，上述=次投影方法对于大多数纸币的单个号码分割都能 取得良好的效果，但是对于冠字号码图像上有脏污，字符与字符之间存在粘连的纸币效果 较差，尤其是对=个或=个W上字符的粘连，几乎分割不开。为了克服运一困难，在一个具 体的实施方式中，可采用窗口移动配准法。因为清分机采集的冠字号码大小分辨率固定，每 个字符大小固定，每个字符之间的间距也固定，窗口的设计可W根据纸币上冠字号码的间 距设计，如图5所示。窗口在垂直投影图上水平移动，窗口内的黑点数总和最小值所对应的 位置，即为冠字号码左右方向分割的最佳位置。由于该识别算法用在纸币清分机上，准确性 和快速性都要满足，原始图像的分辨率为200dpi。窗口的设计每个脉冲宽度为4个像素，脉 冲之间的宽度根据号码图像之间的间隔设计，经过测试，该方法完全能够满足纸币清分机 实时性和准确性要求。
[0175] 步骤d、对所述每个号码的图像中包含的字符进行套紧，并对每个号码图像进行归 一化处理，所述归一化包含尺寸归一化和明暗归一化;字符的套紧操作，是在步骤C的基础 上，对分割出大致位置的字符，再次进行详细定位，W进一步减少后续图像识别要处理的数 据量，运大大保证了系统的整体运行速度。
[0176] =次投影法仅仅是对单个号码的初步定位，对于很多脏污的单个号码，都不能真 正的套紧。上面提到的二值化方法是对整个图像做二值化，所计算得到的阔值并不适用于 单个字符的二值化。例如2005版人民币一百元，前四个字符是红色，后六个字符是黑色，运 会导致采集到的灰度图像每个字符的明暗程度不均，在一具体的实施方式中，还可W对每 个小图单独进行二值化。
[0177] 在一个具体的实施方式中，该二值化采用的是基于直方图双峰的自适应二值化方 法。直方图双峰法是一种迭代法求阔值的方法。特点：自适应，快速，准确。具体的，可W采用 W下的一个优选的实施方式来实现：
[0178] 首先设定一个初始化阔值1^然后经过1(次迭代后得到二值化分割的阔值。1(为大 于0的正整数，运里第k次迭代的背景灰度平均值和前景灰度平均值容^分别为：
[017(
[01掛
[018.
[018；
[0183] 退出迭代的条件：当迭代次数足够多（例如50次），或者两次迭代计算的阔值结果 相同，即第k次和第k-1次的阔值相同，则退出迭代。
[0184] 二值化后，对每个小图要进行八邻域区域增长算法，目的是去除面积过小的噪声 点。最后，在对每个小图区域增长后得到的区域里，选取一个或两个面积大于某一个经验值 的区域，运些区域所在的矩形即为每个号码图像套紧后的矩形。综上，该套紧方法的步骤为 二值化，区域增长，区域选取，它的优点是抗干扰性强，计算速度快。
[0185] 在二值化之后，需要对图像进一步进行归一化处理，在一个具体的实施方式中，上 述归一化可W采用如下方式:运里的归一化是为了下一步的神经网络识别。考虑到计算速 度和准确性的要求，尺寸归一化时的图像大小不能太大，也不能太小。太大，造成后续的神 经网络节点过多，计算速度慢，太小，信息损失过多。测试了几种归一化尺寸大小，28*28， 18*18,14*14,12*12,最后选择了14*14。归一化的缩放算法采用双线性插值算法。
[0186] 在一个具体的实施方式中，所述步骤d中归一化处理具体包括:采用双线性插值算 法进行尺寸归一化;所述明暗归一化包括:获取所述每个号码的图像的直方图，计算号码前 景灰度平均值和背景灰度平均值，并将明暗归一化之前的像素灰度值分别与前景灰度平均 值和背景灰度平均值进行比较，依据该比较结果，将归一化之前的像素灰度值设置为对应 的特定灰度值。
[0187] 在又一具体的实施方式中，为了减少训练模板数量，还必须进行明暗程度的归一 化。首先在每个小图的直方图上计算号码前景灰度平均值Gb,和背景灰度平均值Gf。设，VOiJ 为每个像素灰度归一化之前的值，Vlu为每个像素灰度归一化之后的值，计算方法如下。
[018 引
[0189] 步骤e、采用神经网络对归一化后的号码图像进行识别，获得冠字号码。
[0190] 在一个具体的实施方式中，上述神经网络可W采用卷积神经网络(C順)算法来实 现。
[0191] 卷积神经网络(CNN)在本质上是一种输入到输出的映射，它能够学习大量的输入 与输出之间的映射关系，而不需要任何输入和输出之间的精确的数学表达式，只要用已知 的模式对卷积网络加 W训练，网络就具有输入输出对之间的映射能力。在CNN中，图像的一 小部分(局部感受区域)作为层级结构的最低层的输入，信息再依次传输到不同的层，每层 通过一个数字滤波器去获得观测数据的最显著的特征。运个方法能够获取对平移、缩放和 旋转不变的观测数据的显著特征，因为图像的局部感受区域允许神经元或者处理单元可W 访问到最基础的特征，冠字号码图像上的主要特征是边缘和角点，因此非常适合采用的 方法进行识别。
[0192] 在一个具体的实施方式中，所述神经网络采用二级分类的卷积神经网络;第一级 分类将冠字号码设及的所有数字和字母进行分类，第二级分类分别对第一级分类中的部分 类别进行再次分类。此处需要说明的是，该第一级分类的类别数量可W根据分类需要和设 置习惯等进行设置，可W是例如10类、23类、38类等，而该第二级分类同样，是在第一级分类 的基础上，针对部分容易误判、特征近似或准确率不高等的分类中，再次进行二级分类，从 而W更高的识别率将冠字号码进一步区分识别，而该第二级分类的具体输入类别数量W及 输出类别数量，则可W根据第一级分类的类别设置W及分类需要和设置习惯等，进行详细 设定。
[0193] 下面W-个优选的实施方式，例举可适用于本发明技术方案中的一个具体的卷积 (CNN)神经网络的结构及训练方式：
[0194] 一、O^N神经网络的结构
[0195] 因为需要对数字和字母混合识别，某些数字和字母非常相似，无法区分，人民币没 有字母V，字母0和数字0印刷完全一样，所W，我们对冠字号码的识别采用了二级分类的方 法。第一级分类把所有数字和字母归为23类：
[0196] 第一类:A 4
[0197] 第二类:B 8 [019引第=类:C G 6
[0199] 第四类:〇 D Q
[0200] 第五类:E L F [020U 第六类:H
[0202] 第屯类:K
[0203] 第八类:M [0204] 第九类:N
[0205] 第十类:P
[0206] 第^^一类:R
[0207] 第十二类:S 5
[0208] 第十S类:T JQ为2005版及一切版本的人民币）
[0209] 第十四类:U
[0210] 第十五类:W 第十六类:X
[0212] 第十屯类:Y
[0213] 第十八:Z 2
[0214] 第十九：1
[0215] 第二十类:3
[0216] 第二十一类:7
[0217] 第二十二类:9
[0218] 第二十S类:JQ为2015新版人民币）
[0219] 第二级分类是分别对A 4，B 8，C 6G，0 D Q，E L F，S 5，T J，Z 2的分类。
[0220] W上的二级分类方法设及到9个神经网络的模型，分别记为:CNN_23，CNN_A4， CNN-B8，CNN-CG6，CNN-ODQ，CNN-ELF，CNN-S5，CNN-JT，CNN-Z2。
[0221 ] W第一级分类的O^N神经网络为例，图6是它的结构示意图。网络的输入层：只有一 个图，相当于网络的视觉输入，即为待识别的单个号码灰度图像。运里选用灰度图像是为了 信息不丢失，因为如果对二值化图像进行识别，则在二值化的过程中会损失一些图像的边 缘和细节信息。为了不受图像明暗效果的影响，对每个灰度小图的亮度进行了归一化处理， 即明暗归一化。
[0222] Cl层是一个卷积层，卷积层存在的好处是通过卷积运算，可W使原信号特征增强， 并且降低噪音，由6个特征图化ature Map构成。特征图中每个神经元与输入中3*3的邻域相 连。特征图的大小为14*14dC1有156个可训练参数(每个滤波器时5 = 25个unit参数和一个 b ias参数，一共6个滤波器，共(3*3+1) *6 = 60个参数），共60* (12*12 )= 8640个连接。
[0223] S2和S4层均为下采样层，利用图像局部相关性的原理，对图像进行子抽样，可W减 少数据处理量同时保留有用信息。
[0224] C3层也是一个卷积层，它同样通过3x3的卷积核去卷积层S2,然后得到的特征map 就只有4x4个神经元，为了计算简单，仅仅设计了 6种不同的卷积核，所W就存在6个特征map 了。运里需要注意的一点是:C3中的每个特征map是连接到S2中并不是全连接的。为什么不 把S2中的每个特征图连接到每个C3的特征图呢?原因有二。其一，不完全的连接机制将连接 的数量保持在合理的范围内。其二，也是最重要的，其破坏了网络的对称性。由于不同的特 征图有不同的输入，所W迫使他们抽取不同的特征。运种非全连接结果的组成方式并不唯 一。例如，C3的前2个特征图W S2中3个相邻的特征图子集为输入，接下来2个特征图W S2中4 个相邻特征图子集为输入，然后的1个W不相邻的3个特征图子集为输入，最后1个将S2中所 有特征图为输入。
[0225] 最后一组S层到C层不是下采样，而是S层的简单拉伸，变成一维向量。网络的输出 个数为该神经网络的分类个数，与最后一层组成全连接结构。运里的CNN_23共有23个类别， 所W有23个输出。
[0226] 二、神经网络的训练可W通过W下方式进行：
[0227] 假设第1层为卷积层，第1+1层为下采样层，则第1层第j个特征图的计算公式如下： [022引
[0229] 其中，*号表示卷积，是卷积核k在笠1-1房所有黄联的特征图上做卷积运算，然后 求和，再加上一个偏置参数b，取sigmoid函！
I到最终的激励。
[0230] 第1层的第j个特征图的残差计算公式如下：
[0231]
[0232] 其中第1层为卷积层，第1+1层为下采样层，下采样层与卷积层是一一对应的。其中 UP(X)是将第1+1层的大小扩展为和第1层大小一样。
[0233] 误差对b的偏导数公式为：
[0234]
[0235] 误差对k的偏导数公式为：
[0236]
[0237] 随机选择人民币冠字号码作为训练样本，约10万个，训练次数1000回W上，逼近的 精度小于0.004。
[0238] 在一具体的实施方式中，在所述步骤b、步骤C之间，进一步包括面向判断步骤:通 过所述旋转后的图像确定纸币尺寸，依据所述尺寸确定面值;将目标纸币图像分割为n个区 块，计算各区块中的亮度均值，与预先存储的模板比较，差值最小时，判断为模板对应的面 向；所述预先存储的模板，是将不同面值纸币的不同面向的图像，分割为n个区块，并计算各 区块中的亮度均值，作为模板。
[0239] 具体而言，可通过纸币尺寸检测+模板匹配方式来确定纸币的面向值。先通过纸币 尺寸确定纸币的面值。然后在确定纸币的面向，在纸币图像内部分割了 16*8个相同的矩形 块，并计算出每个矩形块内的亮度均值，将运16*8个亮度均值数据置于存储器中作为模板 数据。同理取得目标纸币的亮度均值，与模板数据做比较，找到差值最小的。可确认纸币的 面向。
[0240] 此外，在一具体的实施方式中，还可W加入纸币新旧程度的判断，首先提取25化i 图像，将25化i图像全部区域作为直方图的特征区域，扫描区域内的像素点，放在数组里，记 录各个像素点的直方图，根据直方图统计出50%最亮像素点，求取平均灰度值，W该灰度值 作为新旧程度判断的依据。
[0241] 在一个具体的实施方式中，在所述步骤b、步骤C之间，进一步包括破损识别步骤： 通过在纸币两侧分别设置光源和传感器，获取透射后图像;对旋转后的透射后图像逐点检 ，当该点的相邻两像素点同时小于一预设阔值时，则判断该点为破损点。
[0242] 在【具体实施方式】中，纸币破损识别时采用的是发光源和传感器分布在纸币的两 侦U，即透射方式。发光源遇到纸币仅有少部分光线能够穿透纸币打到传感器件上，而没有遇 到纸币的光线完全打到了传感器件上。因此背景为白色，纸币也为灰度图。破损包含缺角和 孔桐。缺角和孔桐的检测都是应用破损识别技术的，不同的是检测的区域不同，缺角检测的 是纸币的四个角，孔桐是检测纸币的中间区域。
[0243] 在又一具体的实施方式中，对于纸币缺角，可分别在旋转完的透射纸币图像上分 成左上、左下、右上、右下，四个区域。然后分别对运四个区域逐点检测，相邻两个像素点同 时小于阔值，则判断此点为破损点，如果相邻两点不满足小于阔值的条件，则表明该交点对 应的角不具有破损特征。
[0244] 对于纸币上的孔桐检测，在捜索完了纸币的缺角之后，由于缺角的位置已经被黑 色填充了，如果纸币上有缺角和孔桐特征，那么运个像素点是白色的，在捜索纸币的过程 中，把确定是缺角的点的像素值改为黑色的像素值，运样就实现了填充。所W再W纸币的四 边为边界捜索整张纸币。如果捜索到纸币具有破损特征，则表明纸币具有孔桐，否则此纸币 没有孔桐。当每捜索到一个小于阔值的像素点时，孔桐面积将加1。捜索结束后最终将得到 孔桐的面积。
[0245] 在又一具体的实施方式中，对于字迹的检测，可采用W下方式:在固定区域内，扫 描区域内的像素点，放在数组里，记录各个像素点的直方图，根据直方图统计出20个最亮像 素点，求取平均灰度值，计算得出阔值。小于阔值的像素点判定为字迹+1。
[0246] 实施例2:
[0247] 本实施例提供一种纸币管理系统，所述纸币管理系统包括纸币信息处理终端和主 控服务器端；
[0248] 所述纸币信息处理终端包括送钞模块、检测模块、信息处理模块；
[0249] 所述送钞模块用于将纸币输送至所述检测模块；
[0250] 所述检测模块对纸币特征进行采集和识别；
[0251] 所述信息处理模块加工处理所述检测模块采集和识别的纸币特征，输出为纸币特 征信息，并将其传输;本实施例中，作为具体的实现方式，所述纸币特征信息具体包括币种、 面值、面向、真伪、新旧程度、污损、冠字号码；
[0252] 所述主控服务器端，用于接收所述纸币特征信息、业务信息、所述纸币信息处理终 端的信息，对接收的上述=类信息进行加工，并对纸币进行分类处理;本实施例中，作为优 选的实现方式，所述主控服务器端对纸币进行分类处理具体为:将纸币分类后，使其按分类 后类别进入到不同的币仓中。
[0253] 本实施例中，作为具体的实现方式，所述业务信息包括收款、付款、存款或取款的 记录信息，业务时间段信息，操作员信息，交易卡号信息，办理人和代办人身份信息，二维码 信息，封包号；
[0254] 作为本实施例的优选实现方式，所述主控服务器端，对接收的信息进行加工，具体 包括对接收的信息汇总、存储、整理、查询、追踪、导出处理。
[0255] 需要说明的是，本实施例中所述的纸币信息处理终端可W单独使用，本实施例中， 所述纸币信息处理终端为纸币清分机;作为本实施例可替换的技术方案，所述纸币信息处 理终端还可替换为点钞机、验钞机、自助金融设备中的一种;其中，所述自助金融设备可W 是自动取款机、自动存款机、循环自动柜员机、自助查询机、自助缴费机中的任意一种。
[0256] 需要说明的是，所述检测模块的设计方式并不唯一，本实施例中提供一种具体的 实现方式，所述检测模块还能够适用于DSP平台的冠字号码的识别系统，可W嵌入或联接到 市面上常规的验钞机、点钞机、ATM等设备结合使用，具体而言，所述检测模块包括：图像预 处理模块、处理器模块、CIS图像传感器模块；
[0257] 所述图像预处理模块进一步包括边缘检测模块、旋转模块；
[0258] 所述处理器模块进一步包括号码定位模块、套紧模块、归一化模块、识别模块；
[0259] 所述号码定位模块，通过自适应二值化，对图像进行二值化处理，获得二值化图 像;然后对所述二值化图像进行投影;最后通过设置移动窗口，采用移动窗口配准的方式， 对号码进行分割，得到每个号码的图像，并将所述每个号码的图像传输给套紧模块；
[0260] 所述归一化模块用于对套紧模块处理后的图像进行归一化，本实施例中，所述归 一化为尺寸归一化及明暗归一化。
[0261] 在一个具体的实施方式中，所述号码定位模块进一步包括窗口模块，所述窗口模 块依据冠字号码间距，设计配准用移动窗口，将所述窗口在垂直投影图上水平移动，并计算 所述窗口内的黑点数总和；所述窗口模块还可W将不同窗口内的所述黑点数总和进行比 较。该定位的具体方式，可W采用实施例1中的方法进行。
[0262] 在又一具体的实施方式中，所述套紧模块对每个号码的图像提取直方图，采用直 方图双峰法获取二值化阔值，再依据该二值化阔值将所述每个号码的图像进行二值化，对 获取到的每个号码的二值化图像进行区域增长，最后，再对区域增长后得到的区域里，选取 一个或两个面积大于某一预设面积阔值的区域，运些选取后的区域所在的矩形即为每个号 码图像套紧后的矩形。该区域增长可W采用例如八邻域区域增长算法等。
[0263] 在一个具体的实施方式中，由于常规的纸币图像获取中，纸币的新旧、残损等状况 不一，所W需要对纸币图像进行补偿，则可W在所述检测模块中设置补偿模块，用于对CIS 图像传感器模块获得的图像进行补偿，所述补偿模块预先存储纯白及纯黑的采集亮度数 据，并结合可设定的像素点的灰度参考值，得到补偿系数;所述补偿系数存储至处理器模 块，并建立查找表。
[0264] 具体而言，将白纸压在CIS图像传感器上，采集亮电平数据存储在CISVUi]数组 里，在采集暗电平数据存储在CI SDK [ i ]里，通过公式
[02 化]CVLMAX/(CISVL[i]-CISDK[i])
[0266] 取得补偿系数。其中CVLMAX为可设定的像素点灰度参考值，按照经验，白纸的灰度 值设置为200。
[0267] 将DSP忍片计算得出的补偿系数，传送到FPGA(处理模块)的随机存储器里，形成一 个查找表。之后FPGA忍片对采集到的像素点数据乘W查找表中对应像素点的补偿系数，直 接得到补偿后的数据，再传送给DSP。
[0268] 在一具体的实施方式中，所述识别模块利用训练好的神经网络实现冠字号码的识 别。
[0269] 在一个具体的实施方式中，所述神经网络采用二级分类的卷积神经网络;第一级 分类将冠字号码设及的所有数字和字母进行分类，第二级分类分别对第一级分类中的部分 类别进行再次分类。此处需要说明的是，该第一级分类的类别数量可W根据分类需要和设 置习惯等进行设置，可W是例如10类、23类、38类等，而该第二级分类同样，是在第一级分类 的基础上，针对部分容易误判、特征近似或准确率不高等的分类中，再次进行二级分类，从 而W更高的识别率将冠字号码进一步区分识别，而该第二级分类的具体输入类别数量W及 输出类别数量，则可W根据第一级分类的类别设置W及分类需要和设置习惯等，进行详细 设定。
[0270] 在一个更为具体的实施方式中，上述的卷积神经网络的结构可W采用上述实施例 1中的神经网络结构实现。
[0271] 在一个更为具体的实施方式中，上述的处理器模块还可W包括W下至少一种模 块:面向判断模块，用于判断纸币的朝向；新旧程度判断模块，用于判断纸币的新旧程度;破 损识别模块，用于将纸币中的破损位置识别出来;字迹识别模块，用于识别纸币上的字迹。 运些模块所采用的功能实现方法，可W采用实施例1中所例举的方法。
[0272] 在一具体的实施方式中，该处理器模块可W采用例如FPGA(京微雅格M7忍片具体 型号M7A12服L144C7)等忍片系统。忍片的主频为(FPGA主频125M，ARM主频333M)，占用的资 源是化Ogic 85%，EMB 98%)，识别时间为7ms。准确度为99.6% W上。
[0273] 显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对 于所属领域的普通技术人员来说，在上述说明的基础上还可W做出其它不同形式的变化或 变动。运里无需也无法对所有的实施方式予W穷举。而由此所引伸出的显而易见的变化或 变动仍处于本发明创造的保护范围之中。
【主权项】
1. 一种纸币管理方法，其特征在于，包括以下步骤： (1) 采用纸币信息处理装置对纸币特征进行采集、识别和处理，得到纸币特征信息； (2) 将步骤1)中所述的纸币特征信息、业务信息、所述纸币信息处理装置的信息一起传 输至主控服务器； (3) 所述主控服务器对接收的所述纸币特征信息、所述业务信息、所述纸币信息处理装 置的信息进行整合加工处理，并对纸币进行分类处理。2. 根据权利要求1中所述的纸币管理方法，其特征在于，所述纸币特征的识别具体包括 如下步骤： 步骤a、提取纸币特征所在区域的灰度图像，并对灰度图像进行边缘检测； 步骤b、对图像进行旋转； 步骤c、对图像中的单个号码进行定位，具体包含:通过自适应二值化，对图像进行二值 化处理，获得二值化图像;然后对所述二值化图像进行投影;最后通过设置移动窗口，采用 移动窗口配准的方式，对号码进行分割，得到每个号码的图像； 步骤d、对所述每个号码的图像中包含的字符进行套紧，并对每个号码图像进行归一化 处理;优选地，所述归一化包含尺寸归一化和明暗归一化； 步骤e、采用神经网络对归一化后的号码图像进行识别，获得纸币特征;优选的，所述纸 币特征为冠字号码。3. 根据权利要求2中所述的纸币管理方法，其特征在于，所述步骤a中的边缘检测进一 步包括:设定一灰度阈值，依据该阈值从上、下两方向进行直线搜索，获取边缘;再通过最小 二乘法，获得图像的边缘直线方程，并同时获得纸币图像的水平长度、垂直长度和斜率。4. 根据权利要求2或3中所述的纸币管理方法，其特征在于，所述步骤b中的旋转，进一 步包括:基于所述水平长度、垂直长度和斜率，获得旋转矩阵，依据所述旋转矩阵，求取旋转 后的像素点坐标。5. 根据权利要求2中所述的纸币管理方法，其特征在于，所述步骤c中，所述通过自适应 二值化对图像进行二值化处理，具体包括:求取图像的直方图，设置一阈值Th，当直方图中 灰度值由〇到Th的点数和大于等于一预设值时，以此时的Th作为自适应二值化阈值，对图像 进行二值化，获得二值化图像。6. 根据权利要求2中所述的纸币管理方法，其特征在于，所述步骤c中的移动窗口配准 具体包括:设计配准用移动窗口，所述窗口在垂直投影图上水平移动，窗口内的黑点数总和 最小值所对应的位置，即为冠字号码左右方向分割的最佳位置。7. 根据权利要求2所述的纸币管理方法，其特征在于，所述步骤d中的套紧，具体包括： 对所述每个号码的图像单独进行二值化，对获取到的每个号码的二值化图像进行区域增 长，再对区域增长后得到的区域里，选取一个或两个面积大于某一预设面积阈值的区域，选 取后的区域所在的矩形即为每个号码图像套紧后的矩形。8. 根据权利要求7所述的纸币管理方法，其特征在于，对所述每个号码的图像单独进行 二值化，具体包含：对所述每个号码的图像提取直方图，采用直方图双峰法获取二值化阈 值，再依据该二值化阈值将所述每个号码的图像进行二值化。9. 根据权利要求2所述的纸币管理方法，其特征在于，所述步骤d中的明暗归一化包括： 获取所述每个号码的图像的直方图，计算号码前景灰度平均值和背景灰度平均值，并将明 暗归一化之前的像素灰度值分别与前景灰度平均值和背景灰度平均值进行比较，依据该比 较结果，将归一化之前的像素灰度值设置为对应的特定灰度值。10. 根据权利要求2所述的纸币管理方法，其特征在于，在所述步骤b、步骤C之间，进一 步包括面向判断步骤:通过所述旋转后的图像确定纸币尺寸，依据所述尺寸确定面值;将目 标纸币图像分割为η个区块，计算各区块中的亮度均值，与预先存储的模板比较，差值最小 时，判断为模板对应的面向； 和/或，在所述步骤b、步骤c之间，进一步包括新旧程度判断步骤：首先提取预设数量 dpi的图像，将该图像全部区域作为直方图的特征区域，扫描区域内的像素点，放在数组里， 记录各个像素点的直方图，根据直方图统计出一定比例的最亮像素点，求取所述最亮像素 点的平均灰度值，作为新旧程度判断依据； 和/或，在所述步骤b、步骤c之间，进一步包括破损识别步骤:通过在纸币两侧分别设置 光源和传感器，获取透射后图像;对旋转后的透射后图像逐点检测，当该点的相邻两像素点 同时小于一预设阈值时，则判断该点为破损点； 和/或，在所述步骤b、步骤c之间，进一步包括字迹识别步骤:在固定区域内，扫描区域 内的像素点，放在数组里，记录各个像素点的直方图，根据直方图统计出预设数量个最亮像 素点，求取平均灰度值，依据该平均灰度值得出阈值，灰度值小于阈值的像素点判定为字迹 点。11. 根据权利要求2所述的纸币管理方法，其特征在于，所述步骤e中的神经网络采用二 级分类的卷积神经网络;第一级分类将冠字号码涉及的所有数字和字母进行分类，第二级 分类分别对第一级分类中的部分类别进行再次分类。12. 根据权利要求1中所述的纸币管理方法，其特征在于，所述步骤1)中通过图像、红 外、荧光、磁、测厚中的一种或多种方式对所述纸币特征进行采集。13. 根据权利要求1中所述的纸币管理方法，其特征在于，所述步骤3)中对纸币进行分 类处理具体为:将纸币分类后，使其按分类后类别进入到不同的币仓中。14. 根据权利要求1-13中任意一项所述的纸币管理方法，其特征在于， 所述纸币特征信息包括币种、面值、面向、真伪、新旧程度、污损、冠字号码中的一种或 多种； 和/或，所述业务信息包括收款、付款、存款或取款的记录信息，业务时间段信息，操作 员信息，交易卡号信息，办理人和/或代办人身份信息，二维码信息，封包号中的一种或多 种。15. 根据权利要求1-14中任意一项所述的纸币管理方法，其特征在于，所述纸币信息处 理装置为纸币清分机、点钞机、验钞机中的一种或多种;所述纸币信息处理装置的信息为制 造厂商、设备编号、所在金融机构中的一种或多种。16. 根据权利要求1-14中任意一项所述的纸币管理方法，其特征在于，所述纸币信息处 理装置为自助金融设备;所述纸币信息处理装置的信息为配钞记录、钞箱号、制造厂商、设 备编号、所在金融机构中的一种或多种。17. 根据权利要求15或16所述纸币管理方法，其特征在于，所述纸币管理方法是由若干 个所述纸币处理信息装置分别对其相应的业务中的纸币信息进行采集、识别和处理，并将 所述纸币信息传输至网点主机或现金中心主机，再由所述网点主机或现金中心主机将所述 纸币信息传输至主控服务器。18. -种纸币管理系统，其特征在于，所述纸币管理系统包括纸币信息处理终端和主控 服务器端； 所述纸币信息处理终端包括送钞模块、检测模块、信息处理模块； 所述送钞模块用于将纸币输送至所述检测模块； 所述检测模块对纸币特征进行采集和识别； 所述信息处理模块加工处理所述检测模块采集和识别的纸币特征，输出为纸币特征信 息，并将其传输； 所述主控服务器端，用于接收所述纸币特征信息、业务信息、所述纸币信息处理终端的 信息，对接收的上述三类信息进行加工，并对纸币进行分类处理。19. 根据权利要求18中所述的纸币管理系统，其特征在于，所述检测模块包括图像预处 理模块、处理器模块、CIS图像传感器模块； 所述图像预处理模块进一步包括边缘检测模块、旋转模块； 所述处理器模块进一步包括号码定位模块、套紧模块、归一化模块、识别模块； 所述号码定位模块，通过自适应二值化，对图像进行二值化处理，获得二值化图像;然 后对所述二值化图像进行投影;最后通过设置移动窗口，采用移动窗口配准的方式，对号码 进行分割，得到每个号码的图像，并将所述每个号码的图像传输给套紧模块； 所述归一化模块用于对套紧模块处理后的图像进行归一化;优选地，所述归一化包括 尺寸归一化及明暗归一化。20. 根据权利要求19所述的纸币管理系统，其特征在于，所述号码定位模块进一步包括 窗口模块，所述窗口模块依据冠字号码间距，设计配准用移动窗口，将所述窗口在垂直投影 图上水平移动，并计算所述窗口内的黑点数总和;所述窗口模块还可以将不同窗口内的所 述黑点数总和进行比较。21. 根据权利要求19所述的纸币管理系统，其特征在于，所述套紧模块对每个号码的图 像单独进行二值化，对获取到的每个号码的二值化图像进行区域增长，再对区域增长后得 到的区域里，选取一个或两个面积大于某一预设面积阈值的区域，所述选取后的区域所在 的矩形即为每个号码图像套紧后的矩形。22. 根据权利要求19所述的纸币管理系统，其特征在于，所述检测模块还包括补偿模 块，用于对CIS图像传感器模块获得的图像进行补偿，所述补偿模块预先存储纯白及纯黑的 采集亮度数据，并结合可设定的像素点的灰度参考值，得到补偿系数;所述补偿系数存储至 处理器模块，并建立查找表。23. 根据权利要求18中所述的纸币管理系统，其特征在于，所述主控服务器端对纸币进 行分类处理具体为:将纸币分类后，使其按分类后类别进入到不同的币仓中。24. 根据权利要求18-23中任意一项所述的纸币管理系统，其特征在于，所述纸币特征 信息包括币种、面值、面向、真伪、新旧程度、污损、冠字号码中的一种或多种； 和/或，所述业务信息包括收款、付款、存款或取款的记录信息，业务时间段信息，操作 员信息，交易卡号信息，办理人和/或代办人身份信息，二维码信息，封包号中的一种或多 种； 和/或，所述纸币信息处理终端为纸币清分机、点钞机、验钞机、自助金融设备中的一 种;优选地，所述自助金融设备为自动取款机、自动存款机、循环自动柜员机、自助查询机、 自助缴费机中的一种。25. -种纸币信息处理终端，其特征在于，所述纸币信息处理终端为权利要求18-24中 任意一项所述的纸币管理系统中包含的所述纸币信息处理终端。
【文档编号】G07D7/206GK105957238SQ201610341020
【公开日】2016年9月21日
【申请日】2016年5月20日
【发明人】柳永诠, 柳伟生, 孙伟忠, 赵楠楠, 王福艳, 金彬, 刘云江, 卢丙峰, 崔彦身, 金迪
【申请人】聚龙股份有限公司