基于局部二值模式的欧元硬币国别识别方法与流程

本发明涉及一种欧元硬币国别识别方法，特别涉及一种基于图像的欧元硬币国别识别方法。

背景技术：

欧盟28个成员国家中使用欧元的国家有17个，其中法国、德国、西班牙、葡萄牙、荷兰、爱尔兰、芬兰、希腊、意大利、卢森堡、比利时、奥地利等12个国家的流通量大。斯洛文尼亚、塞浦路斯、马耳他、斯洛伐克、爱沙尼亚5个国家的硬币市场流通量小。市面上流通的欧元硬币，币值有8种，即2欧，1欧，50欧分，20欧分，10欧分，5欧分，2欧分，1欧分，其中5欧分，2欧分，1欧分3种币值流通较少。所有国家的欧元硬币正面图案相同，而反面图案由每一个国家自行设计。因此利用背面图案可以实现对欧元硬币的国别识别，从而有助于对硬币进行分拣。

对欧元硬币国别进行识别需要解决的关键技术在于特征提取与表达，其需要考虑的因素有：①抗旋转；②抗干扰(划痕、污渍、磨损等)；③抗照明变化(新旧硬币对光的反射差异很大)。常规方法主要分为基于全局特征描述和基于局部特征描述两大类方法：

1)基于全局特征描述的方法，主要采用模板匹配、提取纹理、边缘、形状等特征的统计信息，实现目标的外观建模。该类方法容易受图像变换、噪声、照明变化的影响，对图像的局部信息描述不够精细，因此识别性能欠佳；

2)基于局部特征描述的方法，则侧重于对图像关键点或关键区域的描述。该类方法具有良好的定位性，鉴别性高，具有鲁棒性好、抗干扰、抗遮挡能力强等特点，因此已经成为图像目标检测与识别的主流技术。但是其在设计构建过程中，需要着重考虑图像特征描述的抗旋转、抗照明和抗噪声能力。

欧元硬币图像的识别问题在以往文献中鲜有报导，相关方法性能缺乏对比依据和基准，根据市场调研，设计的算法应该使得识别错误率达到0.5％以下，如何解决上述技术问题是有待探索和研究的问题。

技术实现要素：

为了解决上述技术问题，本发明提供一种计算简单、准确识别率高的基于图像的欧元硬币国别识别方法。

本发明解决上述问题的技术方案是：一种基于局部二值模式的欧元硬币国别识别方法，包括以下步骤：

步骤一：获取硬币的灰度图像，对获取的硬币图像提取待检测目标区域，并做尺寸归一化处理；

步骤二：将目标区域进行环状空间分解；

步骤三：提取每一个环状区域的统一旋转不变局部二值模式，并统计其直方图分布特征，然后按照从内环到外环的顺序进行组装，得到最终的硬币图像描述特征；

步骤四：利用支持向量机设计分类器，分别按不同币值设计多个分类器对不同币值的欧元硬币进行检测与识别。

上述基于局部二值模式的欧元硬币国别识别方法，所述步骤一具体步骤为

1-1：采用同轴光照明方案，获取欧元硬币的灰度图像I；

1-2：根据背景灰度值确定阈值th，令

其中I_BW为分割后的图像，I(x，y)为I中坐标(x，y)的像素值；

1-3：将二值图像I_BW用大小为10×10像素的均值滤波器进行滤波计算，随后使用孔洞填充操作；

填充过程公式如下

其中X表示被填充的所有孔洞，迭代k次时结束，表示膨胀操作，B为对应的结构元素，A^C表示孔洞区域的取反；

1-4：滤波后的二值图像用半径为10像素的圆形结构元素进行腐蚀操作后，得到掩膜图像M，通过掩膜图像M计算出目标区域面积S、中心O与半径R；计算公式如下：

式中m，n为M的边长，O_x，O_y为O的坐标，表示M(x，y)值为1的x和y坐标值；

1-5：将掩膜图像M与原图I进行掩膜计算，得到目标区域图像I^*，表示为I^*＝I.*M，其中.*为点乘算子；

1-6：在I^*中以O为中心，2*R为边长提取正方形区域，并将其归一化为200×200像素大小的图像I_ROI。

上述基于局部二值模式的欧元硬币国别识别方法，所述步骤二具体步骤为：在200×200的区域中，以点(100，100)作为圆心，重叠地生成W＝24个等面积的圆环模板Ψ_i，其中第i个圆环半径范围为其中

上述基于局部二值模式的欧元硬币国别识别方法，所述步骤三具体步骤为：

3-1：将每个圆环模板Ψ_i与原图I进行掩膜处理，得到环形图像区域I_i，I_i＝I.*Ψ_i；

3-2：在I_i中对每个像素点的P个邻域的灰度值g_p与该点灰度值g_c作比较，并做二值化处理得到与g_p对应邻域点的值S_p，计算如下：

3-3：选取某一邻域点为起始点，按顺时针方向组成当前像素点的纹理描述T＝[S₁S₂S₃S₄S₅S₆S₇S₈]，随后通过下式计算U值，U值为纹理T一个移位周期内值的变化次数

3-4：将U>2的点划分为模式值P+1，对U≤2的点计算统一旋转不变模式计算公式如下，

3-5：对第i个环状空间的模式值作直方图统计H_i，按照从内环到外环的顺序进行组装，得到最终的硬币图像描述特征F＝[H₁H₂H₃，...，H₂₄]。

上述基于局部二值模式的欧元硬币国别识别方法，所述步骤四具体步骤为：

4-1：使用支持向量机进行分类器设计，其中支持向量机的核函数选用线性核函数；

4-2：采用面积S作为特征，区分2欧、1欧、50欧分、20欧分、10欧分共5种不同币值的欧元硬币；

4-3：采用最终提取的图像描述特征F，对不同币值的欧元硬币分别选取足够的训练样本学习得到5个支持向量机分类器；

4-4：利用训练好的支持向量机分类器对待检测欧元硬币图像进行检测与识别。

本发明的有益效果在于：

1、本发明采用面积作为特征来确定欧元硬币的币值，考虑到欧元硬币的形状和外观特点，例如硬币为圆形图案，不同币值的硬币大小不同，不同国别的硬币的背面图案不同，同一国别硬币背面图案风格相似。因此，根据图像目标区域的面积可以确定币值，进而根据币值选择不同的分类器进行识别，从而将问题进行分解，降低问题难度，以保证后续国别识别的准确率。

2、本发明选取统一旋转不变二值模式作为局部区域描述特征，该特征提取方式具有抗旋转变换能力，同时继承了局部二值模式LBP对单调照明变化不敏感的优点，从而保证了所提取特征的鲁棒性。

3、本发明在空间池化操作时，充分利用了欧元硬币为圆形图案的特点，同时采用了具有旋转不变性的环形空间池化操作策略，保证了对整体图案描述的旋转不变性。

附图说明

图1为本发明的流程图。

图2为本发明的流程框图。

图3为本发明的圆环模板划分示意图。

图4为本发明LBP计算过程示意图。

图5为本发明的准确率测试结果图。

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说明。

如图1、图2所示，一种基于局部二值模式的欧元硬币国别识别方法，包括以下步骤：

步骤一：获取硬币的灰度图像，对获取的硬币图像提取待检测目标区域，并做尺寸归一化处理。具体步骤为：

1-1：为了尽可能抑制金属表面的反射，采用同轴光照明方案，使用CCD相机拍摄图像后转化为灰度图像，从而获取欧元硬币的灰度图像I；

1-2：根据背景灰度值确定阈值th，通常th取比背景区域最大像素值稍大即可，令

其中I_BW为分割后的图像，I(x，y)为I中坐标(x，y)的像素值；

1-3：将二值图像I_BW用大小为10×10像素的均值滤波器进行滤波计算，随后使用孔洞填充操作；

填充过程公式如下

其中X表示被填充的所有孔洞，迭代k次时结束，表示膨胀操作，B为对应的结构元素，A^C表示孔洞区域的取反；

1-4：滤波后的二值图像用半径为10像素的圆形结构元素进行腐蚀操作后，得到掩膜图像M，通过掩膜图像M计算出目标区域面积S、中心O与半径R；计算公式如下：

式中m，n为M的边长，O_x，O_y为O的坐标，表示M(x，y)值为1的x和y坐标值；

1-5：将掩膜图像M与原图I进行掩膜计算，得到目标区域图像I^*，表示为I^*＝I.*M，其中.*为点乘算子；

1-6：在I^*中以O为中心，2*R为边长提取正方形区域，并将其归一化为200×200像素大小的图像I_ROI。

步骤二：将目标区域进行环状空间分解。具体步骤为：在200×200的区域中，以点(100，100)作为圆心，重叠地生成W＝24个等面积的圆环模板Ψ_i，其中第i个圆环半径范围为其中

步骤三：提取每一个环状区域的统一旋转不变局部二值模式，并统计其直方图分布特征，然后按照从内环到外环的顺序进行组装，得到最终的硬币图像描述特征。

具体步骤为：将每个圆环模板Ψ_i与原图I进行掩膜处理，得到环形图像区域I_i，I_i＝I.*Ψ_i；

3-2：在I_i中以每个像素点为中心，选择半径r＝1处的P个邻域，对中心像素灰度值g_c与邻域像素点灰度值g_p做比较，并根据大小关系做二值化处理得到与g_p对应邻域点的值S_p，计算如下：

图4给出了计算示例。

3-3：选取某一邻域点为起始点，按顺时针方向组成当前像素点的纹理描述T＝[S₁S₂S₃S₄S₅S₆S₇S₈]，随后通过下式计算U值，U值为纹理T一个移位周期内值的变化次数

3-4：将U>2的点划分为模式值P+1，对U≤2的点计算统一旋转不变模式计算公式如下，

3-5：对第i个环状空间的模式值作直方图统计H_i，按照从内环到外环的顺序进行组装，得到最终的硬币图像描述特征F＝[H₁H₂H₃，...，H₂₄]。

步骤四：利用支持向量机(SVM)设计分类器，分别按不同币值设计多个分类器对不同币值的欧元硬币进行检测与识别。具体步骤为：

4-1：使用支持向量机进行分类器设计，其中支持向量机的核函数选用线性核函数；

4-2：由于不同币值的欧元硬币的尺寸有较大差别，因此基于面积的币值识别准确率可以达到100％。采用面积S作为特征，区分2欧、1欧、50欧分、20欧分、10欧分共5种不同币值的欧元硬币；

4-3：采用最终提取的图像描述特征F，对5种不同币值的欧元硬币分别设计支持向量机分类器，12个国家的每种币值硬币反面图片各取8张，正面取96张作为训练样本学习得到5个SVM分类器，另外8547张图片作为测试集。选取足够的训练样本学习得到5个支持向量机分类器；

4-4：利用训练好的支持向量机分类器对待检测欧元硬币图像进行检测与识别，最终统计准确率达到99.871％(见图5)，错误率在0.2％以下，可以满足实际应用指标要求。