币种识别方法及装置与流程

1.本发明涉及人工智能领域，尤其涉及币种识别方法及装置。


背景技术：

2.本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
3.银行外币现钞兑换业务通常涉及到多种外币。而在实际生活中，大多数人因知识储备有限而无法准确区分币种。现有的外币识别主要依靠人工完成，这就要求相关人员具备较高的知识储备，难以大范围推广普及。
4.因此，亟需一种可以克服上述问题的币种识别方案。


技术实现要素：

5.本发明实施例提供一种币种识别方法，用以进行币种识别，节省人力物力，提高识别准确性，该方法包括：
6.获得待识别的钞票图像；
7.将所述待识别的钞票图像输入预先建立的币种分类器进行币种识别，其中所述币种分类器按如下方式预先建立：
8.获得钞票图像训练集；
9.采用gabor滤波算法提取所述钞票图像训练集中每个钞票图像的纹理特征向量；
10.将每个钞票图像的纹理特征向量输入支持向量机分类器进行训练，得到币种分类器。
11.在一个实施例中，币种识别方法在获得钞票图像训练集后还包括：
12.利用均值滤波法对所述钞票图像训练集中每个钞票图像进行去除噪声处理。
13.在一个实施例中，币种识别方法在利用均值滤波法对所述钞票图像训练集中每个钞票图像进行去除噪声处理后还包括：
14.利用clahe算法对去除噪声处理后的钞票图像进行图像增强处理。
15.在一个实施例中，币种识别方法在采用gabor滤波算法提取所述钞票图像训练集中每个钞票图像的纹理特征向量后还包括：
16.采用主成分分析法对所述纹理特征向量进行降维和归一化处理。
17.本发明实施例提供一种币种识别装置，用以进行币种识别，节省人力物力，提高识别准确性，该装置包括：
18.图像获得模块，用于获得待识别的钞票图像；
19.币种识别模块，用于将所述待识别的钞票图像输入预先建立的币种分类器进行币种识别，其中所述币种分类器按如下方式预先建立：
20.获得钞票图像训练集；
21.采用gabor滤波算法提取所述钞票图像训练集中每个钞票图像的纹理特征向量；
22.将每个钞票图像的纹理特征向量输入支持向量机分类器进行训练，得到币种分类器。
23.在一个实施例中，所述币种识别模块还用于：
24.在获得钞票图像训练集后，利用均值滤波法对所述钞票图像训练集中每个钞票图像进行去除噪声处理。
25.在一个实施例中，所述币种识别模块还用于：
26.在利用均值滤波法对所述钞票图像训练集中每个钞票图像进行去除噪声处理后，利用clahe算法对去除噪声处理后的钞票图像进行图像增强处理。
27.在一个实施例中，所述币种识别模块还用于：
28.在采用gabor滤波算法提取所述钞票图像训练集中每个钞票图像的纹理特征向量后，采用主成分分析法对所述纹理特征向量进行降维和归一化处理。
29.本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述币种识别方法。
30.本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述币种识别方法。
31.本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现上述币种识别方法。
32.本发明实施例通过获得待识别的钞票图像；将所述待识别的钞票图像输入预先建立的币种分类器进行币种识别，其中所述币种分类器按如下方式预先建立：获得钞票图像训练集；采用gabor滤波算法提取所述钞票图像训练集中每个钞票图像的纹理特征向量；将每个钞票图像的纹理特征向量输入支持向量机分类器进行训练，得到币种分类器。本发明实施例利用gabor滤波算法提取的纹理特征向量训练支持向量机分类器，从而利用得到的币种分类器对待识别的钞票图像进行币种识别，运行环境配置要求比较低、成本不高，同时具有稳定和较高的准确率。
附图说明
33.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
34.图1为本发明实施例中币种识别方法示意图；
35.图2为本发明实施例中另一币种识别方法示意图；
36.图3为本发明实施例中另一币种识别方法示意图；
37.图4为本发明实施例中另一币种识别方法示意图；
38.图5～图6为本发明具体实施例中币种识别示意图；
39.图7是本发明实施例中币种识别装置结构图。
具体实施方式
40.为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
41.首先，对本发明实施例中的技术名词进行介绍：
42.图像去除噪声：图像拍摄中无法避免会受到噪声的污染，出现一些噪点，这些噪点会降低图像的质量，所以有必要先对采集到的显微图像去噪声。
43.图像增强：提高图像对比度、清晰度使得图像更容易提取出特征和人眼的辨认。
44.clahe直方图均衡化：限制对比度自适应直方图均衡化(contrast limited adaptive histogram equalization，clahe)图像增强算法，该算法可以有效改进图像上的一些过明或过暗区域的对比度无法增强的问题。
45.gabor滤波器提取特征：二维gabor滤波器是较为典型的分析图像纹理的方法，经常用于人脸特征提取、指纹特征提取。由于人类视觉系统的频率和方向表达与gabor滤波器的表达是非常相的，所以gabor滤波器经常被用来进行图像纹理的表示和辨别。
46.特征归一化和特征降维：由于提取的特征值不在同一个数量级，因此采用归一化(min-max normalization)对其进行归一化处理，处理后的各项特征值在[0，1]区间上，在对样本特征进行归一化处理后，为了避免提取的特征值之间存在相关性，造成特征数据的冗余，本发明采用主成分分析(principal component analysis，pca)对特征数据进行降维。
[0047]
支持向量机分类器：作为一种经典的强学习器经常被用来执行图像的分类，因此本发明采用支持向量机对提取到的图像特征向量进行分类。
[0048]
为了进行币种识别，节省人力物力，提高识别准确性，本发明实施例提供一种币种识别方法，如图1所示，该方法可以包括：
[0049]
步骤101、获得待识别的钞票图像；
[0050]
步骤102、将所述待识别的钞票图像输入预先建立的币种分类器进行币种识别，其中所述币种分类器按如下方式预先建立：
[0051]
步骤201、获得钞票图像训练集；
[0052]
步骤202、采用gabor滤波算法提取所述钞票图像训练集中每个钞票图像的纹理特征向量；
[0053]
步骤203、将每个钞票图像的纹理特征向量输入支持向量机分类器进行训练，
[0054]
得到币种分类器。
[0055]
由图1所示可以得知，本发明实施例通过获得待识别的钞票图像；将所述待识别的钞票图像输入预先建立的币种分类器进行币种识别，其中所述币种分类器按如下方式预先建立：获得钞票图像训练集；采用gabor滤波算法提取所述钞票图像训练集中每个钞票图像的纹理特征向量；将每个钞票图像的纹理特征向量输入支持向量机分类器进行训练，得到币种分类器。本发明实施例利用gabor滤波算法提取的纹理特征向量训练支持向量机分类器，从而利用得到的币种分类器对待识别的钞票图像进行币种识别，运行环境配置要求比较低、成本不高，同时具有稳定和较高的准确率。
[0056]
实施例中，获得待识别的钞票图像；将所述待识别的钞票图像输入预先建立的币
种分类器进行币种识别，其中所述币种分类器按如下方式预先建立：获得钞票图像训练集；采用gabor滤波算法提取所述钞票图像训练集中每个钞票图像的纹理特征向量；将每个钞票图像的纹理特征向量输入支持向量机分类器进行训练，得到币种分类器。
[0057]
具体实施时，获得钞票图像训练集，采用gabor滤波算法提取所述钞票图像训练集中每个钞票图像的纹理特征向量，将每个钞票图像的纹理特征向量输入有监督的机器学习方法-支持向量机分类器进行钞票图像的分类，训练后得到币种分类器；将待识别的钞票图像输入训练好的币种分类器进行币种识别。
[0058]
在一个实施例中，如图2所示，图1的币种识别方法在获得钞票图像训练集后还包括：
[0059]
步骤204、利用均值滤波法对所述钞票图像训练集中每个钞票图像进行去除噪声处理。
[0060]
具体实施时，获得钞票图像训练集后先用均值滤波算法对钞票图像进行去除噪声处理，降低图像的噪点，去除图像颗粒感。
[0061]
在一个实施例中，如图3所示，图2的币种识别方法在利用均值滤波法对所述钞票图像训练集中每个钞票图像进行去除噪声处理后还包括：
[0062]
步骤205、利用clahe算法对去除噪声处理后的钞票图像进行图像增强处理。
[0063]
具体实施时，在去除噪声处理之后，利用clahe算法对去除噪声处理后的钞票图像进行图像增强，以提升图像的对比度，更利于后续的图像识别和分类问题。
[0064]
在一个实施例中，如图4所示，图3的币种识别方法在采用gabor滤波算法提取所述钞票图像训练集中每个钞票图像的纹理特征向量后还包括：
[0065]
步骤206、采用主成分分析法对所述纹理特征向量进行降维和归一化处理。
[0066]
具体实施时，采用二维的gabor滤波法提取的钞票图像的纹理特征向量，为避免训练过程中出现过拟合或者难以收敛的情况，对纹理特征向量采用主成分分析法进行降维和归一化处理。
[0067]
本发明实施例需要建立钞票图像数据集，包括测试数据集和训练数据集，每个币种的数量应尽量保持一致，并且数据集要尽可能大。然后，搭建图像预处理平台(python)，进行图像预处理操作。进而搭建支持向量机分类器，可以采用libsvm为工具构造分类器。最后用钞票图像训练集训练支持向量机分类器。
[0068]
下面给出一个具体实施例，说明本发明币种识别方法的具体应用。在本发明具体实施例中，按如下步骤进行币种识别：
[0069]
1、数据预处理：图像去噪声，用均值滤波法对图像去噪声。图像降噪前后对比如图5中的(a)和图5中(b)。
[0070]
2、图像增强处理：用clahe算法对去除噪声处理后的钞票图像进行图像增强处理，限制对比度自适应直方图均衡化(contrast limited adaptive histogram equalization，clahe)图像增强算法，该算法可以有效改进图像上的一些过明或过暗区域的对比度无法增强的问题。clahe算法的实现主要有六个步骤：
[0071]
step1.将图像划分为大小相等的不重叠子块；
[0072]
step2.计算子块直方图；
[0073]
step3.计算剪切阈值；
[0074]
step4.像素点重分配，对每个子块，使用步骤三中多余的像素重新分配；
[0075]
step5.自适应直方图均衡化操作；
[0076]
step6.像素点灰度值重构。
[0077]
3、提取图像纹理特征：用gabor滤波算法提取图像纹理特征，二维gabor滤波器是较为典型的分析图像纹理的方法，经常用于人脸特征提取、指纹特征提取。由于人类视觉系统的频率和方向表达与gabor滤波器的表达是非常相的，所以gabor滤波器经常被用来进行图像纹理的表示和辨别，二维gabor滤波器是由正弦平面波在空间域上调制的二维高斯函数。
[0078]
4、归一化：数据处理后符合标准正态分布，即均值为0，标准差为1，式中，x
′
为归一化后的特征值，xi为样本特征值，x
min
为特征值的最小值，x
max
为特征值的最大值。
[0079][0080]
5、特征降维：在对样本特征进行归一化处理后，为了避免提取的特征值之间存在相关性，造成特征数据的冗余，采用主成分析(principal component analysis，pca)对特征数据进行降维。主成分分析是一种用于减少数据维数的统计方法，通过采用少量不相关的综合变量，取代原来相关的多变量，然后将其转换为对新变量的统计分析。
[0081]
6、支持向量机(support vector machine，svm)作为一种经典的强学习器经常被用来执行图像的分类，因此采用支持向量机对提取到的图像特征向量进行分类。支持向量机分类器(也称最大边际分类器)的分类目标是找出边际最大的决策边界，如图6所示为svm寻找最大边界示意图，为使分类误差降到最低，在数据空间中寻找一个用来决策的超平面来划分数据。
[0082]
本发明实施例首先用均值滤波算法对钞票图像进行去噪声处理，降低图像的噪点，去除图像颗粒感；利用clahe算法对去噪声后的图像进行图像增强，以提升图像的对比度，更利于后续的图像识别和分类问题；采用二维的gabor滤波法提取预处理后的钞票图像的纹理特征；为避免训练过程中出现过拟合或者难以收敛的情况，对特征向量采用主成分析法进行降维和归一化的操作；用基于有监督的机器学习方法-支持向量机分类器进行钞票图像的分类。
[0083]
基于同一发明构思，本发明实施例还提供了一种币种识别装置，如下面的实施例所述。由于这些解决问题的原理与币种识别方法相似，因此币种识别装置的实施可以参见方法的实施，重复之处不再赘述。
[0084]
图7为本发明实施例中币种识别装置的结构图，如图7所示，该币种识别装置包括：
[0085]
图像获得模块701，用于获得待识别的钞票图像；
[0086]
币种识别模块702，用于将所述待识别的钞票图像输入预先建立的币种分类器进行币种识别，其中所述币种分类器按如下方式预先建立：
[0087]
获得钞票图像训练集；
[0088]
采用gabor滤波算法提取所述钞票图像训练集中每个钞票图像的纹理特征向量；
[0089]
将每个钞票图像的纹理特征向量输入支持向量机分类器进行训练，得到币种分类器。
[0090]
一个实施例中，所述币种识别模块702还用于：
[0091]
在获得钞票图像训练集后，利用均值滤波法对所述钞票图像训练集中每个钞票图像进行去除噪声处理。
[0092]
一个实施例中，所述币种识别模块702还用于：
[0093]
在利用均值滤波法对所述钞票图像训练集中每个钞票图像进行去除噪声处理后，利用clahe算法对去除噪声处理后的钞票图像进行图像增强处理。
[0094]
一个实施例中，所述币种识别模块702还用于：
[0095]
在采用gabor滤波算法提取所述钞票图像训练集中每个钞票图像的纹理特征向量后，采用主成分分析法对所述纹理特征向量进行降维和归一化处理。
[0096]
基于前述发明构思，本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述币种识别方法。
[0097]
基于前述发明构思，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述币种识别方法。
[0098]
本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现上述币种识别方法。
[0099]
本发明实施例通过获得待识别的钞票图像；将所述待识别的钞票图像输入预先建立的币种分类器进行币种识别，其中所述币种分类器按如下方式预先建立：获得钞票图像训练集；采用gabor滤波算法提取所述钞票图像训练集中每个钞票图像的纹理特征向量；将每个钞票图像的纹理特征向量输入支持向量机分类器进行训练，得到币种分类器。本发明实施例利用gabor滤波算法提取的纹理特征向量训练支持向量机分类器，从而利用得到的币种分类器对待识别的钞票图像进行币种识别，运行环境配置要求比较低、成本不高，同时具有稳定和较高的准确率。
[0100]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0101]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0102]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0103]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计
算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0104]
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。