专利名称：纸片鉴别装置、纸片鉴别方法及程序的制作方法
技术领域：
本发明涉及一种纸张类处理装置的纸片鉴别装置，特别涉及鉴别纸张类的缺失一半以上的部分纸币(纸片)的币种的纸片鉴别装置、纸片鉴别方法。
背景技术：
像ATM(Automatic Teller’s Machine自动柜员机)等那样投入纸币等纸张类的进出款的纸张类装置，在装置内保管纸张类并根据顾客的指示输入进行进出款处理。在这种纸张类处理装置中，进行进出款的纸张类(纸币等)的种类(币种等)的鉴别处理。
该鉴别处理一般按照以下方法进行。把纸张类整体分割成多个微小区域，利用光学传感器、厚度传感器等测定这些各个微小区域的浓淡和外形等，通过量子化处理把该测定值转换为灰度值等并存储。并且，对由该灰度值构成的图像数据实施规定的图像处理(倾斜校正和浓度校正处理)，把由此得到的图像数据与辞典数据(根据真币生成的图像数据)比较，由此判定纸张类(纸币)的种类(币种)。
可是，以往的纸张类处理装置只把外形尺寸正常的纸张类作为鉴别对象，外形异常的纸张类不作为进行鉴别的鉴别对象，而视为鉴别异常将其废弃。这是因为在以往的纸张类处理装置中，通过将纸张类整体的图像数据与辞典数据进行图案比较来鉴别纸张类的种类。在这种以往的纸张类处理装置中，显而易见地是，对于缺失了一半以上的纸张类的部分纸币(纸片)，由于可以与辞典数据比较的区域过小而不能确定币种。
可是，近年来，纸张类处理装置在无人店铺的运用和24小时运行正在普及，对经常确定纸张类处理装置内的纸币收纳库内的纸币余额(库存余额)的要求越来越强。在纸张类处理装置中，从投入口投入的纸币或从纸币收纳库取出的纸币，有时在装置内在搬送到鉴别部的中途被切断。这种情况下，对纸张类处理装置的所有者来说，即使是被切断的纸片，明确币种而被废弃和不明确币种而直接被废弃具有很大差异，对前者的要求更强烈。但是，在以往的纸张类处理装置的鉴别部中，对于被切断的纸张类(纸片)，是不确定其种类(币种)就将其废弃。
发明内容
本发明的目的在于，提供一种能够可靠地确定纸张类的缺失一半以上的部分纸币(所谓纸片)的币种的纸片鉴别装置和纸片鉴别方法。
本发明的纸片鉴别装置具有基准数据存储单元、辞典数据存储单元、传感器单元和辞典比较单元。
基准数据存储单元保存至少一个币种的作为真币纸币的图像数据的基准数据。辞典数据存储单元仅保存和所述基准数据相同的币种数量的真币纸币的鉴别用辞典数据。传感器单元获取作为纸张类的切片即纸片的图像数据。辞典比较单元把由该传感器单元获得的纸片图像数据与保存在所述基准数据存储单元的各币种的基准数据合成，生成各币种的比较用纸币图像数据，把该比较用纸币图像数据与保存在所述辞典数据存储单元的同一币种的辞典数据进行模式匹配(pattern matching)，鉴别所述纸片的币种。
所述基准数据是真币纸币的图像数据，所以把纸片图像数据粘贴在该基准数据上合成得到的比较用纸币图像数据，除该纸片图像数据50以外的部分与辞典数据具有的真币的图像数据一致。因此，通过对同一币种的比较用纸币图像数据和辞典数据进行模式匹配，可以鉴别纸片图像数据、即纸片是否是真币的一部分，可以根据模式匹配结果推测(鉴别)纸片的币种。
图1是表示本发明的第1实施方式的纸片鉴别装置的系统结构的方框图。
图2是说明第1实施方式的纸片鉴别装置的处理概要的图。
图3是说明第1实施方式的纸片鉴别装置的整个纸片鉴别处理的流程图。
图4是说明第1实施方式的浓度校正处理的流程图。
图5(a)是表示辞典数据的整体数据结构的图，图5(b)是表示辞典数据的像素的数据结构的图。
图6(a)是表示比较用纸币图像数据的整体数据结构的图，图6(b)是表示比较用纸币图像数据的像素的数据结构的图。
图7是比较用纸币图像数据和辞典数据的模式匹配方法的示意图。
图8是整个图像的模式匹配处理的示意图。
图9是整个图像的模式匹配处理的详细流程图。
图10是横向线图像的模式匹配处理的示意图。
图11是横向线图像数据的模式匹配处理的详细流程图。
图12是纵向线图像的模式匹配处理的示意图。
图13是纵向线图像的模式匹配处理的详细流程图。
图14是左斜向线图像的模式匹配处理的示意图。
图15是右斜向线图像的模式匹配处理的示意图。
图16是左斜向线图像的模式匹配处理的详细流程图。
图17是右斜向线图像的模式匹配处理的详细流程图。
图18是表示本发明的第2实施方式的纸片鉴别装置的系统结构的方框图。
图19是表示神经运算部的结构图。
图20是说明神经运算部的组件(unit)结构的图。
图21是说明输入神经运算部的数据的图。
图22是说明神经运算部进行整个图像图案识别时的输入图案的图。
图23是说明神经运算部进行纵向线图像图案识别时的输入图案的图。
图24是说明神经运算部进行横向线图像图案识别时的输入图案的图。
图25是说明神经运算部进行左斜向线图像图案识别时的输入图案的图。
图26是说明神经运算部进行右斜向线图像图案识别时的输入图案的图。
图27是说明第2实施方式的纸片鉴别装置通过神经运算进行整个图像图案识别，鉴别纸片的币种的处理的流程图。
图28是说明第2实施方式的纸片鉴别装置通过神经运算进行横向线图像图案识别，鉴别纸片的币种的处理的流程图。
图29是说明第2实施方式的纸片鉴别装置通过神经运算进行纵向线图像图案识别，鉴别纸片的币种的处理的流程图。
图30是说明第2实施方式的纸片鉴别装置通过神经运算进行斜向线图像图案识别，鉴别纸片的币种的处理的流程图。
具体实施例方式
本发明可以根据纸张类的一部分(纸片)确定该纸张类的种类(币种)，可以作为一个组件实现，也可以装配在各纸张类处理装置中使用。
(第1实施方式)图1是本发明的第1实施方式的系统结构图。
该图所示的第1实施方式的纸片鉴别装置10由以下部分构成中央处理装置11；纸张类进入传感器部12；光传感器部13；放大部14；A/D转换部15；图像存储部16；图像处理部17；辞典比较部18；基准数据部19；辞典数据部20和存储部21。另外，在以下说明中，说明本实施方式处理纸张类的一种即纸币时的情况。
纸张类进入传感器部12是检测出纸张类(纸币)已进入装置10内的传感器，并将该进入通知中央处理装置11。
光传感器部13是线传感器，在由纸张类进入传感器部12检测后，以线为单位获取从装置10内搬送过来的纸张类的图像。中央处理装置11在从纸张类进入传感器部12获取上述通知后，起动光传感器部13，根据纸张类的搬送速度控制光传感器部13的取样频率和取样时间。光传感器部13接受来自中央处理装置11的控制，获取将要搬送的纸张类的模拟图像信号，将其输出给放大部14。
放大部14把从光传感器部13输入的模拟图像信号放大，将其输出给A/D转换部15。
A/D转换部15把从放大部14输入的模拟图像信号转换为数字图像信号并输出。该数字图像信号是把最暗的点作为0，把最亮的点作为最大值的灰度值。该灰度值按照每个像素获得。
从A/D转换部15输出的数字图像信号被依次保存在图像存储部16中。由此，在图像存储部16保存由光传感器部13获得的纸张类(或其纸片)的图像的数字图像信号。该数字图像信号如后面所述大于纸张类的尺寸，还包括纸张类的背景图像。
图像处理部17接受中央处理装置11的控制，对保存在图像存储部16的图像信号(图像数据)实施坐标转换(倾斜校正处理)，使纸张类(或其纸片)的图像数据规范化。并且，对该规范化的图像数据实施浓度校正处理。图像存储部16把通过实施上述的坐标转换和浓度校正等得到的纸张类或其纸片的图像数据输出给辞典比较部18。
辞典比较部18把从图像处理部17输入的纸张类的图像数据和保存在辞典数据部20的辞典数据进行模式匹配，进行输入到装置10内的纸张类的真伪鉴别。另外，这是本发明的特征，如果从图像处理部17输入的图像数据是纸片图像数据(纸币的切片(纸片)的图像数据)，辞典比较部18生成把该纸片图像数据叠合(粘贴)在各币种的纸币的基准数据上的图像数据，把该生成图像数据(比较用纸币图像数据)与辞典数据进行模式匹配，由此判定所述纸片图像的种类(币种)。
基准数据部19保存有本装置10处理的纸币的所有币种的基准数据。该基准数据是为确定(推测)纸片的币种而使用的数据，是利用光传感器读取真币而生成的图像数据，对其实施了和所述纸片图像数据相同的浓度校正。该浓度校正是为了使将所述纸片图像数据粘贴到基准数据上后不产生颜色不均而进行的。
辞典比较部18通过向纸币的各币种的基准数据粘贴纸片的图像数据的合成处理，生成该各币种的比较用纸币图像数据，通过把这些各币种的比较用纸币图像数据与同一币种的辞典数据比较，由此确定(鉴别)纸片的币种。
辞典数据部20保存有辞典比较部18进行纸张类(纸币)的真伪鉴别和纸片的币种鉴别所使用的辞典数据。该辞典数据与所述基准数据相同地被准备成对应于在装置10进行处理的纸币的所有币种。该辞典数据是利用光传感器(例如光传感器部13)读取真币而生成的。该情况时，由于一般每种真币的各像素都产生灰度值(浓度)离差，所以预先利用光传感器读取规定张数的真币，求出各像素的灰度平均值和灰度值的标准偏差，把将这些值与像素相关联的数据作为辞典数据存储。
在真伪鉴别中，例如计算对应的像素彼此间的灰度值的差值，如果该值在标准偏差以内，则判定为两方像素一致，以一致的像素占整体的百分之几以上为基准，鉴别纸币的真伪。
并且，在纸片的币种鉴别中，在辞典数据和所述比较用纸币图像数据的模式匹配中，例如，算出两图像数据间的距离(例如欧几里得距离)，以该距离为基础鉴别纸片的币种。
存储部21保存由辞典比较部18识别(鉴别)的纸片的币种结果和纸币的真伪判定结果等。
图2是说明上述纸片鉴别装置10的纸片鉴别处理的概要图。
图2(a)所示的原始图像数据31是利用光传感器部13检测倾斜搬送来的纸片而得到的图像数据，在原始图像数据31的中央部存在纸片图像数据41。在图2(a)中，外廓与纸片图像数据41连接的虚线部分表示被切掉而丢失的另一方纸片的外廓。
图像处理部17对所述纸片图像数据41实施坐标转换处理，对纸片图像数据41进行倾斜校正使其规范化(使纸片图像数据41的上边重叠在原始图像数据31的左上角的上边)。并且，对该规范化的纸片图像数据41，实施使纸片的外缘部的白色部分(对应于纸片图像数据41的纸片外缘的白色部分的部分图像数据)成为基准值的浓度校正，最后生成图2(b)所示的纸片图像数据42。
辞典比较部18如图2(c)所示，把上述纸片图像数据42以角部为基准叠合(粘贴)在保存在基准数据部19的A币种、B币种、…等的各币种的基准数据50(50A(A币种基准数据)、50B(B币种基准数据)…、50N(N币种基准数据))上，生成各币种的比较用纸币图像数据60。这些各币种的比较用纸币图像数据60是用于和保存在辞典数据部20的各币种的辞典数据70(70A(A币种辞典数据)、70B(B币种辞典数据)…、70N(N币种辞典数据))进行模式匹配的图像数据。
另外，纸片图像数据42以角部为基准向基准数据50进行的粘贴由纸片图像数据42的形状(纸片形状)决定。在纸片图像数据42为图2(c)所示的大致三角形的情况下，由于可以推测出该角部分对应于原来纸币的两个角的哪一个，所以在基准数据50(图2(c)所示的基准数据60是B币种的基准数据50)的右上角和左下角的各角部分别粘贴纸片图像数据42，以生成两种比较用纸币图像数据60。
纸片的形状如果是该图(c)所示以外的形状，可以根据其形状把纸片图像数据42适当地粘贴在基准数据50的合适位置，生成比较用纸币图像数据60。另外，在生成该比较用纸币图像数据60时使用的基准数据50，如前所述被实施了和纸片图像数据42相同的浓度校正。在本实施方式中，对保存在辞典数据部20的辞典数据70也实施和纸片图像数据42相同的浓度校正，所以可以认为基准数据50和辞典数据70的图像数据一致。即，在比较用纸币图像数据60中，除纸片图像数据42以外的部分(基准数据50的部分)和辞典数据70相同。
因此，比较用纸币图像数据60和辞典数据70的模式匹配，实质上是纸片图像数据42和辞典数据70的对应该纸片图像数据42的部分的模式匹配。该情况时，如果是将纸片图像数据42粘贴在基准数据50上的原来部位(原纸币的原来位置)的比较用纸币图像数据60，则该比较用纸币图像数据60和基准数据50大致一致。因此，通过对同一币种的比较用纸币图像数据60和辞典数据70彼此间进行模式匹配，并检测距离最小的基准数据50，可以推测该基准数据50的币种是作为鉴别对象的纸片的币种。该情况时，对距离设定阈值，仅在根据模式匹配的结果得到的最小距离小于该阈值时，按照上面所述确定纸片的币种。
这样，在本实施方式中，将该比较用纸币图像数据60与各币种的辞典数据70依次进行模式匹配，由此确定距离(类似度)最大的币种，所确定的币种被鉴别(推测)为是纸片的币种。
图3是说明纸片鉴别装置10的纸片的币种推测处理的流程图。
首先，对纸片图像数据41进行浓度校正(步骤S11)，然后对该纸片图像数据41进行倾斜校正(步骤S12)。然后，把纸片图像数据41以角部为基准粘贴在最先选择的币种的基准数据50上(步骤S13)。在该角部粘贴中，最先预先决定粘贴在哪个角部。并且，预先决定最先选择的基准数据50的币种。
并且，首先对所述比较用纸币图像数据60和辞典数据70(最先预先决定的币种的辞典数据70)进行整个图像的模式匹配(步骤S14)，然后，对两个数据进行横向线图像的模式匹配(步骤S15)。再接着，对两个数据进行纵向线图像的模式匹配(步骤S16)，最后对两个数据进行斜向线图像的模式匹配(步骤S17)。这四种模式匹配的结果保存在存储器(未图示)中。
如上所述，对在某一个角部粘贴了纸片图像数据42的比较用纸币图像数据60进行了四种模式匹配后，判别是否对某一个币种的所有比较用纸币图像数据60进行了这四种模式匹配(步骤S18)，如果未进行，选择应该粘贴所述纸片图像数据42的基准数据50(现在选择中的币种的基准数据50)的下一个角部(步骤S19)，返回步骤S13。在步骤S13以后，对在所述基准数据50的此次选择的角部粘贴了纸片图像数据42的比较用纸币图像数据60，进行上述的模式匹配处理。
这样，对某一个币种，对所有比较用纸币图像数据60(在基准数据50的每个角部粘贴了纸片图像数据42的各个图像数据60)进行该辞典数据70和比较用纸币图像数据60的模式匹配。并且，如果与所有比较用纸币图像数据的模式匹配结束，判别与所有币种的辞典数据70的模式匹配是否结束(步骤S20)，如果未结束，选择下一个应该进行模式匹配的币种的辞典数据70(步骤S21)，返回步骤S13。在步骤S13，使用新选择的币种的基准数据50，生成该币种的比较用纸币图像数据60。
这样，对所有币种进行比较用纸币图像数据60(数量与应该粘贴纸片图像数据42的角部数量相同的比较用纸币图像数据60)和辞典数据70的模式匹配。并且，在该模式匹配结束时，把类似度最高的币种推测为纸片的币种，把该推测结果保存在存储部21中(步骤S22)。在步骤S22，除纸片的币种外，也可以保存该纸片的在纸币上的位置信息(角部位置)。该纸片的位置信息的获取可以通过把在步骤S19选择的最新角部信息保存在存储器(未图示)等中进行。
可是，作为上述模式匹配的方法，可以采用使用图案间最小距离的方法等公知方法。
另外，在图3的纸片的币种识别处理中进行下述四种模式匹配，(1)整个图像的模式匹配(2)横向线图像的模式匹配(3)纵向线图像的模式匹配(4)斜向线图像的模式匹配把在这些模式匹配中获得的最佳类似度(或最小距离)作为币种识别用的指标，但也可以仅选择上述(1)～(4)中任意一个、或从(1)～(4)中选择1～3种模式匹配的组合，来识别纸片的币种。
图4是说明图3的步骤S11的浓度校正处理的详细内容的流程图。
首先，计算纸片图像数据41的纸片的白色边缘部的面积S(步骤S31)，然后计算该白色边缘部的透射光加法值A(步骤S32)。
然后，计算白色缘部的每单位面积的透射光加法值B(＝A/S)(步骤S33)，然后计算用于把B设为80H(H表示16进制值的记号)的计算数字C(＝80H/B)(步骤S34)。并且，将纸片图像数据41的所有像素乘以C，对纸片图像数据41进行浓度校正(步骤S35)。
图5是表示辞典数据70的数据结构的图。
如该图(a)所示，辞典数据70是纵L列、横N行，由L×N个的像素71构成。如该图(b)所示，像素71为16比特结构，在高位8比特保存灰度平均值(浓度平均值)，在低位8比特保存标准偏差σ。该标准偏差σ是从用于生成辞典数据70的取样数据得到的像素71的灰度值的标准偏差。
图6是表示比较用纸币图像数据60的数据结构的图。
如该图(a)所示，比较用纸币图像数据60和辞典数据70相同也是纵L列、横N行，由L×N个的像素61构成。如该图(b)所示，像素61为8比特结构，在该8比特保存灰度值(浓度值)。
在本实施方式中，如图7的示意图所示，在比较用纸币图像数据60和辞典数据70的模式匹配中，对同一位置的各个像素，利用下述公式(1)计算它们之间的欧几里得距离dij。
dij=Pij-Pij′σ----(1)]]>其中，Pij比较用纸币图像数据60的像素的灰度值P’ij辞典数据70的像素的灰度值下面，说明图3的步骤S14的整个模式匹配处理。
图8是上述整个图像模式匹配的方法的示意概念图。
在该图中，如右方向的箭头所示，从第1行到第N行依次利用上述公式(1)求出欧几里得距离dij，求出利用下述公式(2)表示的所有像素的欧几里得距离Dall。
Dall=Σj=1LΣi=1NPij-Pij′σ----(2)]]>图9是详细说明图3的步骤S14的整个图像模式匹配处理的流程图。在该图中，i和j分别是表示像素的列序号、行序号的变量。并且，DEA是用于求出整个图像模式匹配中的欧几里得距离的变量。
首先，把1代入变量i、j。并且，把0代入变量DEA(步骤S41)。
然后，利用公式(1)计算欧几里得距离dij(步骤S42)，将变量DEA与该欧几里得距离dij相加(步骤S43)。然后，判别i是否等于L(步骤S44)，如果不等，将i的值加1(步骤S45)，返回步骤S42。
如上所述，反复执行步骤S42～S45的处理，直到在步骤S44判别为等于L，求出i行的所有像素的欧几里得距离的总和。
并且，在步骤S44判别为i＝L时，然后判别是否j＝N(步骤S46)。如果不是j＝N，将j的值加1(步骤S47)，返回步骤S42。这样，反复执行步骤S42～S47的处理直到j等于N，求出图像中的所有像素的欧几里得距离的总和。该总和被保存到DEA中。并且，在步骤S46，在判别为j等于N时结束处理。
图10是表示图3的步骤S15的横向线图像的模式匹配处理的示意概念图。
如该图所示，在该模式匹配处理中，选择比较用图像数据60的任意行x，扫描该行的所有像素，求出与该扫描线81中的所有像素与辞典数据70的像素的欧几里得距离dij的总和。但是，行x必须是含有纸片图像数据42的像素的行，最好是纸片图像数据42的像素数最大的行x。
图11是详细说明图3的步骤S15的横向线图像的模式匹配处理的流程图。另外，在该图中，变量i、j分别是设定像素的列序号、行序号的变量。并且，DEY是求出所选择的行y的所有像素的欧几里得距离的总和的变量。
首先，把i初始设定为1，把所选择的行序号y设定为j。并且，把DEY初始设定为0(步骤S51)。并且根据上述公式(1)，计算欧几里得距离dij(步骤S52)，将该欧几里得距离dij与变量DEY相加(步骤S53)。
然后，判别i是否等于L(步骤S54)，如果不等，将i的值加1(步骤S55)，返回步骤S52。
这样，反复执行步骤S52～S54的处理直到i的值等于L，求出所选择的行y中的所有像素的欧几里得距离的总和。把该总和保存到变量DEY中。并且，在步骤S54判别为i等于L时结束处理。
图12是表示图3的步骤S16的纵向线图像的模式匹配处理的示意概念图。
在该纵向线图像的模式匹配处理中，选择比较用图像数据60的任意列x，扫描该列x的所有像素，求出该扫描线91中的所有像素的欧几里得距离的总和。但是，该情况时，选择的列x是含有纸片图像数据42的像素的列，最好选择像素数最大的列x。
图13是详细说明图3的步骤S16的纵向线图像的模式匹配处理的流程图。在该图中，i、j分别是设定像素的列序号、行序号的变量。
首先，将所选择的列序号x设定为变量i，把变量j初始设定为1。并且，把用于求出该所选择的列x的所有像素的欧几里得距离的总和的变量DET初始设定为0(步骤S61)。
接下来，根据上述公式(1)，计算欧几里得距离dij(步骤S62)，将该欧几里得距离dij与变量DET相加(步骤S63)。然后，判别j是否等于N(步骤S64)，如果不等，将j的值加1(步骤S65)，返回步骤S62。
这样，反复执行步骤S62～S65的处理直到j的值等于N，求出所选择的列x中的所有像素的欧几里得距离的总和。将该总和保存到变量DET中。并且，在步骤S64判别为j等于N时结束处理。
图14和图15是表示图3的步骤S17的斜向线图像的模式匹配处理的示意概念图。
图14表示选择任意序号x的列，从该所选择的列以规定角度(例如45度)在向左倾斜的方向扫描像素，求出该扫描的斜线的所有像素的欧几里得距离的总和的左斜向线图像的模式匹配处理。在该图中，表示选择比较用纸币图像数据60的序号x1的列时和选择序号x2时的各自的扫描线101、102。在该方法中，最好选择在扫描线上纸片图像数据42的像素数最大的列序号。
另一方面，图15是使扫描方向为向右倾斜的方向时的斜向线图像的模式匹配处理的示意概念图。
该图表示把最先扫描的像素的列序号设为x3时和设为x4时的各自的扫描线111、112。在该右斜方向的斜向线图像的模式匹配中，最好最先选择应扫描像素的列，以使扫描纸片图像数据42的像素数量最多的行为扫描线。
图16是详细说明图14所示左斜方向的倾斜图像线的模式匹配处理的图。在该图中，变量i、j分别是设定像素的列序号、行序号的变量。并且，DENR是用于求出左斜方向的扫描线的所有像素的欧几里得距离的总和的变量。
首先，将最先扫描的像素的列序号设定为变量i，将最先扫描的像素的行序号1设定为变量j。并且，把变量DENR初始设定为0(步骤S71)。
然后，运算上述公式(1)，求出欧几里得距离dij(步骤S72)，将该欧几里得距离dij与变量DENR相加(步骤S73)。并且，判别是否i＝1或j＝N(步骤S74)，如果i、j均不满足该等式，将i的值减1(步骤S75)，将j的值加1(步骤S75)，返回步骤S72。
这样，反复执行步骤S72～S76的处理，直到在步骤S74判断为i＝1或j＝N成立，求出从第1行的列x的像素开始扫描的右斜方向的线图像的所有像素的欧几里得距离的总和，把该总和保存到变量DENR中。在步骤S74判断为i＝1或j＝N时结束处理。
图17是详细说明图15所示左斜方向的线图像的模式匹配处理的流程图。
首先，分别将最先的扫描像素的行序号(＝x)、列序号(＝1)设定为变量i、j。并且，把用于求出左斜方向的扫描线图像的所有像素的欧几里得距离的总和的变量DENL初始设定为0(步骤S81)。
然后，使用上述公式(1)，求出欧几里得距离dij(步骤S82)，将该欧几里得距离dij与变量DENL相加(步骤S83)。并且，判别是否i＝L或j＝N(步骤S84)，如果两个等式均不成立，将i加1(步骤S85)，将j减1(步骤S86)，返回步骤S82。
这样，反复执行步骤S82～S86的处理，直到在步骤S84判断为i＝L或j＝N的任一个成立，求出所选择的左斜方向的线图像的所有像素的欧几里得距离的总和，把其值保存到变量DENL中。并且，在步骤S84判断为i＝L或j＝N的任一个成立时结束处理。
另外，在第1实施方式中，作为比较用纸币图像数据60的一部分数据，对1条纵向线、1条横向线或1条斜线的数据进行模式匹配，但也可以不是1条线而是多条线。并且，在本发明的模式匹配中使用的比较用纸币图像数据60的部分数据不限于线，如果是包括比较用纸币图像数据60的纸片图像数据42的部分数据，也可以是线以外的其他形状。
(第2实施方式)图18是表示本发明的第2实施方式的纸片鉴别装置200的系统结构的方框图。在该图中，对和图1所示第1实施方式的纸片鉴别装置10的构成要素相同的构成要素赋予相同符号，并省略这些构成要素的说明。
纸片鉴别装置200与纸片鉴别装置10的在结构上的差异是用图像处理部17A、基准数据部19和神经运算部201，代替辞典比较部18、基准数据部19和辞典数据部20的纸片鉴别功能。并且，中央处理部11A分析神经运算部201的输出，鉴别纸片的币种，并控制图像处理部17A。
图像处理部17A如前面所述对纸片图像数据42实施规范化和浓度校正后，与辞典比较部18相同，根据该纸片图像数据42和保存在基准数据部19的各币种的基准数据50，生成各币种的比较用纸币图像数据60。并且，对该比较用纸币图像数据60实施缩小处理，把由此得到的缩小图像的所有像素或部分像素输出给神经运算部201。
神经运算部201是神经网络，把在图像处理部17A生成的所述缩小图像作为输入图案输入，把纸片的币种及其方向(在原纸币上的位置)作为输出图案输出。
另外，在该第2实施方式中，神经运算部201利用缩小图像进行神经运算，但未必一定是缩小图像。作为输入图案是否使用缩小图像，可以根据神经运算部201的规模及其运算处理时间等适当决定。
图19是表示神经运算部201的结构图。
神经运算部201是由输入层211、中间层212和输出层213构成的前馈结合型神经网络，把误差逆传播学习作为学习算法。
从图像处理部17A向输入层211输入输入信号I1、I2、…、Ip，作为输入图案。这些输入信号Ii是所述缩小图案的像素的灰度值(浓度)。输入层211由S1、S2、…、Sp的p个组件(神经)构成，向组件Si(i＝1、2、…、p)输入输入信号Ii。
中间层212由A1、A2、…、Am的m个组件构成。各组件Aj(J＝1、2、…、m)与输入层211的所有组件Si(i＝1、2、…、n)结合。
输出层213由R1、R2、…、Rq的q个组件构成，各组件Rk(k＝1、2、…、q)与中间层212的所有组件Aj结合。组件Rk输出输出信号Ok。该输出信号Ok是0或1的2值信号，在q个组件Rk中只有任意的一个组件输出1的输出信号，其他组件输出0。
q个各组件Rk分别对应某特定的币种和纸片的位置(方向)，输出与输入到输入层211的输入图案I(I1、I2、…、Ip)对应的输出信号Ok。
图20是表示中间层212的组件Aj和输出层213的组件Rk双方的模型例的图。
该图表示的组件220(组件j)是来自前段的层的各组件i的输出作为输入xi被供给的准线形元件模型，具有阈值θj。其中，组件220(组件j)的内部状态uj按下述公式(3)计算，uj=Σiwijxi+θi----(3)]]>wij组件i和组件j之间的结合的权重组件220的输出是以该值uj作为变量的函数f(uj)，例如作为西格莫奈德(シグモナイド)函数表示为下述公式(4)。
f(uj)=11+exp(-uj/T)----(4)]]>其中，T是被称为温度的参数。
图21是说明从图像处理部17A输出给神经运算部201的输入图案的图。
该图右侧所示的图像数据是图像处理部17A生成的比较用纸币图像数据301，其尺寸为76线×160像素。图像处理部17A将该比较用纸币图像数据301缩小，按照该图左侧所示生成10线×22像素的缩小图像数据302。
该缩小图像数据302的1个像素作为1个输入信号被输入神经运算部201。神经运算部201通过神经运算进行(1)整个图像图案识别、(2)横向线图像图案识别、(3)纵向线图像图案识别和(4)斜向线图像图案识别这四种图案识别处理。图像处理部17A向神经运算部201输出上述(1)～(4)的各图案识别所必需的输入信号(输入图案)。
在第2实施方式中，根据上述(1)～(4)的图案识别(模式匹配)，神经运算部201的神经网络201的结构变化如下。
(1)整个图像图案识别输入信号I1～I220
输入层211的组件数220中间层212的组件数10输出层213的组件数64输出信号O1～O64(2)横向线图像图案识别输入信号I1～I22输入层211的组件数22中间层212的组件数2输出层213的组件数64输出信号O1～O64(3)纵向线图像图案识别输入信号I1～I10输入层211的组件数10中间层212的组件数3输出层213的组件数64输出信号O1～O64(4)(右斜方向或左斜方向)斜向线图像图案识别输入信号(I1～I2)、(I1～I3)、…、或(I1～I10)输入层211的组件数2～10中间层212的组件数2输出层213的组件数64输出信号O1～O64如前面所述，输入层211的组件数等于来自图像处理部17A的输入信号Ii的数(像素数)。并且，在本实施方式中，像素的灰度值(浓度)是8比特，所以各输入信号Ii值的范围用16进制表示为OOH～FFH。
并且，在本实施方式中，以纸片的币种为16种、纸片的位置(原来纸币上的位置)为4个方向(以角部为基准，纸币的左上角、右上角、左下角、右下角)为前提，所以根据纸片的币种和位置(方向)的组合，可以识别46种。这46种的识别分别对应输出层213的各输出信号Ok(k＝1～64)，对应所识别的(纸片的币种、纸片的位置(方向))的输出信号Ok为1。
图22～图26是说明上述(1)～(4)的各图案识别的输入信号的图。
在进行整个图像图案识别时，如图22所示，将缩小图像数据302的所有像素的灰度值(浓度)作为输入信号I1～I220输入神经网络201。并且，在进行横向线图像识别时，如图23所示，将缩小图像数据302的任意列(斜线部分)的所有像素的灰度值(浓度)作为输入信号I1～I22输入神经网络201。另外，在进行纵向线图像图案识别时，如图24所示，将缩小图像数据302的任意行(斜线部分)的所有像素的灰度值(浓度)作为输入信号I1～I10输入神经网络201。
在斜向线图像图案识别中，在进行左斜向线图像图案识别时，如图25所示，将从缩小图像数据302的第1行的任意列(网点部分)的像素开始的、具有2个～10个的像素的左斜线的各像素的灰度值(浓度)作为输入信号I1～I2、…、输入信号I1～I10输入神经网络201。并且，在进行右斜向线图像图案识别时，如图26所示，将从缩小图像数据302的第1行的任意列的像素(网点部分)开始的、具有2个～10个像素的像素的各像素的灰度值(浓度)作为输入信号I1～I2到输入信号I1～I10输入神经网络201。
图27是说明在整个图像的图案识别中鉴别纸片的币种的纸片鉴别装置200的动作的流程图。另外，在该图中，对进行和图3的流程图的步骤相同的处理的步骤赋予相同步骤序号。
图像处理部17A对从图像存储部18读出的纸片图像数据实施浓度校正处理(步骤S11)，再对该纸片图像数据42进行倾斜校正使其规范化(步骤S12)。图像处理部17A然后把纸片图像数据42粘贴在最先选择的币种的辞典数据70上的最先选择的角部，生成比较用纸币图像数据301(步骤S13)。预先确定该最先选择的币种和角部(位置)。
然后，图像处理部17A生成所述比较用纸币图像数据301的缩小图像数据302(步骤S104)，向神经运算部201输出该整个图像数据(所有像素)(步骤S105)。
神经运算部201把该整个图像数据作为输入图案输入，进行神经运算，输出与该输入图案对应的输出图案(步骤S106)。
中央处理部11A输入该神经运算部201的输出图案，判别是否已通过神经运算部201推测出币种(步骤S107)。并且，如果未推测出币种，判别对当前选择中的币种的基准数据50的所有角部的纸片图像数据42的粘贴是否已结束(步骤S108)，在角部的粘贴没有全部结束时，返回步骤S13。
另一方面，在步骤S107，如果中央处理部11判别为已推测出币种，把该币种保存到存储部21中(步骤S111)，结束处理。
这样，在基准数据50上的各角部依次粘贴纸片图像数据42，同时生成比较用纸币图像数据301，通过神经运算部201对该缩小图像数据302进行币种的推测。并且，在步骤S108，当判别为利用神经运算部201对向当前选择的币种的基准数据50上的所有角部粘贴纸片图像数据42时的比较用纸币图像数据301进行的币种推测已结束时，接着判别利用神经运算部201对所有币种的比较用纸币图像数据301的缩小图像数据302进行的币种推测是否已结束(步骤S109)。并且，在判别为对所有币种的比较用纸币图像数据301的缩小图像数据302的币种推测没有结束时，选择下一个币种(步骤S110)，返回步骤S13。
这样，对各币种生成所有角部的比较用纸币图像数据60，对这些各个缩小图像数据302，通过利用神经运算部201的整个图像图案识别进行币种的推测，鉴别纸片的币种和方向，把该鉴别结果保存到存储部21中。并且，在没有对所有币种的所有角部的比较用纸币图像数据60通过神经运算部201推测币种时，在步骤S109判别神经运算部201对所有币种的币种推测已结束，结束处理。
图28是说明在横向线图像的图案识别中鉴别纸片的币种的纸片鉴别装置200的动作的流程图。在该图中，对进行和图27的步骤相同的处理的步骤赋予相同步骤序号，并省略这些步骤的说明。
在横向线图像的神经运算的图案识别中，图像处理部17A生成缩小图像数据302(步骤S104)，向神经运算部201输出该缩小图像数据302的任意横向线(包括纸片图像数据42的线)的图像数据(步骤S125)。
神经运算部201把该横向线图像数据作为输入图案输入，向中央处理部11输出对应该输入图案的输出图案(步骤S126)。中央处理部11分析该输出图案，由此鉴别纸片的币种和方向。上述以外的处理和图27的整个图像的图案识别相同。
图29是说明在纵向线图像的图案识别中鉴别纸片的币种的纸片鉴别装置200的动作的流程图。在该图中，对进行和图28的步骤相同的处理的步骤赋予相同步骤序号，并省略这些步骤的说明。
图像处理部17A生成缩小图像数据302(步骤S104)，向神经运算部201输出该缩小图像数据302的任意纵向线(包括缩小图像数据302的线)的图像数据(步骤S135)。神经运算部201把该纵向线图像数据作为输入图案输入，向中央处理部11输出对应该输入图案的输出图案(步骤S136)。中央处理部11分析该输出图案，判断是否已推测纸片的币种和方向，如果已进行这些推测，把所推测的纸币的币种和方向保存到存储部21中。
图30是说明通过斜向线图像(左斜向线图像或右斜向线图像)的图案识别鉴别纸片的币种的纸片鉴别装置200的动作的流程图。在该图中，对进行和图27的步骤相同的处理的步骤赋予相同步骤序号，并省略这些步骤的说明。
图像处理部17A生成缩小图像数据302(步骤S104)，向神经运算部201输出该缩小图像数据302的任意斜向线(包括纸片图像数据42的线)的图像数据(步骤S145)。神经运算部201把该斜向线图像数据作为输入图案输入，向中央处理部11输出对应该输入图案的输出图案(步骤S146)。中央处理部11分析该输出图案，鉴别纸片的币种和方向。
另外，在上述第2实施方式中，在把缩小图像数据302的一部分数据作为输入图案时，把1条纵向线、1条横向线或1条斜向线的图像数据用作输入图案，但本发明不限于这些方式，例如，也可以把纵方向、横方向或斜方向的多条线作为输入图案。并且，用作输入图案的缩小图像数据302的部分数据不必是线形状，如果是包括纸片图像数据42的数据，可以是任何形状。
并且，也可以进行第1实施方式的利用辞典比较部18的币种推测和第2实施方式的利用神经运算部201的币种推测这两种处理，构筑提高币种推测的准确度的系统。
如上所述，根据本发明，把纸片的图像数据粘贴在各币种的基准数据(真币的图像数据)上，生成每种币种的比较用纸币图像数据，并将该比较用纸币图像数据与对应币种的辞典数据进行模式匹配，由此可以识别纸片的币种。
并且，本发明不必变更已有装置的硬件，仅变更软件即可应对，所以导入成本低。并且，在安装于在近年来增加的无人店铺中运转或用于24小时运营的纸币处理装置的情况下，即使产生纸币在装置内部缺失的情况，也总能够根据纸片确定纸币残值，其利用价值极大。
本发明可以适用于进行纸币的存取的ATM或CD(Cash Dispenser现金分配器)、自动售货机、车站的售票机等今后伴随节约人力可能会急剧增加的处理纸币的进出款的所有无人设备，所以使用需求非常大。
权利要求
1.一种纸片鉴别装置，其特征在于，具有基准数据存储单元，至少保存一个币种的作为真币纸币的图像数据的基准数据；辞典数据存储单元，仅保存与所述基准数据相同的币种数量的真币纸币鉴别用辞典数据；传感器单元，获取作为纸张类的切片即纸片的图像数据；辞典比较单元，把由该传感器单元获得的纸片图像数据与保存在所述基准数据存储单元的各币种的基准数据合成，生成各币种的比较用纸币图像数据，把该比较用纸币图像数据与保存在所述辞典数据存储单元的同一币种的辞典数据进行模式匹配，由此鉴别所述纸片的币种。
2.根据权利要求1所述的纸片鉴别装置，其特征在于，所述辞典比较单元对所述比较用纸币图像数据与所述辞典数据进行整个图像的模式匹配。
3.根据权利要求1所述的纸片鉴别装置，其特征在于，所述辞典比较单元对所述比较用纸币图像数据与所述辞典数据的一部分进行模式匹配。
4.根据权利要求3所述的纸片鉴别装置，其特征在于，所述辞典比较单元关于横向线进行所述比较用纸币图像数据与所述辞典数据的模式匹配。
5.根据权利要求3所述的纸片鉴别装置，其特征在于，所述辞典比较单元关于纵向线进行所述比较用纸币图像数据与所述辞典数据的模式匹配。
6.根据权利要求3所述的纸片鉴别装置，其特征在于，所述辞典比较单元关于斜向线进行所述比较用纸币图像数据与所述辞典数据的模式匹配。
7.根据权利要求1所述的纸片鉴别装置，其特征在于，所述辞典比较单元对所述比较用纸币图像数据与所述辞典数据依次实施整个图像的模式匹配、横向线的模式匹配、纵向线的模式匹配和斜向线的模式匹配，根据这些模式匹配的结果鉴别所述纸片的币种。
8.根据权利要求1所述的纸片鉴别装置，其特征在于，所述辞典比较单元把所述纸片图像数据粘贴在所述基准数据的角部，由此生成至少一个比较用纸币图像数据。
9.根据权利要求1所述的纸片鉴别装置，其特征在于，所述辞典比较单元生成所述比较用纸币图像数据时，根据所述比较用纸币图像数据的形状，决定把所述纸片图像数据粘贴在所述基准数据上的位置。
10.根据权利要求1所述的纸片鉴别装置，其特征在于，所述辞典比较单元除纸片的币种外，还鉴别纸片在纸币上的位置。
11.一种纸片鉴别装置，其特征在于，具有基准数据存储单元，至少保存一个币种的作为真币纸币的图像数据的基准数据；传感器单元，获取作为纸张类的切片的纸片的图像数据；图像处理单元，把由该传感器单元获得的纸片图像数据与保存在所述基准数据存储单元的各币种的基准数据合成，生成各币种的比较用纸币图像数据；神经运算单元，把该比较用纸币图像数据作为输入图案输入，对该输入图案实施神经运算，输出表示所述纸片的币种的输出图案。
12.根据权利要求11所述的纸片鉴别装置，其特征在于，所述输入图案是所述比较用纸币图像数据的一部分。
13.根据权利要求12所述的纸片鉴别装置，其特征在于，所述输入图案是所述比较用纸币图像数据的纵向线图像数据。
14.根据权利要求12所述的纸片鉴别装置，其特征在于，所述输入图案是所述比较用纸币图像数据的横向线图像数据。
15.根据权利要求12所述的纸片鉴别装置，其特征在于，所述输入图案是所述比较用纸币图像数据的斜向线图像数据。
16.根据权利要求11所述的纸片鉴别装置，其特征在于，所述神经运算单元除所述纸片的币种外，也把与所述纸片在纸币上的位置相关的信息作为输出图案输出。
17.一种纸片鉴别方法，其特征在于，将至少一个币种的作为真币纸币的图像数据的基准数据保存在第1存储单元；仅将与所述基准数据相同的币种数量的真币纸币鉴别用的辞典数据保存在第2存储单元；获取作为纸张类的切片的纸片的图像数据；把该所获得的纸片图像数据与保存在所述第1基准数据存储单元的各币种的基准数据合成，生成各币种的比较用纸币图像数据，把该比较用纸币图像数据与保存在所述第2存储单元的同一币种的辞典数据进行模式匹配，由此来鉴别所述纸片的币种。
18.一种纸片鉴别方法，其特征在于，将至少一个币种的作为真币纸币的图像数据的基准数据保存到第1存储单元；仅将与所述基准数据相同的币种数量的真币纸币鉴别用的辞典数据保存到第2存储单元；获取作为纸张类的切片的纸片的图像数据，把该所获得的纸片图像数据与保存在所述第1基准数据存储单元的各币种的基准数据合成，生成各币种的比较用纸币图像数据，把该比较用纸币图像数据与保存在所述第2存储单元的同一币种的辞典数据进行模式匹配，由此鉴别所述纸片的币种。
19.一种程序，使计算机执行下述步骤将至少一个币种的作为真币纸币的图像数据的基准数据保存到第1存储单元的步骤；仅将与所述基准数据相同的币种数量的真币纸币鉴别用的辞典数据保存到第2存储单元的步骤；获取作为纸张类的切片的纸片的图像数据的步骤；把该所获得的纸片图像数据与保存在所述第1基准数据存储单元的各币种的基准数据合成，生成各币种的比较用纸币图像数据的步骤；把该比较用纸币图像数据与保存在所述第2存储单元的同一币种的辞典数据进行模式匹配，由此来鉴别所述纸片的币种的步骤。
20.一种程序，其特征在于，使计算机执行下述步骤将至少一个币种的作为真币纸币的图像数据的基准数据保存到第1存储单元的步骤；仅将与所述基准数据相同的币种数量的真币纸币鉴别用的辞典数据保存到第2存储单元的步骤；获取作为纸张类的切片的纸片的图像数据的步骤；把该所获得的纸片图像数据与保存在所述第1基准数据存储单元的各币种的基准数据合成，生成各币种的比较用纸币图像数据，把该比较用纸币图像数据与保存在所述第2存储单元的同一币种的辞典数据进行模式匹配，由此鉴别所述纸片的币种的步骤。
全文摘要
本发明提供一种纸片鉴别装置、纸片鉴别方法及程序。图像处理部(17)对通过光传感器部(13)获得的纸片图像数据实施倾斜校正和浓度校正。辞典比较部(18)根据由图像处理部(17)生成的纸片图像数据和保存在基准数据部(19)的各币种的基准数据，生成各币种的比较用纸币图像数据。并且，对所有币种进行把该比较用纸币图像数据与保存在辞典数据部(20)的同一币种的辞典数据进行模式匹配的处理，把图案间距离最小的币种视为纸片的币种。并且，把该鉴别结果保存到存储部(21)中。
文档编号G07D7/00GK1653492SQ0282952
公开日2005年8月10日 申请日期2002年8月30日 优先权日2002年8月30日
发明者向井昌宪 申请人:富士通株式会社, 富士通先端科技株式会社