基于模板特征点及其拓扑结构的多币种面值识别方法
【专利摘要】本申请公开了基于模板特征点及其拓扑结构的多币种面值识别方法，包括：1、提取待识别纸币图像的特征点，记录特征点的位置及其特征描述；2、将待识别纸币图像的特征点与各个模板的基准点分别进行第一比对匹配，选取与一个或多个模板的基准点之间的匹配结果满足第一匹配条件的特征点，作为待识别纸币图像的基准点；3、以待识别纸币图像的基准点作为基准，生成其它特征点的拓扑结构信息；4、将待识别纸币图像的其它特征点的特征描述及其拓扑结构信息与一个或多个模板的特征点的特征描述及其拓扑结构信息进行第二比对匹配；5、选取与待识别纸币图像的比对匹配结果满足判别条件的模板所代表的币种及面值，作为待识别纸币图像的面值识别结果。
【专利说明】基于模板特征点及其拓扑结构的多币种面值识别方法
【技术领域】
[0001] 本发明属于图像模式识别【技术领域】，涉及一种基于模板特征点及其拓扑结构的多 币种面值识别方法。
【背景技术】
[0002] 多币种面值识别方法的研宄在智能化纸币处理设备中具有重要的实用价值，国内 外已有相关的研宄成果和产品问世。图像传感器采集的纸币图像，不同币种、不同面值的图 像具有不同的特征模式，早期的纸币面值识别方法，多以神经网络为主[1];近几年又有使 用纹理特征进行纸币面值识别的方法被提出[2]。在已发表的面值识别方法中，纹理特征最 具区分度，因此提取图像纹理特征来表征不同币种和不同面值的纸币是比较有效的方法。
[0003] 现有技术一的技术方案
[0004] 采用神经网络的方法进行纸币识别，有比较多的相关文献发表。该类方法首先是 学习过程，使用大量训练样本对网络进行训练，根据学习规则不断对连接权值进行调节，最 后使网络具有某种期望的输出，即将训练样本正确地分类到所属类别中去，此时可以认为 网络学习得到了输入数据和样本之间的内在规律；接下来是分类过程，对任一送入网络的 样本进行分类[1]。
[0005] 现有技术二的技术方案
[0006] 基于纹理特征和SVM分类器进行纸币面值识别是目前比较有效的一类方法，文献 [2]分别介绍了基于梯度方向直方图（Histogram of Gradient，HOG)特征和分块方向直方 图（Orientation Histogram Vector，0HV)特征，并使用SVM分类器和模板匹配方法进行纸 币面值识别的方法。
[0007] 现有技术一的缺点
[0008] 虽然已有诸多基于神经网络的纸币面值识别方法发表，但由于纸币识别算法需要 在计算能力较弱的嵌入式设备上运行，这就限定了相关算法只能使用较简单的神经网络， 而这类网络最大的弱点是泛化性能不好，因而也难以满足实际使用中对识别准确率极高的 需求。
[0009] 现有技术二的缺点
[0010] 尽管纸币图像纹理对不同面值模式具有较好的区分度，但提取特征时，文献[2] 所代表的基于纹理特征的纸币识别方法，皆需要将图像按等间隔划分成确定数目的块，并 以块为单位进行特征提取；而纸币实体在切割时会有偏移、纸币图像采集时会存在平移误 差，这些因素无疑会降低块特征的准确性，进而降低纸币面值识别准确率。
【发明内容】
[0011] 在多币种纸币面值识别任务中，由于待识别的模式比较多，且因纸币流通过程中 的磨损，以及硬件采集图像的不稳定性，使得多数纸币面值识别方法的准确率不能满足高 的指标实际需求。有鉴于此，本申请提出了一种基于Harris角点及其拓扑结构的多币种面 值识别方法，旨在解决多币种识别系统的准确率问题。
[0012] 根据本发明的实施例，提供了一种基于模板特征点及其拓扑结构的多币种面值 识别方法，其中，所述模板特征点是在识别之前生成的多币种多面值模板所对应的图像的 特征点，其中的一个或多个特征点作为模板的基准点，针对每币种每面值，分别生成所述模 板，在所述模板中记录每币种每面值的特征点和基准点的位置、特征描述、及其拓扑结构信 息，所述拓扑结构信息反映每个特征点相对于基准点的位置关系，所述方法包括以下步骤： 步骤1、提取待识别纸币图像的特征点，记录特征点的位置及其特征描述；步骤2、将待识别 纸币图像的特征点与各个模板的基准点分别进行第一比对匹配，选取与一个或多个模板的 基准点之间的匹配结果满足第一匹配条件的特征点，作为待识别纸币图像的基准点；步骤 3、以待识别纸币图像的基准点作为基准，生成其它特征点的拓扑结构信息；步骤4、将待识 别纸币图像的所述其它特征点的特征描述及其拓扑结构信息与所述一个或多个模板的特 征点的特征描述及其拓扑结构信息进行第二比对匹配；步骤5、选取与待识别纸币图像的 比对匹配结果满足判别条件的模板所代表的币种及面值，作为待识别纸币图像的面值识别 结果。
[0013] 本发明的有益效果主要在于：本发明所提出的方法能够以99. 99%以上的准确率 识别不同币种的面值，并具有较高的处理速度，更为重要的是，该方法对于纸币中的破损、 折痕、污迹等噪声干扰具有很好的鲁棒性。
【专利附图】
【附图说明】
[0014] 图1是根据本发明的实施例的基于模板特征点及其拓扑结构的多币种面值识别 方法的总体流程示意图；
[0015] 图2和3是根据本发明的实施例的类Haar特征提取模板的示意图；
[0016] 图4是根据本发明的实施例的面值模板生成过程的示意图；
[0017] 图5是根据本发明的实施例的面值模板的拓扑结构示意图；
[0018] 图6是根据本发明的实施例的模板匹配过程的示意图；
【具体实施方式】
[0019] 下面，结合附图对技术方案的实施作进一步的详细描述。
[0020] 本领域的技术人员能够理解，尽管以下的说明涉及到有关本发明的实施例的很多 技术细节，但这仅为用来说明本发明的原理的示例、而不意味着任何限制。本发明能够适用 于不同于以下例举的技术细节之外的场合，只要它们不背离本发明的原理和精神即可。
[0021] 另外，为了避免使本说明书的描述限于冗繁，在本说明书中的描述中，可能对可在 现有技术资料中获得的部分技术细节进行了省略、简化、变通等处理，这对于本领域的技术 人员来说是可以理解的，并且这不会影响本说明书的公开充分性。
[0022] 下面，首先说明本发明的基本原理和总体构思。
[0023] 纸币图像面值识别，需要基于不同面值图像的不同模式区分纸币面值，所以选择 不同面值图像中最具区分度的区域（感兴趣区，region of interesting, ROI)及最具描述 力的特征是提高纸币面值识别准确率的关键。
[0024] 图像的局部特征描述是近年来模式识别领域中的先进技术之一，广泛应用于图像 检索、对象检测及分类等方面。本发明在解决多币种图像面值识别问题时，正是基于局部特 征点较强的描述能力，更创新性地将局部特征点之间的拓扑结构也引入到纸币模式的描述 中。
[0025] 基于局部特征点及其拓扑结构这一鲁棒的描述方法，发明人采用模板匹配的策略 进行不同面值图像的分类识别，以实现较高的处理速度。鉴于纸币面值识别需要较高的处 理速度，本发明并未处理整幅纸币图像，转而处理尺寸较小的不同面值的ROI子图像。
[0026] Harris角点[3]具有良好的稳定性，SURF特征[4]具有较好的局部纹理描述能力 和计算快速的特点。由此，在训练阶段，本方法提取ROI子图像Harris角点的SURF特征描 述不同面值的局部模式，以角点之间的拓扑结构描述不同面值纸币ROI的全局结构特征。 针对这些描述特征，统计得到不同面值模式的模板。其中，ROI区域的范围是根据先验规律 事先确定的，在识别阶段能够直接从待识别纸币图像中按指定位置和大小截取，作为输入 图像来识别面值。
[0027] 在进行纸币面值识别（识别阶段）时，提取待识别纸币的ROI的描述特征，将其与 在训练阶段得到的各个模板的描述特征进行比对，选出其中匹配程度最高的一个模板所代 表的面值，将其确定为待识别纸币的面值。
[0028] 图1是根据本发明的实施例的基于模板特征点及其拓扑结构的多币种面值识别 方法的总体流程示意图。
[0029] 如图1所示，该方法分为两个阶段：训练阶段和识别阶段（其中训练阶段只需进行 一次）。
[0030] 在训练阶段，基于训练样本数据（例如，每个币种每个面值纸币，各取200张，以此 生成该种纸币的模板）得到表示纸币图像不同面值模式的模板，其中每个模板包括多个特 征点（Harris角点）的位置及其特征，在每个模板中选取特定的特征点作为该模板的基准 点。
[0031] 在测试阶段，首先，提取待识别纸币图像的ROI的Harris角点（作为特征点）及 其特征，通过特征点的特征比对，选取该ROI的特征点之中的、与模板的基准点的特征最接 近的特征点，作为该测试样本（待识别纸币图像的R0I)的基准点，基于此基准点的坐标来 修正其它特征点的坐标信息，得到该测试样本的特征描述，将之与预存的不同面值模板的 特征数据比对，选取最匹配的模板所代表的币种及面值，作为该测试样本的面值识别结果。
[0032] 下面，具体说明根据本发明的实施例的基于模板特征点及其拓扑结构的多币种面 值识别方法的上述各个步骤的实现方式。
[0033] 1· Harris 角点提取
[0034] 角点经常出现在图像边缘的交界处、纹理性很强的部分，满足这些条件的像素一 般都是稳定的、重复性比较高的角点。Harris角点[3]是最典型的角点，所检测出的角点具 有较好的稳定性；可以在纸币图像的感兴趣区域中使用Harris角点检测算法检测到稳定 的特征点一 Harr i s角点。
[0035] 设I为截取的纸币感兴趣区图像（ROI)，I (X，y)为像素点（X，y)的像素值，图像 中的Harris角点是指在一定邻域内在两个方向上像素值皆有较大变化的像素点。考虑在 像素点（X，y)的mXn的局部邻域N内在任意两个方向上的像素值的变化（有关下面的公 式中的各个变量和符号的含义，还可参见参考文献[ 3]):
【权利要求】
1. 一种基于模板特征点及其拓扑结构的多币种面值识别方法，其中，所述模板特征点 是在识别之前生成的多币种多面值模板所对应的图像的特征点，其中的一个或多个特征点 作为模板的基准点，针对每币种每面值，分别生成所述模板，在所述模板中记录每币种每面 值的特征点和基准点的位置、特征描述、及其拓扑结构信息，所述拓扑结构信息反映每个特 征点相对于基准点的位置关系， 所述方法包括以下步骤： 步骤1、提取待识别纸币图像的特征点，记录特征点的位置及其特征描述； 步骤2、将待识别纸币图像的特征点与各个模板的基准点分别进行第一比对匹配，选取 与一个或多个模板的基准点之间的匹配结果满足第一匹配条件的特征点，作为待识别纸币 图像的基准点； 步骤3、以待识别纸币图像的基准点作为基准，生成其它特征点的拓扑结构信息； 步骤4、将待识别纸币图像的所述其它特征点的特征描述及其拓扑结构信息与所述一 个或多个模板的特征点的特征描述及其拓扑结构信息进行第二比对匹配； 步骤5、选取与待识别纸币图像的比对匹配结果满足判别条件的模板所代表的币种及 面值，作为待识别纸币图像的面值识别结果。
2. 根据权利要求1所述的基于模板特征点及其拓扑结构的多币种面值识别方法，其 中，所述多币种多面值模板所对应的图像为多币种多面值纸币的ROI区域图像，所述待识 别纸币图像为待识别纸币的ROI区域图像。
3. 根据权利要求1或2所述的基于模板特征点及其拓扑结构的多币种面值识别方法， 其中，所述特征点为Harris角点，所述特征描述为SURF特征描述Features，如下： Featutes= {x,y,dx,dy, |dx| ,Idy|} (7) 式中，（X，y)为特征点在的坐标位置，（dx，dy，|dx|，|dy|)为特征点的SURF特征。
4. 根据权利要求3所述的基于模板特征点及其拓扑结构的多币种面值识别方法，在所 述步骤2中，使用欧氏距离scorel来进行所述第一比对匹配，如下：
式中，Featuresl和Features2分别为待识别纸币图像及模板的特征点的特征描述，X^_ 分别为相应特征描述的第i维数据值，N为特征描述的维度。
5. 根据权利要求4所述的基于模板特征点及其拓扑结构的多币种面值识别方法，其 中，所述拓扑结构信息包括特征点与基准点之间的各个连线的线段长度、以及各连线之间 的夹角角度。
6. 根据权利要求5所述的基于模板特征点及其拓扑结构的多币种面值识别方法，在所 述步骤4中： 在进行所述第二比对匹配时，取模板中各特征点的相对坐标位置，在待识别纸币图像 中以此位置为中心的邻域内进行特征描述的比对匹配，如果存在与模板上的特征点的特征 描述的欧氏距离小于匹配阈值的特征点，则待识别纸币图像的该特征点与该模板匹配成 功， 当待识别纸币图像中存在3个或者更多的匹配成功的特征点时，将这些特征点和对应 的基准点构成的拓扑结构信息与模板的相应拓扑结构信息进行比对匹配，其采用的第二匹 配条件为： dl^Cllr,?2^?2',d3 ^d3r (9) a&α'，β&β' (10) 式中，dl、d2、d3为待识别纸币图像的拓扑结构的连线的线段长度，a、β为待识别纸 币图像的拓扑结构的各连线之间的夹角角度，dl'、d2'、d3'为模板的拓扑结构的连线的 线段长度，a'、β'为模板的拓扑结构的各连线之间的夹角角度。
7.根据权利要求6所述的基于模板特征点及其拓扑结构的多币种面值识别方法，所述 判别条件为以下条件：1)匹配特征点的欧氏距离平均值<欧氏距离阈值；2)匹配特征点数 目多匹配数目阈值；3)待识别纸币图像特征点的拓扑结构与模板的拓扑结构满足第二匹 配条件。
【文档编号】G07D7/20GK104464079SQ201410837446
【公开日】2015年3月25日 申请日期:2014年12月29日 优先权日:2014年12月29日
【发明者】赵衍运, 李澜博, 庄伯金, 赵志诚, 苏菲 申请人:北京邮电大学