一种纸币币值检测方法及装置与流程

本发明实施例涉及纸币处理领域，尤其涉及一种纸币币值检测方法及装置。

背景技术：

随着经济的繁荣发展，纸币的流通量越来越大，所以纸币币值的识别在验钞过程中是非常重要的步骤。

现有的纸币币值识别是靠灰度图中多个特征来区别的，有些灰度特征信息比较复杂，会有很高的计算量，容易导致识别出错率高。尤其是在图像采集环境恶劣时，采集的图像会出现很多噪声，会让特征变得更不明显。

技术实现要素：

本发明提供一种纸币币值检测方法及装置，以实现简便且准确地识别纸币币值。

为达到此目的，本发明实施例采用以下技术方案：

一种纸币币值检测方法，包括：

通过彩色传感器采集纸币的rgb图并将所述rgb图像转换成v分量图；

将所述v分量图等分后确定所述v分量图的特征向量；

根据所述v分量图的特征向量和神经网络参数确定所述纸币的币值。

进一步地，所述方法，在所述根据所述v分量图的特征向量和神经网络参数确定所述纸币的币值之前，还包括：

初始化神经网络参数；

将v分量图的特征向量归一化后输入到神经网络模型进行训练，得到输出结果；

根据所述输出结果修改所述神经网络参数并返回进行训练，直到所述神经网络参数稳定。

进一步地，上述方法中，通过彩色传感器采集纸币的rgb图并将所述rgb图像转换成v分量图包括：

按照如下公式计算v分量值：

v＝0.615*r-0.515*g-0.100*b；

其中，rgb分别为rgb图像中像素点的参数值。

进一步地，所述方法，所述将所述v分量图等分后确定所述v分量图的特征向量包括：

提取所述v分量图等分后所有子图的分块特征；

将所述所有子图的分块特征做为所述v分量图的特征向量。

进一步地，上述方法中，所述分块特征为每个子图的所有像素值累加后的均值。

相应地，本发明实施例还公开一种纸币币值检测装置，包括：

图像采集转换模块，用于通过彩色传感器采集纸币的rgb图并将所述rgb图像转换成v分量图；

特征向量确定模块，用于将v分量图的特征向量归一化作为所述神经网络模型的输入参数进行训练，得到输出结果；

纸币币值确定模块，用于根据所述v分量图的特征向量和神经网络参数确定所述纸币的币值。

进一步地，所述装置，还包括：

参数设定模块，用于在所述根据所述v分量图的特征向量和神经网络参数确定所述纸币的币值之前初始化神经网络参数；

结果输出模块，用于将v分量图的特征向量归一化后输入到神经网络模型进行训练，得到输出结果；

参数修正模块，用于根据所述输出结果修改所述神经网络参数并返回进行训练，直到所述神经网络参数稳定。

进一步地，上述装置中，所述图像转换模块具体用于：

按照如下公式计算v分量值：

v＝0.615*r-0.515*g-0.100*b；

其中，rgb分别为rgb图像中像素点的参数值。

进一步地，所述装置，所述特征向量确定模块包括：

分块特征提取单元，用于提取所述v分量图等分后所有子图的分块特征；

特征向量确定单元，用于将所述所有子图的分块特征做为所述v分量图的特征向量。

进一步地，上述装置中，所述分块特征为每个子图的所有像素值累加后的均值。

本发明实施例所提供的技术方案，在纸币币值检测识别应用中，通过纸币rgb图像转换成v分量图像来提取特征，利用特征的高差异性，可以非常简便地区分各种不同的币值。本发明实所提供的技术方案，优化了整个验钞流程，能够保证币值检测更加准确，简单。

附图说明

图1为本发明实施例一提供的一种纸币币值检测方法的流程示意图；

图2为本发明实施例二提供的一种神经网络参数确定方法的流程示意图；

图3为本发明实施例三提供的一种纸币币值检测装置的结构示意图。

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详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

实施例一

请参阅附图1，为本发明实施例一提供的一种纸币币值检测方法的流程示意图，该方法适用于验钞过程中纸币币值检测识别的场景，该方法由纸币币值检测装置来执行，该装置可以由软件和/或硬件实现，集成于验钞器或金融交易设备的内部。该方法具体包括如下步骤：

s110、通过彩色传感器采集纸币的rgb图并将所述rgb图像转换成v分量图；

需要说明的是，不同纸币币值的彩色rgb图颜色都不一样，而rgb图像中每个像素由r(红)、g(绿)和b(蓝)3个颜色分量组成。将rgb分量转换成为yuv分量，y分量表示亮度，u分量表示色调，v分量表示饱和度。由于v分量的区别最明显，有利于纸币币值识别，所以只需分离v分量，具体可以按照如下公式计算转换：v＝0.615*r-0.515*g-0.100*b，其中，rgb分别为rgb图像中像素点的参数值。

s120、将所述v分量图等分后确定所述v分量图的特征向量；

其中，所述将所述v分量图等分后确定所述v分量图的特征向量包括：

提取所述v分量图等分后所有子图的分块特征；

将所述所有子图的分块特征做为所述v分量图的特征向量。

具体的，将每张分量图每行平均分成12等分，每列分成6等分，整张图就分成了12*6块子图。每张整图用向量v表示，每块子图可用vi表示，i从1到72。每块子图宽为w，高为h，对每块子图的所有像素值累加求和后再求均值，此均值为vi的值，用来做为子图的分块特征。

具体的，将所述所有子图的分块特征的集合，即从v1到v72的值做为v分量图的向量特征，集合为：v＝{v1,v2,...v72}。

s130、根据所述v分量图的特征向量和神经网络参数确定所述纸币的币值。

需要说明的是，神经网络参数不是唯一的，对应于不同纸币币值有不同的神经网络参数，相当于一种纸币币值有对应的一个模板，模板之间互不相同，互不影响。

具体的，当得到一张纸币的v分量特性向量，即所有等分子图的vi值后，将会进行与模板，即与神经网络参数的比较，匹配上的神经网络参数对应的币值即可确定为所述纸币的币值。

综上所述，本发明实施例一公开了一种纸币币值检测方法，在纸币币值检测识别应用中，通过纸币rgb图像转换成v分量图像来提取特征，利用特征的高差异性，可以非常简便地区分各种不同的币值。本发明实所提供的技术方案，优化了整个验钞流程，能够保证币值检测更加准确，简单。

实施例二

图2为本发明实施例二公开的一种神经网络参数确定方法的流程示意图，本实施例在实施例一根据所述v分量图的特征向量和神经网络参数确定所述纸币的币值之前还包括基于神经网络训练确定神经网络参数的方法。该方法具体包含如下步骤：

s210、初始化神经网络参数；

s220、将v分量图的特征向量归一化后输入到神经网络模型进行训练，得到输出结果；

s230、根据所述输出结果修改所述神经网络参数并返回进行训练，直到所述神经网络参数稳定。

具体的，神经网络模型分为输入层，隐含层和输出层。

输入层为向量p(in)，即需要输入训练的每张图像v特征向量。

隐含层每个节点的输出函数为：out(hid)＝f(w(hid)*p(in)+b(hid))；

out(hid)为每个隐含层节点输出，w(hid)为隐含层节点的权重向量，b(hid)为隐含层节点偏移向量，p(in)为隐含层节点输入，f为隐含层节点的核函数，隐含层节点核函数为对数s型函数f＝1/(1+exp(-n))。

输出层节点输出函数为：out(out)＝f(w(out)*out(hid)+b(out))；

out(out)输出层节点输出值，w(out)为输出层节点权重向量，b(out)输出层节点偏移向量，输出层节点的输入向量正好是隐含层节点的输出向量out(hid)；同时输出层节点核函数f为线性函数y＝x。

具体的，神经网络参数初始化，如果要区分港币50、100和500元3种币值类型，设定输出层为1个节点，输出w(out)1行1列的随机向量，b(out)也设为1行1列的随机向量。设定隐含层为1个节点，w(hid)为72列10行的随机向量，b(hid)为1列10行的随机向量。学习率设定为0.1。

具体的，根据每次输出结果误差反向修改w(out)、b(out)和w(hid)、b(hid)向量参数值，即神经网络参数，直到状态向量参数稳定，纸币币值识别率也将稳定。

需要说明的是，对训练输入数据，即v分量图的特征向量，归一化的主要原因是消除不同维度数据之间的差异，还可以加快训练算法的收敛速度。还可以去除量纲不一致的缺陷，时间序列不平稳得问题，减小大数对结果的影响，也不至于丢掉某些对结果很重要的小值数据。

综上所述，本发明实施例二公开了一种神经网络参数确定方法，能够根据纸币的v分量图的特征向量确定神经网络参数，用来作为纸币币值识别的模板，使得币值检测更加准确。

实施例三

请参阅附图3，为本发明实施例三提供的一种纸币币值检测装置的结构示意图，该装置具体包含如下模块：

图像采集转换模块310，用于通过彩色传感器采集纸币的rgb图并将所述rgb图像转换成v分量图；

特征向量确定模块320，用于将v分量图的特征向量归一化作为所述神经网络模型的输入参数进行训练，得到输出结果；

纸币币值确定模块330，用于根据所述v分量图的特征向量和神经网络参数确定所述纸币的币值。

优选的，所述装置还包括：

参数设定模块，用于在所述根据所述v分量图的特征向量和神经网络参数确定所述纸币的币值之前初始化神经网络参数；

结果输出模块，用于将v分量图的特征向量归一化后输入到神经网络模型进行训练，得到输出结果；

参数修正模块，用于根据所述输出结果修改所述神经网络参数并返回进行训练，直到所述神经网络参数稳定。

优选的，上述装置中，图像采集转换模块310具体用于：

按照如下公式计算v分量值：

v＝0.615*r-0.515*g-0.100*b；

其中，rgb分别为rgb图像中像素点的参数值。

优选的，所述装置包括：

分块特征提取单元，用于提取所述v分量图等分后所有子图的分块特征；

特征向量确定单元，用于将所述所有子图的分块特征做为所述v分量图的特征向量。

本实施例通过彩色传感器采集纸币的rgb图并根据公式将所述rgb图像转换成v分量图；将所述v分量图等分后确定所述v分量图的特征向量；根据所述v分量图的特征向量和神经网络参数确定所述纸币的币值。基于上述方法及装置，通过纸币rgb图像转换成v分量图像来提取特征，该特征有非常高的差异性，可以非常简便地区分各种不同的币值，优化了整个验钞流程，使得币值检测更加准确，简单。

上述产品可执行本发明任意实施例所提供的方法，具备执行方法相应的功能模块和有益效果。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。