纸币识别方法和装置、电子设备和存储介质与流程

本发明实施例涉及纸币鉴伪技术领域，尤其涉及一种纸币识别方法和装置、电子设备和存储介质。

背景技术：

随着经济的发展，纸币的流通量越来越大，很多行业都出现了基于纸币识别技术的智能化无人收费系统。例如，纸币识别技术不仅可以应用在自动售货售票上，也可以应用到银行的自动存取款机或营业厅的自动交费机等系统中。同时，点钞机的发明也为各个行业提供了方便。纸币识别装置的应用，节省了大量的人力资源，极大地提升了工作效率。

现有的纸币鉴伪方法繁多，常用的鉴伪方法有模板匹配法、灰度直方图法和边缘图像法等等，这些鉴伪方法在应用难易程度、计算速度和准确度等方面各有所长。

虽然现有的纸币鉴伪方法繁多，但是基本上没有一种纸币鉴伪方法可以同时满足易于实现、计算速度快和准确度高的要求。

技术实现要素：

有鉴于此，本发明实施例提供了一种纸币识别方法和装置、电子设备和存储介质，以解决现有技术中单一的纸币鉴伪方法无法同时满足计算速度快、易于实现以及鉴伪准确度高的技术缺陷。

在第一方面，本发明实施例提供了一种纸币识别方法，包括：

获取待测纸币的图像中对应预设特征区域的灰度图像，其中，所述预设特征区域包括所述待测纸币的光学特性区域；

获取所述灰度图像的统计特征向量，将所述统计特征向量与统计特征向量模板按照第一预设匹配规则进行匹配，获取第一匹配结果；

如果所述第一匹配结果为所述待测纸币为真币，则获取所述灰度图像的灰度均值模板，将所述灰度图像和所述灰度均值模板按照第二预设匹配规则进行匹配，获取第二匹配结果；

根据所述第二匹配结果，确定所述待测纸币真伪。

在上述方法中，优选的是，所述获取所述灰度图像的统计特征向量，将所述统计特征向量与统计特征向量模板按照第一预设匹配规则进行匹配，获取第一匹配结果，包括：

获取所述灰度图像的直方图的统计向量，将所述直方图的统计向量与直方图统计向量模板按照第一预设匹配规则进行匹配，获取第一匹配结果。

在上述方法中，优选的是，获取所述灰度图像的直方图的统计向量，包括：

获取所述灰度图像的直方图；

将所述直方图中从小到大各灰度值区间对应的纵坐标数值作为所述直方图的统计向量。

在上述方法中，优选的是，所述获取所述灰度图像的统计特征向量，将所述统计特征向量与统计特征向量模板按照第一预设匹配规则进行匹配，获取第一匹配结果，包括：

获取所述灰度图像的分块图像的统计向量，将所述分块图像的统计向量与分块图像统计向量模板按照第一预设匹配规则进行匹配，获取第一匹配结果。

在上述方法中，优选的是，获取所述灰度图像的分块图像的统计向量，包括：

对所述灰度图像按照行和列进行划分，得到各分块图像；

获取所述各分块图像的灰度值均值和灰度方差，组成所述分块图像的统计向量。

在上述方法中，优选的是，所述获取所述灰度图像的灰度均值模板，包括：

获取预设数量的所述待测纸币的真币的图像中对应预设特征区域的第一灰度图像；

获取所述预设数量的第一灰度图像对应的灰度均值图像，将所述灰度均值图像作为所述灰度均值模板。

在上述方法中，优选的是，所述将所述灰度图像和所述灰度均值模板按照第二预设匹配规则进行匹配，包括：

按照预设比例缩小所述灰度图像和所述灰度均值模板；

将缩小后的所述灰度图像和所述灰度均值模板按照模板匹配方法进行匹配，并记录匹配度数值；

将所述匹配度数值中的最大值所对应的匹配位置作为第一基准位置，获取所述灰度图像中与所述第一基准位置对应的第二基准位置；

按照预设对应规则，截取与所述第二基准位置对应的待匹配灰度图像，将所述待匹配灰度图像与所述灰度均值模板按照所述模板配方法进行匹配。

在上述方法中，优选的是，在所述根据所述第二匹配结果，确定所述待测纸币真伪之前，还包括：

获取所述灰度图像的第一分块图像的灰度均值统计向量，将所述灰度值均值统计向量输入预设神经网络，将所述预设神经网络的输出结果作为第三匹配结果；

所述根据所述第二匹配结果，确定所述待测纸币真伪，包括：

根据所述第二匹配结果和所述第三匹配结果，确定所述待测纸币真伪。

在上述方法中，优选的是，所述根据所述第二匹配结果和所述第三匹配结果，确定所述待测纸币真伪，包括：

若所述第二匹配结果和所述第三匹配结果中任一个匹配结果为所述待测纸币为真币，则确定所述待测纸币为真币。

在第二方面，本发明实施例提供了一种纸币识别装置，包括：

灰度图像获取模块，用于获取待测纸币的图像中对应预设特征区域的灰度图像，其中，所述预设特征区域包括所述待测纸币的光学特性区域；

第一匹配结果获取模块，用于获取所述灰度图像的统计特征向量，将所述统计特征向量与统计特征向量模板按照第一预设匹配规则进行匹配，获取第一匹配结果；

第二匹配结果获取模块，用于如果所述第一匹配结果为所述待测纸币为真币，则获取所述灰度图像的灰度均值模板，将所述灰度图像和所述灰度均值模板按照第二预设匹配规则进行匹配，获取并记录第二匹配结果；

纸币真伪确定模块，用于根据所述第二匹配结果，确定所述待测纸币真伪。

在第三方面，本发明实施例提供了一种电子设备，所述电子设备包括：

一个或多个处理器；

存储器，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明实施例所述的纸币识别方法。

在第四方面，本发明实施例提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行本发明实施例所述的纸币识别方法。

本发明实施例提供了一种纸币识别方法和装置，通过获取待测纸币的图像中对应预设特征区域的灰度图像及其统计特征向量，将统计特征向量与统计特征向量模板按照第一预设匹配规则进行匹配并获取第一匹配结果，如果第一匹配结果为待测纸币为真币，则继续获取灰度图像的灰度均值模板，将灰度图像和灰度均值模板按照第二预设匹配规则进行匹配并获取第二匹配结果，根据第二匹配结果，确定待测纸币真伪，解决了现有技术中单一的纸币鉴伪方法无法同时满足计算速度快、易于实现以及鉴伪准确度高的技术缺陷，实现了快速、简便及高准确度的单次纸币鉴伪过程。

附图说明

图1是本发明实施例一提供的一种纸币识别方法的流程图；

图2是本发明实施例二提供的一种纸币识别方法的流程图；

图3是本发明实施例三提供的一种纸币识别方法的流程图；

图4是本发明实施例四提供的一种纸币识别装置的结构图；

图5是本发明实施例五中的一种电子设备的结构图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明具体实施例作进一步的详细描述。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内容。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。

实施例一

图1为本发明实施例一提供的一种纸币识别方法的流程图，本实施例的方法可以由纸币识别装置来执行，该装置可通过硬件和/或软件的方式实现，并一般可集成于具有纸币鉴伪功能的设备中，例如验钞机、自动存取款机以及自动售货机等设备。本实施例的方法具体包括：

步骤101、获取待测纸币的图像中对应预设特征区域的灰度图像。

一般来说，在对纸币进行防伪检测时，首先会使用红外或紫外光线照射纸币，进而获得纸币的灰度图像，然后通过对获取的灰度图像或通过对获取的灰度图像生成的二值化图、直方图或边缘图像的计算处理来鉴别纸币真伪。在本实施例中，待测纸币的灰度图像的获取方法同样可以是通过使用红外或紫外光线照射待测纸币，进而获得待测纸币的灰度图像。

在本实施例中，预设特征区域具体是指待测纸币的光学特性区域，该区域在不同的不可见光线(例如紫外线或红外线)照射下所获得的灰度图像不尽相同。本领域技术人员可以理解的是，由于纸币各个区域所使用油墨的特性不尽相同，不同特性的油墨对同一光源的透射率和反射率不同，并且相同油墨对不同光源的透射率和反射率也不同，所以，同一张纸币使用不同的光源或使用同一光源但使用不同的接收方式(例如透射或反射)所获得的灰度图不尽相同，基于这种现象，可以优选油墨特性区别于其他区域的区域作为本实施例的预设特征区域。

示例性的，人民币正面左下角处的白水印和光变100字样，可以在人民币的红外透射图中显示出来，因此，可选取白水印和光变100字样作为预设特征区域。

由于不同币种纸币的尺寸不尽相同，不同币种或不同面值的纸币的预设特征区域在纸币中的位置也不尽相同，因此，本实施例是在已知待测纸币的币种、面值、面向(例如正面正向、正面反向以及反面正向等)以及预设特征区域在待测纸币中的位置(一般为纸币正面正向或反面正向时预设特征区域在待测纸币中的位置)的前提下进行的，其中，待测纸币的币种、面值和面向可以通过获取的待测纸币的灰度图像确定。

在本实施例中，在获取了待测纸币的灰度图像之后，根据已知的待测纸币的币种、面值和面向以及预设特征区域在待测纸币中的位置，结合图像采集装置的分辨率可以确定预设特征区域的灰度图像在待测纸币的灰度图像中的具体位置并进行截取，此方法属于现有技术此处不再进行详细阐述。

步骤102、获取灰度图像的统计特征向量，将统计特征向量与统计特征向量模板按照第一预设匹配规则进行匹配，获取第一匹配结果。

在本实施例中，灰度图像的统计特征具体可以是灰度图像的灰度值均值、直方图统计数据、灰度中值以及灰度方差等，由于这些统计特征可以很好地反应灰度图像其自身的灰度特性，因此，可以作为区别特征与其他灰度图像进行比对。

示例性的，可以将灰度图像对应的直方图中各个灰度区间的像素点个数作为灰度图像的统计特征，还可以将灰度图像进行分块，将每一小块图像的灰度中值、灰度方差或灰度均值作为灰度图像的统计特征，还可以将灰度图像对应的边缘检测图像中多个特定区域包含的边缘点个数作为灰度图像的统计特征，还可以将灰度图像对应的二值化图中多个特定区域包含的灰度值为0或1的像素点的个数作为灰度图像的统计特征。

在本实施例中，统计特征向量具体是指灰度图像的统计特征按照一定排列规则组成的向量。

示例性的，可以将将灰度图像对应的直方图中从小到大各个灰度区间的像素点个数作为灰度图像的统计特征向量，还可以将灰度图像进行分块，将从左至右且从上至下或任意对角线上的每一小块图像的灰度方差或灰度均值作为灰度图像的统计特征向量。

在本实施例中，第一预设匹配规则具体是指向量相似度计算方法，典型的可以是余弦夹角法或相关系数法，可以针对不同的统计特征选取不同的匹配规则，以使匹配结果更加准确。另外，由于同一幅灰度图像较小的明暗度差别不会对相关系数法和余弦夹角法的计算结果产生较大影响，因此，使用这两种方法进行匹配时，可以有效规避由于灰度图像采集环境不同，而对待测纸币的灰度图像明暗产生的影响，所以，在本实施例中，第一预设匹配规则优先选取余弦夹角法和相关系数法。

在本实施例中，按照第一预设匹配规则对统计特征向量与统计特征向量模板进行匹配之后，会得到一个具体的匹配度数据，该数据表明了统计特征向量与统计特征向量模板之间的匹配程度，可以将该匹配度数据与预设阈值进行比较，然后依据比较结果判断待测纸币的真假，此方法属于现有技术，在此不再进行详细阐述。第一匹配结果具体可以是待测纸币为真币，或待测纸币为假币。

步骤103、如果第一匹配结果为待测纸币为真币，则获取灰度图像的灰度均值模板，将灰度图像和灰度均值模板按照第二预设匹配规则进行匹配，获取第二匹配结果。

在本实施例中，灰度图像的灰度均值模板具体是指若干张待测纸币的真币的图像中对应预设特征区域的灰度图像所对应的灰度均值图像，由于加性噪声均值为零，因此，使用灰度均值图像作为模板，可以减小噪声对模板准确度的影响。

在本实施例中，第二预设匹配规则具体可以是使灰度均值模板在灰度图像上每次的移动距离为10个或15个像素点，定位出匹配度最高的匹配位置后，在该匹配位置周围进行常规模板匹配，还可以是先对按照一定比例缩小后的灰度图像和灰度均值模板进行常规模板匹配，定位出匹配度最高的匹配位置后，确定灰度图像中与该匹配位置对应的图像区域，在对该图像区域与灰度均值模板进行常规模板匹配等方法，本实施例对此不进行限制。

其中，常规模板匹配具体是指模板在待检测图像上横向和纵向顺序移动，每次移动距离均为一个像素点，且每移动一次就进行一次图像的整体匹配，由此可见，常规模板匹配法计算量较大，纸币鉴伪速度慢，因此，在本实施例中，第二预设匹配规则不是直接将灰度图像和灰度均值模板按照常规模板匹配法进行匹配。

进一步地，在本实施例中，在进行常规模板匹配时，当灰度均值模板与当前位置的灰度图像进行匹配时使用的算法具体可以是余弦距离法，还可以是相关系数法等算法，本实施例对此不进行限制。

在本实施例中，如果第一匹配结果为待测纸币为假币，那么，具体可以依据第一匹配结果确定待测纸币为假币，结束本次纸币鉴伪过程，还可以继续使用不同于步骤102中的纸币鉴伪方法鉴别待测纸币的真伪等，本实施例对此不进行限制。

步骤104、根据第二匹配结果，确定待测纸币真伪。

在本实施例中，第二匹配结果具体可以是待测纸币为真币，或待测纸币为假币。当第二匹配结果是待测纸币为真币时，则确定待测纸币为真币；当第二匹配结果是待测纸币为假币时，则确定待测纸币为假币。

本发明实施例提供了一种纸币识别方法，通过获取待测纸币的图像中对应预设特征区域的灰度图像及其统计特征向量，将统计特征向量与统计特征向量模板按照第一预设匹配规则进行匹配并获取第一匹配结果，如果第一匹配结果为待测纸币为真币，则继续获取灰度图像的灰度均值模板，将灰度图像和灰度均值模板按照第二预设匹配规则进行匹配并获取第二匹配结果，根据第二匹配结果，确定待测纸币真伪，解决了现有技术中单一的纸币鉴伪方法无法同时满足计算速度快、易于实现以及鉴伪准确度高的技术缺陷，通过先对灰度图像的统计特征进行比对可以快速辨识出仿真度低的假币，然后再使用准确度高的图像匹配方法对仿真度高的假币进行辨识，实现了快速、简便及高准确度的单次纸币鉴伪过程。

实施例二

图2是本发明实施例二提供的一种纸币识别方法的流程图。本实施例以上述实施例为基础进行优化，在本实施例中，将获取灰度图像的统计特征向量，将统计特征向量与统计特征向量模板按照第一预设匹配规则进行匹配，获取第一匹配结果，优化为：获取灰度图像的直方图的统计向量，将直方图的统计向量与直方图统计向量模板按照第一预设匹配规则进行匹配，获取第一匹配结果。

进一步地，将获取灰度图像的直方图的统计向量，优化为：获取灰度图像的直方图；将直方图中从小到大各灰度值区间对应的纵坐标数值作为直方图的统计向量。

进一步地，将获取灰度图像的灰度均值模板，优化为：获取预设数量的待测纸币的真币的图像中对应预设特征区域的第一灰度图像；获取预设数量的第一灰度图像对应的灰度均值图像，将灰度均值图像作为灰度均值模板。

进一步地，将灰度图像和灰度均值模板按照第二预设匹配规则进行匹配，优化为：按照预设比例缩小灰度图像和灰度均值模板；将缩小后的灰度图像和灰度均值模板按照模板匹配方法进行匹配，并记录匹配度数值；将匹配度数值中的最大值所对应的匹配位置作为第一基准位置，获取灰度图像中与第一基准位置对应的第二基准位置；按照预设对应规则，截取与第二基准位置对应的待匹配灰度图像，将待匹配灰度图像与灰度均值模板按照模板匹配方法进行匹配。

相应的，本实施例的方法具体包括：

步骤201、获取待测纸币的图像中对应预设特征区域的灰度图像。

步骤202、获取灰度图像的直方图，将直方图中从小到大各灰度值区间对应的纵坐标数值作为直方图的统计向量。

在本实施例中，步骤s202至步骤s203给出了一种获取第一匹配结果的优选方式。

在本实施例中，灰度图像的直方图的灰度区间划分规则应该与直方图统计向量模板对应的灰度区间划分规则一致。在获取灰度图像的直方图后，依次获取直方图中从小到大各灰度值区间对应的纵坐标数值，组成直方图的统计向量，该直方图的统计向量的组成方式与直方图统计向量模板的组成方式一致，如果直方图统计向量模板的组成方式为由从大到小各灰度值区间对应的纵坐标数值或是某几个特定灰度区间对应的纵坐标数值组成，那么直方图的统计向量的组成方式也应对应更改为由直方图从大到小各灰度值区间对应的纵坐标数值，或直方图某几个特定灰度区间对应的纵坐标数值组成。

步骤203、将直方图的统计向量与直方图统计向量模板按照第一预设匹配规则进行匹配，获取第一匹配结果。

在本实施例中，直方图的统计向量和直方图统计向量模板具体可以按照余弦距离法，或相关系数法等向量相似度计算方法进行匹配，匹配后获得匹配度数据，可以将匹配度数据与预设阈值进行比较，获取第一匹配结果。

步骤204、根据第一匹配结果判断待测纸币是否为真币，若是，则执行步骤205，若不是，则结束。

步骤205、获取预设数量的待测纸币的真币的图像中对应预设特征区域的第一灰度图像。

在本实施例中，步骤s205至步骤s206给出了一种获取灰度均值模板的优选方式。

在本实施例中，预设数量典型的可以是100或200等。获取第一灰度图像的过程与方法与获取待测纸币的图像中对应预设特征区域的灰度图像的过程和方法应一致，这里不再进行详细阐述。

步骤206、获取预设数量的第一灰度图像对应的灰度均值图像，将灰度均值图像作为灰度均值模板。

在本实施例中，灰度均值图像具体是指将预设数量的第一灰度图像相同位置的像素点的灰度值取平均值，由计算得到的灰度值平均值按照原有像素点位置组成的图像。

步骤207、按照预设比例缩小灰度图像和灰度均值模板，将缩小后的灰度图像和灰度均值模板按照模板匹配方法进行匹配，并记录匹配度数值。

在本实施例中，步骤270至步骤290给出了灰度图像和灰度均值模板按照第二预设匹配规则进行匹配的具体过程。

在本实施例中，缩小灰度图像和灰度均值模板的方法具体可以是基于等间隔采样的图像缩小法，还可以是基于局部均值的图像缩小法等，本实施例对此不进行限制。预设比例典型的可以是50％或60％等。

在本实施例中，模板匹配方法具体是指常规模板匹配法，即模板在待检测图像上横向和纵向顺序移动，每次移动距离均为一个像素点，且每移动一次就进行一次图像的整体匹配。

在本实施例中，匹配度数值具体是指灰度图像与灰度均值模板在进行常规模板匹配时，每移动一次进行图像整体匹配得到的数值。匹配度数值的取值范围依据不同的图像整体匹配算法而有所差别，例如，当灰度图像与灰度均值模板在每次移动后，使用余弦距离法或相关系数法进行图像整体匹配时，匹配度数值的取值范围是0到1。

步骤208、将匹配度数值中的最大值所对应的匹配位置作为第一基准位置，获取灰度图像中与第一基准位置对应的第二基准位置。

在本实施例中，第一基准位置具体是指缩小后的灰度图像与最大匹配度数值对应的图像范围，典型的可以是用顶点的像素点位置表示的图像范围等。

在本实施例中，第二基准位置具体是指灰度图像原图中与缩小后的灰度图像中的第一基准位置对应的图像范围。由于灰度图像的图像缩小方式是已知的，因此可以根据已知的图像缩小方式确定缩小前后两幅图像中像素位置的对应关系，此方法属于现有技术，在此不再进行详细阐述。

步骤209、按照预设对应规则，截取与第二基准位置对应的待匹配灰度图像，将待匹配灰度图像与灰度均值模板按照模板匹配方法进行匹配，获取第二匹配结果。

在本实施例中，待匹配的灰度图像具体是指第二基准位置对应的图像范围按照一定比例扩大后的图像范围，其中，一定比例典型的可以是20％或30％等。

在本实施例中，待匹配灰度图像与灰度均值模板按照模板匹配方法进行匹配后，得到匹配度数据，可以将最佳匹配度数据与预设阈值进行比较，根据比较结果确定第二匹配结果。

步骤210、根据第二匹配结果，确定待测纸币真伪。

本发明实施例二提供了一种纸币识别方法，具体化了获取第一匹配结果的过程，能够简便、快速的获取第一匹配结果；还具体化了灰度均值模板的获取过程，能够减小噪声对灰度均值模板的影响；同时还具体化了以及灰度图像和灰度均值模板按照第二预设匹配规则进行匹配的过程，能够通过对图像的缩小操作减少匹配过程中的计算量。利用该方法可以通过对灰度图像的统计特征的比对，快速、准确和方便地鉴别出制作较为粗糙的假币，同时，通过对缩小图像进行模板匹配确定匹配位置，可以对待测纸币进行高准确度且快速地鉴别。

实施例三

图3是本发明实施例三提供的一种纸币识别方法的流程图。本实施例以上述实施例为基础进行优化，在本实施例中，将获取灰度图像的统计特征向量，将统计特征向量与统计特征向量模板按照第一预设匹配规则进行匹配，获取第一匹配结果，优化为：获取灰度图像的分块图像的统计向量，将分块图像的统计向量与分块图像统计向量模板按照第一预设匹配规则进行匹配，获取第一匹配结果。

进一步地，将获取灰度图像的分块图像的统计向量，优化为：对灰度图像按照行和列进行划分，得到各分块图像；获取各分块图像的灰度值均值和灰度方差，组成分块图像的统计向量。

进一步地，在根据第二匹配结果，确定待测纸币真伪之前，优化为，还包括：获取灰度图像的第一分块图像的灰度均值统计向量，将灰度值均值统计向量输入预设神经网络，将预设神经网络的输出结果作为第三匹配结果。

相应地，将根据第二匹配结果，确定待测纸币真伪，优化为：根据第二匹配结果和第三匹配结果，确定待测纸币真伪。

进一步地，将根据第二匹配结果和第三匹配结果，确定待测纸币真伪，优化为：若第二匹配结果和第三匹配结果中任一个匹配结果为待测纸币为真币，则确定待测纸币为真币。

相应的，本实施例的方法具体包括：

步骤301、获取待测纸币的图像中对应预设特征区域的灰度图像。

步骤302、对灰度图像按照行和列进行划分，得到各分块图像。

在本实施例中，步骤s302至步骤s304给出了一种获取第一匹配结果的优选方式。具体来说，可先对灰度图像按照行和列进行划分，其中，行数和列数可以相等，也可以不等，各行的宽度可以相等，也可以不等，各列的宽度可以相等，也可以不等，行的宽度和列的宽度典型的可以是20个像素点，但是，灰度图像的划分规则应与分块图像统计向量模板对应的模板图像的划分规则一致。

步骤303、获取各分块图像的灰度值均值和灰度方差，组成分块图像的统计向量。

在本实施例中，分块图像的灰度值均值具体是指该分块图像中所有像素点的灰度值和除以像素点的总个数得到的数值。分块图像的灰度方差具体是指该分块图中所有像素点的灰度值减去该分块图像的灰度值均值的平方和除以总的像素点个数。可以理解的是，灰度均值和灰度方差都是可以用来表征灰度图像的灰度统计特征的，此外，灰度图像的灰度中值、灰度众数以及灰度值域等数值也可以用来表征灰度图像的统计特征，因此，也可以使用各分块图像的灰度中值、灰度众数和/或灰度值域组成分块图像的统计向量。

另外，各分块图像的灰度均值和灰度方差组成统计向量的方式应与分块图像统计向量模板的组成方式一致，具体可以是由第一行至最后一行从左至右所有分块图像的灰度均值和灰度方差组成分块图像的统计向量，还可以是由第一列至最后一列从上至下所有分块图像的灰度方差和灰度均值组成分块图像的统计向量等，本实施例对此不进行限制。

步骤304、将分块图像的统计向量与分块图像统计向量模板按照第一预设匹配规则进行匹配，获取第一匹配结果。

在本实施例中，分块图像的统计向量和分块图像统计向量模板具体可以按照余弦距离法，或相关系数法等向量相似度计算方法进行匹配，匹配后获得匹配度数据，可以将匹配度数据与预设阈值进行比较，获取第一匹配结果。

步骤305、根据第一匹配结果判断待测纸币是否为真币，若是，则执行步骤306，若不是，则结束。

步骤306、获取灰度图像的灰度均值模板，将灰度图像和灰度均值模板按照第二预设匹配规则进行匹配，获取第二匹配结果。

步骤307、获取灰度图像的第一分块图像的灰度均值统计向量，将灰度值均值统计向量输入预设神经网络，将预设神经网络的输出结果作为第三匹配结果。

在本实施例中，第一分块图像的获取方式具体可以是将灰度图像按照行和列进行分块，还可以是将灰度图像仅按照行进行分块，还可以是将灰度图像仅按照列进行分块等，本实施例对此不进行限制，但是，灰度图像的分块方式应与预设神经网络进行训练时对灰度图像的分块方式一致。

在本实施例中，灰度均值统计向量具体是指由第一分块图像的灰度值均值组成的向量，其组成方式也应与预设神经网络训练时使用的灰度均值统计向量的组成方式一致。

在本实施例中，第三匹配结果具体可以是待测纸币为真币，或是待测纸币为假币。

步骤308、若第二匹配结果和第三匹配结果中任一个匹配结果为待测纸币为真币，则确定待测纸币为真币。

本发明实施例三提供了一种纸币识别方法，具体化了获取第一匹配结果的过程，能够简便、快速的获取第一匹配结果；同时优化增加了使用预设神经网络获取第三匹配结果，能够提高待测纸币鉴别的准确度。利用该方法可以通过对灰度图像的统计特征的比对，快速、准确和方便地鉴别出制作较为粗糙的假币，同时，通过第二匹配结果和第三匹配结果共同判断待测纸币真假，可以避免由于待测纸币的折损或污渍而产生的误判。

实施例四

图4是本发明实施例四提供的一种纸币识别装置的结构图。如图4所示，所述装置包括：灰度图像获取模块401、第一匹配结果获取模块402、第二匹配结果获取模块403以及纸币真伪确定模块404。其中：

灰度图像获取模块401，用于获取待测纸币的图像中对应预设特征区域的灰度图像，其中，预设特征区域包括待测纸币的光学特性区域；

第一匹配结果获取模块402，用于获取灰度图像的统计特征向量，将统计特征向量与统计特征向量模板按照第一预设匹配规则进行匹配，获取第一匹配结果；

第二匹配结果获取模块403，用于如果第一匹配结果为待测纸币为真币，则获取灰度图像的灰度均值模板，将灰度图像和灰度均值模板按照第二预设匹配规则进行匹配，获取并记录第二匹配结果；

纸币真伪确定模块404，用于根据第二匹配结果，确定待测纸币真伪。

本发明实施例提供了一种纸币识别装置，通过获取待测纸币的图像中对应预设特征区域的灰度图像及其统计特征向量，将统计特征向量与统计特征向量模板按照第一预设匹配规则进行匹配并获取第一匹配结果，如果第一匹配结果为待测纸币为真币，则继续获取灰度图像的灰度均值模板，将灰度图像和灰度均值模板按照第二预设匹配规则进行匹配并获取第二匹配结果，根据第二匹配结果，确定待测纸币真伪，解决了现有技术中单一的纸币鉴伪方法无法同时满足计算速度快、易于实现以及鉴伪准确度高的技术缺陷，实现了快速、简便及高准确度的单次纸币鉴伪过程。

在上述各实施例的基础上，第一匹配结果获取模块可以包括：

直方图匹配单元，用于获取灰度图像的直方图的统计向量，将直方图的统计向量与直方图统计向量模板按照第一预设匹配规则进行匹配，获取第一匹配结果。

在上述各实施例的基础上，直方图匹配单元可以包括：

直方图获取子单元，用于获取灰度图像的直方图；

直方图统计向量获取子单元，用于将直方图中从小到大各灰度值区间对应的纵坐标数值作为直方图的统计向量。

在上述各实施例的基础上，第一匹配结果获取模块还可以包括：

分块图像匹配单元，用于获取灰度图像的分块图像的统计向量，将分块图像的统计向量与分块图像统计向量模板按照第一预设匹配规则进行匹配，获取第一匹配结果。

在上述各实施例的基础上，分块图像匹配单元可以包括：

分块图像获取单子元，用于对灰度图像按照行和列进行划分，得到各分块图像；

分块图像统计向量获取子单元，用于获取各分块图像的灰度值均值和灰度方差，组成分块图像的统计向量。

在上述各实施例的基础上，第二匹配结果获取模块可以包括：

第一灰度图像获取单元，用于获取预设数量的待测纸币的真币的图像中对应预设特征区域的第一灰度图像；

灰度均值模板获取单元，用于获取预设数量的第一灰度图像对应的灰度均值图像，将灰度均值图像作为灰度均值模板。

在上述各实施例的基础上，第二匹配结果获取模块还可以包括：

图像缩小单元，用于按照预设比例缩小灰度图像和灰度均值模板；

匹配度数据记录单元，用于将缩小后的灰度图像和灰度均值模板按照模板匹配方法进行匹配，并记录匹配度数值；

基准位置确定单元，用于将匹配度数值中的最大值所对应的匹配位置作为第一基准位置，获取灰度图像中与第一基准位置对应的第二基准位置；

模板匹配单元，用于按照预设对应规则，截取与第二基准位置对应的待匹配灰度图像，将待匹配灰度图像与灰度均值模板按照模板匹配方法进行匹配。

在上述各实施例的基础上，还可以包括：

第三匹配结果获取模块，用于在根据第二匹配结果，确定待测纸币真伪之前，获取灰度图像的第一分块图像的灰度均值统计向量，将灰度值均值统计向量输入预设神经网络，将预设神经网络的输出结果作为第三匹配结果；

相应的，纸币真伪确定模块可以包括：

匹配结果确定单元，用于根据第二匹配结果和第三匹配结果，确定待测纸币真伪。

在上述各实施例的基础上，匹配结果确定单元具体可以用于：

若第二匹配结果和第三匹配结果中任一个匹配结果为待测纸币为真币，则确定待测纸币为真币。

本发明实施例所提供的纸币识别装置可用于执行本发明任意实施例提供的纸币识别方法，具备相应的功能模块，实现相同的有益效果。

实施例五

图5为本发明实施例五提供的一种设备的结构示意图，如图5所示，该设备包括处理器501、存储器502、输出装置503；设备中处理器501的数量可以是一个或多个，图5中以一个处理器501为例；设备中的处理器501、存储器502、输出装置503可以通过总线或其他方式连接，图5中以通过总线连接为例。

存储器502作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的纸币识别方法对应的程序指令/模块(例如，纸币识别装置中的灰度图像获取模块401、第一匹配结果获取模块402、第二匹配结果获取模块403以及纸币真伪确定模块404)。处理器501通过运行存储在存储器502中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的纸币识别方法。

存储器502可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器502可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器502可进一步包括相对于处理器501远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

输出装置503可包括显示屏等显示设备。

实施例六

本发明实施例六还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种纸币识别方法，该方法包括：

获取待测纸币的图像中对应预设特征区域的灰度图像，其中，所述预设特征区域包括所述待测纸币的光学特性区域；

获取所述灰度图像的统计特征向量，将所述统计特征向量与统计特征向量模板按照第一预设匹配规则进行匹配，获取第一匹配结果；

如果所述第一匹配结果为所述待测纸币为真币，则获取所述灰度图像的灰度均值模板，将所述灰度图像和所述灰度均值模板按照第二预设匹配规则进行匹配，获取第二匹配结果；

根据所述第二匹配结果，确定所述待测纸币真伪。

当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的纸币识别方法中的相关操作。

通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(read-onlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、闪存(flash)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

值得注意的是，上述纸币识别装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。

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。