CN101796550A - 纸张类识别装置和纸张类识别方法 - Google Patents

Abstract

若从图像输入部分(11)取得成为识别对象的纸币的输入图像，则通过切出处理部分(12)切出从图像输入部分(11)接受的输入图像的纸币部分，候选筛选处理部分(14)选择对应于该输入图像的四个候选纸币种类，细节判定处理部分(15)计算分别对应于通过候选筛选处理部分(14)所选择的四个候选纸币种类的平均参考图像与输入图像的细节比对值，最终确定对应于输入图像的一个纸币种类。

Description

纸张类识别装置和纸张类识别方法

技术领域

本发明涉及将票据的输入图像与多个票据的参考图像进行比对，从而识别该输入图像的票据的种类的票据识别装置和纸张类识别方法，特别涉及即使是在成为判定对象的纸张类的种类增加的情况下，也能够高速、高精度且高效地识别纸张类的种类的纸张类识别装置和纸张类识别方法。

背景技术

以往，在银行的ATM(Automatic Teller Machine：银行自动机)等中，在接受纸币等时需要判定其种类，所以已知用于高精度地识别纸币或有价证券等的纸张类的种类的纸张类识别技术。

例如，在专利文献1中，公开了如下的纸张类识别方法，即对两种判定候选的每个组合，从预定的多个读取部位中提取两个判定候选的基准特征量分布之间的分布间距离最大的有效读取部位，并对两种判定候选的每个组合所求出的有效读取部位中的分布距离最大的组合，分别求出其与仅从有效读取部位获得的检查对象纸张类的特征量之距离，进行从判定候选中除去获得的距离大的纸张类的种类的筛选处理，并对剩余的判定候选重复进行筛选处理，从而判定纸张类的种类。

专利文献1：特开2001-273541号公报

发明内容

发明要解决的课题

但是，由于该专利文献1的技术重复进行将两个判定候选中的一个留下的筛选处理，所以若成为判定候选的纸张类的数N增多，则直到留下一个最终候选为止必须重复进行N-1次的识别处理，所以存在处理延迟成问题的可能性。例如在仅将日本国内的纸币限定为判定候选的情况下，仅存在1000日元、2000日元、5000日元、10000日元的四种，但若将海外纸币也包含在识别对象中，则判定候选数成为庞大的数，产生上述的问题。

因此，还考虑预先进行其他处理，从而将判定候选确定为一个的前处理，并将通过该前处理而确定的判定候选与成为判定对象的纸张类进行比较，从而详细判定两者是否为同一种类。

但是，若通过这样的前处理而从多个判定候选中确定一个判定候选，则在判定为该判定候选与成为判定对象的纸张类不是同一种类的情况下，必须除去该判定候选而再次重复进行相同的处理。其理由是，用于确定上述的判定候选的前处理并不限于进行精细的判定，存在引起错误判定的可能性。

尤其是，在将纸币设为识别对象的情况下，这样的纸币存在作为伪造方法而仅透明部分等的一部分被小规模替换的情况也比较多，所以若通过上述的前处理而仅确定为一个判定候选的话，不能否定结果会引起判定错误的可能性。

由此，在成为判定对象的纸币的种类增加的情况下，如何高速、高精度且高效地识别纸币的种类成为重要的课题。另外，对于纸币以外的有价证券等的纸张类也存在同样的课题。

本发明是鉴于上述而完成的，其目的在于，提供一种即使是在成为判定对象的纸张类的种类增加的情况下，也能够高速、高精度且高效地识别纸张类的种类的纸张类识别装置和纸张类识别方法。

用于解决课题的手段

为解决上述的课题并达到目的，本发明是将票据的输入图像与多个票据的参考图像进行比对，从而识别该输入图像的票据的种类的票据识别装置，其特征在于，该票据识别装置包括：候选选择部件，基于所述输入图像和多个参考图像分别被统一地分块后的各个块的浓度特征和方向特征，选择规定数的票据种类的候选；以及细节判定部件，根据与通过所述候选选择部件所选择的各个票据种类对应的参考图像的特征，对所述输入图像进行适应性分块，并基于被分块后的输入图像与参考图像的块之间的比对值，进行细节判定。

此外，本发明的特征在于，在上述发明中，还包括：特征量存储部件，存储每个票据种类的参考图像的特征量，其中，所述候选选择部件包括：第1分块部件，在接受到所述输入图像时，对该输入图像统一进行分块；浓度特征计算部件，计算通过所述第1分块部件进行了分块的各个块的浓度特征；方向特征计算部件，计算通过所述分块部件进行了分块的各个块的方向特征；以及选择部件，基于通过所述浓度特征计算部件计算的各个块的浓度特征、通过所述方向特征计算部件计算的各个块的方向特征、以及由所述特征量存储部件存储的各个参考图像的特征量，选择规定数的票据种类的候选。

此外，本发明的特征在于，在上述发明中，还包括：存储部件，按每个票据种类分别存储对应于各个票据种类的参考图像的特征的分块方式和通过该分块方式对所述参考图像进行了分块的已分割参考图像，其中，所述细节判定部件包括：第2分块部件，从所述存储部件读出与通过所述候选选择部件所选择的各个票据种类的候选分别对应的分块方式和已分割参考图像，并通过读出的各个分块方式，对所述输入图像分别进行分块；细节比对值计算部件，按各个票据种类的每个候选分别计算通过所述第2分块部件进行了分块的输入图像与已分割参考图像的块之间的细节比对值；以及确定部件，基于通过所述细节比对值计算部件计算的各个细节比对值，确定对应于所述输入图像的票据的种类。

此外，本发明的特征在于，在上述发明中，所述输入图像和参考图像由拍摄了同一个票据种类的红外反射图像、红外透过图像、可见反射图像以及可见透过图像构成，所述候选选择部件在使用可见反射图像的各个块的浓度特征和方向特征进行了所述票据种类的暂时筛选之后，使用进行了该暂时筛选的票据种类的红外透过图像、红外反射图像以及可见透过图像依次进行筛选，从而从所述多个票据中选择规定数的票据种类的候选。

此外，本发明的特征在于，在上述发明中，即使是在各个纸张类的大小不同的情况下，所述第1分块部件也统一地分块为同一个块尺寸的块。

此外，本发明的特征在于，在上述发明中，所述候选选择部件还包括：选择数接受部件，接受应作为所述票据种类的候选而选择的数量，其中，所述选择部件选择通过所述选择数接受部件接受的数量的票据种类的候选。

此外，本发明是将票据的输入图像与多个票据的参考图像进行比对，从而识别该输入图像的票据的种类的票据识别方法，其特征在于，该票据识别方法包括：候选选择步骤，基于所述输入图像和多个参考图像分别被统一地分块后的各个块的浓度特征和方向特征，选择规定数的票据种类的候选；以及细节判定步骤，根据与通过所述候选选择步骤所选择的各个票据种类对应的参考图像的特征，对所述输入图像进行适应性分块，并基于被分块后的输入图像与参考图像的块之间的比对值，进行细节判定。

发明效果

根据本发明，由于构成为基于输入图像和多个参考图像分别被统一地分块后的各个块的浓度特征和方向特征，选择规定数的票据种类的候选，根据与所选择的各个票据种类对应的参考图像的特征，对输入图像进行适应性分块，并基于被分块后的输入图像与参考图像的块之间的比对值，进行细节判定，因此能够起到即使是在成为判定对象的纸张类的种类增加的情况下，也能够高速、高精度且高效地识别纸张类的种类的效果。

此外，根据本发明，由于构成为预先存储每个票据种类的参考图像的特征量，并在接受到输入图像时，对该输入图像统一进行分块，计算进行了分块的各个块的浓度特征以及方向特征，基于计算出的各个块的浓度特征、方向特征、以及预先存储的各个参考图像的特征量，选择规定数的票据种类的候选，所以能够使用通过与票据识别装置不同的装置而事先生成的各个参考图像的特征量，高效率地选择票据的候选。

此外，根据本发明，由于构成为按每个票据种类分别存储对应于各个票据种类的参考图像的特征的分块方式和通过该分块方式对参考图像进行了分块的已分割参考图像，并读出与选择的各个票据种类的候选分别对应的分块方式和已分割参考图像，并通过读出的各个分块方式，对输入图像分别进行分块，按各个票据种类的每个候选分别计算进行了分块的输入图像与已分割参考图像的块之间的细节比对值，并基于算出的各个细节比对值，确定对应于输入图像的票据的种类，因此，由于仅对规定数的票据种类的候选进行细节判定即可，所以能够高速地进行细节判定。

此外，根据本发明，由于构成为输入图像和参考图像由拍摄了同一个票据种类的红外反射图像、红外透过图像、可见反射图像以及可见透过图像构成，在使用可见反射图像的各个块的浓度特征和方向特征进行了票据种类的候选的暂时筛选之后，使用进行了该暂时筛选的票据种类的候选的红外透过图像、红外反射图像以及可见透过图像依次进行筛选，从而从多个票据中选择规定数的票据种类的候选，所以能够通过阶段性的筛选，实现处理的更进一步的高速化和效率化。尤其是，可见反射图像在纸张类的种类判定中出现最大的特征，所以通过将该可见反射图像仅用于最初的筛选中，从而能够实现处理的更进一步的高速化和效率化。

此外，根据本发明，由于构成为即使是在各个纸张类的大小不同的情况下，也统一地分块为同一个块尺寸的块，所以无需对每个纸张类改变块尺寸，能实现处理的高速化。

此外，根据本发明，由于构成为接受应作为票据种类的候选而选择的数量，选择接受的数量的票据种类的候选，所以在类似的参照图像多的情况或即使是牺牲处理时间也想要防止遗漏候选的情况下增加选择数量，在想要实现进一步的高速化的情况下减小选择数等量，能够进行与操作者的需求对应的处理。

附图说明

图1是表示本实施例的纸币识别装置的结构的功能方框图。

图2是表示通过图1所示的图像输入部分输入的红外透过图像、红外反射图像、可见透过图像以及可见反射图像的一例的图。

图3是用于说明图1所示的切出处理部分的边缘点的提取处理的说明图。

图4是用于说明图1所示的切出处理部分的使用了霍夫(Hough)变换的纸币部分的角度计算的说明图。

图5是用于说明图1所示的切出处理部分的纸币部分的切出处理的说明图。

图6是用于说明图1所示的候选筛选处理部分的分块的说明图。

图7是用于说明通过图1所示的候选筛选处理部分算出的浓度特征的说明图。

图8是用于说明通过图1所示的候选筛选处理部分算出的方向特征的说明图。

图9是用于说明候选筛选处理部分算出的比对值的概念的说明图。

图10是用于说明图1所示的细节判定处理部分的分块的说明图。

图11是用于说明从平均参考图像的块位置(a，b)中提取部分图像t(a，b)的说明图。

图12是用于说明将平均参考图像的特定块的部分图像一边在输入图像的对应的块位置附近偏移一边计算比对值(浓度差)的概念的说明图。

图13是用于说明图1所示的纸币识别装置的纸币识别处理步骤的流程图。

图14是表示图13的步骤S102所示的纸币部分切出处理步骤的流程图。

图15是表示图13的步骤S103所示的候选筛选处理步骤的流程图。

图16是表示图13的步骤S104所示的细节判定处理步骤的流程图。

标号说明

10纸币识别装置

11图像输入部分

12切出处理部分

13存储部分

13a特征量

13b参考图像数据

14候选筛选处理部分

14a分块处理部分

14b浓度特征提取部分

14c方向特征提取部分

14d比对值计算部分

14e候选选择部分

15细节判定处理部分

15a分块处理部分

15b细节比对值计算部分

15c识别结果输出部分

21红外透过图像

22红外反射图像

23可见透过图像

24可见反射图像

31红外透过部分图像

32红外反射部分图像

33可见透过部分图像

34可见反射部分图像

具体实施方式

以下，基于附图详细说明本发明的纸张类识别装置和纸张类识别方法的实施例。在这里，将纸币作为识别对象来识别纸币的种类，并且设为在识别该纸币时使用的参考图像的特征量等是将事先生成的量存储在存储部分中。

实施例

<纸币识别装置的概略结构>

首先，说明本实施例的纸币识别装置10的结构。图1是表示本实施例的纸币识别装置10的结构的功能方框图。如同图所示的纸币识别装置10是如下装置，即预先在装置内部存储各个纸币的特征量(固有矢量和平均矢量)以及参考图像数据(平均参考图像和分割方式)，并在取得了输入图像的情况下，使用特征量，从多个纸币种类中选择规定数(以下，例示“4个”的情况)的纸币种类作为候选纸币种类，之后对所选择的候选纸币种类进行使用了参考图像数据的细节判定来确定一个纸币种类，并将确定的纸币种类作为纸币识别结果而输出。

如图1所示那样，该纸币识别装置10包括：图像输入部分11、切出处理部分12、存储部分13、候选筛选处理部分14、以及细节判定处理部分15。图像输入部分11是获取纸币的图像的线传感器(line sensor)，通过一次读取操作，获取如图2所示那样的红外透过图像21、红外反射图像22、可见透过图像23以及可见反射图像24的4种图像，并将获取的各个图像转交给切出处理部分12。

具体地说，对成为读取对象的纸币照射红外光和可见光，并根据透过了纸币的红外光的光接收结果而生成红外透过图像21，根据从纸币反射的红外光的光接收结果而生成红外反射图像22，根据透过了纸币的可见光的光接收结果而生成可见透过图像23，根据从纸币反射的可见光的光接收结果而生成可见反射图像24。

切出处理部分12是从图像输入部分11接受的4种图像(红外透过图像21、红外反射图像22、可见透过图像23以及可见反射图像24)中切出纸币部分的处理部分。具体地说，在该切出处理部分12中，首先使用红外透过图像21而求出纸币部分的宽度、高度以及斜率，并使用求出的宽度、高度以及斜率进行各个图像的旋转处理和切出处理。

存储部分13是按纸币种类而存储成为输入图像的比较对象的各个纸币的特征量(固有矢量、平均矢量)13a、参考图像数据(平均参考图像和分割方式)13b以及加权系数(λ_ab)13c的存储部分。这些特征量13a和参考图像数据13b按纸币的每个种类存储是当然的，并且也对相同的纸币种类存储分别对应于红外透过图像、红外反射图像、可见透过图像以及可见反射图像的4种的特征量13a和参考图像数据13b。

其中，存储在该存储部分13的每个纸币种类的参考图像的特征量(固有矢量、平均矢量)13a是在通过候选筛选处理部分14筛选纸币种类时利用。其详细的说明在后面叙述，该特征量(固有矢量、平均矢量)13a是在与输入图像的情况相同地将多个(例如1000张)参考图像分别统一地分块之后，求出每个块的浓度特征和方向特征，并根据其分布而求出固有矢量和平均矢量。

另一方面，存储在该存储部分13的每个纸币种类的参考图像数据(平均参考图像和分割步骤)13b是在通过细节判定处理部分15进行细节判定时利用。其详细的说明在后面叙述，在这里所称的分割方式是，用于根据该纸币尺寸或特征部分而分割参考图像的分割方式，例如，规定了将某一纸币具有特征的区域细密地分割，将没有特征的区域粗略地分割等的方式。此外，平均参考图像是，对每个纸币种类的多个参考图像取像素平均之后的图像以上述分割方式进行分块的图像。

候选筛选处理部分14是在接受到成为识别对象的输入图像时，选择对应于该输入图像的4个纸币种类的候选(以下，称为“候选纸币种类”)的处理部分，具体地说，与其纸币尺寸的大小无关地，对输入图像(红外透过图像21、红外反射图像22、可见透过图像23以及可见反射图像24)统一进行分块，并基于各个块的浓度特征和方向特征进行4个候选纸币种类的选择处理。

这样，在该候选筛选处理部分14中，作为其前处理而进行4个候选纸币种类的选择处理，而不会如以往技术那样直接且唯一地确定对应于输入图像的纸币种类，最终，后述的细节判定处理部分15从这4个候选纸币种类中决定1个纸币种类。

决定进行这样的事前处理的理由在于，若如以往技术那样直接且唯一地判定纸币种类，则在之后的判定中判定为成为识别对象的纸币与作为该判定结果而获得的纸币不一致的情况下，必须除去该纸币种类而再次重复进行上述处理，获得正确的识别结果为止花费时间。

另外，在本实施例中，说明了对4个候选纸币种类进行选择处理的情况，但这样的应进行选择处理的候选纸币种类的数，还能够根据来自装置内部的操作部分或装置外部的指示输入而变更。这样，在纸币种类之间其图案类似的种类多的情况或即使是牺牲处理时间也想要防止遗漏候选的情况下增加应选择的候选纸币种类数，在想要实现进一步的高速化的情况下减小候选纸币种类数，从而能够进行与操作者的需求对应的处理。

细节判定处理部分15是进行用于从通过候选筛选处理部分14所选择的4个候选纸币种类中确定对应于输入图像的一个纸币种类的细节判定的处理部分。具体地说，在该细节判定处理部分15中，进行如下处理，即从存储部分13读出对应于各个候选纸币种类的参考图像数据13b，并通过该参考图像数据13b中的分割方式对输入图像进行分块之后，计算被分块的输入图像与平均参考图像的块之间的细节比对值，基于算出的细节比对值来确定对应于输入图像的平均参考图像，并输出对应于确定的平均参考图像的纸币种类。

另外，在这里使用功能框图示出纸币识别装置10的结构，但实际上使用计算机来实现的情况下，设置对应于图像输入部分11的线传感器和对应于存储部分13的硬盘装置等，并且将对应于切出处理部分12、候选筛选处理部分14以及细节判定处理部分15的程序存储到非易失性存储器等中，将该程序加载到CPU中执行。

<切出处理部分的细节>

接着，使用图3～图5具体说明在图1中示出的切出处理部分12的细节。图3是用于说明该切出处理部分12的边缘点的提取处理的说明图，图4是用于说明该切出处理部分12的使用了霍夫(Hough)变换的纸币部分的角度计算的说明图，图5是用于说明该切出处理部分12的纸币部分的切出处理的说明图。

如图3所示那样，在该切出处理部分12中，首先从上方扫描输入图像的红外透过图像21，并检测具有规定阈值以上的像素值的像素作为边缘(edge)点。之后，分别从下方、左方、右方进行同样的处理而检测边缘点，根据这些边缘点而求出纸币的边缘部分的大致的角度θ1。

之后，如图4所示那样，根据检测出的边缘点与其角度θ1进行霍夫变换，求出上边、下边、左边和右边的霍夫平面，并按各个霍夫平面，对斜率θ进行投票而生成4个直方图(对左边和右边，旋转90度来进行投票)。之后，将4个直方图相加而求出相加的直方图的投票值最大的斜率θ，并将求出的斜率θ设为纸币的斜率。之后，在上边、下边、左边和右边的各个霍夫平面上求出对应于斜率θ的位置ρ，进行将该ρ的值设为各边的位置的处理。

之后，如图5所示那样，根据获得的各边的位置(ρ)与斜率(θ)，切出纸币部分并对其进行旋转处理，取得从输入图像中切出了纸币部分的部分图像。另外，若使用红外透过图像21检测出纸币的斜率θ与各边的位置ρ，则从红外透过图像21、红外反射图像22、可见透过图像23以及可见反射图像24使用相同值切出纸币部分，取得如图5所示的红外透过部分图像31、红外反射部分图像32、可见透过部分图像33以及可见反射部分图像34。

这样，在该切出处理部分12中，将从图像输入部分11接受的输入图像(红外透过图像21、红外反射图像22、可见透过图像23以及可见反射图像24)中切出纸币部分的部分图像(红外透过部分图像31、红外反射部分图像32、可见透过部分图像33以及可见反射部分图像34)。

<候选筛选处理部分的细节>

接着，使用图6～图8具体说明在图1中示出的候选筛选处理部分14的细节。图6是用于说明该候选筛选处理部分14的分块的说明图，图7是用于说明通过该候选筛选处理部分14算出的浓度特征的说明图，图8是用于说明通过该候选筛选处理部分14算出的方向特征的说明图。

如图1所示那样，该候选筛选处理部分14包括：分块处理部分14a、浓度特征提取部分14b、方向特征提取部分14c、比对值计算部分14d、以及候选选择部分14e。

分块处理部分14a是，与该纸币尺寸或特征部分无关地将输入图像统一地进行分块的处理部分，在本实施例中，如图6所示那样，将输入图像分割为24像素×24像素的尺寸的块。其中，为了使相邻的块之间重合8像素，在获得了某一块之后偏移16像素而取得下一个块。这样，将相邻的块的块中心的距离设为16像素单位，并且，将相邻的块重合8像素而分割为24像素×24像素的尺寸的块。

这样与纸币的大小或特征部分无关地进行统一分块(块尺寸固定)的理由在于，在进行作为前处理的筛选处理的阶段中进行花费时间的自适应性的处理的情况反而会成为导致处理延迟的原因。且因认为若在之后的细节判定处理部分15的细节判定中进行加入了纸币的大小或特征部分的判定，则在该筛选处理中进行自适应性的分割处理的必要性降低。

浓度特征提取部分14b是将通过分块处理部分14a分割的各个块进一步4分割，求出各个分割区域内的平均值而设为浓度特征的处理部分。例如，图7的左上部的平均值是78，右上部的平均值是113，左下部的平均值是125，右下部的平均值是134，所以此时的浓度特征成为(78，113，125，134)。

方向特征提取部分14c是对通过分块处理部分14a分割的各个块应用伽柏过滤(Gabor filter)(水平、垂直、斜右、斜左的4个方向)，从而求出各个像素的方向特征量的处理部分。另外，这样的伽柏过滤应该应用于各个块，但为便于说明，在图8中示出应用于纸币整体的情况。

这样求出的各个像素的方向特征量进行归一化。例如，在求出的方向特征量为(0.7，0.2，0.1，1.2)的情况下，用各个要素的合计值即0.7+0.2+0.1+1.2＝2.2除以各个要素得到的(0.32，0.09，0.05，0.55)成为归一化后的方向特征量。

即，若将对各个块应用了伽柏过滤的块的方向图像的各个像素值设为如下：

【数学式1】

$\sqrt{{\left(g_k^{\mathrm{real}}\right)}^2+{\left(g_k^{\mathrm{imag}}\right)}^2}$

(其中，k＝0表示水平，k＝1表示斜左，k＝2表示垂直，k＝3表示斜右)，则归一化后的各个像素的方向特征量g_k’从以下式获得。

【数学式2】

$g_k^{,}=\frac{\sqrt{{\left(g_k^{\mathrm{real}}\right)}^2+{\left(g_k^{\mathrm{imag}}\right)}^2}}{\underset{i=0}{\overset{3}{\mathrm{\&Sigma;}}}\sqrt{{\left(g_i^{\mathrm{real}}\right)}^2+{\left(g_i^{\mathrm{imag}}\right)}^2}}$

并且，对各个像素的方向特征量g_k’(4维)以块为单位求出平均值，并设为各个块的方向特征量。由此，每一个图像的方向特征量的维数为，块数为32且各个块为4维，且由于有4种输入图像(红外透过图像21、红外反射图像22、可见透过图像23以及可见反射图像24)，所以最大成为32×4×4＝512。

比对值计算部分14d是使用通过浓度特征提取部分14b求出的浓度特征和通过方向特征提取部分14c求出的方向特征，计算输入图像与各个纸币(的参考图像)的比对值的处理部分。

具体地说，预先对各个纸币种类进行1000次(对100张纸币试行10次)用于求出上述浓度特征和方向特征的处理，并求出其平均矢量Mi和协方差矩阵Ki的固有矢量后作为特征量而存储在存储部分13。并且，若取得了输入图像，则对该输入图像进行上述处理而求出浓度特征和方向特征，并将在输入图像的特征量加上到固有矢量的投影距离的值设为比对值。

图9是用于说明候选筛选处理部分14算出的比对值的概念的说明图。这里，为便于说明，说明2维的情况。首先，若对某一纸币种类事先进行1000次的试行，则由于在这样获得的浓度特征和方向特征中产生偏差，所以获得平均矢量Mi与协方差矩阵Ki＝∑(Xi-Mi)(Xi-Mi)^T的固有矢量。

即，该1000次的试行成为将图9所示的平均矢量Mi作为中心、主轴设为Φ_i1、副轴设为Φ_i2的椭圆状的分布。这里，若读取输入图像而求出特征量Xi(浓度特征量和方向特征量)，则平均矢量Mi与特征量Xi之间的距离成为‖Xi-Mi‖(另外，‖a‖表示a的欧几里得范数(norm))。

另一方面，由于将输入图像的特征量Xi投影至主轴Φ_i1的地点到平均矢量Mi为止的距离成为‖Φ_i1 ^T(Xi-Mi)‖，所以可通过下式获得从特征量Xi至主轴Φ_i1的投影距离d(i)。这里，由于假设从主轴长的起选择了5个的情况，所以取k＝1～5。

【数学式3】

$d\left(i\right)={\left|\right|X_i-M_i\left|\right|}^2-\underset{k=1}{\overset{5}{\mathrm{\&Sigma;}}}{\left\{{{\mathrm{\&Phi;}}_{\mathrm{ik}}}^T(X_i-M_i)\right\}}^2$

另外，在i＝1时表示红外透过图像的浓度特征128维，在i＝2时表示红外反射图像的浓度特征128维，在i＝3时表示可见透过图像的浓度特征128维，在i＝4时表示可见反射图像的浓度特征128维，在i＝5时表示红外透过图像的方向特征128维，在i＝6时表示红外反射图像的浓度特征128维，在i＝7时表示可见透过图像的浓度特征128维，在i＝8时表示可见反射图像的浓度特征128维。

并且，要求出的比对值Z成为将这些相加的Z＝∑d(i)(其中，i＝1～8)。另外，为了缩短处理时间，在每次求出投影距离d(i)时根据该投影距离值进行候选的筛选，并不对全部参考图像求出比对值Z。例如，进行通过d(4)设为128候选，通过d(2)设为32候选等筛选。这样，例如能够筛选为6候选～8候选左右的纸币种类，并且能够一并取得各个纸币种类的比对值。另外，由于可见反射图像的d(4)在区分种类上最具有特征，所以期望最开始进行。

根据以上的情况，在本实施例中，需要事先对每个纸币种类进行上述一系列处理，例如求出1000个图案的浓度特征量和方向特征量，求出这些特征量(平均矢量和固有矢量)13a，并按每个纸币种类将其结果存储在存储部分13中。其中，该特征量(平均矢量和固有矢量)的计算处理并不一定需要在该纸币识别装置10上进行，只要将在其他装置中进行的数据存储在存储部分13中即可。

候选选择部分14e是从通过比对值计算部分14d筛选出的纸币种类中将其比对值大者进行规定数(这里是“4个”)的选择处理的处理部分。例如，若通过上述比对值计算部分14d获得6候选的比对值，则从该6候选中从比对值大者起选择4候选。另外，如已说明地那样，选出的候选数能够根据来自装置内部的操作部分或装置外部的指示输入而变更。

<细节判定处理部分的细节>

接着，使用图10～图12说明图1所示的细节判定处理部分15的细节。图10是用于说明该细节判定处理部分15的分块的说明图，图11是用于说明该细节判定处理部分15的平均参考图像的生成的说明图，图12是用于说明该细节判定处理部分15的比对值的计算的说明图。

如图1所示那样，该细节判定处理部分15包括：分块处理部分15a、细节比对值计算部分15b以及识别结果输出部分15c。分块处理部分15a是，从存储部分13读出与通过候选筛选处理部分14所选择的4个候选纸币种类分别对应的参考图像数据13b内的分割方式，并通过读出的分割方式对输入图像进行分块的处理部分。

该分块处理部分15a是按各个纸币种类使块位置和块数不同地进行输入图像的分割处理，而并不是通过候选筛选处理部分14的分块处理部分14a进行的统一的分块。这是为了进行分块，以使构成各个纸币的特征的部分被特写(close-up)。期望调整为块数比分块处理部分14a增加，且不会等间隔地包含空白。图10中示出在水平方向上设置M个块、在垂直方向上设置N个块的情况下，调整为在左端的块中不包含纸币部分以外的区域的状况，通过这样调整为不包含纸币部分以外的空白，计算有意义的比对值变得重要。

这里，具体说明块位置的求法。首先，将纸币的水平方向、垂直方向的纸币长度分别设为lenX、lenY，将纸币的水平、垂直方向的块数设为M、N，将纸币的水平、垂直方向的块间隔设为disX、disY，要求出的块位置设为(Xa、Yb)，则相对于纸币长度以8像素间隔，计算水平方向、垂直方向的块数。若将块尺寸设为12像素×12像素，则成为：

M＝((lenX-12)/8)+1

N＝((lenY-12)/8)+1。

接着，根据块数M、N，通过下式求出块间隔(8像素以下)：

disX＝(lenX-12)/M

disY＝(lenY-12)/N，

并使用求出的块间隔disX、disY，通过以下的计算式求出水平方向第a个、垂直方向第b个块位置：

Xa＝disX×a

Yb＝disY×b。

细节比对值计算部分15b是计算输入图像与平均参考图像的各个块之间的浓度差分作为细节比对值的处理部分。更具体地说，若决定输入图像的某一个块的块切出位置(a，b)，则将该切出位置在水平方向上左右3像素、垂直方向上上下3像素依次进行偏移的同时切出(a±3，b±3)的49个块。然后，求出该49个块与从平均参考图像的块位置(a，b)中切出的块之间的浓度差分。然后，从49个浓度差分中求出最小值，并将其设为该块的比对值。另外，在这里，说明了在水平方向上左右3像素、垂直方向上上下3像素进行偏移的情况，但这样的偏移量并不限定于此。

这样，不仅仅计算输入图像与平均参考图像的各个块切出位置(a，b)的浓度差分，还一边偏移输入图像的块切出位置一边求出与输入图像的49个块之间的浓度差分的理由在于，存在在输入图像中产生位置偏移的可能性。

进一步详细说明这一点。若决定输入图像的某一块位置(a，b)，并将该块位置作为中心的k个(例如49个)图像数据设为sk(a，b)(其中，1≤k≤49)，将该块位置(a，b)的平均参考图像的图像数据设为t(a，b)，则通过以下式求出在各个块中的比对值Z_a，b。该式是求浓度差分的式，将在k＝1～49的49个浓度差分中最小值的浓度差分设为块间的比对值。若将ski(a，b)设为输入图像的某一块图像内的第i个像素值，将ti(a，b)设为平均参考图像的某一块图像内的第i个像素值，将n设为块图像内的像素数，将Z_a，b设为各个块的比对值，则成为如下。

【数学式4】

$Z_{a,b}=\underset{k}{\min }\left[\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\right|s_{\mathrm{ki}}(a,b)-t_i(a,b)\left|\right]$

实际上，如图11所示那样，首先，切出平均参考图像的块位置(a，b)的部分图像之后，如图12所示那样，将从平均参考图像切出的部分图像应用到输入图像的相同的块位置(a，b)而求出浓度差分。之后，将该应用位置在水平方向上±3像素、垂直方向上±3像素依次进行偏移的同时分别求出浓度差分，并将其最小值设为该块位置(a，b)的比对值。

若这样求出各个块的比对值，则如下式所示那样将各个块的比对值相加而求出与特定的候选纸币种类之间的细节比对值Z。另外，λ_a，b是从存储部分13读出的参数，成为各个块的加权系数。对纸币种类的特征性的块，增大其加权系数λ_a，b，对不是特征性的部分的块，减小其加权系数λ_a，b。例如，使用从多张真币和其他币种(其他国家纸币、其他现金种类)取得的数据进行线性判别分析，能够将其结果设为加权系数λ_a，b。

【数学式5】

$Z=\underset{b=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{a=1}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_{a,b}\&CenterDot;Z_{a,b}$

识别结果输出部分15c是，若细节比对值计算部分15b求出各个候选纸币种类的细节比对值，则将具有最大的细节比对值的纸币种类作为纸币识别结果而输出的处理部分。例如，该纸币识别结果可以显示在未图示的显示部分中，也可以通过未图示的打印部分打印。

<纸币识别装置的纸币识别处理步骤>

接着，说明图1所示的纸币识别装置10的纸币识别处理步骤。图13是表示图1所示的纸币识别装置10的纸币识别处理步骤的流程图。这里，设为各个纸币种类的特征量(平均矢量、固有矢量)13a预先存储在存储部分13中。

如同图所示那样，在该纸币识别装置10中，首先进行用于通过图像输入部分11获取成为识别对象的纸币的输入图像的图像输入处理(步骤S101)。在该输入图像中，包含如图2所示的红外透过图像21、红外反射图像22、可见透过图像23以及可见反射图像24。

之后，通过切出处理部分12进行从由图像输入部分11接受的输入图像(4种图像)中分别切出纸币部分的切出处理(步骤S102)，并通过候选筛选处理部分14进行选择对应于该输入图像的4个候选纸币种类的处理(步骤S103)。

之后，细节判定处理部分15进行用于从通过候选筛选处理部分14所选择的4个候选纸币种类中确定对应于输入图像的一个候选纸币种类的细节判定(步骤S104)。通过该细节判定处理，输出对应于输入图像的一个纸币种类。

接着，进一步详细说明在上述步骤102中所示的纸币部分切出处理步骤。图14是表示在图13的步骤S102中所示的纸币部分切出处理步骤的流程图。

如同图所示那样，在该纸币部分切出处理中，首先进行用于检测构成输入图像的4种红外透过图像21、红外反射图像22、可见透过图像23以及可见反射图像24各自在纸币部分外缘的边缘点的边缘点检测处理(步骤S201)，并使用检测出的边缘点求出构成纸币部分的斜率的概略角度θ1(步骤S202)。具体地说，从图3所示的上方开始进行扫描，从而从上下左右方向重复进行找出具有规定值以上的像素值的边缘点的处理而求出边缘点，取得如同图所示的角度θ1。

之后，如使用图4说明地那样，根据边缘点和其角度θ1进行霍夫变换而求出上边、下边、左边和右边的霍夫平面(步骤S203)，在各个边的投票平面内对每个角度求出最大值，进行4个边都加上其最大值的直方图加法处理(步骤S204)。将获得的直方图的取最大值的角度设为纸币的斜率θ，从霍夫平面求出各个边在该斜率θ下的最大值，进行将各个边的位置设为ρ时的角度计算处理(步骤S205)。

之后，如图5所示那样，根据获得的各个边的位置ρ和斜率θ，切出纸币部分并进行旋转处理(步骤S206)，进行从输入图像切出纸币部分的纸币部分切出处理(步骤S207)。

接着，进一步详细说明如图13的步骤103所示的候选筛选处理步骤。图15是表示如图13的步骤S103所示的候选筛选处理步骤的流程图。

如同图所示那样，首先进行将输入图像统一地分块的分块处理(步骤S301)。具体地说，如图6所示那样，将24像素×24像素的尺寸的块以16像素×16像素单位进行分块。

之后，进行将通过分块处理部分14a被分割的各个块进一步进行4分割之后求其平均值并将其设为浓度特征的浓度特征提取处理(步骤S302)，并且对输入图像的各个块应用伽柏过滤(水平、垂直、斜左、斜右的4个方向)，从而求出各个像素的方向特征量(步骤S303)。

之后，比对值计算部分14d使用通过浓度特征提取部分14b求出的浓度特征和通过方向特征提取部分14c求出的方向特征，计算输入图像的各个纸币种类的比对值(步骤S304)，且候选选择部分14e进行从比对值高的起选择4候选的处理(步骤S305)。

接着，进一步详细说明图13的步骤104所示的细节判定处理步骤。图16是表示图13的步骤S104所示的细节判定处理步骤的流程图。

如同图所示那样，首先，分块处理部分15a通过与由候选筛选处理部分14所选择的4个候选纸币种类分别对应的分割方式，自适应性地对输入图像进行分块(步骤S401)。即，在该分块处理部分15a中，按各个纸币种类使块位置和块数不同地进行分割处理，而并不是通过候选筛选处理部分14的分块处理部分14a进行的统一的分块。

之后，细节比对值计算部分15b求出输入图像与平均参考图像的各个块之间的浓度差分，并且将各个块的浓度差分(比对值)相加并将其作为细节比对值来计算(步骤S402)。

若这样求出各个候选纸币种类的细节比对值，则识别结果输出部分15c输出细节比对值最高的候选纸币种类作为纸币识别结果(步骤S403)。

如上所述那样，由于在本实施例中构成为，通过图像输入部分11进行用于获取成为识别对象的纸币的图像作为输入图像的图像输入处理，通过切出处理部分12在从图像输入部分11接受的输入图像(4种图像)中分别切出纸币部分，候选筛选处理部分14选择对应于输入图像的4个参考图像，细节判定处理部分15进行用于从通过候选筛选处理部分14所选择的4个候选参考图像中确定对应于输入图像的一个候选参考图像的细节判定，所以即使在成为判定对象的纸张的种类的增加的情况下，也能够高速、高精度且高效地识别纸张类。

另外，在本实施例中，说明了预先通过其他装置生成用于候选筛选处理的各个参考图像的特征量(固有矢量和平均矢量)以及用于细节判定处理的平均参考图像之后存储在存储部分13的情况，但本发明并不限定于此，也可以在该纸币识别装置10中事先生成这些信息之后存储在存储部分13中，或者在接受到输入图像的时刻生成这些信息。

此外，在本实施例中，设为在细节判定处理部分15中使用事先生成的平均参考图像13b，但本发明并不限定于使用平均参考图像的情况，也可以代替使用在理想的环境下获取的参考图像。

此外，在本实施例中，示出在细节判定处理部分15中使用浓度差分进行细节判定的情况，但本发明并不限定于这些，也可以使用其他方式进行细节判定。

此外，在本实施例中，示出将本发明应用于纸币的识别的情况，但本发明并不限定于这些，也可以应用于将支票等其他纸张类设为识别对象的情况。

产业上的可利用性

如上所述那样，本发明的纸张类识别装置和纸张类识别方法在将票据的输入图像与多个票据的参考图像进行比对而识别该输入图像的票据的种类的情况下有用，尤其适用于在成为判定对象的纸张类的种类增加的情况下，也能够高速、高精度且高效地识别纸张类的种类的情况。

Claims (7)

1.一种纸张类识别装置，是将票据的输入图像与多个票据的参考图像进行比对，从而识别该输入图像的票据的种类的票据识别装置，其特征在于，该纸张类识别装置包括：

候选选择部件，基于所述输入图像和多个参考图像分别被统一地分块后的各个块的浓度特征和方向特征，选择规定数的票据种类的候选；以及

细节判定部件，根据与通过所述候选选择部件所选择的各个票据种类对应的参考图像的特征，对所述输入图像进行适应性分块，并基于被分块后的输入图像与参考图像的块之间的比对值，进行细节判定。

2.如权利要求1所述的纸张类识别装置，其特征在于，还包括：

特征量存储部件，存储每个票据种类的参考图像的特征量，

其中，所述候选选择部件包括：第1分块部件，在接受到所述输入图像时，对该输入图像统一进行分块；浓度特征计算部件，计算通过所述第1分块部件进行了分块的各个块的浓度特征；方向特征计算部件，计算通过所述分块部件进行了分块的各个块的方向特征；以及选择部件，基于通过所述浓度特征计算部件计算的各个块的浓度特征、通过所述方向特征计算部件计算的各个块的方向特征、以及由所述特征量存储部件存储的各个参考图像的特征量，选择规定数的票据种类的候选。

3.如权利要求1或2所述的纸张类识别装置，其特征在于，还包括：

存储部件，按每个票据种类分别存储对应于各个票据种类的参考图像的特征的分块方式和通过该分块方式对所述参考图像进行了分块的已分割参考图像，

其中，所述细节判定部件包括：第2分块部件，从所述存储部件读出与通过所述候选选择部件所选择的各个票据种类的候选分别对应的分块方式和已分割参考图像，并通过读出的各个分块方式，对所述输入图像分别进行分块；细节比对值计算部件，按各个票据种类的每个候选分别计算通过所述第2分块部件进行了分块的输入图像与已分割参考图像的块之间的细节比对值；以及确定部件，基于通过所述细节比对值计算部件计算的各个细节比对值，确定对应于所述输入图像的票据的种类。

4.如权利要求1或2所述的纸张类识别装置，其特征在于，

所述输入图像和参考图像由拍摄了同一个票据种类的红外反射图像、红外透过图像、可见反射图像以及可见透过图像构成，

所述候选选择部件在使用可见反射图像的各个块的浓度特征和方向特征进行了所述票据种类的暂时筛选之后，使用进行了该暂时筛选的票据种类的红外透过图像、红外反射图像以及可见透过图像依次进行筛选，从而从所述多个票据中选择规定数的票据种类的候选。

5.如权利要求2所述的纸张类识别装置，其特征在于，

即使是在各个纸张类的大小不同的情况下，所述第1分块部件也统一地分块为同一个块尺寸的块。

6.如权利要求2所述的纸张类识别装置，其特征在于，

所述候选选择部件还包括：选择数接受部件，接受应作为所述票据种类的候选而选择的数量，

其中，所述选择部件选择通过所述选择数接受部件接受的数量的票据种类的候选。

7.一种纸张类识别方法，是将票据的输入图像与多个票据的参考图像进行比对，从而识别该输入图像的票据的种类的票据识别方法，其特征在于，该纸张类识别方法包括：

候选选择步骤，基于所述输入图像和多个参考图像分别被统一地分块后的各个块的浓度特征和方向特征，选择规定数的票据种类的候选；以及

细节判定步骤，根据与通过所述候选选择步骤所选择的各个票据种类对应的参考图像的特征，对所述输入图像进行适应性分块，并基于被分块后的输入图像与参考图像的块之间的比对值，进行细节判定。

Images