CN101908241A - 有价文件识别方法及其识别系统 - Google Patents

Abstract

一种有价文件识别方法包括：步骤1，提取特征，选取有价文件的特征区域，并提取用于快速分类的有价文件特征；步骤2，快速分类，根据步骤1中提取的有价文件特征，对输入的有价文件做快速分类处理，获得有价文件的币种、面额、朝向以及图象质量信息，并遴选出图像质量好的纸币和图像质量差的纸币；步骤3，图像恢复，应用基于偏微分方程的图像恢复技术对旧钞图像进行恢复处理；步骤4，鉴伪处理，对新钞直接做鉴伪识别；对旧钞则通过恢复后的图象做鉴伪识别，判定当前钞票的真实性；步骤5，输出结果。该方法省略了对图象质量好的和不感兴趣区域的图像进行恢复处理，节省了时间，提高了整个系统的处理效率。

Description

有价文件识别方法及其识别系统

技术领域

本发明涉及图像处理及模式识别技术，特别涉及有价文件，例如纸币的识别方法及其识别系统。

背景技术

随着社会经济的快速增长，纸币的流通量越来越大，银行传统的手工处理方式难以满足大量纸币处理的需求。为了提高纸币处理效率，降低人力成本，急需大量易用性好、可靠性高的金融自助设备投放社会使用。但在流通的纸币中，旧钞的比例高，绝大多数的旧钞图像也存在笔迹、划痕、污损、褶皱等退化情况，增加了鉴伪识别的难度，而目前国、内外设备制造商生产的金融自助设备对残钞和旧钞的适应性差，导致已投放到市场的金融自助设备拒钞率高、易用性差，不利于金融自助设备的推广使用。如果把旧钞的图像质量恢复到新钞的图像质量水平，就有可能解决金融自助设备对旧钞的拒钞率高的问题。基于偏微分方程的图像恢复技术，目前取得一定的研究成果，它在处理划痕、笔迹、污损、褶皱等退还现象，能够取得较好的恢复效果，旧钞图像的恢复与基于偏微分方程的图像恢复的研究内容是一致的。基于偏微分方程的图像恢复技术应用于钞票图像恢复，可以取得较好的恢复效果。

图1为传统的钞票图象识别处理流程图，如图所示，先对整幅图像做图像恢复处理，再提取特征，然后按照币种、面额或新旧等标准分类，最后才是鉴伪识别。

令T表示每张钞票识别时间，令t_a表示图像处理的时间开销，t_b表示特征提取的时间开销，t_c表示分类的时间开销，t_d表示鉴伪的时间开销，令T_max表示系统的实时响应的时间范围，则当且仅当识别系统满足(1)式时，才能达到实际应用的需求：

T＝t_a+t_b+t_c+t_d                          (1)

T≤T_max

对于带有笔迹、划痕、污损、褶皱等退化情况的旧钞票，由于钞票退化会降低系统鉴伪的精度，因此，系统需要先对纸币的“整幅图像”作图像恢复处理，需要大量的时间开销，会出现图像处理时间t_a远大于分类时间t_c，即t_a＞＞t_c。

然而，钞票识别系统应用于金融自助设备时，要求具备较高的实时性：每张钞票的识别必须在有限的时间内完成。现有技术中的钞票识别系统，在识别过程中先对纸币的“整幅图像”进行图象恢复处理，占用了大量的时间；另外，现有技术对图像质量好的纸币也做恢复处理，浪费了系统资源。每张钞票的识别时间开销剧增，钞票识别系统难以满足应用的实时性需求T_max，具体情况如(2)式所示：

$\left.\begin{array}{c}T\↑=t_a\↑+t_b+t_c+t_d\\ t_a>T_{\max }-(t_b+t_c+t_d)\end{array}\right\}\⇒T>T_{\max }---\left(2\right)$

因此，已有的钞票识别系统为了提高实时响应速度，对旧钞不作处理，即拒绝识别旧钞，从而导致大量旧钞被拒收，钞票识别系统的拒钞率高，影响了钞票识别系统的易用性，不利于金融自助设备的推广应用。

发明内容

本发明的目的在于提供一种实时响应速度快的有价文件识别方法，以及实时响应速度快、拒钞率低的有价文件识别系统。

该有价文件识别方法包括：

步骤1，提取特征，选取有价文件的特征区域，并提取用于快速分类的有价文件特征；

步骤2，快速分类，根据步骤1中提取的有价文件特征，对输入的有价文件根据预先设置的分类模型做快速分类处理，获得有价文件的币种、面额、朝向以及图象质量信息，并遴选出图像质量好的纸币——新钞和图像质量差的纸币——旧钞；

步骤3，图像恢复，应用基于偏微分方程的图像恢复技术对旧钞图像进行恢复处理；

步骤4，鉴伪处理，对新钞直接做鉴伪识别；对旧钞则通过恢复后的图象做鉴伪识别，判定当前钞票的真实性；

步骤5，输出结果。

进一步的，步骤1中所述提取特征是结合钞票的多波长图像特性、钞票图像的多分辨率特性、以及钞票图像的防伪属性，选取钞票多波长图像的特征区域，结合分类模型，从选定的特征区域中提取特征。

进一步，步骤1中所述有价文件特征包括白水印、黑水印、变色油墨、磁性安全线、缩微文字、凹版印刷图案、面额数字号码以及钞票冠字号码中至少一种。

进一步的，步骤1中所述有价文件特征的向量化表示如下：

假设对于高为H，宽为W的钞票灰度图像f(x，y)，其中，x表示行号(x∈(1，H))，y表示列号(y∈(1，W))，f(x，y)表示在坐标为(x，y)的像素灰度值，首先对特征区域图象作归一化处理，得到归一化图像J(x，y)；再从钞票图像中选取n个不同的特征区域，对于高为M_i，宽为N_i的特征区域图像J_i(x，y)，其中i＝(1，2，…，n，选取其灰度平均值作为它们的特征值，即

$d_i=\frac{\underset{x=1}{\overset{M}{\mathrm{\Σ}}}\underset{y=1}{\overset{N}{\mathrm{\Σ}}}{J}_i(x,y)}{M\×N}$

最后，按上式计算d_i，得到特征向量D＝{d₁，d₂，…，d_n}。

进一步的，所述快速分类模型是根据不同的币种、面额、朝向以及图像质量建立的。

进一步的，所述快速分类模型包括如下层级：

第一层：不同币种，如：人民币、欧元、美元；

第二层：同一币种的不同面额；

第三层：同一面额的不同朝向；

第四层：同一面额的不同图像质量，包括新钞和旧钞。

可选择的，所述快速分类模型可以为如下层级顺序：

第一层：不同币种，如：人民币、欧元、美元；

第二层：同一币种的不同面额；

第三层：同一面额的不同图像质量，包括新钞和旧钞；

第四层：同一面额的不同朝向。

进一步的，分类模型通过如下步骤建立：

令Ω＝{Ψ₁，Ψ₂，…，Ψ_p}表示所有币种；其中，

表示第i类币种包含q类面额；

令A＝{α₁，α₂}表示钞票的朝向，α₁表示正向，α₂表示反向；

令B＝{β₁，β₂表示图像质量，β₁表示新，β₂表示旧；}；

则可得p×q×4个类别，每种类别用C_k(k＝1，2，…，p×q×4)表示，如下式所述：

用D_k表示类别C_k的特征向量，则有

D＝{D₁，D₂，…，D_p×q×4}

对于上述每个类别C_k(i＝1，2，…，p×q×4)，选取R个训练样本，则类别C_k的聚类中心可用下式描述：

$D_k=\{{\stackrel{\‾}{d}}_{k1},{\stackrel{\‾}{d}}_{k2},\·\·\·,{\stackrel{\‾}{d}}_{\mathrm{kn}}\}$

其中， ${\stackrel{\‾}{d}}_{\mathrm{kj}}=\frac{\underset{j=1}{\overset{R}{\mathrm{\Σ}}}{d}_{\mathrm{kj}}}{R}.$

进一步的，快速分类处理包括如下步骤：

对于提取的特征，与每个类别的聚类中心D_k的距离为：

ε_k＝‖D-D_k‖(k＝1，2，…，p×q×4)

分类判别函数定义为：

$\left\{\begin{array}{c}{g}_j\left(D\right)=\underset{k}{\min }\left({\mathrm{\&epsiv;}}_k\right)=\underset{k}{\min }\left|\right|D-D_k\left|\right|(k=\mathrm{1,2},\&CenterDot;\&CenterDot;\&CenterDot;,p\&times;q\&times;4)\\ g_j\left(D\right)<r\end{array}\right.$

其中，当r∈[0.1-0.5]，可把输入D划归为C_j类；否则，输入D不属于C_j类别。

进一步的，步骤3中所述图象恢复，其恢复对象为图象质量差的纸币——旧钞的感兴趣区域(ROI)。

进一步的，对旧钞图像进行恢复是采用基于偏微分方程的图像恢复方法完成的。

本发明提供的有价文件识别系统包括：

一图像采集模块，用于采集有价文件的图像数据；

一存储模块，用于存储上述图像数据以及所需标准模型数据；

一数据处理模块，对上述存储图像数据进行特征区域特征提取、快速分类、图像恢复处理；

一识别模块，用于对上述处理后的图像数据与标准模型数据比对，进行鉴伪识别处理；

一输出模块，用于将识别模块的鉴伪识别结果输出；

一中央控制模块，用于控制和协调上述模块之间的工作，包括数据传输、资源分配等。

本有价文件识别系统中的各模块之间形成数据链路，其中数据链路属于公知技术，本发明不再赘述。

该有价文件识别方法的有益效果是：省略了对图象质量好的纸币——新钞的图象恢复处理，节省了时间，提高了整个系统的处理效率；且对图象质量差的纸币——旧钞的感兴趣区域(ROI)做恢复处理，既节约系统开销，又为鉴伪环节提供质量好的图像数据，降低鉴伪难度，提高鉴伪的精度，从而提高了钞票识别系统的接收率。

附图说明

图1是传统的钞票图象识别处理方法流程图；

图2是本发明具体实施例提供的有价文件识别方法流程图；

图3是图2中快速分类步骤的流程图；

图4是图2中快速分类步骤的另一种流程图；

图5是图2中图象恢复步骤的流程图；以及

图6是本发明具体实施例提供的有价文件识别系统模块图。

具体实施方式

以下结合图示举例说明本发明提供的有价文件识别方法的流程步骤以及有价文件识别系统的模块框架。

如图2所示，该有价文件识别方法包括：步骤1，提取特征；步骤2，快速分类；步骤3，图像恢复；步骤4，鉴伪识别；以及步骤5，输出结果。以下详细介绍各步骤的具体内容。

步骤1，提取特征。

结合钞票的多波长图像特性、钞票图像的多分辨率特性、以及钞票图像的防伪属性，选取钞票多波长图像的特征区域，结合分类模型，从选定的特征区域中提取特征，如：白水印、黑水印、变色油墨、磁性安全线、缩微文字、凹版印刷图案、面额数字号码和/或钞票冠字号码等。

特征的量化表示如下：

假设对于高为H，宽为W的钞票灰度图像f(x，y)，其中，x表示行号(x∈(1，H))，y表示列号(y∈(1，W))，f(x，y)表示在坐标为(x，y)的像素灰度值。

首选，对特征区域图象作归一化处理，得到归一化图像J(x，y)：

其次，从钞票图像中选取n个不同的特征区域，对于高为M_i，宽为N_i的特征区域图像J_i(x，y)，其中i＝(1，2，…，n)，选取其灰度平均值作为该钞票图像的特征值，即

$d_i=\frac{\underset{x=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{N}{\mathrm{\&Sigma;}}}{J}_i(x,y)}{M\&times;N}$

最后，按上式计算d_i，得到特征向量D＝{d₁，d₂，…，d_n}。

步骤2，快速分类。

对输入的钞票信息根据预先设置的分类模型做快速分类处理，得到钞票的币种、面额、朝向和图像质量。其中，币种、面额、朝向合图像质量为后续环节定位感兴趣(ROI)区域提供指导法则。例如：人民币100元正面，有白水印、光变油墨面额数字以及毛主席头像；人民币100元反面，有隐形文字、有色荧光红色条纹以及凹版印刷面额数字。

图像质量则决定是否需要做图像恢复处理，图象质量好的纸币直接送识别处理，图象质量差的旧钞送数据处理模块处理。

其中，快速分类模型的建立如如图3所示，

首先，根据不同的币种、面额和图像质量以如下几个层级建立分类模型：

第一层：根据不同币种，如：人民币、欧元、美元，将钞票进行分类；

第二层：根据同一币种的不同面额，如：人民币100元、50元，对钞票做进一步的分类；

第三层：再根据同一面额的不同朝向，如：正向、反向，对钞票进行第三层次的分类；然后

第四层：根据同一面额的不同图像质量，如：新钞、旧钞，对钞票再次分类。

其中第三层和第四层可以互换顺序，如图4所示，第一层：根据不同币种，如：人民币、欧元、美元，对钞票进行分类；第二层：根据同一币种的不同面额，如：人民币100元、50元，对钞票进行第二层次的分类；第三层：根据同一面额的不同图像质量，如新钞、旧钞，再次对钞票分类；第四层：最后根据同一面额的不同朝向，如：正向、反向，对钞票做再次分类。

其次，建立聚类中心

令Ω＝{Ψ₁，Ψ₂，…，Ψ_p}表示所有币种；其中，

表示第i类币种包含q类面额；

令A＝{α₁，α₂}表示钞票的朝向，α₁表示正向，α₂表示反向；

令B＝{β₁，β₂表示图像质量，β₁表示新，β₂表示旧；}

则可得p×q×4个类别，每种类别用C_k(k＝1，2，…，p×q×4)表示，如下式所述：

用D_k表示类别C_k的特征向量，则有

D＝{D₁，D₂，…，D_p×q×4}

对于上述每个类别C_k(i＝1，2，…，p×q×4)，选取R个训练样本，则类别C_k的聚类中心可用下式描述：

$D_k=\{{\stackrel{\&OverBar;}{d}}_{k1},{\stackrel{\&OverBar;}{d}}_{k2},\&CenterDot;\&CenterDot;\&CenterDot;,{\stackrel{\&OverBar;}{d}}_{\mathrm{kn}}\}$

其中， ${\stackrel{\&OverBar;}{d}}_{\mathrm{kj}}=\frac{\underset{j=1}{\overset{R}{\mathrm{\&Sigma;}}}{d}_{\mathrm{kj}}}{R}$

依据上述分类模型进行分类：

对于提取的特征D，与每个类别的聚类中心D_k的距离为：

ε_k＝‖D-D_k‖(k＝1，2，…，p×q×4)

分类判别函数定义为：

$\left\{\begin{array}{c}{g}_j\left(D\right)=\underset{k}{\min }\left({\mathrm{\&epsiv;}}_k\right)=\underset{k}{\min }\left|\right|D-D_k\left|\right|(k=\mathrm{1,2},\&CenterDot;\&CenterDot;\&CenterDot;,p\&times;q\&times;4)\\ g_j\left(D\right)<r\end{array}\right.---\left(3\right)$

其中，当r∈[0.1-0.5]时，可把输入D划归为C_j类；否则，输入D不属于C_j类别。

步骤3，图像恢复。

针对旧钞的定位感兴趣(ROI)区域做图象恢复，即结合快速分类环节获得的信息，先定位图像的定位感兴趣(ROI)区域，把基于偏微分方程的图像恢复技术用到定位感兴趣(ROI)区域图像中，对定位感兴趣(ROI)区域图像做恢复处理。具体实现流程如图5所示，定位感兴趣(ROI)区域图像经恢复处理后，达到鉴伪的图像质量要求。

图像恢复的目标是从一幅降质图像(噪声、模糊、污损)恢复出原始的图像，在去除噪声和模糊的同时，图像的边界和细节信息能很好地保留下来。为达到上述条件，恢复模型需要满足：(a)在梯度较小的区域应具有各向同性的扩散效应，(b)在梯度值较大的区域只沿着梯度方向演化。为此，本实施例采用基于偏微分方程的图像恢复模型如下：

其中f是实时获得的观测图像，f₀是原始图像；利用梯度下降法，引入时间变量t，图像f可以被看作是关于时间变化的函数，设退化图像为初始时刻的时间函数，即f(x，t＝0)＝f，f_t＝f(x，t)。

Ω∈Rⁿ是一个有界开集；λ为可变参数，▽为梯度算子；

Φ(·)是一个单调递减函数；

是非局部的均值滤波器。

(1)Φ(·)采用PM异向扩散模型中的边界函数，如下式所示。

$\mathrm{\&Phi;}\left(s\right)=1+\frac{1}{1+{\left(\frac{s}{M}\right)}^2}---\left(5\right)$

其中，M为边界阈值参数。

(2)非局部的均值滤波器

如下式所示：

式(4)的梯度下降方程为：

$f_t=f-f_0+\mathrm{\&lambda;}\mathrm{div}\left(\mathrm{\&Phi;}\left(\mathrm{\&phi;}\left(f_0\right)\right){|\&dtri;f|}^{\mathrm{\&Phi;}\left(\mathrm{\&phi;}\left(f_0\right)\right)-1}\frac{\&dtri;f}{|\&dtri;f|}\right)---\left(7\right)$

其中，div(·)表示散度。

为避免分母为零，给分母加一个无穷小，把上式变为：

$f_t=f-f_0+\mathrm{\&lambda;}\mathrm{div}\left(\mathrm{\&Phi;}\left(\mathrm{\&phi;}\left(f_0\right)\right){|\&dtri;f|}^{\mathrm{\&Phi;}\left(\mathrm{\&phi;}\left(f_0\right)\right)-1}\frac{\&dtri;f}{\sqrt{{|\&dtri;f|}^2+{\mathrm{\&xi;}}^2}}\right)---\left(8\right)$

以实时观测到的定位感兴趣(ROI)区域图像为f；标准ROI图像为f₀。采用高斯-塞德尔法对式(8)进行迭代，完成ROI图像f的恢复处理。

步骤4，鉴伪识别。

进入该环节的钞票信息分为两种：图像恢复处理过的质量差的纸币——旧钞，以及没做图像恢复处理的质量好的纸币——新钞。

根据事先存储的纸币标准模型，与纸币信息进行匹配，判定当前钞票的真实性。

步骤5，输出结果。

将货币真实性结果输出。

上述以钞票识别为例的有价文件识别方法，由于该方法先对有价文件分类，然后根据分类结果仅对图像质量差的旧币做图像恢复处理，因此节约了大量的图像恢复处理时间，提高了钞票识别系统的实时响应速度。

实现该有价文件识别方法的系统，其模块架构如图6所示，包括：

一图像采集模块，用于采集有价文件的图像数据；

一存储模块，用于存储上述图像数据以及所需标准模型数据；

一数据处理模块，对上述存储图像数据进行特征区域特征提取、快速分类、图像恢复处理；

一识别模块，用于对上述处理后的图像数据进行鉴伪识别处理；

一输出模块，用于将识别模块的鉴伪识别结果输出；以及

一中央控制模块，用于控制和协调上述模块的工作，包括数据传输、资源分配等。

各模块之间形成数据链路，其中数据链路属于公知技术，本发明不再赘述。

由于该系统仅对图像质量差的旧钞进行感兴趣(ROI)区域图像恢复处理，以及对图像质量好的新钞直接进行真伪鉴别，因此节约了大量的识别处理时间，因此实时响应速度快，适合应用于金融自助设备，其拒钞率低，易用性好，利于金融自助设备的推广使用。

以上所述仅为本发明的较佳实施例，凡依本发明权利要求范围所做的均等变化与修饰，皆应属本发明权利要求的涵盖范围。

Claims (11)

1.一种有价文件识别方法包括：

步骤1，提取特征，选取有价文件的特征区域，并提取有价文件的特征；

步骤2，快速分类，根据步骤1中提取的有价文件特征，对输入的有价文件根据预先设置的分类模型做快速分类处理，遴选出图像质量好的纸币和图像质量差的纸币；

步骤3，图像恢复，对旧钞图像进行恢复处理；

步骤4，鉴伪处理，对新钞直接做鉴伪识别；对旧钞则通过恢复后的图象做鉴伪识别，判定当前钞票的真实性；以及

步骤5，输出结果。

2.如权利要求1所述的有价文件识别方法，其特征在于，步骤1中所述提取特征是结合钞票的多波长图像特性、钞票图像的多分辨率特性、以及钞票图像的防伪属性，选取钞票多波长图像的特征区域，结合分类模型，从选定的特征区域中提取特征。

3.如权利要求1所述的有价文件识别方法，其特征在于，步骤1中所述有价文件的特征包括白水印、黑水印、变色油墨、磁性安全线、缩微文字、凹版印刷图案、面额数字号码和/或钞票冠字号码。

4.如权利要求1所述的有价文件识别方法，其特征在于，步骤1中进一步包括对有价文件的特征进行向量化步骤：

步骤11，对特征区域图象作归一化处理，得到归一化图像；

步骤12，从归一化图像中选取n个不同的特征区域，对于1至n个特征区域图像分别进行灰度值平均计算；

最后，根据上述1至n个灰度平均值形成特征向量。

5.如权利要求4所述的有价文件识别方法，其特征在于，所述步骤2中分类模型是根据不同的币种、面额、朝向以及图像质量建立的。

6.如权利要求5所述的有价文件识别方法，其特征在于，所述分类模型的建立是通过如下步骤完成的：

步骤21，划分p个币种，每种币种的q类面额，每个面额的正反2面朝向以及新、旧图像的特征区域；

步骤22，分别对上一步形成的p×q×4个不同图像作归一化处理，得到归一化图像；

步骤23，从每个归一化图像中选取n个不同的特征区域，对于1至n个特征区域图像分别进行灰度值平均计算，形成特征向量；

步骤24，通过R个训练样本对特征向量进行训练形成p×q×4个类聚中心，依此建立有价文件特征区域的分类模型。

7.如权利要求6所述的有价文件识别方法，其特征在于，所述步骤2中快速分类处理是根据步骤1中提取的特征与分类模型之中每个类别的聚类中心的距离进行分类。

8.如权利要求7所述的有价文件识别方法，其特征在于，当步骤1中提取的特征与分类模型之中每个类别的聚类中心的距离属于[0.1-0.5]之间时，则将其归入该类别，否则不属于该类别。

9.如权利要求1所述的有价文件识别方法，其特征在于，步骤3中所述图象恢复，其恢复对象为图象质量差的纸币的感兴趣区域(ROI)。

10.如权利要求1或9所述的有价文件识别方法，其特征在于，所述图象恢复是基于偏微分方程的图像恢复技术。

11.一种有价文件识别系统，包括：

一图像采集模块，用于采集有价文件的图像数据；

一存储模块，用于存储上述图像数据以及所需标准模型数据；

一数据处理模块，对上述存储图像数据进行特征区域特征提取、快速分类、图像恢复处理；

一识别模块，用于对上述处理后的图像数据与标准模型数据比对，进行鉴伪识别处理；

一输出模块，用于将识别模块的鉴伪识别结果输出；以及

一中央控制模块，用于控制和协调上述模块之间的数据传输。

Images