CN102034108B - 基于多分辨网格特征配准的清分机纸币面值面向分类方法 - Google Patents

Abstract

一种基于多分辨网格特征配准的清分机纸币面值面向分类方法，在进行图像识别和测量之前，首先需要对采样图像上不同点的亮度进行均衡；然后对纸币图像进行Haar小波变换，提取纸币图像近似图像分量；接着进行了网格特征的提取；接着分析网格特征对于不同纸币图像的可分性；再用网格特征建立一个综合分类器，在分类器构造中，应用了基于结构风险最小化的混合高斯模型。本方法可以满足纸币清分机的实时处理要求，能够达到每分钟处理1000张纸币的要求。同时采用局部特征配准可以有效地克服因磨损和印刷过程中造成的同一币种和面向纸币图像的不一致性，以便更好的进行识别。

Description

基于多分辨网格特征配准的清分机纸币面值面向分类方法

技术领域：

本发明涉及一种纸币面值面向分类方法，具体涉及到基于多分辨网格特征配准的清分机纸币面值面向分类方法。

背景技术：

随着市场经济的不断繁荣，使得纸币的流通量越来越大。银行业和零售业者的工作量也变得越来越大。但目前，国内很多银行使用的纸币清分机都是由国外进口的，价格昂贵。清分系统的核心技术基础是实时纸币图像处理和图像识别。国产纸币清分机很少，而且功能都很有限，很难满足高速实时性的要求，尤其是能够用图像处理的方法来识别纸币的清分机还刚刚起步。因此研究出鉴别低成本、高速度、识别率高的纸币面值面向识别分类方法是十分必要的。

现在已有的对纸币面值面向识别专利如下：

1)题目为“纸币识别装置和纸币识别方法”公开号：CN02804841.5。此方法的思想是运用透射型光传感器在对象纸币的读取线上扫描并照射光，获得从纸币的透射光量作为纸币识别的特征向量，此方法有效地克服了传感器对纸币识别的影响，但是对于无损和扭曲的纸币图像识别能力比较弱。

2)题目为“小面额纸币识别器”，专利号：200520095787。本系统由面额识别子系统、中央处理子系统及控制电路组成，面额识别子系统是由彩色图像传感器组成，其中中央处理子系统由高速运算分析处理器DSP和可编程控制器CPLD组成。但是此方法只是针对小面额纸币进行识别，很难满足银行金融机构对于大面额纸币的识别。

3)题目为“纸币识别装置”，专利号：200510073764。此方法的思想是采用纸币图像的几何特征(宽度和长度)来识别纸币面额面向，但是由于纸币是通过高速的采集装置获得的，因此不可避免地存在着扭曲和形变，这样导致几何特征不是很明显，造成识别率的下降。

人民币面值面向识别系统主要针对人民币第四版和第五版的5元、10元、20元、50元、100元九种纸币进行识别，利用数字图像处理技术和多层前向网络的BP算法提取纸币图像的长度、宽度、方向块特征，区分纸币的面值、正反面与正反向。最终完成的系统能达到较高的识别速度和识别率。作为最有效的纸币分类方法，神经网络在纸币清分系统中得到了广泛的应用，对于一些相似程度较高的纸币，神经网络可以取得优异的分类效果，但由于神经网络有一个致命的缺点，容易过识别，即由于学习机器过于复杂，为了保证分类精度高(经验风险小)，使VC维变得很大，所以期望风险变得很高。最终导致学习过的样本识别率高，但没有学习过的样本会发生误识或拒识。同时由于缺乏有效的拒识手段，很容易将一些类似印刷品也误识为特定类别的纸币。

发明内容：

纸币分类的主要技术难点在于：图像分辩率低、识别速度要求高，在提高相似图案区分能力的同时，还必须保证算法对纸币折旧的鲁棒性。针对现有技术中的不足，本发明目的在于提供一种纸币面值面向分类方法，它通过采用多分辨网格特征及局部特征配准技术来完成纸币面值面向分类。

币种、面向识别是一个典型的模式识别问题，本方法针对人民币样本，需要识别的币种共有12种：即新、旧100元；新、旧50元、20元；新、旧10元；新、旧5元；新、旧1元和练功纸。面向共有4种：正面向上，正面向下，背面向上和背面向下。将币种和面向组合共有48种组合，因此识别系统应为一个48类的分类系统。

由于清分机的特殊性，对币种和面向的识别结果正确性要求很高，基本不允许发生误识，而从模式识别的理论上讲，任何一个识别系统都不可能达到100％的识别正确率。为在最大程度上降低识别系统的误识率，满足清分机的要求，我们在48类之外引入1个拒识类，将一些判别风险比较大的情况归入拒识类，从而提高识别的正确率。

为了满足纸币清分系统的实时性要求，在进行图像识别和测量之前，首先需要对采样图像上不同点的亮度进行均衡，接着对纸币图像进行Haar小波变换，提取纸币图像近似图像分量，然后进行了网格特征的提取，接着分析网格特征对于不同纸币图像的可分性；再用网格特征建立一个综合分类器，在分类器构造中，应用了基于结构风险最小化的混合高斯模型。

具体方法如下：

步骤1：

清分机输入的图像是由高速扫描装置对图像传感器进行A/D转换后的原始图像，在本方法中所使用的图像传感器是LT2R216N-090223 RGBIR多光谱接触式图像传感器，线阵上的每一点性能存在着一定的差异，造成了采样图像上各个点的光强性能不同，在进行图像识别和测量之前，首先需要对采样图像上不同点的亮度进行均衡，具体方法如下：

(1)对几种不同灰度的标准测试纸进行采样，计算出图像上x方向每一点对不同灰度的标准测试纸的实测平均灰度；

(2)在x方向各点用实测平均灰度和标准灰度进行线性拟和，求出每一点上灰度均衡曲线；

(3)对原始图像上的每一点根据该点的x坐标和灰度值求出均衡后的灰度值；其中，图像在计算机中是用具有不同灰度级的像素矩阵来表示的，一个像素用一个字节即8位数据表示，这样可以编码为256个灰度等级，将纸币图像大小归一化为m×n，为了更好地提取纸币图像特征需要把原始图像重构为1×mn，即：

其中m，n为图像的宽度和长度，a_i，j(i＝1，2，…，m，j＝1，2，…，n)是图像像素的灰度值；

步骤2：

钱币的原始形状是矩形的，在清分机中扫描时即使受到倾斜和侧向移动影响，钱币的形状也可以保持为平行四边形，即上下两边为相互平行的直线，左右两边为相互平行的直线，利用上述特点得出一种特殊的边缘检测算法，可以满足快速性要求和对残缺钱币边缘检测的要求，该特殊的边缘检测算法为：

首先利用钱币图像边缘为直线的特点，不需要检测出边缘上的每一点，只需要检测出边缘上的若干离散点就可以拟和出边缘的直线，采用了在图像上等间隔位置检测边缘的方法，每一条边检测出一个边缘点序列，用边缘点序列作最小二乘直线拟和得到钱币图像的边缘；

针对残缺钱币，利用图像的两个边互相平行的特点来处理，首先假设图像边缘残缺的部分不会很大，两条相对边的残缺部分长度总和不会超过两条边总长度的一半，一般情况下该假设可以得到满足，如得不到满足，此图像作为残缺过大钱币，按拒识处理；然后利用每一条边检测出的边缘点序列计算相邻两点之间直线的斜率，构成一个斜率的集合，合并相对两条边的斜率集合，寻找该集合中出现次数最多的元素，作为这两条边的期望斜率，在边缘点序列中删除斜率不等于期望斜率的点，用剩余点分别拟和出两条直线，作为边缘；

高速扫描装置是在钱币运动过程当中扫描图像，因此一般情况下都会存在一定程度的几何变形，这种变形主要来自于两个方面，一方面是钱币的倾斜造成的，一方面是钱币在扫描过程中横向移动造成的，经过图像定位之后，利用图像的定位信息来对几何形变进行校正；

由于倾斜所造成的形变采用图像旋转的方法来校正，以图像的左上角为原点进行旋转，令左上角的坐标为(x₀，y₀)，原始图像为F(x，y)，旋转后的图像为F_R(x，y)，

F_R(x，y)＝F(x′，y′)              (2)

令β为上边缘与水平线之间的夹角，容易推得(x′，y′)与(x，y)之间的关系：

x′＝γcosα+x₀，       y′＝γsinα+y₀           (3)

其中 $\mathrm{\γ}=\sqrt{{(x-x_0)}^2+{(y-y_0)}^2},\mathrm{\α}=\arctan \frac{x-x_0}{y-y_0}+\mathrm{\β},$

经过旋转校正之后，钱币图像仍然是一个平行四边形，其中上下两条边平行于x轴，造成这种现象的原因是由于钱币在扫描过程中存在着横向的移动，校正这种形变，采用根据左右两边的倾斜角度侧移图像的方法解决，具体方法如下：令侧移之后的图像为F_s(x，y)

F_s(x，y)＝F_R(x′，y′)             (4)

令左边缘与x轴之间的夹角为θ，以钱币图像左上角(x₀，y₀)为原点进行侧移，得到：

$x^{\′}=x-\frac{y-y_0}{\tan \mathrm{\θ}},$ y′＝y                                 (5)

由公式(2)-(5)得到进行旋转和平移变换计算比较复杂，在实际系统中使用很难达到对处理速度的要求，因此采用了一种相对比较简单的算法：

(1)经过图像定位之后得到四条边缘的直线方程，其中上边缘的直线方程为：y＝a_ux+b_u，左边缘的直线方程为：y＝a_Lx+b_L，同时求得左上角坐标(x₀，y₀)，

(2)校正后图像F_T(x，y)＝F(x′，y′)，其中：

x′＝x-(a_ux+b_u-y₀)                  (6)

$y^{\′}=y-(\frac{y-b_L}{a_L}-x_0)---\left(7\right)$

步骤3：

在网格特征的提取过程中，首先将纸币图像低频部分划分为若干个相同大小的矩形子区域，然后提取子区域的平均灰度作为原始特征，最后进行规一化得到最终特征，图像部分的长度和宽度也是区分人民币币种的一个有效特征，由于50元和20元，20元和10元间的纸币光靠网格特征无法保持很高的识别率，会出现误识或拒识；所以本方法在多分辨网格特征的基础上，在易发生误识或拒识的币种间采用局部特征配准技术来提高识别率，减少拒识率，

本方法中所选用的特征看作是一个二元组S＝((x_L，x_H)，X)，其中(x_L，x_H)为图像区域的长度和宽度，X为图像的网格特征，网格特征的基本提取方法如下：设图像I上坐标为z的像素亮度值为I_z，将纸币划分为K×L个相互重叠的矩形区域Γ_k，l，k＝1，2，…，K，l＝1，2，…，L，每个区域有相同的大小d_x×d_y，纸币图像的原始特征为x＝[x₁，x₂，…，x_K×L]，其中x_(l-1)·K+k为子区间Γ_k，l的灰度均值：

$x_{(l-1)\·K+k}=\frac{1}{d_x-d_y}\underset{z\∈{\mathrm{\Γ}}_{k,l}}{\mathrm{\Σ}}{I}_z.---\left(8\right)$

纸币图像配准的具体方案为：直接采用崭新、无折痕的纸币进行采样作为参考图像，对于参考图像，不需作特殊处理，进行倾斜校正后，认为是从参考图像到待检测图像的坐标变换仅存在位移及伸缩变换；倾斜校正后，设参考图像T上的象素T(x₁，y₁)与待检测图像上I的象素I(x₂，y₂)相对应，则(x₁，y₁)与(x₂，y₂)的关系可简化为：

$\left(\begin{array}{c}{x}_2\\ y_2\end{array}\right)=\left(\begin{array}{c}{t}_x\\ t_y\end{array}\right)+\left(\begin{array}{cc}{s}_x& 0\\ 0& s_y\end{array}\right)\left(\begin{array}{c}{x}_1\\ y_1\end{array}\right)---\left(9\right)$

其中(t_x t_y)^T为从T到I的偏移向量，S_x，S_y分别为水平及垂直方向上的伸缩系数，在T上选取以(x，y)为中心的矩形区域Ω作为待检测区域，在I上选取以(x+Δx，y+Δy)为中心的矩形区域作为参考区域，计算两区域之间的相关系数：

$\mathrm{\ρ}(\mathrm{\Δx},\mathrm{\Δy})=\frac{\underset{(x,y)\∈\mathrm{\Ω}}{\mathrm{\Σ}}T(x,y)I(x+\mathrm{\Δx},y+\mathrm{\Δy})}{{\left[\underset{(x,y)\∈\mathrm{\Ω}}{\mathrm{\Σ}}{T}^2(x,y)\underset{(x,y)\∈\mathrm{\Ω}}{\mathrm{\Σ}}{I}^2(x+\mathrm{\Δx},y+\mathrm{\Δy})\right]}^{1/2}}---\left(10\right)$

当Δx＝X，Δy＝Y时，ρ(Δx，Δy)获取最大值，S＝[X，Y]为点(x，y)的校正向量，在实际运算中，将Δx，Δy限定在Δx∈[-2，2]，Δy∈[-2，2]的范围，为计算出表达式(9)中的偏移向量及伸缩系数，参考图像T中选取N个边界信息稳定，结构特征明显的矩形区域作为关键区域；关键区域的几何中心为(x_i，y_i)i＝1，2，…，N，计算得到(x_i，y_i)在I上的对应点(x_i+X_i，y_i+Y_i)，则有：

$\left(\begin{array}{c}{x}_i+X_i\\ y_i+Y_i\end{array}\right)=\left(\begin{array}{c}{t}_x\\ t_y\end{array}\right)+\left(\begin{array}{cc}{s}_x& 0\\ 0& s_y\end{array}\right)\left(\begin{array}{c}{x}_i\\ y_i\end{array}\right)$ i＝1，2，…N

(11)

采用最小二乘法，经由上式即可计算出偏移向量及伸缩系数，代入(9)中得到参考图像与待检测图像各象素间的对应关系；

步骤4：

令L_i和H_i为第i类的长宽变化范围，对第i类建立判别规则：

(x_L∈L_i)∧(x_H∈H_i)→w_i                   (12)

只有当输入特征的长度和宽度在第i类的长宽变化范围之内时，第i类的规则输出为T，否则输出为F，币种分类器的输出为一个类别集合W，集合W中的元素为相应类别判别规则输出为T的类别，

综合分类器以网格特征X和类别集合W为输入，输出为分类类别及其相应的匹配度，综合分类器采用的是相对比较简单的距离分类器，其中距离函数选择的是两个矢量内积函数，具体的分类器可以表示为：

若 $g_i\left(X\right)=\underset{j\∈W}{\max }{g}_j\left(X\right)$

(13)

则判别S属于第i类

其中

X_i为第i类的模板矢量，利用预先采集的各个类别样本集合训练得到，为了使分类器的性能能够满足清分机的要求，在48个类别之外引入一个拒识类，币种分类器和综合分类器均会产生出拒识分类，首先在币种分类器中，48个类别相应的判别规则均输出为F则判别为拒识，下一步不再进行综合分类，直接按拒识处理，当币种分类器有输出时，综合分类器对网格特征进行分类，产生出相应的分类类别以及相应的相似度度量，利用训练样本集合可以为每个类别设定一个判别阈值，当相似度度量小于判别阈值时，判别为拒识类，若g_i(x)＜T_i，则判别为拒识类。本方法优点如下：

采用网格特征即划分每个块的灰度均值作为特征向量可以满足纸币清分机的实时处理要求，能够达到每分钟处理1000张纸币的要求。同时采用局部特征配准可以有效地克服因磨损和印刷过程中造成的同一币种和面向纸币图像的不一致性，以便更好的进行识别。

附图说明

附图1为关键区域示意图。

附图2为分类系统结构框图。

附图3为白纸静态采样图像的示意图。

附图4为经过亮度均衡后的图像的示意图。

附图5为纸币图像的边缘检测的示意图。

附图6为纸币图像几何校正后的结果示意图。

附图7纸币图像一层Haar小波变换示意图。

附图8纸币图像网格特征示意图。

具体实施方式

清分机输入的图像是由高速扫描装置对图像传感器进行A/D转换后的原始图像，而在本方法中所使用的图像传感器为LT2R216N-090223RGBIR多光谱接触式图像传感器，是一种自带光源的线阵传感器，线阵上的每一点性能存在着一定的差异，这就造成了采样图像上各个点的光强性能不同，图3是将传感器放置在一张白纸上静态采样的图像。从图像中我们可以看出，在纵方向图像灰度差异不大，而在横方向上图像灰度差异很大，因此呈现出一系列纵向的亮线和黑线。在进行图像识别和测量之前，首先我们需要对采样图像上不同点的亮度进行均衡。具体方法如下：

(1)对几种不同灰度的标准测试纸进行采样，计算出图像上x方向每一点对不同灰度的标准测试纸的实测平均灰度；

(2)在x方向各点用实测平均灰度和标准灰度进行线性拟和，求出每一点上灰度均衡曲线；

(3)对原始图像上的每一点根据该点的x坐标和灰度值求出均衡后的灰度值图4显示的就是利用上述方法均衡后的静态采样白纸的图像，在图像上我们可以看到原始图像上的亮度不均衡的到了很好的改善，各点之间的灰度差异不大。

步骤1：图像在计算机中是用具有不同灰度级的像素矩阵来表示的，一个像素用一个字节即8位数据表示，这样可以编码为256个灰度等级。将纸币图像大小归一化为m×n，为了更好地提取纸币图像特征需要把原始图像重构为1×mn，即：

其中m，n为图像的宽度和长度，a_i，j(i＝1，2，…，m，j＝1，2，…，n)是图像像素的灰度值。图7为原始图像经过一层Haar小波变换后的图像。从图中可知纸币图像的近似信号表现出纸币的主要图像信息，而细节信号表现出纸币图像的边缘信息。

步骤2：所谓图像定位就是在原始扫描图像中确定出钱币图像的位置，如图5所示红线表示出了钱币图像的边缘。从图5可以看出在一般意义上讲，检测出钱币的边缘并不是一件很困难的事情，因为标准区域的位置是固定的，而图像区域和背景区域的灰度值有着明显的差异。然而在清分机软件中对图像定位却有着特殊的要求：

(1)边缘检测的速度必须非常快，因为清分机的设计要求清分软件必须在40ms的时间之内处理完一幅图像，因此边缘检测部分所消耗的时间必须在10ms之内，如果使用传统的边缘检测算法，需要逐点对图像进行访问，无法满足快速性的要求；

(2)清分的钱币很有可能是一个破损的钱币，这时我们希望检测到的边缘是钱币没有破损情况下的边缘，而不是破损的边缘。

通过观察我们发现，钱币的原始形状是矩形的，在清分机中扫描时即使受到倾斜和侧向移动影响，钱币的形状也可以保持为平行四边形，即上下两边为相互平行的直线，左右两边为相互平行的直线。

利用上述特点我们提出了一种特殊的边缘检测算法，可以满足快速性要求和对残缺钱币边缘检测的要求。首先利用钱币图像边缘为直线的特点，我们不需要检测出边缘上的每一点，而只需要检测出边缘上的若干离散点就可以拟和出边缘的直线，这里我们采用了在图像上等间隔位置检测边缘的方法，每一条边检测出一个边缘点序列，用边缘点序列作最小二乘直线拟和就可以得到钱币图像的边缘，如图5所示。

针对残缺钱币，我们可以利用图像的两个边互相平行的特点来处理，首先假设图像边缘残缺的部分不会很大，两条相对边的残缺部分长度总和不会超过两条边总长度的一半(一般情况下该假设可以得到满足，如得不到满足，此图像可以作为残缺过大钱币，按拒识处理)。然后利用每一条边检测出的边缘点序列计算相邻两点之间直线的斜率，构成一个斜率的集合，合并相对两条边的斜率集合，寻找该集合中出现次数最多的元素，作为这两条边的期望斜率，在边缘点序列中删除斜率不等于期望斜率的点，用剩余点分别拟和出两条直线，作为边缘。

高速扫描装置是在钱币运动过程当中扫描图像，因此一般情况下都会存在一定程度的几何变形，这种变形主要来自于两个方面，一方面是钱币的倾斜造成的，一方面是钱币在扫描过程中横向移动造成的。经过图像定位之后，我们可以利用图像的定位信息来对几何形变进行校正。

由于倾斜所造成的形变可以采用图像旋转的方法来校正，这里我们以图像的左上角为原点进行旋转，令左上角的坐标为(x₀，y₀)，原始图像为F(x，y)，旋转后的图像为F_R(x，y)，

F_R(x，y)＝F(x′，y′)                  (2)

令β为上边缘与水平线之间的夹角，容易推得(x′，y′)与(x，y)之间的关系：

x′＝γcosα+x₀，        y′＝γsinα+y₀       (3)

其中 $\mathrm{\γ}=\sqrt{{(x-x_0)}^2+{(y-y_0)}^2},\mathrm{\α}=\arctan \frac{x-x_0}{y-y_0}+\mathrm{\β}.$

经过旋转校正之后，钱币图像仍然是一个平行四边形，其中上下两条边平行于x轴，造成这种现象的原因是由于钱币在扫描过程中存在着横向的移动。校正这种形变，可以采用根据左右两边的倾斜角度侧移图像的方法解决。具体方法如下：令侧移之后的图像为F_s(x，y)

    F_s(x，y)＝F_R(x′，y′)                             (4)

令左边缘与x轴之间的夹角为θ，以钱币图像左上角(x₀，y₀)为原点进行侧移，容易得到：

$x^{\′}=x-\frac{y-y_0}{\tan \mathrm{\θ}},$ y′＝y                        (5)

观察一下公式(2)-(5)可以发现进行旋转和平移变换计算比较复杂，如果在实际系统中使用很难达到对处理速度的要求。因此这里我们采用了一种相对比较简单的算法：

(1)经过图像定位之后可以得到四条边缘的直线方程，其中上边缘的直线方程为：y＝a_ux+b_u，左边缘的直线方程为：y＝a_Lx+b_L，同时可以求得左上角坐标(x₀，y₀)。

(2)校正后图像F_T(x，y)＝F(x′，y′)，其中：

x′＝x-(a_ux+b_u-y₀)                           (6)

$y^{\′}=y-(\frac{y-b_L}{a_L}-x_0)---\left(7\right)$

图6显示的就是图5经过上述方法校正之后的图像。

步骤3：本系统中我们所选用的特征可以看作是一个二元组S＝((x_L，x_H)，X)，其中(x_L，x_H)为图像区域的长度和宽度，X为图像的网格特征。网格特征的基本提取方法如下：设图像I上坐标为z的像素亮度值为I_z，将纸币划分为K×L个相互重叠的矩形区域Γ_k，l，k＝1，2，…，K，l＝1，2，…，L，每个区域有相同的大小d_x×d_y.纸币图像的原始特征可以写做x＝[x₁，x₂，…，x_K×L]，其中x_(k-1)·K+k为子区间_Γk，l的灰度均值：

$x_{(l-1)\·K+k}=\frac{1}{d_x-d_y}\underset{z\∈{\mathrm{\Γ}}_{k,l}}{\mathrm{\Σ}}{I}_z.---\left(8\right)$

提取的纸币图像网格特征如图8所示。

纸币图像配准的具体方案为：直接采用崭新、无折痕的纸币进行采样作为参考图像。对于参考图像，我们不需作特殊处理。进行倾斜校正后，可以认为从参考图像到待检测图像的坐标变换仅存在位移及伸缩变换。倾斜校正后，设参考图像T上的象素T(x₁，y₁)与待检测图像上I的象素I(x₂，y₂)相对应。则(x₁，y₁)与(x₂，y₂)的关系可简化为：

$\left(\begin{array}{c}{x}_2\\ y_2\end{array}\right)=\left(\begin{array}{c}{t}_x\\ t_y\end{array}\right)+\left(\begin{array}{cc}{s}_x& 0\\ 0& s_y\end{array}\right)\left(\begin{array}{c}{x}_1\\ y_1\end{array}\right)---\left(9\right)$

其中(t_x t_y)^T为从T到I的偏移向量，S_x，S_y分别为水平及垂直方向上的伸缩系数。在T上选取以(x，y)为中心的矩形区域Ω作为待检测区域，在I上选取以(x+Δx，y+Δy)为中心的矩形区域作为参考区域，计算两区域之间的相关系数：

$\mathrm{\ρ}(\mathrm{\Δx},\mathrm{\Δy})=\frac{\underset{(x,y)\∈\mathrm{\Ω}}{\mathrm{\Σ}}T(x,y)I(x+\mathrm{\Δx},y+\mathrm{\Δy})}{{\left[\underset{(x,y)\∈\mathrm{\Ω}}{\mathrm{\Σ}}{T}^2(x,y)\underset{(x,y)\∈\mathrm{\Ω}}{\mathrm{\Σ}}{I}^2(x+\mathrm{\Δx},y+\mathrm{\Δy})\right]}^{1/2}}---\left(10\right)$

设Δx＝X，Δy＝Y时，ρ(Δx，Δy)获取最大值，我们称S＝[X，Y]为点(x，y)的校正向量。在实际运算中，将Δx，Δy限定在Δx∈[-2，2]，Δy∈[-2，2]的范围。为计算出表达式(9)中的偏移向量及伸缩系数，我们在参考图像T中选取N个边界信息稳定，结构特征明显的矩形区域作为关键区域，如图1所示。设关键区域的几何中心为(x_i，y_i)i＝1，2，…，N，计算得到(x_i，y_i)在I上的对应点(x_i+X_i，y_i+Y_i)，则有：

$\left(\begin{array}{c}{x}_i+X_i\\ y_i+Y_i\end{array}\right)=\left(\begin{array}{c}{t}_x\\ t_y\end{array}\right)+\left(\begin{array}{cc}{s}_x& 0\\ 0& s_y\end{array}\right)\left(\begin{array}{c}{x}_i\\ y_i\end{array}\right)$ i＝1，2，…N

                                  (11)

采用最小二乘法，经由上式即可计算出偏移向量及伸缩系数。代入(9)中得到参考图像与待检测图像各象素间的对应关系。

步骤4：令L_i和H_i为第i类的长宽变化范围，我们可以对第i类建立判别规则：

(x_L∈L_i)∧(x_H∈H_i)→w_i              (12)

只有当输入特征的长度和宽度在第i类的长宽变化范围之内时，第i类的规则输出为T，否则输出为F。币种分类器的输出为一个类别集合W，集合W中的元素为相应类别判别规则输出为T的类别。

综合分类器以网格特征X和类别集合W为输入，输出为分类类别及其相应的匹配度。综合分类器我们采用的是相对比较简单的距离分类器，其中距离函数选择的是两个矢量内积函数，具体的分类器可以表示为：

若 $g_i\left(X\right)=\underset{j\∈W}{\max }{g}_j\left(X\right)---\left(13\right)$

则判别S属于第i类

其中

X_i为第i类的模板矢量，我们可以利用预先采集的各个类别样本集合训练得到。为了使分类器的性能能够满足清分机的要求，必须在所有的分类类别之外引入一个拒识类。币种分类器和综合分类器均会产生出拒识分类，首先在币种分类器中，如果48个类别相应的判别规则均输出为F则判别为拒识。下一步不再进行综合分类，直接按拒识处理。当币种分类器有输出时，综合分类器对网格特征进行分类，产生出相应的分类类别以及相应的相似度度量。利用训练样本集合可以为每个类别设定一个判别阈值，当相似度度量小于判别阈值时，可以判别为拒识类。若g_i(x)＜T_i，则判别为拒识类。

Claims (1)

1.基于多分辨网格特征配准的清分机纸币面值面向分类方法，其特征在于，方法如下：

本方法针对人民币第四版和第五版，即新、旧两个版本，需要识别的币种共有12种：新、旧100元；新、旧50元、20元；新、旧10元；新、旧5元；新、旧1元和练功纸，

面向共有4种：正面向上，正面向下，背面向上和背面向下，将币种和面向组合共有48种组合，此识别系统为一个48类和1个拒识类的分类系统；

步骤1：

清分机输入的图像是由高速扫描装置对图像传感器进行A/D转换后的原始图像，在本方法中所使用的图像传感器是LT2R216N-090223 RGBIR多光谱接触式图像传感器，在进行图像识别和测量之前，首先需要对采样图像上不同点的亮度进行均衡，具体方法如下：

(1)对几种不同灰度的标准测试纸进行采样，计算出图像上x方向每一点对不同灰度的标准测试纸的实测平均灰度；

(2)在x方向各点用实测平均灰度和标准灰度进行线性拟和，求出每一点上灰度均衡曲线；

(3)对原始图像上的每一点根据该点的x坐标和灰度值求出均衡后的灰度值；

其中，图像在计算机中是用具有不同灰度级的像素矩阵来表示的，一个像素用一个字节即8位数据表示，这样可以编码为256个灰度等级，将纸币图像大小归一化为m×n，为了更好地提取纸币图像特征需要把原始图像重构为1×mn，即：

其中m，n为图像的宽度和长度，a_i，j(i＝1，2，…，m，j＝1，2，…，n)是图像像素的灰度值；

步骤2：

该特殊的边缘检测算法为：

首先利用钱币图像边缘为直线的特点，不需要检测出边缘上的每一点，只需要检测出边缘上的若干离散点就可以拟和出边缘直线：采用了在图像上等间隔位置检测边缘的方法，在每一条边检测出一个边缘点序列，用边缘点序列作最小二乘直线拟和得到钱币图像的边缘；

针对残缺钱币，利用图像的两个边互相平行的特点来处理，首先假设图像边缘残缺的部分不会很大，两条相对边的残缺部分长度总和不会超过两条边总长度的一半，该假设可以得到满足，如得不到满足，此图像作为残缺过大钱币，按拒识处理；然后利用每一条边 检测出的边缘点序列计算相邻两点之间直线的斜率，构成一个斜率的集合，合并相对两条边的斜率集合，寻找该集合中出现次数最多的元素，作为这两条边的期望斜率，在边缘点序列中删除斜率不等于期望斜率的点，用剩余点分别拟和出两条直线，作为边缘；

高速扫描装置是在钱币运动过程当中扫描图像，因此都会存在一定程度的几何变形，这种变形主要来自于两个方面，一方面是钱币的倾斜造成的，一方面是钱币在扫描过程中横向移动造成的，经过图像定位之后，利用图像的定位信息来对几何形变进行校正；

由于倾斜所造成的形变采用图像旋转的方法来校正，以图像的左上角为原点进行旋转，令左上角的坐标为(x₀，y₀)，原始图像为F(x，y)，旋转后的图像为F_R(x，y)，

F_R(x，y)＝F(x′，y′)                         (2)

令β为上边缘与水平线之间的夹角，容易推得(x′，y′)与(x，y)之间的关系：

x′＝γcosα+x₀，y′＝γsinα+y₀              (3)

其中

经过旋转校正之后，钱币图像仍然是一个平行四边形，其中上下两条边平行于x轴，造成这种现象的原因是由于钱币在扫描过程中存在着横向的移动，校正这种形变，采用根据左右两边的倾斜角度侧移图像的方法解决，具体方法如下：令侧移之后的图像为F_s(x，y)

F_s(x，y)＝F_R(x′，y′)                        (4)

令左边缘与x轴之间的夹角为θ，以钱币图像左上角(x₀，y₀)为原点进行侧移，得到：

采用了一种算法：

(1)经过图像定位之后得到四条边缘的直线方程，其中上边缘的直线方程为：y＝a_ux+b_u，左边缘的直线方程为：y＝a_Lx+b_L，同时求得左上角坐标(x₀，y₀)，

(2)校正后图像F_T(x，y)＝F(x′，y′)，其中：

x′＝x-(a_ux+b_u-y₀)                            (6) 

步骤3：

本方法中所选用的特征看作是一个二元组S＝((x_L，x_H)，X)，其中(x_L，x_H)为图像区域的长度和宽度，X为图像的网格特征，网格特征的基本提取方法如下：设图像I上坐标为z的像素亮度值为I_z，将纸币划分为K×L个相互重叠的矩形区域Γ_k，l，k＝1，2，…，K，l＝1，2，…，L，每个区域有相同的大小d_x×d_y，纸币图像的原始特征为x＝[x₁，x₂，…，x_K×L]，其中x_(l-1)·K+k为子区间Γ_k，l的灰度均值：

纸币图像配准的具体方案为：直接采用崭新、无折痕的纸币进行采样作为参考图像，对于参考图像，不需作特殊处理，进行倾斜校正后，认为是从参考图像到待检测图像的坐标变换仅存在位移及伸缩变换；倾斜校正后，设参考图像T上的象素T(x₁，y₁)与待检测图像上I的象素I(x₂，y₂)相对应，则(x₁，y₁)与(x₂，y₂)的关系可简化为：

其中(t_x t_y)^T为从T到I的偏移向量，S_x，S_y分别为水平及垂直方向上的伸缩系数，在T上选取以(x，y)为中心的矩形区域Ω作为待检测区域，在I上选取以(x+Δx，y+Δy)为中心的矩形区域作为参考区域，计算两区域之间的相关系数：

当Δx＝X，Δy＝Y时，ρ(Δx，Δy)获取最大值，S＝[X，Y]为点(x，y)的校正向量，在实际运算中，将Δx，Δy限定在Δx∈[-2，2]，Δy∈[-2，2]的范围，为计算出表达式(9)中的偏移向量及伸缩系数，参考图像T中选取N个边界信息稳定，结构特征明显的矩形区域作为关键区 域；关键区域的几何中心为(x_i，y_i)i＝1，2，…，N，计算得到(x_i，y_i)在I上的对应点(x_i+X_i，y_i+Y_i)，则有：

采用最小二乘法，经由上式即可计算出偏移向量及伸缩系数，代入(9)中得到参考图像与待检测图像各象素间的对应关系；

步骤4：

令L_i和H_i为第i类的长宽变化范围，对第i类建立判别规则：

(x_L∈L_i)∧(x_H∈H_i)→w_i             (12)

只有当输入特征的长度和宽度在第i类的长宽变化范围之内时，第i类的规则输出为T，否则输出为F，币种分类器的输出为一个类别集合W，集合W中的元素为相应类别判别规则输出为T的类别，

综合分类器以网格特征X和类别集合W为输入，输出为分类类别及其相应的匹配度，综合分类器采用的是距离分类器，其中距离函数选择的是两个矢量内积函数，具体的分类器可以表示为：

若

则判别S属于第i类

其中 X_i为第i类的模板矢量，利用预先采集的各个类别样本集合训练得到，为了使分类器的性能能够满足清分机的要求，在48个类别之外引入一个拒识类，币种分类器和综合分类器均会产生出拒识分类，首先在币种分类器中，48个类别相应的判别规则均输出为F则判别为拒识，下一步不再进行综合分类，直接按拒识处理，当币种分类器有输出时，综合分类器对网格特征进行分类，产生出相应的分类类别以及相应的相似度度量，利用训练样本集合可以为每个类别设定一个判别阈值，当相似度度量小于判别阈值时，判别为拒识类，若g_i(x)＜T_i，则判别为拒识类。 

Images