CN102110323B - 一种验钞方法及验钞装置 - Google Patents

Abstract

本发明涉及一种验钞方法和验钞装置，所述验钞方法包括如下步骤：训练单类支撑向量模型：根据采集的货币图像向量进行算法训练，得到单类支撑向量及向量模型；扫描货币图像：对预验货币进行图像扫描；提取图像特征向量：将货币图像象素特征处理成符合支撑向量机输入的标准矩阵，提取货币图像特征向量；采用单类分类器进行识别：对提取的货币图像特征向量采用单类支撑向量模型进行计算，根据计算结果判断货币真伪。本发明一种验钞方法和验钞装置，通过采用单类支撑向量模型对货币进行验证识别，本发明验钞方法和验钞装置实现高精度、高可靠性的验钞技术。

Description

一种验钞方法及验钞装置

技术领域

本发明涉及一种验钞方法及验钞装置，尤其涉及一种利用单类支撑向量模型进行货币真伪验证的验钞方法及验钞装置。

背景技术

货币真伪的验证已经成为现有存取款设备中重要的功能之一，目前有许多已知的方法用于货币的鉴伪。例如采用一个或多个传感器去采集货币的防伪特征，诸如磁性、荧光反应、变色油墨等，通过检测其防伪特征的有无或分布阈值来达到鉴伪目的。再如专利号为CN 200420084129.7中描述的方法，这类方法假设了真币和假币的分类边界是线性的。但对于货币的很多防伪特征而言，其总体分布总是非线性的，如专利号为CN 02158624.1中描述的方法，采用了数字图像作为特征提取源，采用了模糊规则进行判决。总体而言，模糊数学的规则不具备自学习功能，分类边界的选取极大的取决于样本及特征的选取，不能实现现代验钞技术中“以真辨假”的验钞理念。上述几种方法均不能满足存取款设备中的验钞要求。

发明内容

本发明解决的技术问题是：构建一种利用单类支撑向量模型进行货币真伪验证的验钞方法及验钞装置，克服现有技术中在货币真伪验证过程中精度低、可靠性差的技术问题，实现现代验钞技术中“以真辨假”的验钞理念。

本发明的技术方案是：提供一种验钞方法，包括如下步骤：

训练单类支撑向量模型：根据采集的样本货币图像向量进行算法训练，得到单类支撑向量、向量模型及判别函数；

扫描货币图像：对预验货币进行图像扫描；

提取预验货币图像特征向量：将预验货币图像象素特征处理成符合支撑向量机输入的标准矩阵，提取预验货币图像特征向量；

采用单类分类器进行识别：对提取的货币图像特征向量采用单类支撑向量模型和判别函数进行计算，根据计算结果判断货币真伪, 所述单类支撑向量模型采用非线性映射将处于空间中的向量映射到一个高维的特征空间中，在高维的特征空间中，计算一个包含尽可能多样本的最小超球作为决策边界，

所述单类支撑向量模型进行二次优化，即：在条件

||x_i-a||²≤R²+ξ_i,ξ_i≥0,i=1,…,N

的约束下，最小化函数：

$L_0(R^2,a,\mathrm{\ξ})=R^2+C\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\ξ}}_i$

其中，ξ_i为松弛变量，常数

控制着球的体积和样本中被拒于球的体积外的样本点数量，v∈(0，1]，l为样本数量。

本发明的进一步技术方案是：所述训练单类支撑向量模型包括如下步骤：

扫描样本货币图像：对货币样本进行图像扫描；

提取样本货币图像特征向量：将货币图像象素特征处理成符合支撑向量机输入的标准矩阵，提取样本货币图像特征向量；

得到支撑向量模型：对所述标准矩阵进行算法训练，得到支撑向量、向量模型及判别函数。

本发明的进一步技术方案是：提取图像特征向量包括如下步骤：

等分图像：将扫描的货币图像按列分成多等份；

计算象素：计算每列的象素值总和；

归一化：每份图像为一个向量，将多个向量进行归一化；

输入向量：把归一化后的向量作为单类支撑向量机的输入。

本发明的进一步技术方案是：在提取图像特征向量的步骤中还包括对扫描的预验货币图像进行几何校正。

本发明的进一步技术方案是：在提取图像特征向量的步骤中还包括对扫描的预验货币图像进行货币面向识别。

本发明的进一步技术方案是：所述验钞方法还包括对判断货币真伪的结果进行输出。

本发明的技术方案是：一种验钞装置，包括扫描货币图像的扫描单元、提取扫描图像特征的图像特征提取单元、采用单类支撑向量对货币进行验证的验证单元，所述扫描单元对预验货币进行图像扫描，所述图像特征提取单元把象素特征处理成符合支撑向量机输入的标准矩阵，所述验证单元根据训练好的单类支撑向量模型及判别函数，对提取图像特征步骤中提取的图像象素特征标准矩阵进行计算，根据计算结果判断货币真伪, 所述单类支撑向量模型采用非线性映射将处于空间中的向量映射到一个高维的特征空间中，在高维的特征空间中，计算一个包含尽可能多样本的最小超球作为决策边界，

所述单类支撑向量模型进行二次优化，即：在条件

||x_i-a||²≤R²+ξ_i,ξ_i≥0,i=1,…,N

的约束下，最小化函数：

$L_0(R^2,a,\mathrm{\ξ})=R^2+C\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\ξ}}_i$

其中，ξ_i为松弛变量，常数

控制着球的体积和样本中被拒于球的体积外的样本点数量，v∈(0，1]，l为样本数量。

本发明的进一步技术方案是：所述图像特征提取单元包括对扫描的货币图像进行几何校正的校正模块。

本发明的技术方案是：构建一种验钞装置，包括扫描货币图像的扫描单元、提取扫描图像特征的图像特征提取单元、采用单类支撑向量对货币进行验证的验证单元，所述扫描单元对预验货币进行图像扫描，所述图像特征提取单元把象素特征处理成符合支撑向量机输入的标准矩阵，所述验证单元根据训练好的单类支撑向量模型及判别函数，对提取图像特征步骤中提取的图像象素特征标准矩阵进行计算，根据计算结果判断货币真伪。

本发明的进一步技术方案是：所述图像特征提取单元包括对扫描的货币图像进行几何校正的校正模块。

本发明的技术效果是：提供一种验钞方法和验钞装置，通过采用单类支撑向量模型对货币进行验证识别，本发明验钞方法和验钞装置实现高精度、高可靠性的验钞技术。

附图说明

图1为本发明的流程图。

图2为本发明的单类支撑向量模型构建流程图。

图3为本发明的提取图像特征流程图。

图4为本发明的单类支撑向量机原理图。

图5为本发明的结构示意图。

图6为本发明的具体结构示意图。

具体实施方式

下面结合具体实施例，对本发明技术方案进一步说明。

如图1所示，本发明的具体实施方式是：提供一种验钞方法，包括如下步骤：

步骤100：训练单类支撑向量模型，即：根据采集的货币图像向量进行算法训练，得到单类支撑向量及向量模型。具体包括如下步骤：

步骤110：扫描样本货币图像，即：对货币样本进行图像扫描，所述样本货币全为真币。

步骤120：提取图像特征向量：将样本货币图像象素特征处理成符合支撑向量机输入的标准矩阵，提取样本货币图像特征向量。如图2所示，具体包括如下步骤：

步骤210：等分图像，即：将扫描的样本货币图像按列分成多等份。本发明中，把扫描的样本货币图像按列分成N等份小列。

步骤220：计算象素，即：计算每列的象素值总和。

步骤230：归一化，即：所述每份图像为一个向量，将所述多个向量进行归一化。常用的规一化方法有：标准差规一化，最大值规一化，均值规一化等，本发明采用标准差规一化，也就是使得每一个向量均值为0，方差为1。

步骤240：输入向量，即：把规一化后的向量作为单类支撑向量机的输入。本发明中，把规一化后的向量作为单类支撑向量机的输入，每一个向量即是如下所述的单类支撑向量机的x_i。采集真钞样本图像，分别按照上述方式提取特征向量，即得到一个学习样本库{x_i,i=1,2,…,l},x_i∈R^N。

步骤130：得到支撑向量模型：对所述标准矩阵进行算法训练，得到支撑向量及向量模型。

单类支撑向量模型获取的个体过程如下：单类支撑向量模型及判别函数需要预先采集大量样本货币数据进行训练，假设存在单类学习样本{x_i,i=1,2,…,l},x_i∈R^N，为了能在输入空间R^N中找到一个小的目标区域包括上述样本点，可以用非线性映射Φ将处于空间中的向量x映射到一个高维的特征空间H中，在高维的特征空间中，计算一个包含尽可能多样本的最小超球作为决策边界。如图3所示最小球以a为中心，R为半径，使得样本尽量位于球内而且半径R最小。

要达到此目的需要求解下面的二次优化问题，即在条件

||x_i-a||²≤R²+ξ_i,ξ_i≥0,i=1,…,N

的约束下，最小化函数：

$L_0(R^2,a,\mathrm{\ξ})=R^2+C\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\ξ}}_i$

其中，ξ_i为松弛变量，常数控制着球的体积和样本中被拒于球外的样本点数量，v∈(0,1]。l为样本数量。

为求解原问题，引入Lagrange乘子，从而引入核函数K(x,y)=<φ(x)·φ(y)>，把函数L₀(R²,a,ξ)转化为其对偶问题

$\underset{\mathrm{\&alpha;}}{\max }\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\mathrm{\&alpha;}<x_i,x_i>-\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i{\mathrm{\&alpha;}}_j<x_i,x_j>,$ $\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i=1,{\mathrm{\&alpha;}}_i\&Element;[0,C],\&ForAll;i$

根据Kuhn－Tucker条件，中心a可以表示为，R可以通过中心a和支撑向量x_i计算得到。最终的决策函数为

$f\left(x\right)\&cong;R^2-{\left|\right|x-a\left|\right|}^2$

支撑向量机训练的目的是寻找支撑向量x_i，因此需要对上述QP问题进行求解，本发明中采用速度较快的SMO算法。训练结束后，属于所训练的样本的测试点x_i满足f(x_i)≥0，反之不属于此类。对学习样本x_i而言，绝大多数满足上述决策函数。

步骤200：扫描货币图像，即：对预验货币进行图像扫描。具体过程如下：当有货币通过走钞通道进入时，触发传感器感应到货币，然后对走钞通道中的货币进行图像扫描。

步骤300：提取图像特征向量，即：将货币图像象素特征处理成符合支撑向量机输入的标准矩阵，提取货币图像特征向量。如图3所示，具体包括如下步骤：

步骤210：等分图像，即：将扫描的货币图像按列分成多等份。本发明中，把扫描的货币图像按列分成N等份小列。

步骤220：计算象素，即：计算每列的象素值总和。

步骤230：归一化，即：所述每份图像为一个向量，将所述多个向量进行归一化。常用的规一化方法有：标准差规一化，最大值规一化，均值规一化等，本发明采用标准差规一化，也就是使得每一个向量均值为0，方差为1。

步骤240：输入向量，即：把规一化后的向量作为单类支撑向量机的输入。本发明中，把规一化后的向量作为单类支撑向量机的输入，每一个向量即是如下所述的单类支撑向量机的x_i。采集真钞样本图像，分别按照上述方式提取特征向量，即得到一个学习样本库{x_i,i=1,2,…,l},x_i∈R^N。

步骤400：采用单类支撑向量识别，即：根据训练好的单类支撑向量模型及判别函数，对提取图像特征步骤中提取的图像象素特征标准矩阵进行计算，根据计算结果判断货币真伪。

本发明的优选实施方案是：在提取图像特征的步骤中还包括对扫描的货币图像进行几何校正，即对扫描的图像进行位置校正。具体来说，若进入的货币位置不正，则扫描的货币图像可能歪斜，对于后续串号位置确定和识别带来困难，此时，将扫描的货币图像进行校正使图像放正以便进行后续的识别操作。由于在使用过程中，货币进入后根据其正反两面的不同，货币真伪验证位置也不同，因此，在具体实施例中，在提取图像特征步骤中还包括对扫描的图像进行货币面向识别。具体来说，先对进入的货币的面向进行识别，然后根据识别的货币面向确定货币真伪验证的位置，以方便对货币真伪验证的识别。对于多种货币进出的验钞设备，还包括对货币种类的预先识别验证。

本发明的优选实施方案是：所述验钞方法还包括对判断货币真伪的结果进行输出。本发明对货币真伪的结果验证的输出，其结果输出方式包括显示输出、音频输出等多种方式。

如图5所示，本发明的具体实施方式是：构建一种验钞装置，包括扫描货币图像的扫描单元1、提取扫描图像特征的图像特征提取单元2、采用单类支撑向量对货币进行验证的验证单元3，所述扫描单元1对预验货币进行图像扫描，所述图像特征提取单元2把象素特征处理成符合支撑向量机输入的标准矩阵，所述验证单元3根据训练好的单类支撑向量模型及判别函数，对提取图像特征步骤中提取的图像象素特征标准矩阵进行计算，根据计算结果判断货币真伪。

如图5、图6所示，具体过程如下：所述验钞装置还包括走钞通道5、触发传感器6、扫描单元1、图像特征提取单元2、验证单元3、上位机7、传动单元4。当有货币通过走钞通道5进入时，触发传感器1感应到货币，然后扫描单元1对走钞通道5中的货币进行图像扫描。对扫描的图像进行识别后，所述图像特征提取单元2把象素特征处理成符合支撑向量机输入的标准矩阵。如图3所示，具体包括如下步骤：

步骤210：等分图像，即：将扫描的货币图像按列分成多等份。本发明中，把扫描的货币图像按列分成N等份小列。

步骤220：计算象素，即：计算每列的象素值总和。

步骤230：归一化，即：所述每份图像为一个向量，将所述多个向量进行归一化。常用的规一化方法有：标准差规一化，最大值规一化，均值规一化等，本发明采用标准差规一化，也就是使得每一个向量均值为0，方差为1。

步骤240：输入向量，即：把规一化后的向量作为单类支撑向量机的输入。本发明中，把规一化后的向量作为单类支撑向量机的输入，每一个向量即是如下所述的单类支撑向量机的x_i。采集真钞样本图像，分别按照上述方式提取特征向量，即得到一个学习样本库{x_i,i=1,2,…,l},x_i∈R^N。

所述验证单元3根据训练好的单类支撑向量模型及判别函数，对提取图像特征步骤中提取的图像象素特征标准矩阵进行计算，根据计算结果判断货币真伪。

对于单类支撑向量模型及判别函数的获取，其具体过程如下：假设存在单类学习样本{x_i,i=1,2,…,l},x_i∈R^N，为了能在输入空间R^N中找到一个小的目标区域包括上述样本点，可以用非线性映射Φ将处于空间中的向量x映射到一个高维的特征空间H中，在高维的特征空间中，计算一个包含尽可能多样本的最小超球作为决策边界。如图4所示最小球以a为中心，R为半径，使得样本尽量位于球内而且半径R最小。

要达到此目的需要求解下面的二次优化问题，即在条件

||x_i-a||²≤R²+ξ_i,ξ_i≥0,i=1,…,N

的约束下，最小化函数：

$L_0(R^2,a,\mathrm{\&xi;})=R^2+C\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&xi;}}_i$

其中，ξ_i为松弛变量，常数

控制着球的体积和样本中被拒于球外的样本点数量，v∈(0,1]。l为样本数量。

为求解原问题，引入Lagrange乘子，从而引入核函数K(x,y)=<φ(x)·φ(y)>，把函数L₀(R²,a,ξ)转化为其对偶问题

$\underset{\mathrm{\&alpha;}}{\max }\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\mathrm{\&alpha;}<x_i,x_i>-\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i{\mathrm{\&alpha;}}_j<x_i,x_j>,$ $\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i=1,{\mathrm{\&alpha;}}_i\&Element;[0,C],\&ForAll;i$

根据Kuhn－Tucker条件，中心a可以表示为

，R可以通过中心a和支撑向量x_i计算得到。最终的决策函数为

$f\left(x\right)\&cong;R^2-{\left|\right|x-a\left|\right|}^2$

支撑向量机训练的目的是寻找支撑向量x_i，因此需要对上述QP问题进行求解，本发明中采用速度较快的SMO算法。训练结束后，属于所训练的样本的测试点x_i满足f(x_i)≥0，反之不属于此类。对学习样本x_i而言，绝大多数满足上述决策函数。

本发明的优选实施方式是：所述图像特征提取单元2包括对扫描的货币图像进行几何校正的校正模块，即对扫描的图像进行位置校正。具体来说，若进入的货币位置不正，则扫描的货币图像可能歪斜，对于后续串号位置确定和识别带来困难，此时，校正模块将扫描的货币图像进行校正使图像放正以便进行后续的识别操作。由于在使用过程中，货币进入后根据其正反两面的不同，货币真伪验证位置也不同，因此，在具体实施例中，所述图像特征提取单元2包括对扫描的货币图像进行货币面向识别的面向识别模块。具体来说，先对进入的货币的面向进行识别，然后根据识别的货币面向确定货币真伪验证的位置，以方便对货币真伪验证的识别。对于多种货币进出的验钞设备，还包括对货币种类的预先识别验证。

本发明的优选实施方案是：所述验钞装置还包括输出所述验证单元验证结果的输出单元（图中示标示）。本发明对货币真伪的结果验证的输出，其结果输出方式包括显示输出、音频输出等多种方式。

本发明的技术效果是：提供一种验钞方法和验钞装置，通过采用单类支撑向量模型对货币进行验证识别，本发明验钞方法和验钞装置实现高精度、高可靠性的验钞技术。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (8)

1.一种验钞方法，包括如下步骤：

训练单类支撑向量模型：根据采集的样本货币图像向量进行算法训练，得到单类支撑向量、向量模型及判别函数；

扫描货币图像：对预验货币进行图像扫描；

提取预验货币图像特征向量：将预验货币图像象素特征处理成符合支撑向量机输入的标准矩阵，提取预验货币图像特征向量；

采用单类分类器进行识别：对提取的货币图像特征向量采用单类支撑向量模型和判别函数进行计算，根据计算结果判断货币真伪, 所述单类支撑向量模型采用非线性映射将处于空间中的向量映射到一个高维的特征空间中，在高维的特征空间中，计算一个包含尽可能多样本的最小超球作为决策边界，

所述单类支撑向量模型进行二次优化，即：在条件

的约束下，最小化函数：

    其中，

为松弛变量，R为最小超球的半径，a为最小超球的球心，xi为第i个向量，常数

控制着球的体积和样本中被拒于球的体积外的样本点数量，，

为样本数量。

2.根据权利要求1所述的验钞方法，其特征在于，所述训练单类支撑向量模型包括如下步骤：

扫描样本货币图像：对货币样本进行图像扫描；

提取样本货币图像特征向量：将货币图像象素特征处理成符合支撑向量机输入的标准矩阵，提取样本货币图像特征向量；

得到支撑向量模型：对所述标准矩阵进行算法训练，得到支撑向量、向量模型及判别函数。

3.根据权利要求1或2所述的验钞方法，其特征在于，提取图像特征向量包括如下步骤：

等分图像：将扫描的货币图像按列分成多等份；

计算象素：计算每列的象素值总和；

归一化：每份图像为一个向量，将多个向量进行归一化；

输入向量：把归一化后的向量作为单类支撑向量机的输入。

4.根据权利要求1所述的验钞方法，其特征在于，在提取图像特征向量的步骤中还包括对扫描的预验货币图像进行几何校正。

5.根据权利要求1所述的验钞方法，其特征在于，在提取图像特征向量的步骤中还包括对扫描的预验货币图像进行货币面向识别。

6.根据权利要求1所述的验钞方法，其特征在于，所述验钞方法还包括对判断货币真伪的结果进行输出。

7.一种验钞装置，其特征在于，包括扫描货币图像的扫描单元、提取扫描图像特征的图像特征提取单元、采用单类支撑向量对货币进行验证的验证单元，所述扫描单元对预验货币进行图像扫描，所述图像特征提取单元把象素特征处理成符合支撑向量机输入的标准矩阵，所述验证单元根据训练好的单类支撑向量模型及判别函数，对提取图像特征步骤中提取的图像象素特征标准矩阵进行计算，根据计算结果判断货币真伪, 所述单类支撑向量模型采用非线性映射将处于空间中的向量映射到一个高维的特征空间中，在高维的特征空间中，计算一个包含尽可能多样本的最小超球作为决策边界，

所述单类支撑向量模型进行二次优化，即：在条件

的约束下，最小化函数：

    其中，

为松弛变量，R为最小超球的半径，a为最小超球的球心，xi为第i个向量，常数

控制着球的体积和样本中被拒于球的体积外的样本点数量，

，

为样本数量。

8.根据权利要求7所述的验钞装置，其特征在于，所述图像特征提取单元包括对扫描的货币图像进行几何校正的校正模块。

Images