CN102542655B - 基于纤维个性化特征的票据防伪鉴别方法 - Google Patents

Abstract

本发明公开了一种基于纤维个性化特征的票据防伪鉴别方法，包括如下步骤：对摄像机获取到的票据图像进行处理，得到标准化的票据图像；采用极大值滤波器进行图像滤波，将票据图像中的多类对象转化成平缓区域背景和纤维目标两类对象；采用优化的二维熵分割算法分割票据图像，检测纤维目标；提取纤维目标的防伪特征，防伪特征为质心坐标、面积、曲率和矩特征中的一个或多个；基于防伪特征进行特征匹配，鉴别票据的真伪。本发明融合了极大值滤波和改进二维熵的纤维小目标检测技术，具有很好的自适应性和稳定性。

Description

基于纤维个性化特征的票据防伪鉴别方法

技术领域

本发明涉及一种票据防伪鉴别方法，尤其涉及一种基于票据表面纤维个性化特征实现的防伪鉴别方法，属于金融安全鉴伪技术领域。

背景技术

随着国民经济的快速发展，金融票据的应用越来越广泛。但目前金融票据在管理、使用和鉴伪方面还存在一些问题，社会上的不法分子把作案目标直接瞄准了银行，金融票据诈骗案件时有发生，给国家造成重大的经济损失。现有的金融票据鉴伪方法主要依靠人工定性分析为主，所存在的问题是人工鉴别强度大、耗时久，且容易由于疲劳或疏忽造成误检。

纤维是票据的重要防伪标志之一，而且不同票据中纤维位置的随机分布不一样，因此可以提取纤维分布特征进行票据鉴伪。在紫外光照射下，纤维有荧光效应，便于提取防伪特征。在这个过程中，票据表面的纤维特征提取是关键步骤和难题。由于票据表面的背景非常复杂，包括文字、边框、荧光标志和平缓区域等，灰度分布范围很广，而纤维目标比较小，虽然灰度大致分布在高亮区，但与背景灰度分布并没有明显的界限，区分比较困难。而且实践中要求对于同一张票据用结构相似的机器提取纤维特征，其结果要一致，这就要求特征提取方法的自适应性和稳定性都要好。

在专利号为ZL200510121107.2的中国发明专利中，公开了一种纤维图像防伪方法，包括如下步骤：提取真实纤维图像的信息并生成真实纤维图像数据库，通过将待验证纤维图像与数据库中的真实纤维图像进行比较从而确定待验证纤维图像的真实性。使用该发明的方法能够克服在紫外灯下用肉眼分辨荧光纤维纸真实性的不足，可以在一定程度上消除荧光纤维纸在防伪应用中的安全隐患。但是无法鉴别仿照真票采用荧光笔绘制的虚假纤维。

另外，谢剑斌、刘通、陈章永等人在论文《基于极值滤波和OTSU的票据表面纤维特征提取》（刊载于《计算机工程》2009年第7期）中，针对票据表面纤维特征提取的难题，提出基于极值滤波和OTSU的票据表面纤维特征提取方法，包括采用极大值滤波方法增强纤维特征并整合复杂背景对象。采用优化流程的OTSU算法分割图像，提取纤维特征。实验结果证明，该方法提取票据表面纤维特征效果好、速度快，一致性指标达91%以上。

发明内容

本发明所要解决的技术问题在于提供一种基于纤维个性化特征的票据防伪鉴别方法。该方法融合了极大值滤波和改进二维熵的纤维小目标检测技术，具有很好的自适应性和稳定性。

为实现上述的发明目的，本发明采用下述的技术方案：

一种基于纤维个性化特征的票据防伪鉴别方法，包括如下步骤：

⑴图像预处理：对摄像机获取到的票据图像进行处理，得到标准化的票据图像；

⑵背景融合：采用极大值滤波器进行图像滤波，将所述票据图像中的多类对象转化成平缓区域背景和纤维目标两类对象；

⑶目标检测：采用无失真的快速递推算法和有失真的优化搜索策略，首先生成所述票据图像关于点灰度-邻域灰度均值的二维直方图，然后在点灰度-邻域灰度均值平面中沿对角线分布的区域用点灰度-邻域灰度均值二维最大熵法确定最佳阈值以分割票据图像，检测纤维目标；

⑷特征提取：提取纤维目标的防伪特征，所述防伪特征为质心坐标、面积、曲率和矩特征；

⑸特征匹配：如果当前票据中某个纤维目标的防伪特征与出票时提取的所有纤维目标的防伪特征的最小距离都小于设定的阈值，则认为该纤维目标与数据库匹配，匹配目标数加1；当所述匹配目标数与当前票据中总的纤维目标数的比值大于预定值时，认为该票据为真票；否则认为该票据为假票。

其中较优地，在确定所述最佳阈值时，采用如下无失真的快速递推算法：首先求出每一行P的初始值，然后递推计算本行其它P值，同时记录各列的初始增量；下一行运算时首先计算下一行P的初始值，同时刷新初始行的P值；所述P为所述二维直方图中沿对角线分布的区域的像素和。

或者，在确定所述最佳阈值时，采用如下有失真的优化搜索策略：第一步在点灰度-邻域灰度均值平面的对角线上进行粗略搜索，寻找使改进二维熵判别函数取最小值的阈值所在的区域；第二步在第一步搜索确定的所述区域周围邻域求使所述改进二维熵判别函数取最小值的阈值作为最佳二维熵分割阈值。

其中较优地，所述步骤⑶中对于分割后的二值化图像通过如下步骤进行标识：

步骤1：使用中值滤波消除孤立噪声点；

步骤2：采用膨胀和腐蚀操作合并目标区域的，除去图像的孔洞；

步骤3：采用邻接连通方法对检测出来的纤维目标的二值图像进行标识。

其中较优地，对于所述纤维目标采用双阈值剔除虚假的目标，所述双阈值包括阈值下限40像素和阈值上限200像素。

其中较优地，所述步骤⑴中进一步包括如下的子步骤：第一，对摄像机获取到的票据图像进行畸变校正；第二，将票据图像中边界的背景裁剪掉，只保留票据区域，并将图像调整到统一的尺寸；第三，将裁剪后的票据图像进行两层小波变换，保留变换后的低频信息作为后续处理的图像信息。

其中较优地，所述步骤⑵中，所述极大值滤波器的窗口尺寸在5×5～15×15像素范围内。

其中较优地，所述步骤⑷中，所述矩特征采用7个Hu不变矩特征表征。

本发明不仅可以更快速地检测纤维小目标的精确位置，而且保留了纤维小目标的轮廓细节信息。在特征提取阶段，不仅提取了纤维的质心坐标特征，而且还提取了纤维面积、曲率和矩特征，因此可以更准确地鉴别票据真伪，尤其是鉴别采用荧光笔绘制的虚假纤维。

附图说明

下面结合附图和具体实施方式对本发明作进一步的详细说明。

图1为本发明所提供的票据防伪鉴别方法的整体流程图；

图2为点灰度-邻域灰度均值平面的示意图；

图3为本票据防伪鉴别方法中所使用的优化搜索策略的示意图。

具体实施方式

在深入分析票据图像各类对象灰度分布规律的基础上，本发明首先提出了基于极大值滤波和改进二维熵的纤维小目标检测方法，检测金融票据中的纤维目标；然后提出基于四元组的特征提取与匹配方法，鉴别票据的真伪。如图1所示，该票据防伪鉴别方法主要包括五个图像处理步骤：第一步是图像预处理，得到标准化的票据图像；第二步是背景融合，将票据图像的多类对象转变为两类对象，即纤维目标和平缓区域背景；第三步是目标检测，采用优化的二维熵分割算法快速分割票据图像，检测纤维目标；第四步是特征提取，提取纤维目标的防伪特征；第五步是特征匹配，鉴别票据真伪。下面分别展开详细的说明。

1.图像预处理

图像预处理阶段的工作主要有三个：第一，对摄像机获取到的票据图像进行畸变校正，减小图像畸变对水印结构和相对位置的影响；第二，将票据图像中边界的背景裁剪掉，只保留票据区域，并将图像调整到统一的尺寸（即标准化）；第三，将裁剪后的票据图像进行两层小波变换，保留变换后的低频信息作为后续处理的图像信息。此处两层小波变换的贡献有两个方面，一是在保留图像主要信息的前提下降低待处理图像的尺寸，从而降低后续图像处理各个阶段的运算量；二是减小光照和噪声对纤维目标检测的干扰，增强算法的鲁棒性。在本发明中，所用的两层小波变换公式为：

其中，W(j,m,n)系数为在尺度j处图像f(x,y)的近似，m和n分别表示变换后图像的宽度和高度，为Haar小波尺度函数，用公式表示为：

2.背景融合

在金融票据的图像中有字体、边框、平缓区域和纤维等多类对象，灰度分布范围广。仔细分析各类对象的灰度分布可以发现，字体和边框所占像素数目少，而且灰度值偏小；平缓区域所占像素数目很多，而且灰度值居中；纤维所占像素数目少，而且灰度值偏大。为此，发明人首先采用极大值滤波器进行图像滤波，将字体和边框两类对象归入平缓区域，同时增强纤维目标，避免光源不稳定等因素造成的纤维特征断裂或者部分缺失。通过极大值滤波，可以将票据图像的多类对象转化成两类对象，即平缓区域背景和纤维目标。

影响极大值滤波效果的主要因素是滤波窗口尺寸，窗口太大不仅影响处理速度，而且会造成特征的混叠，然而窗口太小又不能很好地融合背景和增强特征。经过大量实验验证，窗口尺寸应该在5×5～15×15（单位：像素）范围内，例如本发明的一个实施例中窗口尺寸设为11×11。这样，极大值滤波器为：

f_ij＝max_ij,max_ij为像素点（i,j）所在11×11邻域窗口内的灰度最大值

3.目标检测

在金融票据的荧光图像中，虽然荧光纤维处在高亮区，但容易受到光照和噪声等的干扰，所以精确分割纤维目标并不容易。通过大量实验，发明人采用二维熵法分割纤维目标。二维熵法是利用图像单象素点的灰度值分布及其邻域的平均灰度值分布所构成的二维灰度直方图选取阈值，优点是算法适应性强、分割效果更好，缺点是处理速度太慢。为此，发明人采用优化的二维熵函数，提出了一种无失真的快速递推算法和有失真的优化搜索策略，在不影响分割效果的前提下极大地提高了改进二维熵的运算速度。具体说明如下：

首先，发明人根据熵函数在等概率场下取到最大值的性质，对二维熵函数进行优化，提出一种分割效果相同、计算速度更快、实时处理能力更强的二维熵函数。

设X是取有限个值的随机变量，p_i＝P{X＝x_i}，i＝1，2，…，n，其中p_i为事件x_i发生的概率，P表示事件的概率，ｎ为样本容量，则X的Shannon熵H(X)定义为：

$H\left(X\right)\≅\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{p}_i{\log }_2\frac{1}{p_i}=-\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{p}_i{\log }_2{p}_i---\left(3\right)$

其中，

并规定当p_i＝0时，

上式中H(X)≤log₂n，当且仅当p_i＝1/n，i＝1，2，…，n时等号成立，这就是Shannon熵等概率场具有最大熵的性质。

假设有一幅尺度为M×N、灰度级为L_f(0≤L_f≤255)的灰度图像f(x，y)，g(x，y)为f(x，y)在每一相应点(x，y)的k×k邻域的灰度均值图像，即：

$g(x,y)=\mathrm{INT}\left(\frac{1}{{(k+1)}^2}\underset{m=-k}{\overset{k}{\mathrm{\Σ}}}\underset{n=-k}{\overset{k}{\mathrm{\Σ}}}f(x+m,y+n)\right)$

其中，0≤x+m≤M，0≤y+n≤N，g(x，y)灰度级为L_g，INT表示取整运算。

定义k_ij(i＝0，…，L_f-1，j＝0，…，L_g-1)为同时使f(x，y)＝i、g(x，y)＝j的像素点对数，则点灰度值为i，邻域灰度均值为j点对发生的概率为：

$p_{\mathrm{ij}}=k_{\mathrm{ij}}/\underset{i=0}{\overset{L_f-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{L_g-1}{\mathrm{\Σ}}}{k}_{\mathrm{ij}},i=0,...,L_f-1,j=0,...,L_g-1---\left(4\right)$

那么，由p_ij就可以生成该图像关于点灰度-邻域灰度均值的二维直方图。

假设阈值在(s，t)处，且目标灰度值较低，背景灰度值较高，则点灰度-邻域灰度均值矩阵k_ij被划分为A、B、C、D四个象限，如图2所示。由于一幅图像所有像素中目标点和背景点所占比例最大，而目标区域和背景区域内部像素比较均匀，灰度及邻域灰度均值相差不大，所以目标点与背景点都集中在对角线附近。远离对角线的点是图像中噪声和边缘点。沿对角线分布的A区和B区分别代表目标和背景，远离对角线的C区和D区代表边界和噪声。因此，应该在A区和B区用点灰度-邻域灰度均值二维最大熵法确定最佳阈值，使真正代表目标和背景的信息量最大。

设A区和B区的像素和分别记为P_A、P_B，其概率分布分别记为则：

$P_A=\underset{i=0}{\overset{s-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{t-1}{\mathrm{\Σ}}}{k}_{\mathrm{ij}}$

$P_B=\underset{i=s}{\overset{L_f-1}{\mathrm{\Σ}}}\underset{j=t}{\overset{L_g-1}{\mathrm{\Σ}}}{k}_{\mathrm{ij}}$

$p_{\mathrm{ij}}^A=k_{\mathrm{ij}}/P_A,i=0,...,s-1,j=o,...,t-1$

$p_{\mathrm{ij}}^B=k_{\mathrm{ij}}/P_b,i=s,...,L_f-1,j=t,...,L_g-1$

则A区和B区的熵分别为：

$H\left(A\right)=-\underset{i=0}{\overset{s-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{t-1}{\mathrm{\Σ}}}{p}_{\mathrm{ij}}^A{\log }_2{p}_{\mathrm{ij}}^A$

$H\left(B\right)=-\underset{i=s}{\overset{L_f-1}{\mathrm{\Σ}}}\underset{j=t}{\overset{L_g-1}{\mathrm{\Σ}}}{p}_{\mathrm{ij}}^B{\log }_2{p}_{\mathrm{ij}}^B$

由于C区和D区包含噪声和边缘信息，将其概率分布忽略不计，这样可以得到熵判别函数为：

$H(s,t)=H\left(A\right)+H\left(B\right)=-(\underset{j=0}{\overset{s-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{t-1}{\mathrm{\Σ}}}{p}_{\mathrm{ij}}^A{\log }_2{p}_{\mathrm{ij}}^A+\underset{i=s}{\overset{L_f-1}{\mathrm{\Σ}}}\underset{j=t}{\overset{L_g-1}{\mathrm{\Σ}}}{p}_{\mathrm{ij}}^B{\log }_2{p}_{\mathrm{ij}}^B)---\left(5\right)$

按照最大熵原则，使H(s，t)取最大值的(s*，t*)为最佳阈值。

构造函数H'(s，t)：

$H^{\′}(s,t)=\underset{j=0}{\overset{s-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{t-1}{\mathrm{\Σ}}}|p_{\mathrm{ij}}^A-\frac{1}{\mathrm{st}}|+\underset{i=s}{\overset{L_f-1}{\mathrm{\Σ}}}\underset{j=t}{\overset{L_g-1}{\mathrm{\Σ}}}|p_{\mathrm{ij}}^B-\frac{1}{(L_f-1)(L_g-1)}|---\left(6\right)$

根据熵函数在等概率场下取到最大值的性质，可以证明(s*，t*)使H(s，t)取最大值与使H'(s，t)取最小值是等效的。由于H'(s，t)将H(s，t)中对数与乘积运算优化为减法运算，所以计算量大大减少。因此，将H'(s，t)作为改进二维熵判别函数，最佳阈值(s*，t*)满足：

$(s*,t*)=\mathrm{Arg}\left\{\underset{0\≤s\≤L_f-1,0\≤t\≤L_g-1}{\min }{H}^{\′}(s,t)\right\}---\left(7\right)$

寻求最佳阈值(s*，t*)的过程是遍历(s，t)的定义域寻求使H'(s，t)为最大的(s，t)取值。在这一过程中，P_A、P_B是(s，t)的函数，但每次计算都要遍历(i，j)的定义域，造成大量的重复运算。通过分析发现，P_A、P_B存在如下的递推公式：

$P_A(s,t+1)=\underset{i=0}{\overset{s-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{t}{\mathrm{\Σ}}}{k}_{\mathrm{ij}}=\underset{j=0}{\overset{s-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{t-1}{\mathrm{\Σ}}}{k}_{\mathrm{ij}}+\underset{j=0}{\overset{s-1}{\mathrm{\Σ}}}{k}_{\mathrm{it}}=P_A(s,t)+P_A\left(s\right)---\left(8\right)$

$P_B(s,t+1)=\underset{i=s}{\overset{L_f-1}{\mathrm{\Σ}}}\underset{j=t+1}{\overset{L_g-1}{\mathrm{\Σ}}}{k}_{\mathrm{ij}}=\underset{i=s}{\overset{L_f-1}{\mathrm{\Σ}}}\underset{j=t}{\overset{L_g-1}{\mathrm{\Σ}}}{k}_{\mathrm{it}}=P_B(s,t)-P_B\left(s\right)---\left(9\right)$

在进行计算时，先求出每一行P_A、P_B的初始值P_A(s0，t0)、P_B(s0，t0)，然后用上面的递推公式计算该行各像素点的P_A、P_B值，同时记录各列的初始增量P_A(s)、P_B(s)。

下一行运算时首先计算下一行P_A、P_B的初始值，依据下面的递推公式计算，同时刷新初始行P_A、P_B值：

$P_A(s,t+1)=\underset{i=0}{\overset{s}{\mathrm{\Σ}}}\underset{j=0}{\overset{t-1}{\mathrm{\Σ}}}{k}_{\mathrm{ij}}=\underset{j=0}{\overset{s-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{t-1}{\mathrm{\Σ}}}{k}_{\mathrm{ij}}+\underset{j=0}{\overset{t-1}{\mathrm{\Σ}}}{k}_{\mathrm{sj}}=P_A(s,t)+P_A(s,t)+\underset{j=0}{\overset{t-1}{\mathrm{\Σ}}}{k}_{\mathrm{sj}}---\left(10\right)$

$P_B(s+1,t)=\underset{i=s+1}{\overset{L_f-1}{\mathrm{\Σ}}}\underset{j=t}{\overset{L_g-1}{\mathrm{\Σ}}}{k}_{\mathrm{ij}}=\underset{i=s}{\overset{L_f-1}{\mathrm{\Σ}}}\underset{j=t}{\overset{L_g-1}{\mathrm{\Σ}}}{k}_{\mathrm{ij}}-\underset{j=t}{\overset{L_g-1}{\mathrm{\Σ}}}{k}_{\mathrm{sj}}=P_B(s,t)-\underset{j=t}{\overset{L_g-1}{\mathrm{\Σ}}}{k}_{\mathrm{sj}}---\left(11\right)$

该行各像素点的P_A、P_B值依据递推公式计算，其中增量可以按下面的递推公式计算，同时刷新各列初始增量：

$P_A(s+1)=\underset{i=0}{\overset{s}{\mathrm{\Σ}}}{k}_{\mathrm{it}}=\underset{i=0}{\overset{s-1}{\mathrm{\Σ}}}{k}_{\mathrm{it}}+k_{\mathrm{st}}=P_A\left(s\right)+k_{\mathrm{st}}---\left(12\right)$

$P_B(s+1)=\underset{i=s+1}{\overset{L_f-1}{\mathrm{\Σ}}}{k}_{\mathrm{it}}=\underset{i=s}{\overset{L_f-1}{\mathrm{\Σ}}}{k}_{\mathrm{it}}-k_{\mathrm{st}}=P_B\left(s\right)-k_{\mathrm{St}}---\left(13\right)$

按照以上的递推公式可以大大减少运算量，提高处理速度，同时也没有影响二维熵阈值选取效果。

下面所述的优化搜索策略首先在对角线上进行熵的计算，要用到的递推公式如下：

$P_A(s+1,t+1)=\underset{j=0}{\overset{s}{\mathrm{\Σ}}}\underset{j=0}{\overset{t}{\mathrm{\Σ}}}{k}_{\mathrm{ij}}=\underset{i=0}{\overset{s-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{t-1}{\mathrm{\Σ}}}{k}_{\mathrm{ij}}+\underset{j=0}{\overset{t-1}{\mathrm{\Σ}}}{k}_{\mathrm{sj}}+\underset{i=0}{\overset{s}{\mathrm{\Σ}}}{k}_{\mathrm{it}}=P_A(s,t)+{P_A}^{\′}+{P_A}^{\′}\left(s\right)$

$P_B(s+1,t+1)=\underset{i=s+1}{\overset{L_f-1}{\mathrm{\Σ}}}\underset{j=t+1}{\overset{L_g-1}{\mathrm{\Σ}}}{k}_{\mathrm{ij}}=\underset{i=s}{\overset{L_f-1}{\mathrm{\Σ}}}\underset{j=t}{\overset{L_g-1}{\mathrm{\Σ}}}{k}_{\mathrm{ij}}+\underset{j=t}{\overset{L_g-1}{\mathrm{\Σ}}}{k}_{\mathrm{sj}}+\underset{i=s+1}{\overset{L_f-1}{\mathrm{\Σ}}}{k}_{\mathrm{it}}=P_B(s,t)+{P_B}^{\′}+{P_B}^{\′}\left(s\right)$

${P_A}^{\′}(t+1)=\underset{j=0}{\overset{t}{\mathrm{\Σ}}}{k}_{\mathrm{sj}}=\underset{i=0}{\overset{t-1}{\mathrm{\Σ}}}{k}_{\mathrm{it}}+k_{\mathrm{st}}={P_A}^{\′}\left(t\right)+k_{\mathrm{st}}$

${P_A}^{\′}(s+1)=\underset{i=0}{\overset{s+1}{\mathrm{\Σ}}}{k}_{\mathrm{it}}=\underset{i=0}{\overset{s}{\mathrm{\Σ}}}{k}_{\mathrm{it}}+k_{(s+1)t}={P_A}^{\′}\left(s\right)+k_{(s+1)t}$

${P_B}^{\′}(t+1)=\underset{j=t+1}{\overset{L_g-1}{\mathrm{\Σ}}}{k}_{\mathrm{sj}}=\underset{j=t}{\overset{L_g-1}{\mathrm{\Σ}}}{k}_{\mathrm{sj}}-k_{\mathrm{st}}={P_B}^{\′}\left(t\right)-k_{\mathrm{st}}$

${P_B}^{\′}=(s+1)=\underset{i=s+2}{\overset{L_f-1}{\mathrm{\Σ}}}{k}_{\mathrm{it}}\underset{i=s+1}{\overset{L_f-1}{\mathrm{\Σ}}}{k}_{\mathrm{it}}-k_{(s+1)t}={P_B}^{\′}\left(s\right)-k_{(s+1)t}$

传统二维熵阈值分割算法在搜索最佳阈值时需要利用穷举法遍历(s，t)的定义域，而事实上依据二维熵阈值分割算法的原理，一幅图像所有像素中目标点和背景点所占比例最大，而目标区域和背景区域内部像素比较均匀，灰度及邻域灰度均值相差不大，所以目标点与背景点都集中在对角线附近，远离对角线的点是图像中噪声和边缘点。因此，最佳阈值通常分布在图3所示的对角线上某点周围一个小区域中，为此，发明人进一步提出一种优化的搜索策略，减少了不必要的二维灰度分布区域的计算。这样大大提高了处理速度，同时不会对分割效果造成较大影响，对于背景、目标内部变化平缓的图像分割效果优于传统方法。

上述优化的搜索策略在进行阈值搜索时分两步进行：第一步在点灰度-邻域灰度均值平面的对角线上进行粗略搜索，目的是寻找最佳二维熵分割阈值所在的区域；第二步在第一次搜索确定的区域内进行精确搜索，寻找最佳二维熵分割阈值。需要说明的是，该优化的搜索策略相对于原始算法是有失真的，但失真程度可以接受。

基于优化的二维熵函数，发明人将无失真的快速递推算法和有失真的优化搜索策略相结合，在不影响分割效果的前提下极大地提高了改进二维熵的运算速度。具体步骤如下：

步骤1：读入图像f(x，y)；

步骤2：计算图像f(x，y)的k×k邻域灰度均值图像g(x，y)；

步骤3：求使f(x，y)＝i，g(x，y)＝j点灰度-邻域灰度均值点对kij(i＝0，…，Lf-1，j＝0，…，Lg-1)；

步骤4：粗略搜索，在对角线上求使H'(s，t)取最小值的阈值(s′，t′)；

步骤5：精确搜索，在(s′，t′)周围m×n邻域求使H'(s，t)取最小值的阈值(s*，t*)，此即为最佳阈值。在本发明的一个实施例中，优选m＝n＝32。

步骤6：按最佳阈值分割图像。

对于分割后的二值化图像，本发明采用中值滤波和数学形态学相结合的方法标记目标区域（即纤维目标），具体步骤如下：

步骤1：使用中值滤波消除孤立噪声点；

步骤2：目标区域的合并可以采用数学形态学中常用的膨胀和腐蚀操作，除去图像的“孔洞”；

步骤3：采用邻接连通方法，对检测出来的目标区域的二值图像进行标识。

在上述过程中，由于纤维目标包含的像素数往往在一个有限的范围内（一般为40～200，单位：像素），可以采用双阈值法剔除虚假的目标，阈值下限设为40，阈值上限设为200。

4.特征提取

在通过上述步骤检测到纤维目标后，即可将提取的票据纤维特征存储在票据RFID芯片中。在本发明中，采用基于四元组的纤维特征提取方法，具体说明如下：

单个纤维的四元组记为：B＝{p,a,θ,φ}

其中，p表示纤维目标的质心坐标，a表示纤维目标的面积，θ表示纤维目标的曲率，φ表示纤维目标的矩特征。

为方便说明，以某一个纤维目标为例，记该纤维目标的二值化图像为I，外接矩形尺寸为m×n，纤维目标像素值为1，背景像素值为0，该纤维目标起点坐标相对于票据图像起点坐标的偏移坐标为(x_d,y_d)。

（1）纤维目标的质心坐标

在该纤维目标的二值图像中，质心坐标可以由下式计算：

$\stackrel{\‾}{x}=\left[\underset{x=0}{\overset{m-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{n-1}{\mathrm{\Σ}}}\mathrm{xI}(x,y)\right]/\left[\underset{x=0}{\overset{m-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{n-1}{\mathrm{\Σ}}}I(x,y)\right]---\left(14\right)$

$\stackrel{\‾}{y}=\left[\underset{x=0}{\overset{m-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{n-1}{\mathrm{\Σ}}}\mathrm{yI}(x,y)\right]/\left[\underset{x=0}{\overset{m-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{n-1}{\mathrm{\Σ}}}I(x,y)\right]---\left(15\right)$

那么，该纤维目标在金融票据图像中的质心坐标为

（2）纤维目标的面积

对于二值化的纤维目标图像，纤维目标的面积即为纤维目标所包含的像素个数，可以用如下公式计算：

$a=\underset{x=0}{\overset{m-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{n-1}{\mathrm{\Σ}}}I(x,y)---\left(16\right)$

（3）纤维目标的曲率

为了快速计算的需要，纤维的曲率特征可以简单地由纤维质心坐标和纤维两个端点之间的夹角来代替，计算公式如下：

$\mathrm{\θ}=\arccos [(\stackrel{\‾}{P_2{P}_3}+\stackrel{\‾}{P_2{P}_1}-\stackrel{\‾}{P_1{P}_3})/\left(2\sqrt{\stackrel{\‾}{P_2{P}_3}\×\stackrel{\‾}{P_2{P}_1}}\right)]---\left(17\right)$

其中， $\stackrel{\‾}{P_2{P}_3}={(P_{2x}-P_{3x})}^2+{(P_{2y}-P_{3y})}^2,$

$\stackrel{\‾}{P_2{P}_1}={(P_{2x}-P_{1x})}^2+{(P_{2y}-P_{1y})}^2,$

$\stackrel{\‾}{P_1{P}_3}={(P_{1x}-P_{3x})}^2+{(P_{1y}-P_{3y})}^2.$

点(P_1x,P_1y)为纤维左端点的坐标，点(P_2x,P_2y)为纤维质心的坐标，点(P_3x,P_3y)为纤维右端点的坐标。

（4）纤维目标的矩特征

纤维目标的矩特征采用7个Hu不变矩特征表征，公式如下：

Φ₁＝η₂₀+η₀₂

Φ₂＝(η₂₀-η₀₂)²+4η₁₁ ²

Φ₃＝(η₃₀-3η₁₂)²+(3η₂₁-η₀₃)²

Φ₄＝(η₃₀+η₁₂)²+(η₂₁+η₀₃)²

Φ₅＝(η₃₀-3η₁₂)(η₃₀+η₁₂)[(η₃₀+η₁₂)²-3(η₂₁+η₀₃)²]+

(3η₂₁+η₀₃)(η₂₁+η₀₃)[3(η₃₀+η₁₂)²-(η₂₁+η₀₃)²]

Φ₆＝(η₂₀-η₀₂)[(η₃₀+η₁₂)²-(η₂₁+η₀₃)²]+4η₁₁(η₃₀+η₁₂)(η₂₁+η₀₃)

Φ₇＝(3η₁₂-η₃₀)(η₃₀+η₁₂)[(η₃₀+η₁₂)²-3(η₂₁+η₀₃)²]+

(3η₂₁-η₀₃)(η₂₁+η₀₃)[3(η₃₀+η₁₂)²-(η₁₂+η₃₀)²]

其中，

${\mathrm{\η}}_{\mathrm{pq}}=\left[\underset{x=0}{\overset{m-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{n-1}{\mathrm{\Σ}}}{(x-\stackrel{\‾}{x})}^p{(y-\stackrel{\‾}{y})}^{q}I(x,y)\right]/\left\{{\left[\underset{x=0}{\overset{m-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{n-1}{\mathrm{\Σ}}}I(x,y)\right]}^{\frac{(p+q)}{2}+1}\right\}$

通过上述步骤，可以提取票据中所有纤维目标的四元组特征。

5.特征匹配

特征匹配的任务是检测当前提取的票据特征与票据RFID芯片中存储的特征（称之为数据库特征）是否相似，本发明中采用最小距离方法进行特征匹配，具体说明如下。

首先，假定当前票据中某一个纤维目标的四元组特征为B，该票据出票时提取的所有纤维目标的四元组特征为{B_i|i＝0,1,…,k}，其中k为纤维目标的总数。那么，B与B_i的距离可以由四元组中各个元素的距离表示：

$d_{\mathrm{pi}}=\sqrt{{\left(\stackrel{\‾}{x-{\stackrel{\‾}{x}}_i^0}\right)}^2+{(\stackrel{\‾}{y}-{\stackrel{\‾}{y}}_i^0)}^2}$

$d_{\mathrm{ai}}=|a-a_i^0|$

$d_{\mathrm{\θi}}=|\mathrm{\θ}-{\mathrm{\θ}}_i^0|$

$d_{\mathrm{\φi}}=\sqrt{\underset{j=1}{\overset{7}{\mathrm{\Σ}}}{({\mathrm{\Φ}}_{\mathrm{ji}}-{\mathrm{\Φ}}_{\mathrm{ji}}^0)}^2}$

其中，上标为0的特征表示数据库中的特征，d_pi表示质心距离，d_ai表示面积距离，d_θi表示曲率距离，d_φi表示矩距离。

然后搜索B与{B_i}的最小距离，描述如下：

d_xmin＝min(d_xi)

其中，x用来替代p、a、θ和φ，min表示取最小值。

接着进行阈值判决，如果四个元素的最小距离都小于设定的阈值，则认为该纤维目标与数据库匹配，匹配目标数加1，同时清除数据库中与之距离最小的四元组特征；否则，继续匹配当前票据的其他纤维目标。在本发明的一个实施例中，四个阈值分别为T_p＝9，T_a＝20，T_θ＝0.34，T_φ＝8。

最后，统计当前票据中满足匹配条件的纤维目标总数，如果匹配的纤维目标总数与当前票据中总的纤维目标数的比值大于预定值（例如为0.8或0.85），则认为该票据为真票；否则认为该票据为假票。

与现有技术相比较，本发明提出了基于极大值滤波和改进二维熵的纤维小目标检测方法，不仅可以更快速地检测纤维小目标的精确位置，而且保留了纤维小目标的轮廓细节信息。在特征提取阶段，不仅提取了纤维的质心坐标特征，而且还提取了纤维面积、曲率和矩特征，同时，本发明提出了基于四元组的纤维特征提取和匹配方法，可以更准确地鉴别票据真伪，尤其是鉴别采用荧光笔绘制的虚假纤维。

以上对本发明所提供的基于纤维个性化特征的票据防伪鉴别方法进行了详细的说明。对本领域的技术人员而言，在不背离本发明实质精神的前提下对它所做的任何显而易见的改动，都将构成对本发明专利权的侵犯，将承担相应的法律责任。

Claims (8)

1.一种基于纤维个性化特征的票据防伪鉴别方法，其特征在于包括如下步骤：

⑴图像预处理：对摄像机获取到的票据图像进行处理，得到标准化的票据图像；

⑵背景融合：采用极大值滤波器进行图像滤波，将所述票据图像中的多类对象转化成平缓区域背景和纤维目标两类对象；

⑶目标检测：采用无失真的快速递推算法和有失真的优化搜索策略，首先生成所述票据图像关于点灰度-邻域灰度均值的二维直方图，然后在点灰度-邻域灰度均值平面中沿对角线分布的区域用点灰度-邻域灰度均值二维最大熵法确定最佳阈值以分割票据图像，检测纤维目标；

⑷特征提取：提取纤维目标的防伪特征，所述防伪特征为质心坐标、面积、曲率和矩特征；

⑸特征匹配：如果当前票据中某个纤维目标的防伪特征与出票时提取的所有纤维目标的防伪特征的最小距离都小于设定的阈值，则认为该纤维目标与数据库匹配，匹配目标数加1；当所述匹配目标数与当前票据中总的纤维目标数的比值大于预定值时，认为该票据为真票；否则认为该票据为假票。

2.如权利要求1所述的票据防伪鉴别方法，其特征在于：

在确定所述最佳阈值时，采用如下无失真的快速递推算法：首先求出每一行P的初始值，然后递推计算本行其它P值，同时记录各列的初始增量；下一行运算时首先计算下一行P的初始值，同时刷新初始行的P值；所述P为所述二维直方图中沿对角线分布的区域的像素和。

3.如权利要求1所述的票据防伪鉴别方法，其特征在于：

在确定所述最佳阈值时，采用如下有失真的优化搜索策略：第一步在点灰度-邻域灰度均值平面的对角线上进行粗略搜索，寻找使改进二维熵判别函数取最小值的阈值所在的区域；第二步在第一步搜索确定的所述区域周围邻域求使所述改进二维熵判别函数取最小值的阈值作为最佳二维熵分割阈值。

4.如权利要求1所述的票据防伪鉴别方法，其特征在于：

所述步骤⑶中，对于分割后的二值化图像通过如下步骤进行标识：

步骤1：使用中值滤波消除孤立噪声点；

步骤2：采用膨胀和腐蚀操作合并目标区域的，除去图像的孔洞；

步骤3：采用邻接连通方法对检测出来的纤维目标的二值图像进行标识。

5.如权利要求1所述的票据防伪鉴别方法，其特征在于：

对于所述纤维目标采用双阈值剔除虚假的目标，所述双阈值包括阈值下限40像素和阈值上限200像素。

6.如权利要求1所述的票据防伪鉴别方法，其特征在于：

所述步骤⑴中进一步包括如下的子步骤：第一，对摄像机获取到的票据图像进行畸变校正；第二，将票据图像中边界的背景裁剪掉，只保留票据区域，并将图像调整到统一的尺寸；第三，将裁剪后的票据图像进行两层小波变换，保留变换后的低频信息作为后续处理的图像信息。

7.如权利要求1所述的票据防伪鉴别方法，其特征在于：

所述步骤⑵中，所述极大值滤波器的窗口尺寸在5×5～15×15像素范围内。

8.如权利要求1所述的票据防伪鉴别方法，其特征在于：

所述步骤⑷中，所述矩特征采用7个Hu不变矩特征表征。

Images