CN102542660B - 基于票据水印分布特征的票据防伪鉴别方法 - Google Patents

Abstract

本发明公开了一种基于票据水印分布特征的票据防伪鉴别方法，包括如下步骤：选择初始水印类型，依据初始水印类型构建联合模板中的元素，进而构建联合模板；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；采用局部阈值法实现票据图像的二值化；在票据图像中寻找与联合模板相同或相似的目标物，以相关系数为度量标准进行联合模板匹配；提取票据图像的水印分布特征；基于水印分布特征进行特征匹配，鉴别票据的真伪。本发明实现了各水印目标的联合检测，可以有效鉴别金融票据的真伪。

Description

基于票据水印分布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水印分布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。

水印是金融票据的重要防伪标志之一，而且不同票据中不同类型的水印位置分布不一样，因此可以提取票据的水印分布特征进行真伪鉴别。在白光透射下，票据中的水印图像可以显现出来，便于摄像机等图像采集设备进行采集，并进行进一步的分析。然而，不同票据中的水印目标被版纹接线、文字、边框等遮挡程度不同，而且同一类型的水印目标会因为距离光源的位置不同而呈现出不同的灰度分布特性，导致水印分布特征的提取十分困难。

在专利申请号为201110139206.9的中国发明专利申请中，公开了一种适于解决水印算法中透明性与鲁棒性相矛盾问题的灰度水印图像的嵌入和提取方法。灰度水印图像的嵌入方法包括：对原始载体图像分块并进行DCT变换，利用模板将系数分低、中、高频三个数据块，组成新矩阵后进行SVD分解，计算分块能量比，确定适合嵌入的最佳分块位置；将灰度水印信息依据能量比自适应地嵌入到低频分块的奇异值中。灰度水印图像的提取方法包括：对原始载体图像与待检测含水印图像分割成相应个数的互不覆盖的图像块，对各图像块进行DCT变换、根据模板找出各图像块中的低频数据矩阵A并对各矩阵A进行奇异值分解并分离出奇异值中的信息，依据各图像块的能量比按自适应嵌入的原则，恢复出灰度水印图像。但是，该技术方案并不能直接用来进行票据的真伪鉴别。

发明内容

本发明所要解决的技术问题在于提供一种基于票据水印分布特征的票据防伪鉴别方法。

为实现上述的发明目的，本发明采用下述的技术方案：

一种基于票据水印分布特征的票据防伪鉴别方法，其特征在于包括如下步骤：

(1)构建联合模板：选择初始水印类型，依据所述初始水印类型构建联合模板中的元素，进而构建联合模板；

(2)进行图像预处理：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；

(3)实现图像的二值化：采用局部阈值法实现所述票据图像的二值化；

(4)进行联合模板匹配：在所述票据图像中寻找与所述联合模板相同或相似的目标物，以相关系数为度量标准进行联合模板匹配；

(5)特征提取：提取所述票据图像的水印分布特征；

(6)特征匹配：基于所述水印分布特征进行特征匹配，鉴别票据的真伪。

其中较优地，所述步骤(1)中，每一个初始水印类型对应一组目标位置排列组合，每一组位置排列组合构成所述联合模板的一个元素。

其中较优地，所述步骤(2)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，将所述票据图像中的边界部分裁剪掉，只保留票据区域，并将图像调整到统一的尺寸；第三，将裁剪后的所述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(3)中，构造两个局部阈值判决函数；其中第一局部阈值判决函数用来描述加权拉普拉斯梯度，其权值为距离的倒数，第二局部阈值判决函数用来描述像素点灰度与邻域灰度均值的差值。

其中较优地，所述步骤(3)中，对于二值化图像采用如下步骤消除噪声：首先采用形态滤波器去除小的噪声，并合并相邻的连通域；然后搜索所有的连通域，将与目标差异过大的连通域删去。

其中较优地，所述步骤(4)中，在寻找单个模板的最佳匹配位置时，在起始位置的邻域区间上求取最大相关系数，所述最大相关系数对应的位置为所述模板的最佳匹配位置。

其中较优地，所述步骤(5)中，所述水印分布特征包括但不限于水印总数、各水印的类型和位置特征。

其中较优地，所述步骤(6)中，检测当前提取的所述水印分布特征与数据库特征是否相似，如果相似度达到设定门限，则判断票据为真，否则为假。

本发明所提供的票据防伪鉴别方法根据各水印目标之间的约束信息构建联合模板，以相关系数为度量标准设计联合模板匹配准则，从而实现了各水印目标的联合检测，可以有效鉴别金融票据的真伪。

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为某种金融票据中的水印图像的示例图；

图3为图2所示的金融票据中，联合模板元素的构成示例图。

具体实施方式

在深入分析票据水印分布特征的基础上，本发明提出了基于联合模板匹配的票据水印分布特征提取方法。该方法首先根据各水印目标之间的约束信息构建联合模板，以相关系数为度量标准设计联合模板匹配准则，从而实现各水印目标的联合检测，进而鉴别金融票据的真伪。

如图1所示，本发明所提供的票据防伪鉴别方法主要包括六个步骤：第一步是联合模板的构建，第二步是进行图像的预处理，第三步是实现图像的二值化，第四步是进行联合模板匹配，第五步是特征提取，即提取水印目标的防伪特征，第六步是进行特征匹配，鉴别票据的真伪。下面分别展开详细的说明。

1，构建联合模板

为了减少约束多目标检测过程中出现的漏检和误检现象，本发明提出一种联合模板匹配算法。它的基本原理是利用多目标之间的约束信息，联合各目标共同进行模板匹配，各目标匹配结果相互校验，从而大幅度减少单目标匹配过程中出现的漏检和误检现象。具体描述如下：

对于约束多目标检测问题，依据多目标之间的约束信息，枚举各目标可能出现的所有位置排列组合，将该目标位置排列组合对应的模板排列组合称之为联合模板，简记为CT。它可以表征待检测图像中各目标所有可能出现的相对位置分布情况。由于水印是由同一制版印制，不同水印之间的相对位置信息已知，称其为约束信息。依据该约束信息，构建相应的联合模板CT，具体构建方法如下：

(1)选择初始水印类型

参见图2和图3所示，初始水印是指票据中左上角出现的第一个完整水印，这里先选择W1类型水印为初始水印类型。

(2)构建联合模板元素

依据初始水印类型的不同特点构建联合模板CT中的元素，每一个初始水印类型都对应一组目标位置排列组合，每一组位置排列组合构成联合模板的一个元素。将联合模板中的第k个元素简记为Tk(i，j，p，q)，其中(i，j)表示单个模板的像素点位置坐标，(p，q)表示单个模板在联合模板中的索引位置坐标。

(3)构建联合模板

图3为图2所示的金融票据中，由多个模板构建联合模板的示例图。其中，Δx、Δy分别表示水印目标在水平方向和垂直方向的位置偏移量，Tk(i，j，0，0)表示第k个元素位置(0，0)处对应的水印目标模板，在图3的示例中为初始水印W1；相应地，Tk(i，j，p，q)表示第k个元素位置(p，q)处对应的水印目标模板。

对于图3所示例的水印图像而言，水印目标之间的间距固定，故Δx、Δy为常量。在不计算票据边界处不完整水印的情况下，票据每一行最多有6个水印，每一列最多有3个水印，故0≤p≤5，0≤q≤2；水印共有八种类型，故联合模板共有8个元素，于是本示例中水印目标的联合模板为：

CT＝{T_k(i，j，p，q)|0≤k≤7，0≤p≤5，0≤q≤2，k、p、q都为整数}

2.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，将票据图像中的边界部分裁剪掉，只保留如图2所示的票据区域，并将图像调整到统一的尺寸；第三，将裁剪后的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。此处小波变换的作用体现在两个方面，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水印检测的干扰，增强整个算法的鲁棒性。在本发明的一个实施例中，所使用的小波变换公式为：

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：

3.图像二值化

在不同的票据中，水印目标被版纹接线、文字、边框等遮挡程度不同，而且同一类型的水印目标会因为距离光源的位置不同而呈现出不同的灰度分布特性。在此情况下，直接基于灰度图像进行模板匹配无法取得理想的效果。发明人经过深入分析后认为；对于水印目标而言，形状特征是最为典型的特征。因此，这里采用基于二值化图像的模板匹配算法，只考虑水印的形状特征，而不考虑其整体灰度分布特性，可以避免上述因素的影响。

由于水印目标在整体灰度分布上与背景部分区分不明显，因此本发明采用局部阈值法来实现图像二值化。具体而言，首先构造两个局部阈值判决函数F1和F2。其中F1用来描述加权拉普拉斯梯度，其权值为距离的倒数，这样距离中心点越近的像素对梯度的贡献越大；F2用来描述像素点灰度与邻域灰度均值的差值。设像素点邻域(简记为BW Region)的尺寸为(2·w+1)×(2·h+1)，f(i，j)表示像素点(i，j)的灰度值，则：

$F_1(i,j)=r\·\underset{y=-h,x^2+y^2\≠0}{\overset{h}{\mathrm{\Σ}}}\underset{x=-w}{\overset{w}{\mathrm{\Σ}}}\frac{[f(i,j)-f(i+x,j+y)]}{\sqrt{x^2+y^2}}---\left(3\right)$

$F_2(i,j)=r\·[f(i,j)-\frac{1}{(2w+1)\·(2h+1)}\underset{y=-h}{\overset{h}{\mathrm{\Σ}}}\underset{x=-w}{\overset{w}{\mathrm{\Σ}}}f(i+x,j+y)]---\left(4\right)$

在上述的公式中，r值用来区分黑水印和白水印，以黑水印为目标水印时，取r＝1，二值化图像记为BImage；以白水印为目标水印时，取r＝-1，二值化图像记为WImage。设g为二值化图像，则像素点(i，j)处的灰度值为：

在二值化图像中存在许多噪声，影响目标的检测。在本发明的一个实施例中，首先采用形态滤波器去除小的噪声，并合并相邻的连通域；然后搜索所有的连通域，将与目标差异过大的连通域(主要指连通域的面积和曲率)删去，以便减少干扰。

4.联合模板匹配

联合模板匹配的基本思想是在图像中寻找与联合模板相同或相似的多个目标物。这里以相关系数为度量标准来设计联合模板匹配准则。下面仍以票据水印多目标检测为例阐述联合模板的匹配准则。

当初始水印在位置(m，n)时，第k个元素与源图像的相关系数为：

$R_k(m,n)=\frac{1}{\mathrm{qM}\·\mathrm{pM}}\underset{q=0}{\overset{\mathrm{qM}-1}{\mathrm{\Σ}}}\underset{p=0}{\overset{\mathrm{pM}-1}{\mathrm{\Σ}}}{R}_{\max }(m,n,p,q)---\left(6\right)$

其中，

$\mathrm{pM}=\mathrm{Int}\left(\frac{W-m}{\mathrm{\Δx}}\right),$ $\mathrm{qM}=\mathrm{Int}\left(\frac{H-n}{\mathrm{\Δy}}\right)$

$R_{\max }(m,n,p,q)=\underset{-D_x\≤x\≤D_x,{-D}_y\≤y\≤D_y}{\max }\left(\frac{\underset{j=1}{\overset{N}{\mathrm{\Σ}}}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}f(i+m+p\·\mathrm{\Δx}+x,j+n+q\·\mathrm{\Δy}+y)\·T_k(i,j,p,q)}{\sqrt{\underset{j=1}{\overset{N}{\mathrm{\Σ}}}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}f(i+m+p\·\mathrm{\Δx}+x,j+n+q\·\mathrm{\Δy}+y{)}^2}\sqrt{\underset{j=1}{\overset{N}{\mathrm{\Σ}}}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{T}_k{(i,j,p,q)}^2}}\right)$

这里f(i，j)为源图像，W、H分别表示源图像的宽度和高度。pM、qM分别表示此时票据每一行、每一列的水印目标数目，“Int”为取整运算。R_max(m，n，p，q)用来描述模板T_k(i，j，p，q)与源图像的最大相关系数。

由于在图像采集时存在畸变现象，而畸变校正不可能完全消除图像畸变效应，加之各级计算过程都存在一些误差，这样联合模板中模板之间的相对位置信息和源图像中水印目标实际的相对位置信息总有一些偏差，为了获取更精确的水印匹配位置，在寻找单个模板T_k(i，j，p，q)的最佳匹配位置时，需要在起始位置(m+p·Δx，n+q·Δy)的邻域区间SD上求取最大相关系数，最大相关系数对应的位置为模板T_k(i，j，p，q)的最佳匹配位置。这里，SD的尺寸设为(2·D_x+1)×(2·D_y+1)。

依据票据中水印的分布规律，初始水印的位置在区间S内，即：

S＝{(m，n)|0≤m≤Δx，0≤n≤Δy}    (7)

当(m，n)在区间S内移动时，寻找使得R_k(m，n)最大的位置即为联合模板中第k个元素初始水印的最佳匹配位置，最大相关系数R_k为：

$R_k=\underset{(m,n)\∈S}{\max }{R}_k(m,n)---\left(8\right)$

待求出联合模板中所有元素的最大相关系数后，再求取其中的最大相关系数：

$R=\underset{0\≤k\≤7}{\max }{R}_k---\left(9\right)$

与R对应的元素为联合模板的有效元素，该元素中的模板类型和匹配位置即为待检测的水印类型和位置。

5.特征提取

在通过上述步骤检测到水印目标后，即可将提取的票据水印分布特征，包括水印总数、各水印的类型、位置特征等通过票据RFID芯片进行存储(或通过网络存储)，并传递到收票行。

6.特征匹配

特征匹配的任务是检测当前提取的票据水印分布特征与票据RFID芯片中存储(或通过网络存储)的特征(称为数据库特征)是否相似，如果相似度达到设定门限，则判断票据为真，否则为假。在本发明的一个实施例中，采用最小距离方法进行特征匹配，具体说明如下：

首先，假定当前提取的票据水印分布特征为一个三元组，记为B，该票据出票时存储的数据库特征为{Bi|i＝0，1，…，k}，其中k为水印目标的总数。那么，B与Bi的距离可以由三元组中各个元素的距离表示。进一步搜索B与{Bi}的最小距离，进行阈值判决，如果三个元素的最小距离部小于设定的阈值，则认为该票据水印分布特征与数据库特征匹配，匹配目标数加1，同时清除数据库特征中与之距离最小的三元组特征；否则，继续匹配当前票据的其他票据水印分布特征。最后，统计当前票据中满足匹配条件的水印目标总数，如果匹配的水印目标总数与当前票据中总的水印目标数的比值大于设定门限(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。

以上对本发明所提供的基于票据水印分布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)

1.一种基于票据水印分布特征的票据防伪鉴别方法，其特征在于包括如下步骤：

⑴构建联合模板：选择初始水印类型，依据所述初始水印类型构建联合模板中的元素，进而根据水印目标之间的约束信息构建联合模板；

⑵进行图像预处理：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；

⑶实现图像的二值化：采用局部阈值法实现所述票据图像的二值化；

⑷进行联合模板匹配：在所述票据图像中寻找与所述联合模板相同或相似的目标物，以相关系数为度量标准进行联合模板匹配；

⑸特征提取：提取所述票据图像的水印分布特征；

⑹特征匹配：基于所述水印分布特征进行特征匹配，鉴别票据的真伪。

2.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，每一个初始水印类型对应一组目标位置排列组合，每一组位置排列组合构成所述联合模板的一个元素。

3.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，将所述票据图像中的边界部分裁剪掉，只保留票据区域，并将图像调整到统一的尺寸；第三，将裁剪后的所述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。

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，构造两个局部阈值判决函数；其中第一局部阈值判决函数用来描述加权拉普拉斯梯度，其权值为距离的倒数，第二局部阈值判决函数用来描述像素点灰度与邻域灰度均值的差值。

5.如权利要求1或4所述的票据防伪鉴别方法，其特征在于：

所述步骤⑶中，对于二值化图像采用如下步骤消除噪声：首先采用形态滤波器去除小的噪声，并合并相邻的连通域；然后搜索所有的连通域，将与目标差异过大的连通域删去。

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⑷中，在寻找单个模板的最佳匹配位置时，在起始位置的邻域区间上求取最大相关系数，所述最大相关系数对应的位置为所述模板的最佳匹配位置。

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⑸中，所述水印分布特征包括但不限于水印总数、各水印的类型和位置特征。

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⑹中，检测当前提取的所述水印分布特征与数据库特征是否相似，如果相似度达到设定门限，则判断票据为真，否则为假。

Images