CN102750771A - 一种应用于智能手机的第五套人民币面额识别方法 - Google Patents

Abstract

本发明公开了一种应用于智能手机的第五套人民币面额识别方法。该方法主要的实现思路是通过拍摄人民币的图像，采用HSV颜色直方图作为人民币的票面颜色特征，经过图像的预处理和特征提取去除背景影响的人民币图像，然后利用PNN网络对人民币进行识别。通过该方法可以更快更好地识别人民币面额，操作简单、维护方便，减轻了劳动强度，方便人们的日常生活。

Description

一种应用于智能手机的第五套人民币面额识别方法

技术领域

本发明涉及图像处理技术领域，尤其涉及一种应用于智能手机的第五套人民币面额识别方法。

背景技术

现代社会随着经济发展，金融业繁荣发展。人民币面额识别作为纸币清分系统的组成部分，在金融业信息化中具有重要的意义。其用途甚广，不仅可以应用于便利视觉缺陷的群众辨识面额，也以应用于金融设备中用于自助交易。

现在中国流通量最大的人民币版本是第五套。1999年10月1日，中华人民公共国成立50周年之际，中国人民银行开始发第五套币的100元，后陆续发行其他各个面额。这套人民币共有1元、5元、10元、20元、50元和100元共6种面额的纸币和1元的硬币。其中，人民币纸币较硬币而言，面额多元，因此识别纸币的面额应用更加广阔。

智能手机发展至今，具有相应开放式的操作系统，其常见功能有摄像、网络和多媒体应用等功能。将人民币识别系统应用到手机中，有利于实时识别人民币面额。

现在社会上主要的纸币面额识别设备多为清分机，具有速度快，耗能小和准确度高的优点，减轻了出纳人员劳动强度，实现了纸币清分的自动化处理。因此在我国各商业银行中发挥着重要作用。

其识别纸币面额的方法主要有：

一是根据纸币的磁性水墨、磁性安全线等的磁性特点，设计相应的传感器进行数据采集，并进行相应的匹配。

二是根据纸币的图像特性，进行图像处理，获得相应的信息进行匹配。多采用票面纹理特征，采用特征匹配的方式。

现在我国纸币清分机以进口产品为主，近年国产品牌也陆续出现。但是，产品造价高昂，维修服务成本高，携带不便，并不能在群众日常的货币交易中进行普及。

发明内容

为了解决上述问题，本发明提出了一种应用于智能手机的第五套人民币面额识别方法。

一种应用于智能手机的第五套人民币面额识别方法，该方法是通过手机摄像头拍摄人民币的图像，经过图像的预处理和特征提取去除背景影响的人民币图像，采用HSV颜色直方图作为人民币的票面颜色特征，然后利用PNN网络对人民币进行识别。

手机摄像头拍摄纸币图像时，拍摄条件要求背景单一，光线自然，有色光源干扰少，拍摄时需将人民币的全貌进行拍摄，并要求图像中纸币与水平校准线的角度差小于20°。

人民币图像的预处理流程为：a模块是彩色图像灰度化模块，处理后获得彩色图像的灰度图像；通过b门限处理模块，获得灰度图像的二进制图像，即黑白图像；通过c模块对图像进行水平和竖直投影，则可以获得人民币图像的边界；最后，根据上述边界确定图像的目标，获得去除了背景的人民币图像。

人民币图像的特征提取是通过RGB颜色模式到HSV颜色模式的非线性转换实现的；

一个像素点的颜色用RGB色彩模式可以表示为(r，g，b)，这个坐标分别是红、绿和蓝坐标，r，g，b∈[0，1]，设max为r、g和b中的最大值，min为最小值，这个颜色在HSV色彩空间中表示为(H，S，V)；其中，h∈[0，360°)，表示角色相角，s，v∈[0，1]，表示饱和度和亮度，

如果max≠min，那么RGB色彩模式和HSV色彩模式的转换关系如下：

$S=\frac{\max -\min }{\max }---\left(2\right)$

V＝max         (3)

如果max＝min，则H＝0°，该图为灰度图；

如果max＝0，则S＝0，V＝0，为纯黑色；

将H、S、V三个分量根据人的视觉感知力进行非等间隔的量化，将H分成16份，S和V分成4份，具体量化规则如公式(4)至(6)所示；量化的目的是在计算特征量前降低了矢量的维数，减少计算量；

$S^{\′}=\left\{\begin{array}{c}0,\mathrm{ifS}\∈(\mathrm{0,0.15}]\\ 1,\mathrm{ifS}\∈(\mathrm{0.15,0.4}]\\ 2,\mathrm{ifS}\∈(\mathrm{0.4,0.75}]\\ 3,\mathrm{ifS}\∈(\mathrm{0.75,1}]\end{array}\right.---\left(5\right)$

$V^{\′}=\left\{\begin{array}{c}0,\mathrm{ifV}\∈(\mathrm{0,0.15}]\\ 1,\mathrm{ifV}\∈(\mathrm{0.15,0.4}]\\ 2,\mathrm{ifV}\∈(\mathrm{0.4,0.75}]\\ 3,\mathrm{ifV}\∈(\mathrm{0.75,1}]\end{array}\right.---\left(6\right)$

H、S、V各个分量设置不同的权重，进行线性组合；

将色相H’的权值设为16，饱和度S’的权值设为4，亮度V’的权值设为1，减轻饱和度和亮度的影响，充分利用图像的颜色信息；

L＝16H′+4S′+V′   (7)

进行线性组合结果进行等量划分；

L的取值范围是0到255的整数，它的直方图表示级数和像素频数的关系；L是256×1的矩阵，可将L分成32份，进行直方图统计，得到一个32×1的矩阵，对这个矩阵进行转置运输，得到一个1×32的矩阵即为人民币的特征量。

利用PNN网络对人民币识别的具体实现是：

1)神经网络模型的选择

选择PN N神经网络，其输入层有32层，输出层有6层，散布常数spread＝1；

2)映射关系的构造

将人民币的面额1、5、10、20、50、100对应数字1、2、3、4、5、6作为输出的期望值Tc，并将期望值转换为稀疏矩阵T；人民币的特征量是一个1×32的矩阵，每一个1×32的矩阵对应一个期望值的稀疏矩阵。

3)构建网络

取适量的样本值进行构建神经网络，样本值越大，神经网络越好；

4)网络识别

将一个人民币特征量P放入神经网络net中仿真，获得输出Ac，将Ac值转换为指针，与期望类别相比，如结果一致，则结果正确。

本发明技术方案带来的有益效果：PNN神经网络具有训练速度快、收敛性好和网络结构灵活方便的优点，适合分类和识别问题。通过该方法可以更快更好地识别人民币面额，操作简单、维护方便，减轻了劳动强度，方便人们的日常生活。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1是本发明中建立神经网络的流程图；

图2是本发明中利用神经网络识别的流程图；

图3是本发明中手机摄像头拍摄人民币后的相片图；

图4是本发明中图像的预处理流程图；

图5是本发明中一元人民币的图像的预处理流程图；

图6是本发明中PNN网络结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的研究目的是研究一种应用于智能手机的第五套人民币的识别方法。主要的实现思路是拍摄人民币的图像，采用HSV颜色直方图作为人民币的票面颜色特征，利用PNN网络对人民币进行识别。

本发明的流程主要分成两个部分，即建立一个神经网络和利用该神经网络进行人民币识别。建立神经网络的流程图如图1所示，手机摄像头拍摄纸币图像，纸币图像预处理和特征提取，建立PNN神经网络。利用神经网络识别的流程图如图2所示，利用已有的神经网络对特征量进行识别。

手机摄像头拍摄人民币

手机摄像头拍摄纸币图像时，拍摄条件要求背景单一，光线自然，有色光源干扰少，拍摄时需将人民币的全貌进行拍摄，并要求图像中纸币与水平校准线的角度差小于20°。如图3所示为手机摄像头拍摄的一张一元人民币的相片。

拍摄的图像在硬盘中用加色法混色模式(RGB模式)保存，这三个颜色每个都有256个亮度级，三色叠加，一共形成1670万种颜色。图像的数组表示为m×n×3。m、n表示图像的像素的行值和列值。红、绿和蓝三种颜色的亮度值为一组，代表每个像素的颜色。

图像的预处理和特征提取

图像的预处理阶段的目的在于获得去除背景影响的人民币图像。特征提取阶段目的在于获得票面表达面额信息的特征量。

图像的预处理流程为图4所示。

上述流程图中，a模块是彩色图像灰度化模块，处理后获得彩色图像的灰度图像。通过b门限处理模块，获得灰度图像的二进制图像，即黑白图像。此时，通过c模块对图像进行水平和竖直投影，则可以获得人民币图像的边界。最后，根据上述边界确定图像的目标，获得去除了背景的人民币图像。如图5所示，以一元人民币的预处理为例，显示了a-d每个模块处理后的图像。

图像的特征提取的主要思想是利用不同面额人民币颜色不同，提取其颜色特征量。算法思想如下：

RGB颜色模式到HSV颜色模式的转换。

同一颜色在不同色彩空间之间有不同的表达方式，这些表达方式存在着相对应的映射关系。色彩模式的转换是根据这些映射关系，将颜色从一种颜色空间转换到另一种颜色空间中去。由于RGB是非均匀的颜色空间，而HSV是均匀的颜色空间，所以RGB色彩模式转换为HSV色彩模式是一个非线性转换。

一个像素点的颜色用RGB色彩模式可以表示为(r，g，b)，这个坐标分别是红、绿和蓝坐标，r，g，b∈[0，1]。设max为r、g和b中的最大值，min为最小值。这个颜色在HSV色彩空间中表示为(H，S，V)。其中，h∈[0，360°)，表示角色相角。另外，s，v∈[0，1]，表示饱和度和亮度。

如果max≠min，那么RGB色彩模式和HSV色彩模式的转换关系如下：

$S=\frac{\max -\min }{\max }---\left(2\right)$

V＝max         (3)

如果max＝min，则H＝0°，该图为灰度图。

如果max＝0，则S＝0，V＝0，为纯黑色。

H、S、V各个分量的非等量量化。

将H、S、V三个分量根据人的视觉感知力进行非等间隔的量化，将H分成16份，S和V分成4份，具体量化规则如公式(4)至(6)所示。量化的目的是在计算特征量前降低了矢量的维数，减少计算量。

$S^{\′}=\left\{\begin{array}{c}0,\mathrm{ifS}\∈(\mathrm{0,0.15}]\\ 1,\mathrm{ifS}\∈(\mathrm{0.15,0.4}]\\ 2,\mathrm{ifS}\∈(\mathrm{0.4,0.75}]\\ 3,\mathrm{ifS}\∈(\mathrm{0.75,1}]\end{array}\right.---\left(5\right)$

$V^{\′}=\left\{\begin{array}{c}0,\mathrm{ifV}\∈(\mathrm{0,0.15}]\\ 1,\mathrm{ifV}\∈(\mathrm{0.15,0.4}]\\ 2,\mathrm{ifV}\∈(\mathrm{0.4,0.75}]\\ 3,\mathrm{ifV}\∈(\mathrm{0.75,1}]\end{array}\right.---\left(6\right)$

H、S、V各个分量设置不同的权重，进行线性组合。

将色相H’的权值设为16，饱和度S’的权值设为4，亮度V’的权值设为1，减轻饱和度和亮度的影响，充分利用图像的颜色信息。

L＝16H′+4S′+V′        (7)

进行线性组合结果进行等量划分。

L的取值范围是0到255的整数，它的直方图表示级数和像素频数的关系。L是256×1的矩阵，可将L分成32份，进行直方图统计，得到一个32×1的矩阵，对这个矩阵进行转置运输，得到一个1×32的矩阵即为人民币的特征量。

PNN神经网络的建立和识别

1990年Specht首次提出PNN(Probabilistic Neural Network)神经网络。它是径向基函数(RBF)模型的发展，主要用于模式分类问题研究。其网络结构与RBF神经网络结构相似，其基本结构如图6所示。PNN神经网络是根据贝叶斯分类规则和概率密度函数而提出的。第一层首先计算输入向量与训练样本之间的距离，即输出向量表示两者间的接近程度。第一层的||dist||模块计算输入向量p和输入权值IW_1，1之间的距离。第一层的输出为出a₁＝radbas(||IW_1，1-p||b₁)。

第二层将与输入向量相关的所有类别综合在一起，输出为表示概率的向量，最后通过竞争传递函数进行取舍，概率最大的为1，其他的类别为0。第二层的输入权值为LW_2，1设定为期望值向量矩阵T，它的每一个行向量只有一个元素为1，代表相对的类别。计算乘积Ta₁，然后通过竞争函数compete计算得到n²，较大的元素取1，其余为0，此时PNN网络完成分类问题。

PNN神经网络具有训练速度快、收敛性好和网络结构灵活方便的优点，适合分类和识别问题。因此本发明采用PNN神经网络作为特征识别的方法。

其通过以下步骤予以实现：

1)神经网络模型的选择

选择PN N神经网络。其输入层有32层，输出层有6层。散布常数spread＝1。

2)映射关系的构造

将人民币的面额1、5、10、20、50、100对应数字1、2、3、4、5、6作为输出的期望值Tc，并将期望值转换为稀疏矩阵T。上述人民币的特征量是一个1×32的矩阵。每一个1×32的矩阵对应一个期望值的稀疏矩阵。

3)构建网络

取适量的样本值进行构建神经网络。样本值越大，神经网络越好。

4)网络识别

将一个人民币特征量P放入神经网络net中仿真，获得输出Ac，将Ac值转换为指针。与期望类别相比，如结果一致，则结果正确。

以上对本发明实施例所提供的一种应用于智能手机的第五套人民币面额识别方法，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (5)

1.一种应用于智能手机的第五套人民币面额识别方法，其特征在于，该方法是通过手机摄像头拍摄人民币的图像，经过图像的预处理和特征提取去除背景影响的人民币图像，采用HSV颜色直方图作为人民币的票面颜色特征，然后利用PNN网络对人民币进行识别。

2.如权利要求1所述的方法，其特征在于，手机摄像头拍摄纸币图像时，拍摄条件要求背景单一，光线自然，有色光源干扰少，拍摄时需将人民币的全貌进行拍摄，并要求图像中纸币与水平校准线的角度差小于20°。

3.如权利要求1所述的方法，其特征在于，人民币图像的预处理流程为：a模块是彩色图像灰度化模块，处理后获得彩色图像的灰度图像；通过b门限处理模块，获得灰度图像的二进制图像，即黑白图像；通过c模块对图像进行水平和竖直投影，则可以获得人民币图像的边界；最后，根据上述边界确定图像的目标，获得去除了背景的人民币图像。

4.如权利要求1或3所述的方法，其特征在于，人民币图像的特征提取是通过RGB颜色模式到HSV颜色模式的非线性转换实现的；

一个像素点的颜色用RGB色彩模式可以表示为(r，g，b)，这个坐标分别是红、绿和蓝坐标，r，g，b，∈[0，1]，设max为r、g和b中的最大值，min为最小值，这个颜色在HSV色彩空间中表示为(H，S，V)；其中，h∈[0，360°)，表示角色相角，s，v∈[0，1]，表示饱和度和亮度，

如果max≠min，那么RGB色彩模式和HSV色彩模式的转换关系如下：

$S=\frac{\max -\min }{\max }---\left(2\right)$

V＝max             (3)

如果max＝min，则H＝0°，该图为灰度图；

如果max＝0，则S＝0，V＝0，为纯黑色；

将H、S、V三个分量根据人的视觉感知力进行非等间隔的量化，将H分成16份，S和V分成4份，具体量化规则如公式(4)至(6)所示；量化的目的是在计算特征量前降低了矢量的维数，减少计算量；

$S^{\′}=\left\{\begin{array}{c}0,\mathrm{ifS}\∈(\mathrm{0,0.15}]\\ 1,\mathrm{ifS}\∈(\mathrm{0.15,0.4}]\\ 2,\mathrm{ifS}\∈(\mathrm{0.4,0.75}]\\ 3,\mathrm{ifS}\∈(\mathrm{0.75,1}]\end{array}\right.---\left(5\right)$

$V^{\′}=\left\{\begin{array}{c}0,\mathrm{ifV}\∈(\mathrm{0,0.15}]\\ 1,\mathrm{ifV}\∈(\mathrm{0.15,0.4}]\\ 2,\mathrm{ifV}\∈(\mathrm{0.4,0.75}]\\ 3,\mathrm{ifV}\∈(\mathrm{0.75,1}]\end{array}\right.---\left(6\right)$

H、S、V各个分量设置不同的权重，进行线性组合；

将色相H’的权值设为16，饱和度S’的权值设为4，亮度V’的权值设为1，减轻饱和度和亮度的影响，充分利用图像的颜色信息；

L＝16H′+4S′+V′          (7)

进行线性组合结果进行等量划分；

L的取值范围是0到255的整数，它的直方图表示级数和像素频数的关系；L是256×1的矩阵，可将L分成32份，进行直方图统计，得到一个32×1的矩阵，对这个矩阵进行转置运输，得到一个1×32的矩阵即为人民币的特征量。

5.如权利要求4所述的方法，其特征在于，利用PNN网络对人民币识别的具体实现是：

1)神经网络模型的选择

选择PNN神经网络，其输入层有32层，输出层有6层，散布常数spread＝1；

2)映射关系的构造

将人民币的面额1、5、10、20、50、100对应数字1、2、3、4、5、6作为输出的期望值Tc，并将期望值转换为稀疏矩阵T；人民币的特征量是一个1×32的矩阵，每一个1×32的矩阵对应一个期望值的稀疏矩阵。

3)构建网络

取适量的样本值进行构建神经网络，样本值越大，神经网络越好；

4)网络识别

将一个人民币特征量P放入神经网络net中仿真，获得输出Ac，将Ac值转换为指针，与期望类别相比，如结果一致，则结果正确。

Images