CN103279735A - 一种金融票据识别模块中积灰检测方法及系统 - Google Patents

Abstract

本发明涉及一种金融票据识别模块中积灰检测方法及系统，该方法包括：步骤1，采集光谱图像信息；步骤2，搜索该光谱图像的有效区域；步骤3，提取积灰特征；步骤4，图像积灰判别，根据是否存在积灰的判别结果给出提醒清理积灰并结束或进行进入票据识别的过程。该检测方法不需要增加额外的装置，只需要在设备自检过程中或金融票据识别之前，对采集光谱图像信息进行一次积灰检测，即可得出是否有积灰的结论。因此，成本低，识别可靠性高，确保识别模块传感器图像信号的稳定可靠、金融票据识别结果的精确程度。

Description

一种金融票据识别模块中积灰检测方法及系统

技术领域

本发明涉及一种图像分析技术，特别涉及一种适用于金融自助设备中用于判断识别模块内是否存在积灰的检测方法以及检测系统。

背景技术

在金融自助设备中为了对批量处理的每一张进入票据（比如纸币）逐一进行检验，需要将堆叠的金融票据一张张分离开来，然后对分离的单张金融票据进行图像识别、厚度检测、磁信息检测等识别手段，以保证所处理的金融票据的真实性，其中，金融票据的图像识别对于票据的有效性识别是最为有效的一种检测手段。

但是，当金融票据在金融设备的传动装置中传递时其表面的纸屑和印刷油墨等会脱落积聚，在其通过识别模块时就会自然地堆积在传感器上，从而造成传感器采集到的光谱图像并不能真实反映金融票据的真实特征，从而影响金融设备对票据识别结果的准确性。

发明内容

本发明要解决上述由于识别模块中传感器的积灰而影响识别模块的识别准确性，而提出根据采集的光谱图像进行分析判别识别模块中是否存在积灰的积灰检测方法。

这种金融票据识别模块中积灰检测方法，包括如下步骤：

步骤1，采集光谱图像信息，在对金融票据进行识别之前，通过图像采集单元采集通道的光谱图像；

步骤2，搜索图像有效区域，搜索该光谱图像的有效区域，通过下列判别条件1和判别条件2对比相邻列图像像素的差值判断该光谱图像有效区域的边界，

判别条件1：I(i,j)＞2*I(i,j+1)(0≤i＜H,0≤j＜W/2)；

判别条件2：I(i,j-1)＞2*I(i,j)(0≤i＜H,W/2≤j＜W)，

其中I(i,j)为光谱图像第i行、第j列像素点的灰度值，H为光谱图像高度，W为光谱图像宽度；

具体判别步骤为，当判别条件1成立时，则停止搜索，第j列即为有效区域的起始位置，记为S，当判别条件1无成立时，则默认取值为预先设定的有效区域起始位置默认值S₀，当判别条件2成立时，则停止搜索，第j列即为有效区域的终止位置，记为E，当判别条件2无成立时，则默认取值为预先设定的有效区域终止位置默认值E₀；

步骤3，提取积灰特征，对该图像有效区域的每一个像素点从左到右，从上到下进行搜索，统计图像每一列中满足判别条件3的像素特征点个数，记为Sum(j)(S≤j＜E)，

判别条件3：I(i,j)＞T₁(0≤i＜H,S≤j＜E)，其中T₁为灰度阈值，

步骤4，图像积灰判别，对Sum(j)进行判别条件4的判别，

判别条件4：Sum(j)＞T₂(T₂＜H)，T₂为单列积灰点数阈值；

当Sum(j)的值满足判别条件4时，则提醒清理积灰并结束；

当Sum(j)的值不满足判别条件4时，则进行金融票据识别。

优选的，所述步骤4中当Sum(j)的值满足判别条件4时，则进行金融票据识别过程，具体为如下步骤：

步骤4.1，当Sum(j)的值满足判别条件4时，初始值为0的统计变量SUM加1；

步骤4.2，再根据判别条件5对SUM进行判别，

判别条件5：SUM＞T₃，T3为积灰条纹阈值；

若判别条件5成立时，则提醒清理积灰并结束；

若判别条件5不成立，则进行金融票据识别。

进一步的，所述步骤1中光谱图像信息包括白光反射信息、红外光反射信息、红外光透射信息或紫外光信息中的至少2种；

所述所述该步骤4.2具体为：

步骤4.2.1，对t种光谱图像信息的统计变量SUM_t进行判别条件5的判别，形成决策依据 ${\mathrm{\ω}}_t\left\{\begin{array}{cc}1& ({\mathrm{SUM}}_t>T_3)\\ 0& ({\mathrm{SUM}}_t\≤T_3)\end{array}\right.,$ 其中t为2、3、或4；

步骤4.2.2，对ω_t进行逻辑与的决策融合，得到最终识别结果Z，其中

当Z=0时，则进行金融票据识别，

当Z=1时，则提醒清理积灰并结束。

优选的，该提醒清理积灰为通过声音、文字或图像方式发出警告，提醒用户清理识别模块中的积灰。

优选的，所述步骤4中，T₂满足T₂＞h，其中h为该光谱图像中包含的金融票据图像的高度，以排除前景图像特征像素点的干扰。

本发明还提供了一种实现上述金融票据识别模块中积灰检测方法的检测系统，其包括：

一传感器，用于在对金融票据进行识别之前，采集检测光谱图像；

一图像有效区域获取模块，用于搜索光谱图像的有效图像区域；

一积灰特征提取模块，用于对有效图像区域像素点的灰度值进行分析形成每一列的积灰特征；

一积灰判别模块，用于对该每一列的积灰特征进行分析处理，判断该图像是否存在积灰。

优选的，所述积灰判别模块具体包括：

一积灰特征统计单元，用于对每一列中满足预设条件的积灰特征进行统计，得到统计数据；

一判断单元，用于对统计数据与积灰条文阈值进行条件判断分析，判断该图像是否存在积灰。

优选的，所述传感器包括获取金融票据白光反射信息的传感器、红外光反射信息的传感器、红外光透射信息传感器或紫外光信息传感器中的至少2种。

进一步的，所述积灰判别模块具体包括：

一积灰特征统计单元，用于对每种光谱图像的每一列中满足预设条件的积灰特征进行统计，得到统计数据；

一决策融合单元，用于对该统计数据进行逻辑与的决策融合，形成决策融合特征

一判断单元，用于对决策融合特征进行判断分析，判断该图像是否存在积灰。

本发明所提供的技术方案的有益效果如下：

本发明提供的这种积灰检测方法，是在现有识别模块的基础上，利用识别模块初始化自检时以及金融票据识别之前，通过传感器采集的光谱图像信息来判断识别模块内是否存在积灰，也就是说，进行该项检测不需要增加额外的装置，只需要在金融票据识别之前，对不同的光谱信号图像进行一次检测，即可得出是否有积灰的结论。因此，该积灰检测方法是一种低成本，识别可靠性高的检测方法，以此确保识别模块传感器图像信号的稳定可靠、金融票据识别结果的精确程度。

附图说明

图1是金融票据识别模块的示意图；

图2是本发明一较佳实施例所提供的积灰检测系统组成示意图；

图3是本发明一较佳实施例所提供的积灰检测方法的流程图；

图4是图2所示系统执行图3所示方法时采集的一红外反射光谱图像示意图；

图5是图4中红外反射光谱图像有效区域边界示意图；以及

图6是光谱图像积灰示意图。

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。

本实施例以人民币作为金融票据为样本，阐述本发明提出的金融票据识别模块中积灰检测方法及系统。参阅图1所示金融票据识别模块的示意图，金融票据识别模块包括金融票据传输通道30，传输通道中布置的传感器10，传感器10的表面覆盖了一定量的灰尘20，人民币40被自右向左传输依次经过两极传感器40，完成对人民币正面以及反面的光谱图像信息采集，这里需要说明的是传感器的布置个数以及信息采集面可以根据需要进行适当增加和调整，这是本领域技术人员所公知的技术。

参阅图2所示，一较佳实施例所提供的积灰检测系统组成示意图，该检测系统包括：一用于在对金融票据进行识别之前采集检测光谱图像的传感器10；一用于搜索光谱图像的有效图像区域的图像有效区域获取模块2；一用于对有效图像区域像素点的灰度值进行分析形成每一列的积灰特征的积灰特征提取模块3；一用于对该每一列的积灰特征进行分析处理并判断该图像是否存在积灰的积灰判别模块4；以及必要的数据存储模块5和提醒清理积灰的提醒模块6。

其中，该积灰判别模块4包括一用于对每种光谱图像的每一列中满足预设条件的积灰特征进行统计，并得到统计数据的积灰特征统计单元41；一用于对该统计数据进行逻辑与的决策融合，并形成决策融合特征的决策融合单元42，一用于对决策融合特征进行判断分析，并判断该图像是否存在积灰的判断单元43。

下面参阅图3，本发明一较佳实施例所提供的积灰检测方法的流程图，对该积灰检测方法做详细的说明，该积灰检测方法包括如下步骤：

步骤S1，采集光谱图像信息，当识别模块在初始化自检时或金融票据识别之前，识别模块中传感器10进行光谱图像采集；

步骤S2，搜索图像有效区域，搜索S1中采集的该光谱图像的有效区域，通过下列判别条件1和判别条件2对比相邻列图像像素的差值判断该光谱图像有效区域的边界，

判别条件1：I(i,j)＞2*I(i,j+1)(0≤i＜H,0≤j＜W/2)；

判别条件2：I(i,j-1)＞2*I(i,j)(0≤i＜H,W/2≤j＜W)，

其中I(i,j)为光谱图像第i行、第j列像素点的灰度值，H为光谱图像高度，W为光谱图像宽度；

具体判别步骤为，当判别条件1成立时，则停止搜索，第j列即为有效区域的起始位置，记为S，当判别条件1无成立时，则默认取值为预先设定的有效区域起始位置默认值S₀，当判别条件2成立时，则停止搜索，第j列即为有效区域的终止位置，记为E，当判别条件2无成立时，则默认取值为预先设定的有效区域终止位置默认值E₀；

步骤S3，提取积灰特征，对步骤S2中获得的该图像有效区域的每一个像素点从左到右，从上到下进行搜索，统计图像每一列中满足判别条件3的像素特征点个数，记为Sum(j)(S≤j＜E)，

判别条件3：I(i,j)＞T₁(0≤i＜H,S≤j＜E)，其中T₁为灰度阈值，本实施例中金融票据为人民币，所以这里T₁＝80。

步骤S4，图像积灰判别，对步骤S3中获得的Sum(j)进行判别条件4的判别，

判别条件4：Sum(j)＞T₂(T₂＜H)，T₂为单列积灰点数阈值，该值为大于零且小于光谱图像高度H的整数；

当Sum(j)的值满足判别条件4时，则提醒清理积灰并结束；

当Sum(j)的值不满足判别条件4时，则进行金融票据识别。

优选的，为了更加准确地评价光谱图像中某一列上存在积灰，步骤S4具体为：

步骤4.1，当Sum(j)的值满足判别条件4时，初始值为0的统计变量SUM加1；

步骤4.2，再根据判别条件5对SUM进行判别，

判别条件5：SUM＞T₃，T3为积灰条纹阈值；

若判别条件5成立时，则提醒清理积灰并结束；

若判别条件5不成立，则进行金融票据识别。

更进一步的，为了增强系统的鲁棒性，通常需要同时获得金融票据的白光反射信息、红外光反射信息、红外光透射信息或紫外光信息等图像信息中至少2种。

优选的，对t种光谱图像信息的统计变量SUM_t进行判别条件5的判别，形成决策依据 ${\mathrm{\ω}}_t\left\{\begin{array}{cc}1& ({\mathrm{SUM}}_t>T_3)\\ 0& ({\mathrm{SUM}}_t\≤T_3)\end{array}\right.,$ 其中t为2、3、或4；

步骤4.2.2，对ω_t进行逻辑与的决策融合，得到最终识别结果Z，其中

当Z=0时，则进行金融票据识别，

当Z=1时，则提醒清理积灰并结束。

下面，选用金融票据的白光反射光谱图像信息以及红外反射光谱图像信息作为识别对象，对红外反射光谱图像的识别进行详细说明。

步骤1，采集光谱图像信息，在对金融票据进行识别之前，通过传感器10采集完整的红外反射光谱图像信息，图像信息如图4所示，该图像信息包括白色校准边51、左边校准界52、背景53、金融票据图像（前景）54、黑色校准边55以及右边校准界56。

步骤2，搜索图像有效区域。

白色校准边51和黑色校准边55是图像检测的无效区域，其特征不会因为物理环境的变化而改变，因此去除无效区域一方面可以减小系统的数据处理量，另一方面有利于提高金融票据图像边缘检测的精确性。因此需要进行左右校准界52、56的位置搜索，以达到有效区域边界自校准的目的。

由于图像的黑白校准边55、51与有效区域存在明显的灰度值阶跃边界，如图5所示，因此，可通过对比相邻列图像像素的差值判断该光谱图像有效区域的边界。

设：判别条件1：I(i,j)＞2*I(i,j+1)(0≤i＜H,0≤j＜W/2)；

判别条件2：I(i,j-1)＞2*I(i,j)(0≤i＜H,W/2≤j＜W)；

其中I(i,j)为红外反射光谱图像第i行、第j列像素点的灰度值，H为红外反射光谱图像高度，W为红外反射光谱图像宽度。

通过判别条件1对比相邻列图像像素的差值，一旦满足判别条件1，则停止搜索，第j列即为有效区域的起始位置，记为S，如果搜索完毕判别条件1无成立时，则默认取值为预先设定的有效区域起始位置默认值S₀；同样通过判别条件2对比相邻列图像像素的差值，一旦满足判别条件2，则停止搜索，第j列即为有效区域的终止位置，即为E，如果搜索完毕判别条件2无成立时，当判别条件2无成立时，则默认取值为预先设定的有效区域终止位置默认值E₀。

步骤3，提取积灰特征

在白光以及红外光的照射下，由于灰尘自身材质特点，会将光线反射出去，与灰度值较低的黑色背景形成鲜明的对比，因此可根据积灰特征与背景特征对比度大的特点进行识别判断。另外，由于传感器是通过线扫描的方式提取出一副光谱图像，因此颗粒状的灰尘经过扫描在图像上呈现出条纹线状，其灰度值高于背景，如图6所示。

设，判别条件3：I(i,j)＞T₁(0≤i＜H,S≤j＜E)，T₁为灰度阈值，本实施例中，金融票据为人民币，故识别算法中T₁＝80。对图像的有效区域的每一个像素点从左到右，从上到下进行搜索，统计图像每一列中满足判别条件3的像素特征点个数，记为Sum(j)(S≤j＜E)。

设，判别条件4：Sum(j)＞T₂(T₂＜H)，T₂为单列积灰点数阈值，若Sum(j)的值满足判别条件4，视为该列图像积灰，统计变量自SUM₁加1，SUM₁表示图像积灰的列数。

同样的步骤获得白光光谱图像信息的SUM₂，

对2种光谱图像信息的统计变量SUM₁和SUM₂分别进行判别条件5的判别，形成决策依据ω₁和ω₂

其中， ${\mathrm{\ω}}_t\left\{\begin{array}{cc}1& ({\mathrm{SUM}}_t>T_3)\\ 0& ({\mathrm{SUM}}_t\≤T_3)\end{array}\right.,$ 判别条件5为SUM＞T₃，T₃为积灰条纹阈值，人民币识别算法中T₃=3，其中T₃的阈值可以可根据不同传感器的实际情况进行适当调整，该值一般可以为2、3或4。

对ω₁和ω₂进行逻辑与的决策融合，得到最终识别结果Z，其中

当Z=0时，则进行金融票据识别，

当Z=1时，则提醒清理积灰并结束。

另外，不同金融票据的光谱信息中，前景图像信息差异很大，背景差异较小，不同金融票据的图像特征容易被误认为是积灰图像特征，因此选用光谱信息中的背景图像作为积灰检测判别的依据。为排除前景图像特征像素点的干扰，对单列积灰点阈值T₂加入约束条件：T₂＞h，其中h为图5中金融票据图像的高度。

其中提醒清理积灰的装置可以为显示模块，通过用声音、文字或者图像等方式发出警告，提醒用户清理识别模块通道上的积灰。

本发明采用的清分机内积灰检测方法，是在现有识别模块的基础上，利用识别模块初始化自检过程中或在金融票据识别之前，通过传感器10采集的图像信息判断识别模块中是否存在积灰，也就是说，进行该项检测不需要增加额外的装置，只需要在金融票据识别之前，对不同的光谱信号图像进行一次检测，即可得出是否有积灰的结论。因此，该清分机内积灰检测方法是一种低成本，识别可靠性高的检测方法，以此确保识别模块传感器图像信号的稳定可靠、金融票据识别结果的精确程度，以提高金融自助设备的票据识别质量。

惟以上所述仅为本发明的较佳实施例，非意欲局限本发明的专利保护范围，故举凡运用本发明说明书及图式内容所为的等效变化，均同理皆包含于本发明的权利保护范围内。

Claims (10)

1.一种金融票据识别模块中积灰检测方法，包括如下步骤：

步骤1，采集光谱图像信息，在对金融票据进行识别之前，通过图像采集单元采集检测光谱图像；

步骤2，搜索图像有效区域，搜索该光谱图像的有效区域，通过下列判别条件1和判别条件2对比相邻列图像像素的差值判断该光谱图像有效区域的边界，

判别条件1：I(i,j)＞2*I(i,j+1)(0≤i＜H,0≤j＜W/2)；

判别条件2：I(i,j-1)＞2*I(i,j)(0≤i＜H,W/2≤j＜W)，

其中I(i,j)为光谱图像第i行、第j列像素点的灰度值，H为光谱图像高度，W为光谱图像宽度；

具体判别步骤为，当判别条件1成立时，则停止搜索，第j列即为有效区域的起始位置，记为S，当判别条件1无成立时，则默认取值为预先设定的有效区域起始位置默认值S₀，当判别条件2成立时，则停止搜索，第j列即为有效区域的终止位置，记为E，当判别条件2无成立时，则默认取值为预先设定的有效区域终止位置默认值E₀；

步骤3，提取积灰特征，对该图像有效区域的每一个像素点从左到右，从上到下进行搜索，统计图像每一列中满足判别条件3的像素特征点个数，记为Sum(j)(S≤j＜E)，

判别条件3：I(i,j)＞T₁(0≤i＜H,S≤j＜E)，其中T₁为灰度阈值，

步骤4，图像积灰判别，对Sum(j)进行判别条件4的判别，

判别条件4：Sum(j)＞T₂(T₂＜H)，T₂为单列积灰点数阈值；

当Sum(j)的值满足判别条件4时，则提醒清理积灰并结束；

当Sum(j)的值不满足判别条件4时，则进行金融票据识别。

2.根据权利要求1所述的金融票据识别模块中积灰检测方法，其特征在于：所述步骤4中当Sum(j)的值满足判别条件4时，则进行金融票据识别过程，具体为如下步骤：

步骤4.1，当Sum(j)的值满足判别条件4时，初始值为0的统计变量SUM加1；

步骤4.2，再根据判别条件5对SUM进行判别，

判别条件5：SUM＞T₃，T3为积灰条纹阈值；

若判别条件5成立时，则提醒清理积灰并结束；

若判别条件5不成立，则进行金融票据识别。

3.根据权利要求2所述的金融票据识别模块中积灰检测方法，其特征在于：所述步骤1中光谱图像信息包括白光反射信息、红外光反射信息、红外光透射信息或紫外光信息中的至少2种。

4.根据权利要求3所述的金融票据识别模块中积灰检测方法，其特征在于：所述该步骤4.2具体为：

步骤4.2.1，对t种光谱图像信息的统计变量SUM_t进行判别条件5的判别，形成决策依据 ${\mathrm{\ω}}_t\left\{\begin{array}{cc}1& ({\mathrm{SUM}}_t>T_3)\\ 0& ({\mathrm{SUM}}_t\≤T_3)\end{array}\right.,$ 其中t为2、3、或4；

步骤4.2.2，对ω_t进行逻辑与的决策融合，得到最终识别结果Z，其中

当Z=0时，则进行金融票据识别，

当Z=1时，则提醒清理积灰并结束。

5.根据权利要求1所述的金融票据识别模块中积灰检测方法，其特征在于：该提醒清理积灰为通过声音、文字或图像方式发出警告，提醒用户清理识别模块中的积灰。

6.根据权利要求1所述的金融票据识别模块中积灰检测方法，其特征在于：所述步骤4中，T₂满足T₂＞h，其中h为该光谱图像中包含的金融票据图像的高度，以排除前景图像特征像素点的干扰。

7.一种实现权利要求1所述金融票据识别模块中积灰检测方法的系统，其包括：

一传感器，用于在对金融票据进行识别之前，采集光谱图像；

一图像有效区域获取模块，用于搜索光谱图像的有效图像区域；

一积灰特征提取模块，用于对有效图像区域像素点的灰度值进行分析形成每一列的积灰特征；

一积灰判别模块，用于对该每一列的积灰特征进行分析处理，判断该图像是否存在积灰。

8.根据权利要求7所述系统，其特征在于，所述积灰判别模块具体包括：

一积灰特征统计单元，用于对每一列中满足预设条件的积灰特征进行统计，得到统计数据；

一判断单元，用于对统计数据与积灰条纹阈值进行条件判断分析，判断该图像是否存在积灰。

9.根据权利要求7所述系统，其特征在于，所述传感器包括获取金融票据白光反射信息的传感器、红外光反射信息的传感器、红外光透射信息传感器或紫外光信息传感器中的至少2种。

10.根据权利要求9所述系统，其特征在于，所述积灰判别模块具体包括：

一积灰特征统计单元，用于对每种光谱图像的每一列中满足预设条件的积灰特征进行统计，得到统计数据；

一决策融合单元，用于对该统计数据进行逻辑与的决策融合，形成决策融合特征；

一判断单元，用于对决策融合特征进行判断分析，判断该图像是否存在积灰。

Images