CN103324946B - 一种纸币识别分类的方法及系统 - Google Patents

Abstract

本发明公开了一种纸币识别分类的方法及系统，该方法及系统利用现有容易获取的大量可靠样本，通过统计方法建立符合应用要求的样本信号退化模型，模拟出成色全新、成色8成～9成新、成色7成～8成新、成色7成以下新、存在不同程度脏污、存在不同程度残缺、存在不同程度的裂痕、某些区域存在折叠的纸币状态，然后进行分类器学习，在对待识别样本进行分类识别，从而准确的得出分类结果，在确保提高分类器精确度的情况下，也降低了对纸币识别产品开发的成本和效率。

Description

一种纸币识别分类的方法及系统

技术领域

本发明涉及纸币识别系统技术领域，更具体的说，是涉及一种纸币识别分类的方法及系统。

背景技术

目前，用于金融领域的钞票处理设备，如现金循环机、纸币清分机等等，其纸币识别系统分为两个主要部分：纸币分类学习系统和纸币识别系统，其结构示意图请参阅附图1和附图2。在纸币分类学习系统中，输入待学习的纸币样本图像，输出纸币的分类模型；在纸币识别系统中，输入待识别的纸币样本图像，通过特征提取，以及应用纸币分类学习系统中得到的分类模型，对样本进行分类决策，输出最终的分类结果。

为了使纸币识别系统具体较高鲁棒性，即尽可能消除待识别样本的质量对识别结果的干扰，通常在进行纸币分类器学习时，输入多样性较丰富的待学习样本。在选择样本的过程中，除了考虑成色全新的纸币样本外，还要考虑各种成色新旧的纸币样本，以及存在不同程度脏污、残缺、裂痕、折叠的样本，因此，样本选择的数量比较多，其难度在于，在流通领域中搜集齐全所有需要类别的纸币存在一定难度，特别是对非本国纸币算法开发，几乎不可能搜集到完整的纸币样本集。一般来说，待学习的纸币样本，大致可按以下几个类别选择：成色全新、成色8成～9成新、成色7成～8成新、成色7成以下新、存在不同程度脏污、存在不同程度残缺、存在不同程度的裂痕、某些区域存在折叠，每一类如果选择30张作为样本，则一共需要240张符合条件的实际流通纸币。如果可以搜集齐全各种所需类别的纸币样本进行分类器设计，将可确保提高分类器的精确度，如果样本的种类数量不足，分类器的精确度将有可能不满足应用需求，然而要在流通领域搜集齐全各种所需类别的纸币样本，可能需要花费大量的人力物力，影响纸币识别产品开发的成本和效率，换句话说，如果不花费额外成本进行样本搜集和筛选，设计出来的分类器的精确度将受损。

因此，在实际可选择的纸币样本数量有限的情况下，提供一种纸币识别分类的方法及系统，在确保提高分类器精确度的情况下，降低额外成本，是本领域技术人员亟待解决的问题。

发明内容

有鉴于此，本发明提供了一种纸币识别分类的方法及系统，以克服现有技术中由于在收集实际样本时，无法保证所需样本的种类数量，从而无法在确保分类器精确度的情况下，降低额外成本的问题。

为实现上述目的，本发明提供如下技术方案：

一种纸币识别分类的方法，包括：

获取待学习全新纸币的样本信息和待识别的纸币样本信息；

根据预先设置的规则进行纸币样本信号退化模型的建立；

将所述样本信息输入到所述纸币样本信号退化模型，得到所述待学习全新纸币对应的各种类别的纸币样本信息；

将所述各种类别的纸币样本信息输入到分类器中进行分类器学习，输出纸币的分类模型；

对所述待识别的样本信息进行样本信号预处理和特征提取，应用所述分类模型对所述待识别的纸币进行分类决策，输出最终的分类结果。

其中，所述纸币样本信号退化模型包括：基于图像亮度线性变化的纸币成色退化模型和基于统计模型随机性建立的纸币图像退化模型。

其中，所述纸币图像退化模型包括纸币脏污、残缺、裂痕、折叠或折角的信号退化模型，所述纸币成色退化模型具体为成色全新、成色8成～9成新、成色7成～8成新、成色7成以下新。

其中，根据预先设置的规则进行纸币成色退化模型的建立具体为：

分析特定币种面额的纸币图像的灰度分布f（x）=ax+b，按照灰度相似度将所述特定币种面额的纸币分为5个区域；

选择一组成色全新的样本集，对所述样本集中的每张纸币进行平均灰度值G的统计；

选择其中一种成色的一组样本集，统计每张样本各区域的灰度平均值g；

将所述平均灰度值G和所述灰度平均值g进行一一匹配；

将所述5个区域的f（x）=ax+b两两组合，计算出各自的a和b；

选择一组成色全新的样本集，计算所有纸币图像每个区域的平均灰度值，每个所述平均灰度值对应一个灰度分布f（x）=ax+b的映射。

其中，根据预先设置的规则进行纸币脏污退化模型的建立具体为：

预设纸币脏污区域的形状及脏污点的形状为圆形，且每张纸币仅有一块脏污区域；

根据分析统计所述脏污区域的位置及脏污点在所述脏污区域的位置概率密度曲线为常数，即均匀分布X～U(a,b)，所述脏污区域的大小及所述脏污点的大小、密度和灰度值的概率密度曲线为正态分布X～N(μ,σ²)。

其中，根据预先设置的规则进行纸币残缺退化模型的建立具体为：

根据分析统计确定所述残缺的位置、大小和形状，所述残缺的位置的概率密度曲线为常量；

所述残缺的大小的概率密度曲线为正态分布；

所述残缺的形状为多边形，所述多边形为三边形到八边形，凸多边形和凹多边形，其概率密度曲线为常量。

其中，根据预先设置的规则进行纸币折叠或折角退化模型的建立具体为：

将纸币划分为两行两列，平均分为四个矩形区域，每个区域都有一条长边和一条短边属于纸币的边缘；

随机选取其中一个区域，在其短边上随机选择一个点，在其长边上随机选择另一点；

判断两点间的距离，即这两点到顶点距离x（长边上的距离），y（短边上的距离）是否满足约束条件，所述约束条件为若是进入下一步骤，若否，转到上一步骤；

以上述所述两点确定的直线作为折角的边缘，边缘以外的点作为折角区域，用背景色填充。

其中，根据预先设置的规则进行纸币裂痕退化模型的建立具体为：

在纸币边界上随机获取长度为L的线段s，所述L呈均匀分布，L∈(0,MaxL)，所述MaxL为纸币边界的最大长度；

确定另一点N的位置，点N与所述线段s的中点M的距离为l，MN与所述线段s的夹角为，l∈(0,Maxl)，所述夹角α∈(π/3,2π/3)，所述α、l均呈正态分布；

所述点N和所述线段s之间围成的三角区域确定为裂痕区域，用背景色填充。

本发明还公开了一种纸币识别分类的系统，包括：

获取单元，用于获取待学习全新纸币的样本信息和待识别的纸币样本信息；

模型建立单元，用于根据预先设置的规则进行纸币样本信号退化模型的建立；

输入单元，用于将所述样本信息输入到所述纸币样本信号退化模型，得到所述待学习全新纸币对应的各种类别的纸币样本信息；

分类器学习单元，用于将所述各种类别的纸币样本信息输入到分类器中进行分类器学习，输出纸币的分类模型；

分类结果输出单元，用于对所述待识别的样本信息进行样本信号预处理和特征提取，应用所述分类模型对所述待识别的纸币进行分类决策，输出最终的分类结果。

经由上述的技术方案可知，与现有技术相比，本发明公开了一种纸币识别分类的方法及系统，该方法包括获取待学习全新纸币的样本信息和待识别的纸币样本信息；根据预先设置的规则进行纸币样本信号退化模型的建立；将样本信息输入到纸币样本信号退化模型，得到待学习全新纸币对应的各种类别的纸币样本信息；将各种类别的纸币样本信息输入到分类器中进行分类器学习，输出纸币的分类模型；对待识别的样本信息进行样本信号预处理和特征提取，应用分类模型对待识别的纸币进行分类决策，输出最终的分类结果。该方法利用现有容易获取的大量可靠样本，通过统计方法建立符合应用要求的样本信号退化模型，模拟出成色全新、成色8成～9成新、成色7成～8成新、成色7成以下新、存在不同程度脏污、存在不同程度残缺、存在不同程度的裂痕、某些区域存在折叠的纸币状态，然后进行分类器学习，在对待识别样本进行分类识别，从而准确的得出分类结果，在确保提高分类器精确度的情况下，也降低了对纸币识别产品开发的成本和效率。

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，还可以根据提供的附图获得其他的附图。

图1为现有技术中的纸币分类学习系统的结构示意图；

图2为现有技术中的纸币识别系统的结构示意图；

图3本发明实施例公开的一种纸币识别分类的方法流程图；

图4为根据预先设置的规则进行纸币成色退化模型的建立流程图；

图5为纸币成色退化模型的纸币灰度区域分割图；

图6为待模拟退化图像的灰度区域分割图；

图7为根据预先设置的规则进行纸币脏污退化模型的建立流程图；

图8为基于脏污噪声模型的纸币图像退化步骤示意图；

图9为根据预先设置的规则进行纸币残缺退化模型的建立流程图；

图10为基于残缺噪声模型的纸币图像退化步骤示意图；

图11为根据预先设置的规则进行纸币折叠或折角退化模型的建立流程图；

图12为基于折叠或折角噪声模型的纸币图像退化步骤示意图；

图13为根据预先设置的规则进行纸币裂痕退化模型的建立流程图；

图14为基于裂痕噪声模型的纸币图像退化步骤示意图；

图15为本发明实施例公开的一种纸币识别分类的系统结构示意图。

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做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。

本发明公开了一种纸币识别分类的方法及系统，该方法包括获取待学习全新纸币的样本信息和待识别的纸币样本信息；根据预先设置的规则进行纸币样本信号退化模型的建立；将样本信息输入到纸币样本信号退化模型，得到待学习全新纸币对应的各种类别的纸币样本信息；将各种类别的纸币样本信息输入到分类器中进行分类器学习，输出纸币的分类模型；对待识别的样本信息进行样本信号预处理和特征提取，应用分类模型对待识别的纸币进行分类决策，输出最终的分类结果。该方法利用现有容易获取的大量可靠样本，通过统计方法建立符合应用要求的样本信号退化模型，模拟出成色全新、成色8成～9成新、成色7成～8成新、成色7成以下新、存在不同程度脏污、存在不同程度残缺、存在不同程度的裂痕、某些区域存在折叠的纸币状态，然后进行分类器学习，在对待识别样本进行分类识别，从而准确的得出分类结果，在确保提高分类器精确度的情况下，也降低了对纸币识别产品开发的成本和效率。

请参阅附图3，为本发明公开的一种纸币识别分类的方法流程图。本发明公开了一种纸币识别分类的方法，该方法具体包括以下步骤：

步骤101：获取待学习全新纸币的样本信息和待识别的纸币样本信息；

为了让识别系统具备较高的鲁棒性，需要输入多样性丰富的样本进行分类器设计，但是在流通领域，尤其是设计非本国纸币识别算法时，几乎无法收集齐全所有需要类别的待学习纸币样，因此，本方案在设计时，由于全新的纸币样本是很好得到的，所以获取待学习全新纸币的样本信息。根据这些全新纸币进行各类纸币进行模拟。一般来说，待学习的纸币样本，大致可按以下几个类别选择：成色全新、成色8成～9成新、成色7成～8成新、成色7成以下新、存在不同程度脏污、存在不同程度残缺、存在不同程度的裂痕、某些区域存在折叠。

步骤102：根据预先设置的规则进行纸币样本信号退化模型的建立；

根据上述获取得到的待学习全新纸币的样本信息，依据预先设置的规则进行纸币样本信号退化模型的建立，具体的退化模型的建立包括：基于图像亮度线性变化的纸币成色退化模型和基于统计模型随机性建立的纸币图像退化模型的建立。

所述纸币图像退化模型包括纸币脏污、残缺、裂痕、折叠或折角的信号退化模型，所述纸币成色退化模型具体为成色全新、成色8成～9成新、成色7成～8成新、成色7成以下新。

步骤103：将样本信息输入到纸币样本信号退化模型，得到待学习全新纸币对应的各种类别的纸币样本信息；

步骤104：将各种类别的纸币样本信息输入到分类器中进行分类器学习，输出纸币的分类模型；

步骤105：对待识别的样本信息进行样本信号预处理和特征提取，应用分类模型对待识别的纸币进行分类决策，输出最终的分类结果。

纸币在使用一定时间后，由于纸质的特性，纸的纤维受到一定磨损或积累了一定的污垢，纸币图像的表现为整体灰度值下降，经过统计分析，图像每个像素点的灰度值变化呈一定的线性规律，即y=f(x)，理论上可以通过一定的样本数据量拟合出f(x)，但是f(x)的形式比较难确定，通过对大量样本实验，本专利提供一种较直观且适合工程实现的方法。

利用数量种类较丰富的纸币样本集，建立成色退化模型的参数。假设f(x)=ax+b，但该映射并非对于纸币图像的每个点都适用，通过分析，灰度值原本较高的区域，其灰度值的变化较为显著，而灰度值原本较低的区域，其灰度值的变化并不显著，也就是说，不同灰度区域的f(x)是不完全相同的。

具体的，请参阅附图4，为根据预先设置的规则进行纸币成色退化模型的建立流程图。上述所述的根据预先设置的规则进行纸币成色退化模型的建立具体为：

步骤201：分析特定币种面额的纸币图像的灰度分布f（x）=ax+b，按照灰度相似度将特定币种面额的纸币分为5个区域；

如图5所示，即每个区域分别对应于f₁(x)=a₁x+b₁，f₂(x)=a₂x+b₂，f₃(x)=a₃x+b₃，f₄(x)=a₄x+b₄，f₅(x)=a₅x+b₅；

步骤202：选择一组成色全新的样本集，对样本集中的每张纸币进行平均灰度值G的统计；

即G_1i，G_2i，G_3i，G_4i，G_5i，i=1,2,3,...,n，样本集共n个样本。

步骤203：选择其中一种成色的一组样本集，统计每张样本各区域的灰度平均值g；

例如：以8～9成新纸币为例，统计每张样本各区域的灰度平均值，g_11i，g_12i，g_13i，g_14i，g_15i，i=1,2,3,...,n，样本集共n个样本。

步骤204：将所述平均灰度值G和所述灰度平均值g进行一一匹配；

(1)首先拟合区域1的f₁(x)，将第二步和第三步获得的平均灰度值一一配对，{G_1i,g_11i}，i=1,2,3,...,n，共n组数据。

(2)求a₁、b₁两个未知数至少需要有两组数据，将(1)中得到的数据两两组合，并求取各自的a_1m和b_1m的值，即{G₁₁,g₁₁₁}和{G₁₂,g₁₁₂}，得到{a₁₁,b₁₁}，{G₁₃,g₁₁₃}和{G₁₄,g₁₁₄}，得到{a₁₂,b₁₂}，以此类推，得到{a₁₁,b₁₁}，{a₁₂,b₁₂}，…，{a_1m,b_1m}，m=n/2。

(3)分析{a_1m,b_1m}集合中的数据分布，去除异常数据，以集合数据的中值（或平均值，或以其他规则确定），作为(a₁,b₁)。

(4)同理，重复(1)～(3)，求得其他区域的值，(a₂,b₂)，(a₃,b₃)，(a₄,b₄)，(a₅,b₅)。

步骤205：将5个区域的f（x）=ax+b两两组合，计算出各自的a和b；

步骤206：选择一组成色全新的样本集，计算所有纸币图像每个区域的平均灰度值，每个平均灰度值对应一个灰度分布f（x）=ax+b的映射。

即：所述平均灰度值为G₁，G₂，G₃，G₄，G₅，其对应的映射为G₁～f₁(x)，G₂～f₂(x)，G₃～f₃(x)，G₄～f₄(x)，G₅～f₅(x)。

根据上述建立的纸币的成色退化模型，经过大量数据的统计和拟合，材质相似的纸币图像中，可以将0～255个灰度级，分成16个灰度段，每个灰度段对应一个退化映射，即（0x00～0x0F）～f₁(x)，（0x10～0x1F）～f₂(x)，（0x20～0x2F）～f₃(x)，（0x30～0x3F）～f₄(x)，（0x40～0x4F）～f₅(x)，（0x50～0x5F）～f₆(x)，（0x60～0x6F）～f₇(x)，（0x70～0x7F）～f₈(x)，（0x80～0x8F）～f₉(x)，（0x90～0x9F）～f₁₀(x)，（0xA0～0xAF）～f₁₁(x)，（0xB0～0xBF）～f₁₂(x)，（0xC0～0xCF）～f₁₃(x)，（0xD0～0xDF）～f₁₄(x)，（0xE0～0xEF）～f₁₅(x)，（0xF0～0xFF）～f₁₆(x)，

纸币成色退化模型建立后，对样本量不足的纸币图像模拟成色新旧，步骤如下，假设待处理的是成色全新的纸币图像。

第一步，按纸币图像的灰度分布，将图像分为若干区域，计算每个区域的的平均灰度值。

第二步，按照第一步得到的各个区域平均灰度值，确定相应的退化函数，例如，如图6，待模拟退化图像中，划分的五区域分别对应f₈(x)，f₁₄(x)，f₇(x)，f₆(x)，f₈(x)这五个映射。

第三步，依次对每个区域中各个象素点的灰度值执行相应的退化映射，得到各点退化后的灰度值，直至图像中的所有点都映射完毕。

脏污、残缺、裂痕、折叠可看作一种特殊的图像噪声建立相关的模型，它与传统所指的噪声不大一致，传统的噪声模型产生的噪声是一个一个随机的点，而这里提出的噪声模型产生的噪声是在一个随机的区域内形成具备特定性质但同时具有一定随机性的点。

具体的，请参阅附图7，为根据预先设置的规则进行纸币脏污退化模型的建立流程图。上述所述根据预先设置的规则进行纸币脏污退化模型的建立具体为：

脏污噪声的主要特征包括，脏污区域的形状、大小，区域的位置，区域内脏污点的密度，各脏污点的形状、大小，各脏污点的灰度值。

步骤301：预设纸币脏污区域的形状及脏污点的形状为圆形，且每张纸币仅有一块脏污区域；

步骤302：根据分析统计脏污区域的位置及脏污点在脏污区域的位置概率密度曲线为常数，即均匀分布X～U(a,b)，脏污区域的大小及脏污点的大小、密度和灰度值的概率密度曲线为正态分布X～N(μ,σ²)。

脏污区域位置，其概率密度曲线为常数，即脏污区域出现在纸币的各个位置的概率是相同的。

脏污区域的大小以及区域内脏污点的密度，通过统计分析，脏污区域的大小（半径）呈正态分布，均值为μ₁₁，方差为σ₁₁，脏污点的密度与脏污区域的大小无关，概率密度呈独立的正态分布，均值为μ₁₂，方差为σ₁₂。

区域内脏污点的位置的概率密度曲线为常数，即脏污点在区域内各个位置出现的概率是相同的。

脏污点的大小以及脏污点的灰度值，各自的概率密度曲线都呈现独立的正态分布，脏污点的大小均值为μ₁₃，方差为σ₁₃，脏污点的灰度值均值为μ₁₄，方差为σ₁₄。

图8为基于脏污噪声模型的纸币图像退化步骤示意图。

第一步，根据脏污区域位置的概率密度曲线，随机在纸币区域内生成一个特定位置。

第二步，根据脏污区域大小的概率密度曲线，随机生成一个半径的数值，以第一步生成点的位置作为圆心，确定脏污区域及大小。

第三步，根据脏污区域内的脏污点密度的概率密度函数，随机生成一个密度值，再由第二步得到的区域面积，确定该区域内的脏污点个数。

第四步，对于区域内的每一个脏污点，都需要确定一次它的位置、大小、及其灰度值，按顺序对区域内的各个脏污点做好标记，分别根据各自的概率密度曲线，随机确定相应的值。

在第四步中，具体地分为以下几个分步骤，

(1)根据区域内脏污点位置的概率密度曲线，随机生成一个脏污点在区域内的坐标值。

(2)根据脏污点大小的概率密度曲线，随机生成脏污点的半径，以(1)中的坐标点作为脏污点的圆心，确定脏污点的位置和大小。

(3)根据脏污点灰度值的概率密度曲线，随机生成脏污点灰度值。

(4)判断该脏污点是否是脏污区域内的最后一点，若是，跳至第五步，若否，跳至(1)，继续生成脏污点。

第五步，生成的噪声与原图融合。

具体的，请参阅附图9，为根据预先设置的规则进行纸币残缺退化模型的建立流程图。上述所述根据预先设置的规则进行纸币残缺退化模型的建立具体为：

步骤401：根据分析统计确定残缺的位置、大小和形状，残缺的位置的概率密度曲线为常量；

即在纸币上各个位置出现的残缺的概率是相同的。

步骤402：残缺的大小的概率密度曲线为正态分布；均值为μ₂₁，方差为σ₂₁。

步骤403：残缺的形状为多边形，多边形为三边形到八边形，凸多边形和凹多边形，其概率密度曲线为常量，即残缺是何种形状的概率是相等的。

图10为基于残缺噪声模型的纸币图像退化步骤示意图。

第一步，根据残缺区域位置的概率密度曲线，随机在纸币区域内确定一个特定位置。

第二步，根据残缺大小的概率密度曲线，随机生成残缺区域的半径，以第一步得到的位置坐标作为区域的圆心。

第三步，确定残缺区域的形状，具体地，按以下几个分步骤实施，

(1)以第一步生成的圆心，第二步生成的半径确定一个圆形区域。

(2)残缺属于n边形，n呈均匀分布，随机生成n，n∈[3,8],n∈Z。

(3)将(1)得到的圆形区域，以圆心为中心平均分为n个扇形区域。

(4)在每个扇形区域中，各随机获得一点，该点在扇形区域内的位置概率是相等的。

(5)用直线连接n个点，形成一个闭合多边形。

第四步，闭合多边形内区域填充为背景色（黑色），作为纸币的残缺。

具体的，请参阅附图11，为根据预先设置的规则进行纸币折叠或折角退化模型的建立流程图。上述所述根据预先设置的规则进行纸币折叠或折角退化模型的建立具体为：

纸币折角一般发生在边缘部分，并且折角的面积范围不大，依据这个性质，可按以下步骤建立折叠（折角）噪声模型。

步骤501：将纸币划分为两行两列，平均分为四个矩形区域，每个区域都有一条长边和一条短边属于纸币的边缘；

步骤502：随机选取其中一个区域，在其短边上随机选择一个点，在其长边上随机选择另一点；

步骤503：判断两点间的距离，即这两点到顶点距离x（长边上的距离），y（短边上的距离）是否满足约束条件，约束条件为若是进入下一步骤，若否，转到上一步骤；

步骤504：以上述两点确定的直线作为折角的边缘，边缘以外的点作为折角区域，用背景色填充。

图12为基于折叠或折角噪声模型的纸币图像退化步骤示意图。

具体的，请参阅附图13，为根据预先设置的规则进行纸币裂痕退化模型的建立流程图。上述所述根据预先设置的规则进行纸币裂痕退化模型的建立具体为：

步骤601：在纸币边界上随机获取长度为L的线段s，所述L呈均匀分布，L∈(0,MaxL)，MaxL为纸币边界的最大长度；

步骤602：确定另一点N的位置，点N与线段s的中点M的距离为l，MN与线段s的夹角为α，l∈(0,Maxl)，夹角α∈(π/3,2π/3)，α、l均呈正态分布；

步骤603：点N和线段s之间围成的三角区域确定为裂痕区域，用背景色填充。

图14为基于裂痕噪声模型的纸币图像退化步骤示意图。

在上述本发明公开的实施例的基础上，本发明还公开了一种纸币识别分类的系统，请参阅附图15，为本发明实施例公开的一种纸币识别分类的系统结构示意图。本发明公开了一种纸币识别分类的系统，该系统的具体结构包括：获取单元701，用于获取待学习全新纸币的样本信息和待识别的纸币样本信息；模型建立单元702，用于根据预先设置的规则进行纸币样本信号退化模型的建立；输入单元703，用于将样本信息输入到纸币样本信号退化模型，得到所学习全新纸币对应的各种类别的纸币样本信息；分类器学习单元704，用于将各种类别的纸币样本信息输入到分类器中进行分类器学习，输出纸币的分类模型；分类结果输出单元705，用于对待识别的样本信息进行样本信号预处理和特征提取，应用分类模型对所述待识别的纸币进行分类决策，输出最终的分类结果。

综上所述：本发明公开了一种纸币识别分类的方法及系统，该方法包括获取待学习全新纸币的样本信息和待识别的纸币样本信息；根据预先设置的规则进行纸币样本信号退化模型的建立；将样本信息输入到纸币样本信号退化模型，得到待学习全新纸币对应的各种类别的纸币样本信息；将各种类别的纸币样本信息输入到分类器中进行分类器学习，输出纸币的分类模型；对待识别的样本信息进行样本信号预处理和特征提取，应用分类模型对待识别的纸币进行分类决策，输出最终的分类结果。该方法利用现有容易获取的大量可靠样本，通过统计方法建立符合应用要求的样本信号退化模型，模拟出成色全新、成色8成～9成新、成色7成～8成新、成色7成以下新、存在不同程度脏污、存在不同程度残缺、存在不同程度的裂痕、某些区域存在折叠的纸币状态，然后进行分类器学习，在对待识别样本进行分类识别，从而准确的得出分类结果，在确保提高分类器精确度的情况下，也降低了对纸币识别产品开发的成本和效率。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (7)

1.一种纸币识别分类的方法，其特征在于，包括：

获取待学习全新纸币的样本信息和待识别的纸币样本信息；

根据预先设置的规则进行纸币样本信号退化模型的建立；

将所述样本信息输入到所述纸币样本信号退化模型，得到所述待学习全新纸币对应的各种类别的纸币样本信息，所述纸币样本信号退化模型包括：基于图像亮度线性变化的纸币成色退化模型和基于统计模型随机性建立的纸币图像退化模型；

将所述各种类别的纸币样本信息输入到分类器中进行分类器学习，输出纸币的分类模型；

对所述待识别的样本信息进行样本信号预处理和特征提取，应用所述分类模型对所述待识别的纸币进行分类决策，输出最终的分类结果；

其中，据预先设置的规则进行纸币成色退化模型的建立具体为：

分析特定币种面额的纸币图像的灰度分布f(w)＝dw+c，按照灰度相似度将所述特定币种面额的纸币分为5个区域，其中，w表示特定区域的灰度均值，f(w)表示整张钞票的灰度均值，d表示直线方程的斜率，c表示直线方程的截距；

选择一组成色全新的样本集，对所述样本集中的每张纸币进行平均灰度值G的统计；

选择其中一种成色的一组样本集，统计每张样本各区域的灰度平均值g；

将所述平均灰度值G和所述灰度平均值g进行一一匹配；

将所述5个区域的f(w)＝dw+c两两组合，计算出各自的d和c；

选择一组成色全新的样本集，计算所有纸币图像每个区域的平均灰度值，每个所述平均灰度值对应一个灰度分布f(w)＝dw+c的映射。

2.根据权利要求1所述的方法，其特征在于，所述纸币图像退化模型包括纸币脏污、残缺、裂痕、折叠或折角的信号退化模型，所述纸币成色退化模型具体为成色全新、成色8成～9成新、成色7成～8成新、成色7成以下新。

3.根据权利要求2所述的方法，其特征在于，根据预先设置的规则进行纸币脏污退化模型的建立具体为：

预设纸币脏污区域的形状及脏污点的形状为圆形，且每张纸币仅有一块脏污区域；

根据分析统计所述脏污区域的位置及脏污点在所述脏污区域的位置概率密度曲线为常数，即均匀分布X～U(a,b)，所述脏污区域的大小及所述脏污点的大小、密度和灰度值的概率密度曲线为正态分布X～N(μ,σ²)。

4.根据权利要求2所述的方法，其特征在于，根据预先设置的规则进行纸币残缺退化模型的建立具体为：

根据分析统计确定所述残缺的位置、大小和形状，所述残缺的位置的概率密度曲线为常量；

所述残缺的大小的概率密度曲线为正态分布；

所述残缺的形状为多边形，所述多边形为三边形到八边形，所述多边形包括凸多边形和凹多边形，所述多边形概率密度曲线为常量。

5.根据权利要求2所述的方法，其特征在于，根据预先设置的规则进行纸币折叠或折角退化模型的建立具体为：

将纸币划分为两行两列，平均分为四个矩形区域，每个区域都有一条长边和一条短边属于纸币的边缘；

随机选取其中一个区域，在其短边上随机选择一个点，在其长边上随机选择另一点；

判断短边上随机选择的一点到顶点的距离y与长边上随机选择的一点到顶点的距离x是否满足约束条件，所述约束条件为

基于短边上随机选择的一点到顶点的距离y与长边上随机选择的一点到顶点的距离x满足约束条件，以短边上随机选择的一点到顶点的距离y与长边上随机选择的一点到顶点的距离x确定的直线作为折角的边缘，边缘以外的区域作为折角区域，用背景色填充；

基于短边上随机选择的一点到顶点的距离y与长边上随机选择的一点到顶点的距离x不满足约束条件，返回执行随机选取其中一个区域，在其短边上随机选择一个点，在其长边上随机选择另一点步骤。

6.根据权利要求2所述的方法，其特征在于，根据预先设置的规则进行纸币裂痕退化模型的建立具体为：

在纸币边界上随机获取长度为L的线段s，所述L呈均匀分布，L∈(0,MaxL)，所述MaxL为纸币边界的最大长度；

确定另一点N的位置，点N与所述线段s的中点M的距离为l，MN与所述线段s的夹角为α，l∈(0,Maxl)，所述夹角α∈(π/3,2π/3)，所述α、l均呈正态分布；

所述点N和所述线段s之间围成的三角区域确定为裂痕区域，用背景色填充。

7.一种纸币识别分类的系统，其特征在于，包括：

获取单元，用于获取待学习全新纸币的样本信息和待识别的纸币样本信息；

模型建立单元，用于根据预先设置的规则进行纸币样本信号退化模型的建立；

输入单元，用于将所述样本信息输入到所述纸币样本信号退化模型，得到所述待学习全新纸币对应的各种类别的纸币样本信息，所述纸币样本信号退化模型包括：基于图像亮度线性变化的纸币成色退化模型和基于统计模型随机性建立的纸币图像退化模型；

分类器学习单元，用于将所述各种类别的纸币样本信息输入到分类器中进行分类器学习，输出纸币的分类模型；

分类结果输出单元，用于对所述待识别的样本信息进行样本信号预处理和特征提取，应用所述分类模型对所述待识别的纸币进行分类决策，输出最终的分类结果；

其中，模型建立单元根据预先设置的规则进行纸币成色退化模型的建立具体为：

分析特定币种面额的纸币图像的灰度分布f(w)＝dw+c，按照灰度相似度将所述特定币种面额的纸币分为5个区域，其中，w表示特定区域的灰度均值，f(w)表示整张钞票的灰度均值，d表示直线方程的斜率，c表示直线方程的截距；

选择一组成色全新的样本集，对所述样本集中的每张纸币进行平均灰度值G的统计；

选择其中一种成色的一组样本集，统计每张样本各区域的灰度平均值g；

将所述平均灰度值G和所述灰度平均值g进行一一匹配；

将所述5个区域的f(w)＝dw+c两两组合，计算出各自的d和c；

选择一组成色全新的样本集，计算所有纸币图像每个区域的平均灰度值，每个所述平均灰度值对应一个灰度分布f(w)＝dw+c的映射。