CN104318257A - 纸币识别方法与系统 - Google Patents

Abstract

本发明涉及图像处理技术领域，尤其涉及一种纸币识别方法与系统。本发明是基于加速鲁棒特征(SURF)和模型匹配对待测纸币的各红外防伪特征区域进行SURF特征点检测，再将其与真币样本的相应特征模型进行匹配，从而实现判定待测纸币真伪的目的。与现有技术相比，本发明避免了对纸币上的对检测结果没有实际意义的区域的检测，不仅减少了干扰因素，使检测结果更加准确，同时，减少了检测计算量，提高了检测速度。

Description

纸币识别方法与系统

技术领域

本发明涉及图像处理技术领域，尤其涉及一种纸币识别方法与系统。

背景技术

在纸币防伪检测领域中，一般所采取的防伪检测方法是对整张纸币进行防伪检测。这种算法能够确保涵盖纸币的所有防伪特征点。但是，纸币的防伪点集中在几个主要特征区域，只要能对这几个主要特征区域进行准确的检测，就能得到准确的检测结果，事实上，对纸币上其他区域的检测则没有太大实用意义。因此，检测整张纸币相对于检测纸币中的几个主要特征区域而言，由于整张纸币比纸币中的几个主要特征区域面积更大，不仅会增大检测计算量，降低检测速度，同时，还会引入更多的干扰因素，从而影响检测准确度。

发明内容

本发明要解决的技术问题是：提供一种纸币识别方法与系统，以解决现有技术中所采用的通过检测整张纸币对纸币进行防伪检测的方法所造成的检测计算量大、检测速度慢的缺点。本发明是这样实现的：

一种纸币识别方法，包括如下步骤：

步骤S1：获取待测纸币的红外图像；

步骤S2：根据所述红外图像对待测纸币的各红外防伪特征区域进行定位；

步骤S3：检测各红外防伪特征区域的SURF特征点；

步骤S4：将各红外防伪特征区域与样本库中预存的相同面额及版本的真币样本的相应红外防伪特征区域进行SURF特征点匹配，并根据各匹配结果计算所述待测纸币与所述真币样本在各红外防伪特征区域的SURF特征点匹配度；

步骤S5：将所述待测纸币与所述真币样本在各红外防伪特征区域的SURF特征点匹配度与预设的相应红外防伪特征区域的分类阈值进行比较，并根据比较结果判断待测纸币的各红外防伪特征区域的真伪；

步骤S6：根据待测纸币的各红外防伪特征区域的真伪判断待测纸币的真伪；如果各红外防伪特征区域都为真，则判定所述待测纸币为真币，否则判定所述待测纸币为假币。

进一步地，对待测纸币的各红外防伪特征区域进行定位的方法为：

根据所述待测纸币的红外图像中各红外防伪特征区域与背景区域的灰度差别，对所述待测纸币的各红外防伪特征区域进行定位。

进一步地，所述样本库中预存有若干真币样本特征模型及若干假币样本特征模型；

所述真币样本特征模型包括：该真币样本的各红外防伪特征区域与其SURF特征点之间的对应关系；

所述假币样本特征模型包括：该假币样本的各红外防伪特征区域与其SURF特征点的之间对应关系；

各红外防伪特征区域的分类阈值的设定步骤为：

从样本库中提取若干真币样本特征模型和假币样本特征模型，并根据组合进行各红外防伪特征区域的类内SURF特征点匹配及类间SURF特征点匹配，并据此计算各红外防伪特征区域的每次类内SURF特征点匹配的匹配度及每次类间SURF特征点匹配的匹配度；

根据计算得出的各红外防伪特征区域的各次类内SURF特征点匹配的匹配度及类间SURF特征点匹配的匹配度，在同一坐标系中建立同一红外防伪特征区域的类内SURF特征点匹配度概率分布曲线及类间SURF特征点匹配度概率分布曲线，并将两条曲线的第一个交点所对应的匹配度作为相应红外防伪特征区域分类阈值。

进一步地，所述样本库中还预存有面额及版本与该种面额及版本的纸币的标准灰度之间的对应关系；所述步骤S6之后，还包括如下步骤：

检测被判定为真币的待测纸币的灰度；

将所述灰度与样本库中预存的与该待测纸币的面额及版本对应的标准灰度进行比对，并根据比对结果判断该待测纸币的新旧程度。

进一步地，所述面额及版本与该种面额及版本的纸币的标准灰度之间的对应关系通过如下步骤获得：

步骤A：获取全新币样本的可见光图像；

步骤B：将所述可见光图像平均划分为若干区域，并检测各区域的平均灰度；

步骤C：将各区域的平均灰度按大小顺序依次排列，提取最大的前m个平均灰度，并计算该m个平均灰度的平均值，并将该平均值作为所述真币样本的标准灰度；所述m为大于1的自然数；

步骤D：按照上述方法获取N张与所述真币样本的面额及版本相同的全新币样本的标准灰度，并计算获得的N个标准灰度的平均值，并将该平均值作为该种面额及版本的纸币的标准灰度；所述N为大于1的自然数；

步骤E：按照上述方法获取各种面额及版本的纸币的标准灰度，并将面额及版本与该种面额及版本的纸币的标准灰度之间的对应关系保存到所述样本库中。

进一步地，在所述步骤S6之后，还包括如下步骤：

检测被判定为真币的待测纸币的红外透射图像；

对所述红外透射图像进行二值化处理，获得二值化图像；所述二值化图像中的二值所对应的区域分别对应该待测纸币的纸币区域与缺损区域；

根据所述二值化图像计算所述缺损区域占所述纸币区域与缺损区域之和的比值，并根据所述比值及所述待测纸币的面积计算所述待测纸币的缺损区域的面积。

一种纸币识别系统，包括：

红外图像获取模块，用于获取待测纸币的红外图像；

红外防伪特征区域定位模块，用于根据所述红外图像对待测纸币的各红外防伪特征区域进行定位；

SURF特征检测模块，用于检测各红外防伪特征区域的SURF特征点；

SURF特征匹配模块，用于将各红外防伪特征区域与样本库中预存的相同面额及版本的真币样本的相应红外防伪特征区域进行SURF特征点匹配，并根据各匹配结果计算所述待测纸币与所述真币样本在各红外防伪特征区域的SURF特征点匹配度；

红外防伪特征区域真伪判断模块，用于将所述待测纸币与所述真币样本在各红外防伪特征区域的SURF特征点匹配度与预设的相应红外防伪特征区域的分类阈值进行比较，并根据比较结果判断待测纸币的各红外防伪特征区域的真伪；

待测纸币真伪判断模块，用于根据待测纸币的各红外防伪特征区域的真伪判断待测纸币的真伪；如果各红外防伪特征区域都为真，则判定所述待测纸币为真币，否则判定所述待测纸币为假币。

进一步地，所述红外防伪特征区域定位模块根据所述待测纸币的红外图像中各红外防伪特征区域与背景区域的灰度差别，对所述待测纸币的各红外防伪特征区域进行定位。

进一步地，所述纸币识别系统还包括：

灰度检测模块，用于检测被判定为真币的待测纸币的灰度；

纸币新旧程度计算模块，用于将所述灰度与样本库中预存的与该待测纸币的面额及版本对应的标准灰度进行比对，并根据比对结果判断该待测纸币的新旧程度。

进一步地，所述红外图像包括所述待测纸币的红外透射图像；

所述纸币识别系统还包括：

二值化处理模块，用于对所述红外透射图像进行二值化处理，获得二值化图像；所述二值化图像中的二值所对应的区域分别对应该待测纸币的纸币区域与缺损区域；

纸币缺损区域面积评估模块，用于根据所述二值化图像计算所述缺损区域占所述纸币区域与缺损区域之和的比值，并根据所述比值及所述待测纸币的面积计算所述待测纸币的缺损区域的面积。

与现有技术相比，本发明避免了对纸币上的对检测结果没有实际意义的区域的检测，不仅减少了干扰因素，使检测结果更加准确，同时，减少了检测计算量，提高了检测速度。

附图说明

图1：本发明实施例提供的纸币识别方法流程示意图；

图2：本发明实施例提供的2005版100面额人民币的光变油墨面额数字区域、冠字号码区域及安全线区域定位过程示意图；

图3：本发明实施例提供的2005版100面额人民币的白水印区域定位过程示意图；

图4：本发明实施例提供的2005版100面额人民币的1/2人民大会堂区域定位过程示意图；

图5a：在同一坐标系中建立的安全线区域的类内SURF特征点匹配度概率分布曲线及类间SURF特征点匹配度概率分布曲线；

图5b：在同一坐标系中建立的光变油墨面额数字区域的类内SURF特征点匹配度概率分布曲线及类间SURF特征点匹配度概率分布曲线；

图5c：在同一坐标系中建立的白水印区域的类内SURF特征点匹配度概率分布曲线及类间SURF特征点匹配度概率分布曲线；

图5d：在同一坐标系中建立的1/2人民大会堂区域的类内SURF特征点匹配度概率分布曲线及类间SURF特征点匹配度概率分布曲线；

图6：面额及版本与该种面额及版本的纸币的标准灰度之间的对应关系的确定流程示意图：

图7：纸币缺损面积检测流程示意图；

图8：本发明实施例提供的纸币识别系统组成示意图；

图9：上述纸币识别系统的进一步组成示意图；

图10a：本发明纸币识别性能测试结果中安全线区域的错误拒绝率和错误接受率随分类阈值的变化曲线；

图10b：本发明纸币识别性能测试结果中油墨面额数字区域的错误拒绝率和错误接受率随分类阈值的变化曲线；

图10c：本发明纸币识别性能测试结果中白水印区域的错误拒绝率和错误接受率随分类阈值的变化曲线；

图10d：本发明纸币识别性能测试结果中1/2人民大会堂区域的错误拒绝率和错误接受率随分类阈值的变化曲线。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。

本发明是基于加速鲁棒特征(SURF)和模型匹配对待测纸币的各红外防伪特征区域进行SURF特征点检测，再将其与真币样本的相应特征模型进行匹配，从而实现判定待测纸币真伪的目的。图1示出了本发明实施例提供的纸币识别方法的流程示意图。根据图1所示，该纸币识别方法包括如下步骤：

步骤S1：获取待测纸币的红外图像；

步骤S2：根据红外图像对待测纸币的各红外防伪特征区域进行定位；

步骤S3：检测各红外防伪特征区域的SURF特征点；

步骤S4：将各红外防伪特征区域与样本库中预存的相同面额及版本的真币样本的相应红外防伪特征区域进行SURF特征点匹配，并根据各匹配结果计算待测纸币与真币样本在各红外防伪特征区域的SURF特征点匹配度；

步骤S5：将待测纸币与真币样本在各红外防伪特征区域的SURF特征点匹配度与预设的相应红外防伪特征区域的分类阈值进行比较，并根据比较结果判断待测纸币的各红外防伪特征区域的真伪；

步骤S6：根据待测纸币的各红外防伪特征区域的真伪判断待测纸币的真伪；如果各红外防伪特征区域都为真，则判定待测纸币为真币，否则判定待测纸币为假币。

以下对各步骤进行详细说明：

步骤S1：获取待测纸币的红外图像。根据待测纸币的各红外防伪特征区域的分布，红外图像可包括待测纸币的正面红外反射图像、正面红外透射图像、反面红外反射图像、反面红外透射图像。不同的红外防伪特征区域的定位所用到的红外图像可能不同。

步骤S2：根据红外图像对待测纸币的各红外防伪特征区域进行定位。本发明的基本技术思想是根据纸币的红外防伪特征区域对纸币进行识别的,因此，对待测纸币的红外防伪特征区域进行定位是本发明的基础步骤。待测纸币除了具有公众防伪特征之外，还具有专业防伪特征，用于对该待测纸币进行深度识别。红外防伪特征就是其中非常重要的专业防伪特征。本发明通过获取待测纸币的红外图像，然后根据待测纸币的红外图像中各红外防伪特征区域与背景区域的灰度差别，对待测纸币的各红外防伪特征区域进行定位。以2005版100面额人民币为例，2005版100面额人民币的红外防伪特征区域包括光变油墨面额数字区域、冠字号码区域、安全线区域及白水印区域等，这些区域与背景区域在红外光下所呈现的红外图像的灰度是不同的。其中，光变油墨面额数字区域、冠字号码区域及安全线区域的红外图像的灰度比背景区域的红外图像的灰度小，而白水印区域的红外图像的灰度比背景区域的红外图像的灰度大。因此，可采用分段线性变换及最大类间方差的方法分步骤对光变油墨面额数字区域、冠字号码区域、安全线区域及白水印区域进行定位。

在对光变油墨面额数字区域、冠字号码区域及安全线区域进行定位时，由于这些区域的红外图像的灰度比背景区域的红外图像的灰度小，因此，可通过扩展低值灰度区，压缩高值灰度区的方法增强这些红外防伪特征区域与背景区域的对比度，从而实现对这些红外防伪特征区域的定位。具体步骤如图2所示，步骤(a)，获取待测纸币的正面红外透射图像；步骤(b)，获取待测纸币的正面红外反射图像；步骤(c)，将待测纸币的正面红外透射图像与正面红外反射图像相加，以增强光变油墨面额数字区域、冠字号码区域及安全线区域与背景区域的对比度；步骤(d)，对相加后的图像进行分段线性变换处理，以进一步增强光变油墨面额数字区域、冠字号码区域及安全线区域与背景区域的对比度，在进行分段线性变换时，扩展低值灰度区，压缩高值灰度区；步骤(e)，对经过分段线性变换处理后的图像进行图像腐蚀处理；步骤(f)，对经过图像腐蚀处理后的图像进行二值化处理，然后通过连通域检测的方式实现对光变油墨面额数字区域、冠字号码区域及安全线区域的定位。

在白水印区域进行定位时，由于其红外图像的灰度比背景区域的灰度小，因此，通过扩展高值灰度区，压缩低值灰度区的方法增强白水印区域与背景区域的对比度，从而实现对白水印区域的定位。具体步骤如图3所示，步骤(a)，获取待测纸币的正面红外透射图像；步骤(b)，对获取的正面红外透射图像进行分段线性变换处理，以增强白水印区域与背景区域的对比度，在进行分段线性变换时，扩展高值灰度区，压缩低值灰度区；步骤(c)，对经过分段线性变换处理后的图像进行二值化均值滤波处理，然后通过连通域检测的方法实现对白水印区域的定位。

在对1/2人民大会堂区域进行定位时，由于100面额人民币的反面红外反射图相对红外透射图上的防伪特征点少，较容易定位，只显示1/2人民大会堂区域，该特征是重要的防伪点。因此，对1/2人民大会堂区域的定位与对白水印区域的定位方法相似。具体步骤如图4所示，步骤(a)，获取待测纸币的反面红外反射图像；步骤(b)，对获取的反面红外反射图像进行分段线性变换，以增强1/2人民大会堂区域与背景区域的对比度；步骤(c)，对经过分段线性变换处理后图像进行图像腐蚀处理；步骤(d)，对经过图像腐蚀处理的图像进行二值化处理，然后通过连通域检测的方法实现对1/2人民大会堂区域进行定位。

在对上述各红外防伪特征区域进行定位的过程中，进行分段线性变换处理时都涉及到对高值灰度区及低值灰度区的处理，在确定高值灰度区及低值灰度区时，涉及到高值灰度区与低值灰度区之间的阈值的确定。本实施例通过类间最大方差法的方法确定在对各红外防伪特征区域的红外图像进行分段线性变换时的阈值，最大类间方差法是在最小二乘法原理的基础上推导出来的，是一种自适应阈值确定方法，能更好的把灰度图像转换成二值图像。

步骤S3：检测各红外防伪特征区域的SURF特征点。在对待测纸币进行检测的过程中，纸币容易受到旋转的影响。由于SURF特征匹配算法对纸币的旋转具有旋转鲁棒性，而且，SURF特征匹配算法用于特征匹配的描述算子可区分性强且紧凑，再次，SURF特征匹配算法的低计算成本便于红外防伪特征区域的快速定位和匹配，因此，本发明采用基于SURF特征匹配的方法对待测纸币进行识别。

步骤S4：将各红外防伪特征区域与样本库中预存的相同面额及版本的真币样本的相应红外防伪特征区域进行SURF特征点匹配，并根据各匹配结果计算待测纸币与真币样本在各红外防伪特征区域的SURF特征点匹配度。样本库是用于与待测样本的各红外防伪特征区域的SURF特征点进行匹配的，样本库中存储有若干真币样本特征模型和假币样本特征模型。真币样本特征模型包括真币样本的各红外防伪特征区域与其SURF特征点之间的对应关系，假币样本特征模型包括假币样本的各红外防伪特征区域与其SURF特征点的之间对应关系。在进行SURF特征点匹配时，由于不同面额及版本的纸币，其红外防伪特征区域的SURF特征点也是不同的，因此，需要根据待测纸币的面额及版本进行SURF特征点匹配。纸币的面额及版本可以通过面额及版本识别或人工识别的方法确定。

步骤S5：根据待测纸币的各红外防伪特征区域与真币样本的相应红外防伪特征区域的SURF特征点匹配度与预设的相应红外防伪特征区域的分类阈值的大小关系，判断待测纸币的各红外防伪特征区域的真伪。该步骤是判断待测纸币真伪的关键步骤，其关键点在于各红外防伪特征区域的分类阈值的确定。所谓分类阈值是指用于确定相应红外防伪特征区域真伪的阈值，每个红外防伪特征区域都具有一个分类阈值用于确定该红外防伪特征区域的真伪。各红外防伪特征区域的分类阈值的确定步骤如下：

首先，从样本库中提取若干真币样本特征模型和假币样本特征模型，并根据组合进行各红外防伪特征区域的类内SURF特征点匹配及类间SURF特征点匹配，并据此计算各红外防伪特征区域的每次类内SURF特征点匹配的匹配度及每次类间SURF特征点匹配的匹配度。然后，根据计算得出的各红外防伪特征区域的各次类内SURF特征点匹配的匹配度及类间SURF特征点匹配的匹配度，在同一坐标系中建立同一红外防伪特征区域的类内SURF特征点匹配度概率分布曲线及类间SURF特征点匹配度概率分布曲线，并将两条曲线的第一个交点所对应的匹配度作为相应红外防伪特征区域分类阈值。所谓类内是指真币样本特征模型与真币样本特征模型间，类间是指真币样本特征模型与假币样本特征模型间。

以下以2005版100面额人民币的安全线区域为例，详细说明红外防伪特征区域的分类阈值的确定步骤。其他红外防伪特征区域的分类阈值的确定可参照安全线区域的分类阈值确定方法。

首先，从样本库中提取10个2005版100面额人民币的真币样本特征模型和10个2005版100面额人民币的假币样本特征模型，并根据组合进行安全线区域的类内SURF特征点匹配及类间SURF特征点匹配，并据此计算安全线区域的每次类内SURF特征点匹配的匹配度及每次类间SURF特征点匹配的匹配度。根据组合计算公式可知，10个真币样本特征模型之间总共需进行次(45次)安全线区域的SURF特征点匹配，10个真币样本特征模型与10个假币样本特征模型之间总共需要进行次(100次)安全线区域的SURF特征点匹配。每次匹配都会得到一个SURF特征点匹配度，匹配过程中总共可以得到安全线区域的45个类内SURF特征点匹配度及100个类间SURF特征点匹配度。然后，统计这45个类内SURF特征点匹配度以及100个类间SURF特征点匹配度中，相同匹配度的出现概率，并据此在同一坐标系中建立安全线区域的类内SURF特征点匹配度概率分布曲线及类间SURF特征点匹配度概率分布曲线。SURF特征点匹配度概率分布曲线反映了SURF特征点匹配度与其概率之间的对应关系。图5a所示为在同一坐标系中建立的安全线区域的类内SURF特征点匹配度概率分布曲线及类间SURF特征点匹配度概率分布曲线。匹配度反映了两个红外防伪特征区域之间的相似程度，匹配度越高，表明两个红外防伪特征区域之间的相似程度越大，反之，则表明两个红外防伪特征区域之间的相似程度越小。真币样本特征模型与真币样本特征模型之间肯定具有较高匹配度，而真币样本特征模型与假币样本特征模型之间则只具有较低匹配度。根据建立的上述坐标系中的两条匹配度概率分布曲线也可以看出，类内SURF特征点匹配度概率分布曲线与类间SURF特征点匹配度概率分布曲线具有明显的不同。整体而言，类间SURF特征点匹配度概率分布曲线随着匹配度由0逐渐升高，其概率逐渐下降，而类内SURF特征点匹配度概率分布曲线随着匹配度从0逐渐升高，其概率是呈先上升后下降的趋势，而且类间SURF特征点匹配度概率分布曲线的概率下降段与类内SURF特征点匹配度概率分布曲线的概率上升段有一个交点，该交点所对应的匹配度大约为0.12，安全线区域的类内SURF特征点匹配度大多分布在0.12-0.5区间，而类间SURF特征点匹配度大多分布在0-0.12区间。因此，将0.12作为安全线区域的分类阈值，可以很好地区分出待测纸币的安全线区域的真假。如果待测纸币的安全线区域与样本库中任意一个真币样本特征模型中的安全线区域的SURF特征点匹配度大于0.12，则可判定该待测纸币的安全线区域为真，否则可判定该待测纸币的安全线区域为假。

图5b所示为在同一坐标系中建立的光变油墨面额数字区域的类内SURF特征点匹配度概率分布曲线及类间SURF特征点匹配度概率分布曲线。图5c所示为在同一坐标系中建立的白水印区域的类内SURF特征点匹配度概率分布曲线及类间SURF特征点匹配度概率分布曲线。图5d所示为在同一坐标系中建立的1/2人民大会堂区域的类内SURF特征点匹配度概率分布曲线及类间SURF特征点匹配度概率分布曲线。从图5b至图5d可以看出，其他红外防伪特征区域的类内及类间的SURF特征点匹配度概率分布曲线与安全线区域的类内及类间SURF特征点匹配度概率分布曲线是相似的，即，类间SURF特征点匹配度概率分布曲线随着匹配度由0逐渐升高，其概率逐渐下降，而类内SURF特征点匹配度概率分布曲线随着匹配度从0逐渐升高，其概率是呈先上升后下降的趋势，而且类间SURF特征点匹配度概率分布曲线的概率下降段与类内SURF特征点匹配度概率分布曲线的概率上升段有一个交点，该交点所对应的匹配度都可作为相应红外防伪特征区域的分类阈值。

步骤S6：根据待测纸币的各红外防伪特征区域的真伪判断待测纸币的真伪；如果各红外防伪特征区域都为真，则判定待测纸币为真币，否则判定待测纸币为假币。理所当然地，只有当待测纸币的所有红外防伪特征区域都被判定为真，该待测纸币整体才能判定为是真币，当待测纸币的任何一个红外防伪特征区域被判定为假，则该待测纸币都应该被判定为假币。

当判定待测纸币为真币后，本发明还可以继续对该待测纸币进行新旧检测。对待测纸币进行新旧检测的步骤为：首先，检测被判定为真币的待测纸币的灰度，然后将检测到的灰度与样本库中预存的与该待测纸币的面额及版本对应的标准灰度进行比对，并根据比对结果判断该待测纸币的新旧程度。待测纸币的灰度通过与标准灰度同样的方法确定。样本库中预存有各种面额及版本与该种面额及版本的纸币的标准灰度之间的对应关系。这种对应关系用于确定待测纸币的标准灰度，以用于将该标准灰度与检测到的待测纸币的灰度进行比对。上述对应关系的确定步骤如图6所示：

步骤A：获取全新币样本的可见光图像；

步骤B：将可见光图像平均划分为若干区域，并检测各区域的平均灰度；

步骤C：将各区域的平均灰度按大小顺序依次排列，提取最大的前m个平均灰度，并计算该m个平均灰度的平均值，并将该平均值作为真币样本的标准灰度；m为大于1的自然数；

步骤D：按照上述方法获取n张与真币样本的面额及版本相同的全新币样本的标准灰度，并计算获得的n个标准灰度的平均值，并将该平均值作为该种面额及版本的纸币的标准灰度；n为大于1的自然数；

步骤E：按照上述方法获取各种面额及版本的纸币的标准灰度，并将面额及版本与该种面额及版本的纸币的标准灰度之间的对应关系保存到样本库中。

在获取真币样本的可见光图像时，应当注意各次所用照明光源的一致性。本实施例中选择亮度一致的白光光源作为照明光源。以上m和n的取值可根据对标准灰度的精度要求选择。根据标准灰度的确定方式可知，待测纸币在正常使用过程中，其灰度会低于标准灰度，根据待测纸币的灰度与标准灰度的比值可以确定待测纸币的新旧程度。设该比值为K，则比值K与待测纸币的新旧程度的对应关系如下：

0.9≤K＜1：待测纸币为9成新；

0.8≤K＜0.9：待测纸币为8成新；

0.7≤K＜0.8：待测纸币为7成新；

K＜0.7：待测纸币低于7成新，应当回收。

另外，在判定待测纸币为真币后，本发明还可以继续对待测纸币的破损程度进行检测。由《不宜流通人民币挑剔准则》可知，不适宜流通纸币包括下列情况：

1)纸币缺损区域面积大于20mm²；

2)纸币有2处以上裂口，每处长度大于5mm，或1处裂口，长度大于10mm；

3)纸币褶皱较明显，脱色、变色、变形、纸质较绵软，或不能保持防伪特征；

4)纸币涂写字迹或污渍的面积大于2cm²的，或者没超过22cm²，但遮盖了防伪特征。

本发明可以对其中的缺损区域面积进行检测。根据图7所示，对纸币的缺损区域面积进行检测的步骤如下：

首先，检测被判定为真币的待测纸币的红外透射图像，然后，将获取到的红外透射图像进行二值化处理，得到二值化图像。该二值化图像中的二值所对应的区域分别对应待测纸币的纸币区域与缺损区域。获得二值化图像后，根据该二值化图像计算缺损区域占纸币区域与缺损区域之和的比值，最后根据该比值及待测纸币的面积计算该待测纸币的缺损区域的面积。另外，还可以通过连通域检测的方式检测待测纸币中缺损区域的个数。

基于上述纸币识别方法，本发明还提供了一种纸币识别系统。根据图8所示，该系统包括：

红外图像获取模块1，用于获取待测纸币的红外图像；

红外防伪特征区域定位模块2，用于根据红外图像对待测纸币的各红外防伪特征区域进行定位；

SURF特征检测模块3，用于检测各红外防伪特征区域的SURF特征点；

SURF特征匹配模块4，用于将各红外防伪特征区域与样本库中预存的相同面额及版本的真币样本的相应红外防伪特征区域进行SURF特征点匹配，并根据各匹配结果计算待测纸币与真币样本在各红外防伪特征区域的SURF特征点匹配度；

红外防伪特征区域真伪判断模块5，用于将待测纸币与真币样本在各红外防伪特征区域的SURF特征点匹配度与预设的相应红外防伪特征区域的分类阈值进行比较，并根据比较结果判断待测纸币的各红外防伪特征区域的真伪；

待测纸币真伪判断模块6，用于根据待测纸币的各红外防伪特征区域的真伪判断待测纸币的真伪；如果各红外防伪特征区域都为真，则判定待测纸币为真币，否则判定待测纸币为假币。

上述各模块中，红外图像检测模块根据待测纸币的各红外防伪特征区域与背景区域的红外图像的灰度差别对待测纸币的各红外防伪特征区域进行定位。

如图9所示，该系统还可以包括：

灰度检测模块7，用于检测待测纸币的灰度；

纸币新旧程度计算模块8，用于将待测纸币的灰度与样本库中预存的相同面额及版本的真币样本的标准灰度进行比对，并根据比对结果判断待测纸币的新旧程度。

同样如图9所示，该系统还可以包括：

二值化处理模块9，用于对红外透射图像进行二值化处理，获得二值化图像；二值化图像中的二值所对应的区域分别对应该待测纸币的纸币区域与缺损区域；

纸币缺损区域面积评估模块10，用于根据二值化图像计算缺损区域占纸币区域与缺损区域之和的比值，并根据比值及待测纸币的面积计算待测纸币的缺损区域的面积。以上各功能模块的具体工作原理及过程可参照上述纸币识别方法中的相关描述，在此不再赘述。

为检测本发明对纸币的识别性能，以45张真币及45张假币作为测试样本进行了纸币识别性能测试，得到了图10a至图10d共4个特征区域的错误拒绝率和错误接受率随分类阈值的变化曲线。其中，图10a为安全线区域的错误拒绝率和错误接受率随分类阈值的变化曲线，图10b为油墨面额数字区域的错误拒绝率和错误接受率随分类阈值的变化曲线，图10c为白水印区域的错误拒绝率和错误接受率随分类阈值的变化曲线，图10d为1/2人民大会堂区域的错误拒绝率和错误接受率随分类阈值的变化曲线。错误接受率是指将假币误判为真币的几率，错误拒绝率是指将真币误判为假币的几率，错误接受率及错误拒绝率可用于表示本发明的纸币识别性能。将错误接受率随分类阈值的变化曲线与错误拒绝率随分类阈值的变化曲线表示在同一个坐标系中，错误接受率随分类阈值的增大而减小，错误拒绝率随分类阈值的增大而增大，两条曲线有一个交点，即在某个分类阈值下错误接受率与错误拒绝率相等，该交点所对应的错误拒绝率与错误接受率的高低可用于表示纸币识别性能。在纸币识别中，假币的识别率应该尽可能高，同时，真币被误判为假币的几率应尽可能低，很明显，该交点所对应的错误接受率与错误拒绝率越低，表明本发明的纸币识别性能越强。

从测试得到的图10a至图10d共4个特征区域的错误拒绝率和错误接受率随分类阈值的变化曲线可以看出，当安全线区域错误接受率接近于0时，错误拒绝率仅为4.44％，假币识别率可达97.8％；当油墨数字区域错误接受率接近于0时，错误拒绝率仅为2.22％，假币识别率可达98.8％；当水印面额错误接受率接近于0时，错误拒绝率仅为4.46％，假币识别率可达97.8％；当1/2大会堂区域错误接受率接近于0时，错误拒绝率仅为2.20％，假币识别率可达98.8％。

一张被识别纸币只有所有区域同时被判定为真币时，该纸币的最后判定结果才为真币，因此，根据上述曲线，假币识别率可以达到98.8％以上，同时，错误拒绝率仅为4.44％，表明本发明的技术方案具有良好的纸币识别性能。上述实验结果证明了本发明对于纸币鉴伪的有效性，对纸币图像鉴伪和识别领域的研究具有重要的意义。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种纸币识别方法，其特征在于，包括如下步骤：

步骤S1：获取待测纸币的红外图像；

步骤S2：根据所述红外图像对待测纸币的各红外防伪特征区域进行定位；

步骤S3：检测各红外防伪特征区域的SURF特征点；

步骤S4：将各红外防伪特征区域与样本库中预存的相同面额及版本的真币样本的相应红外防伪特征区域进行SURF特征点匹配，并根据各匹配结果计算所述待测纸币与所述真币样本在各红外防伪特征区域的SURF特征点匹配度；

步骤S5：将所述待测纸币与所述真币样本在各红外防伪特征区域的SURF特征点匹配度与预设的相应红外防伪特征区域的分类阈值进行比较，并根据比较结果判断待测纸币的各红外防伪特征区域的真伪；

步骤S6：根据待测纸币的各红外防伪特征区域的真伪判断待测纸币的真伪；如果各红外防伪特征区域都为真，则判定所述待测纸币为真币，否则判定所述待测纸币为假币。

2.如权利要求1所述的纸币识别方法，其特征在于，对待测纸币的各红外防伪特征区域进行定位的方法为：

根据所述待测纸币的红外图像中各红外防伪特征区域与背景区域的灰度差别，对所述待测纸币的各红外防伪特征区域进行定位。

3.如权利要求1所述的纸币识别方法，其特征在于，所述样本库中预存有若干真币样本特征模型及若干假币样本特征模型；

所述真币样本特征模型包括：该真币样本的各红外防伪特征区域与其SURF特征点之间的对应关系；

所述假币样本特征模型包括：该假币样本的各红外防伪特征区域与其SURF特征点的之间对应关系；

各红外防伪特征区域的分类阈值的设定步骤为：

从样本库中提取若干真币样本特征模型和假币样本特征模型，并根据组合进行各红外防伪特征区域的类内SURF特征点匹配及类间SURF特征点匹配，并据此计算各红外防伪特征区域的每次类内SURF特征点匹配的匹配度及每次类间SURF特征点匹配的匹配度；

根据计算得出的各红外防伪特征区域的各次类内SURF特征点匹配的匹配度及类间SURF特征点匹配的匹配度，在同一坐标系中建立同一红外防伪特征区域的类内SURF特征点匹配度概率分布曲线及类间SURF特征点匹配度概率分布曲线，并将两条曲线的第一个交点所对应的匹配度作为相应红外防伪特征区域分类阈值。

4.如权利要求1所述的纸币识别方法，其特征在于，所述样本库中还预存有面额及版本与该种面额及版本的纸币的标准灰度之间的对应关系；所述步骤S6之后，还包括如下步骤：

检测被判定为真币的待测纸币的灰度；

将所述灰度与样本库中预存的与该待测纸币的面额及版本对应的标准灰度进行比对，并根据比对结果判断该待测纸币的新旧程度。

5.如权利要求4所述的纸币识别方法，其特征在于，所述面额及版本与该种面额及版本的纸币的标准灰度之间的对应关系通过如下步骤获得：

步骤A：获取全新币样本的可见光图像；

步骤B：将所述可见光图像平均划分为若干区域，并检测各区域的平均灰度；

步骤C：将各区域的平均灰度按大小顺序依次排列，提取最大的前m个平均灰度，并计算该m个平均灰度的平均值，并将该平均值作为所述真币样本的标准灰度；所述m为大于1的自然数；

步骤D：按照上述方法获取N张与所述真币样本的面额及版本相同的全新币样本的标准灰度，并计算获得的N个标准灰度的平均值，并将该平均值作为该种面额及版本的纸币的标准灰度；所述N为大于1的自然数；

步骤E：按照上述方法获取各种面额及版本的纸币的标准灰度，并将面额及版本与该种面额及版本的纸币的标准灰度之间的对应关系保存到所述样本库中。

6.如权利要求1所述的纸币识别方法，其特征在于，在所述步骤S6之后，还包括如下步骤：

检测被判定为真币的待测纸币的红外透射图像；

对所述红外透射图像进行二值化处理，获得二值化图像；所述二值化图像中的二值所对应的区域分别对应该待测纸币的纸币区域与缺损区域；

根据所述二值化图像计算所述缺损区域占所述纸币区域与缺损区域之和的比值，并根据所述比值及所述待测纸币的面积计算所述待测纸币的缺损区域的面积。

7.一种纸币识别系统，其特征在于，包括：

红外图像获取模块，用于获取待测纸币的红外图像；

红外防伪特征区域定位模块，用于根据所述红外图像对待测纸币的各红外防伪特征区域进行定位；

SURF特征检测模块，用于检测各红外防伪特征区域的SURF特征点；

SURF特征匹配模块，用于将各红外防伪特征区域与样本库中预存的相同面额及版本的真币样本的相应红外防伪特征区域进行SURF特征点匹配，并根据各匹配结果计算所述待测纸币与所述真币样本在各红外防伪特征区域的SURF特征点匹配度；

红外防伪特征区域真伪判断模块，用于将所述待测纸币与所述真币样本在各红外防伪特征区域的SURF特征点匹配度与预设的相应红外防伪特征区域的分类阈值进行比较，并根据比较结果判断待测纸币的各红外防伪特征区域的真伪；

待测纸币真伪判断模块，用于根据待测纸币的各红外防伪特征区域的真伪判断待测纸币的真伪；如果各红外防伪特征区域都为真，则判定所述待测纸币为真币，否则判定所述待测纸币为假币。

8.如权利要求7所述的纸币识别系统，其特征在于，所述红外防伪特征区域定位模块根据所述待测纸币的红外图像中各红外防伪特征区域与背景区域的灰度差别，对所述待测纸币的各红外防伪特征区域进行定位。

9.如权利要求7所述的纸币识别系统，其特征在于，还包括：

灰度检测模块，用于检测被判定为真币的待测纸币的灰度；

纸币新旧程度计算模块，用于将所述灰度与样本库中预存的与该待测纸币的面额及版本对应的标准灰度进行比对，并根据比对结果判断该待测纸币的新旧程度。

10.如权利要求7所述的纸币识别系统，其特征在于，所述红外图像包括所述待测纸币的红外透射图像；

所述纸币识别系统还包括：

二值化处理模块，用于对所述红外透射图像进行二值化处理，获得二值化图像；所述二值化图像中的二值所对应的区域分别对应该待测纸币的纸币区域与缺损区域；

纸币缺损区域面积评估模块，用于根据所述二值化图像计算所述缺损区域占所述纸币区域与缺损区域之和的比值，并根据所述比值及所述待测纸币的面积计算所述待测纸币的缺损区域的面积。