CN104331978B - 纸币褶皱的识别装置和方法 - Google Patents

Abstract

本发明涉及一种纸币褶皱的识别装置和方法。该纸币褶皱的识别装置包括：一激光光源，用于发出激光光线；一矩形光栅，其位于该激光光源的上方，用于将该激光光线在纸币表面调制成按照一定规律亮暗变化的条纹；一面阵光电传感器，用于图像的采集；一成像透镜组，位于该面阵光电传感器的上方，用于将纸币表面像会聚到该面阵光电传感器上；以及一信号处理模块，其与该面阵光电传感器电联接，用于图像信号的处理。该装置实现的纸币褶皱识别方法将纸币是否存在褶皱的检测转变成投影光栅的光栅条纹特征图像是否存在弯曲的检测，有效避免了不同温度情况下纸币采集图像本身灰度值变化造成的偏色现象对纸币褶皱识别的影响，提高了纸币褶皱识别率。

Description

纸币褶皱的识别装置和方法

技术领域

本发明涉及一种无接触式光学检测技术，特别涉及一种纸币褶皱的识别装置和方法。

背景技术

我国是个人口众多的国家，现钞的流通量十分巨大。根据中国人民银行的统计数据：截止2014年第一季度，中国流通中的货币总量达到6.7万亿元人民币。流通中残损的纸币所占比例大，对纸币的整点、挑剔、分版等工作在各家银行都是相当棘手的问题。为了提高流通人民币的整洁度，维护人民币信誉，人民银行制定了《不宜流通人民币挑剔标准》，其中存在明显起皱或变形的纸币属于不宜流通的人民币情形之一。因而需要自动识别纸币是否存在褶皱问题，以及该纸币的褶皱程度是否影响其正常流通。

目前存在的对纸币褶皱的识别方法往往是直接对纸币采集图像本身进行处理，一般是通过纸币采集图像邻近像素的灰度值变化来判断纸币是否存在褶皱信息，之后采用经验值或者一定量纸币样本统计分析确定的阈值来判断褶皱程度是否影响纸币的流通。由于纸币采集装置接触式图像传感器存在一定的温度特性，在不同温度情况下采集的纸币图像像素灰度值具有一定的差异，严重时将导致纸币采集图像出现不同程度的偏色现象，从而影响纸币褶皱问题的识别。同时单一统计模型存在一定的不确定性，不能满足纸币褶皱问题精确识别的要求。

发明内容

为了解决现有技术中接触式图像传感器存在一定的温度特性，严重影响纸币褶皱问题的识别问题，本发明提供一种纸币褶皱的识别装置，采用新的图像获取方式，提高纸币褶皱的识别率。

该纸币褶皱的识别装置，包括一保护装置内部器件清洁的透明保护体，其中，该纸币褶皱的识别装置还包括一激光光源，用于发出激光光线；一矩形光栅，其位于该激光光源的上方，用于将该激光光线在纸币表面调制成按照一定规律亮暗变化的条纹；一面阵光电传感器，用于采集图像；一成像透镜组，位于该面阵光电传感器的上方，用于将纸币表面像会聚到该面阵光电传感器上；以及一信号处理模块，其与该面阵光电传感器电联接，用于对该面阵光电传感器采集的图像信号进行处理。

优选的，该矩形光栅由动力驱动进行旋转。

本发明还提供纸币褶皱的识别方法。

该纸币褶皱的识别方法，其包括：步骤一，接收走钞机构输送的被检测纸币，激光光源产生的激光光线通过矩形光栅和保护体，在可流通纸币上投影具有一定规律亮暗变化的光栅条纹；

步骤二，面阵光电传感器通过成像透镜组获取附加该光栅条纹的被检测纸币图像，从采集到附加光栅条纹的被检测纸币图像中分离出光栅条纹特征图像；

步骤三，旋转该矩形光栅，改变激光光源通过该矩形光栅投影在该被检测纸币上光栅条纹的方向，重复执行步骤二，分离获取附加光栅条纹的被检测纸币图像中n个角度的光栅条纹特征图像，其中n为大于等于2的整数；

步骤四，信息处理模块根据被检测纸币的n个角度的光栅条纹特征图像，计算被检测纸币在n个角度沿光栅条纹方向的光栅条纹特征图像的梯度变化累计值P；以及

步骤五，将该被检测纸币的梯度变化累计值P与预先设置的判定阈值T进行比较，给出被检测纸币是否存在褶皱的结果，具体比较过程如下：若P≤T，则纸币不存在褶皱，允许流通；若P＞T，则纸币存在褶皱，不允许流通。

优选的，该判定阈值T是通过如下步骤获得的：步骤一：接收走钞机构输送的可流通纸币，激光光源产生的激光光线通过矩形光栅和保护体，在可流通纸币上投影具有一定规律亮暗变化的光栅条纹；

步骤二：面阵光电传感器通过成像透镜组获取附加该光栅条纹的可流通纸币图像，从采集到附加光栅条纹的可流通纸币图像中分离出光栅条纹特征图像；

步骤三：旋转该矩形光栅，改变激光光源通过该矩形光栅投影在该可流通纸币上光栅条纹的方向，重复执行步骤二，分离获取附加光栅条纹的可流通纸币图像中n个角度的光栅条纹特征图像，其中n为大于等于2的整数；

步骤四：信息处理模块根据可流通纸币的n个角度的光栅条纹特征图像，计算可流通纸币在n个角度沿光栅条纹方向的光栅条纹特征图像的梯度变化累计值S；

步骤五：信息处理模块根据U张可流通纸币样本，分别执行步骤一至步骤四，获取每一张可流通纸币以沿光栅条纹方向的光栅条纹图像的梯度变化累计值Sa，其中a＝1.2……U；

步骤六，以梯度变化累计值Sa作为特征，信息处理模块采用统计分析模型和/或人工神经网络学习训练方法获得是否存在褶皱的判定阈值T。

优选的，可流通纸币是指符合中国人民银行规定的能够正常流通的纸币样本；具有一定规律的亮暗变换的光栅条纹是指该激光光线经过该矩形光栅调制所形成的条纹。

优选的，该n为大于等于8的整数，该矩形光栅的旋转角度为将360度范围内均匀细分成n-1份的角度，如以8个角度为例，该8个角度是指矩形光栅的旋转角度分别为0度、45度、90度、135度、180度、225度、270度和315度，即矩形光栅的旋转角度将360度范围内均匀分成7份的角度。

优选的，在n个角度沿光栅条纹方向的光栅条纹特征图像的梯度变化累计值P和S的计算公式如下：

$P=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1}{\overset{M}{\mathrm{\Σ}}}\underset{K=1}{\overset{N}{\mathrm{\Σ}}}[P(i,j,K+1)-P(i,j,K)];$

$S=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1}{\overset{M}{\mathrm{\Σ}}}\underset{K=1}{\overset{N}{\mathrm{\Σ}}}[P(i,j,K+1)-P(i,j,K)];$

其中，i是矩形光栅旋转角度数，n为大于等于2的整数，M是光栅条纹特征图像亮暗变化的数量，N是沿条纹方向上的单个条纹上像素的数量，P(i,j,k)为光栅条纹第i个角度采集图像第j个条纹上第K个像素的像素值。

优选的，所述统计分析模型为全距分析、方差分析和区间估计加权分析中至少一种构成。

优选的，全距分析值的具体计算公式如下：

$r=\frac{\max \left(S_a\right)-\min \left(S_a\right)}{2},a=1.2\·\·\·\·\·\·U;$ 其中全距分析值r对应于可流通纸币样本的褶皱最大值和最小值的一半，U是纸币样本的数量。

优选的，方差分析的具体公式为：其中方差分析值f对应于可流通纸币样本的褶皱波动程度，U是纸币样本的数量，是可流通纸币样本的梯度变化累计值Sa的平均值，具体公式为： $\stackrel{\‾}{S}=\frac{\underset{a=1}{\overset{U}{\mathrm{\Σ}}}S\left(a\right)}{U},$ $a=1.2\·\·\·\·\·\·U.$

优选的，区间估计加权分析的具体公式为：该区间估计加权值q对应于可流通纸币样本的褶皱参数估计，其中，U是纸币样本的数量，Z_1-b是置信因子，1-b是置信水平，d是尺度参数。

优选的，信息处理模块采用统计分析模型和/或人工神经网络学习训练方法获得是否存在褶皱的判定阈值T，具体步骤为，信息处理模块采用人工神经网络方法对全距分析的统计值r、方差分析的统计值f、区间估计加权分析的值q进行学习训练，利用输出后的误差估计输出层的直接前导层的误差，再用该误差估计更前一层的误差，如此一层一层反传，获得所有其他各层的误差估计，人工神经网络在外界输入样本的刺激下不断改变网络的连接权值，以使网络的输出不断接近期望的输出，最终得到全距分析权重值ω₁、方差分析权重值ω₂和区间估计权重值ω₃，从而得到光栅图像上条纹是否存在弯曲的梯度变化累积值阈值T，具体公式如下：

$T=\stackrel{\‾}{S}+{\mathrm{\ω}}_{1}r+{\mathrm{\ω}}_{2}f+{\mathrm{\ω}}_{3}q.$

本发明所提供的纸币褶皱的识别方法具有如下有效果：

本发明提供的纸币褶皱的识别方法，将纸币是否存在褶皱的检测转变成投影光栅的光栅条纹图像是否存在弯曲的检测，有效避免了不同温度情况下纸币采集图像本身灰度值变化造成的偏色现象对纸币褶皱识别的影响，提高了纸币褶皱识别率。该方法根据可流通的纸币样本，以沿条纹方向的光栅条纹图像的梯度变化累计值作为特征，采用多个统计参数分析和学习训练的方法确定了褶皱状态是否影响纸币流通的阈值，实现了纸币褶皱的准确识别。与之前采用经验值或单一统计参数分析确定阈值的方法相比，本发明确定的阈值的方法更加真实可靠，具有更强的普适性。

附图说明

图1是纸币褶皱的识别装置结构示意图；

图2是投影的矩形光栅条纹示意图；

图3是纸币褶皱引起的光栅条纹图像弯曲示意图。

具体实施方式

为进一步阐述本发明所提供的纸币褶皱识别方法和装置，本实施方式结合图示进行详细说明。

本实施例提供了一种对纸币褶皱的识别方法，该方法的实现装置纸币褶皱的识别装置如图1所示，该纸币褶皱的识别装置包括透明保护体1、矩形光栅3、激光光源4、成像透镜组5、面阵光电传感器6和信息处理模块7。激光光源4用于发出激光光线；矩形光栅3位于激光光源4的上方，用于将激光光线4在纸币表面调制成按照一定规律亮暗变化的条纹；面阵光电传感器6用于图像的采集；成像透镜组5位于面阵光电传感器6的上方，用于将纸币表面像会聚到面阵光电传感器6上；信号处理模块7与面阵光电传感器6电联接，用于对该面阵光电传感器6采集的图像信号进行处理。其中保护体1用于保持内部器件的清洁，该保护体1本实施例中为透明玻璃，需要指出的是还可以为其他具有一定强度的透明材料形成的片材，如透明的有机片等。

按照与上述纸币褶皱的识别装置对应的描述，本实施例提供的纸币褶皱的识别方法包括：

步骤一，接收走钞机构输送的被检测纸币，激光光源4产生的激光光线通过矩形光栅3和保护体1，在被检测纸币上投影具有一定规律亮暗变化的光栅条纹；例如图2所示是投影的矩形光栅条纹示意图；图3是纸币褶皱引起的光栅条纹图像弯曲示意图；

步骤二，面阵光电传感器6通过成像透镜组5获取附加该光栅条纹的被检测纸币图像，从采集到附加光栅条纹的被检测纸币图像中分离出光栅条纹特征图像；

步骤三，旋转该矩形光栅3，改变激光光源通过该矩形光栅投影在该被检测纸币上光栅条纹的方向，重复执行步骤二，分离获取附加光栅条纹的被检测纸币图像中n个角度的光栅条纹特征图像，其中n为大于等于2的整数；

当纸币褶皱的方向与投影的光栅条纹方向一致时，采集到的光栅条纹并不能反映出此方向的褶皱现象，因而为了有效地的检测出纸币全方向的褶皱信息，需要采集大于等于2个角度的投影光栅条纹图像，优选该n为大于等于8的整数，该矩形光栅的旋转角度为将360度范围内均匀细分成n-1份的角度，如以8个角度为例，是指分离得到的光栅图像的单个像素中心与相邻的像素中心所在的直线对应的角度，该8个角度是指矩形光栅的旋转角度分别为0度、45度、90度、135度、180度、225度、270度和315度，即矩形光栅的旋转角度将360度范围内均匀分成7份的角度。当n为大于8个角度时，则在0度、45度、90度、135度、180度、225度、270度、315度基础上进一步均匀细分，也就是在360度范围内均匀细分成n-1份的角度，以12个角度为例，矩形光栅的旋转角度可以分别设置成0度、30度、60度、90度、120度、150度、180度、210度、240度、270度、300度、330度，即将360度范围内均匀细分成11份的角度。

步骤四，信息处理模块7根据被检测纸币的n个角度的光栅条纹特征图像，计算被检测纸币在n个角度沿光栅条纹方向的光栅条纹特征图像的梯度变化累计值P， $P=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1}{\overset{M}{\mathrm{\Σ}}}\underset{K=1}{\overset{N}{\mathrm{\Σ}}}[P(i,j,K+1)-P(i,j,K)],$ 其中，i是矩形光栅旋转角度数，n为大于等于2的整数，M是光栅条纹特征图像亮暗变化的数量，N是沿条纹方向上的单个条纹上像素的数量，P(i,j,k)为光栅条纹第i个角度采集图像第j个条纹上第K个像素的像素值。

步骤五，将该被检测纸币的梯度变化累计值P与预先设置的判定阈值T进行比较，给出被检测纸币是否存在褶皱的结果，具体比较过程如下：若P≤T，则纸币不存在褶皱，允许流通；若P＞T，则纸币存在褶皱，不允许流通。

为了实现上述识别方法，需要预先对判定阈值T进行确定，该判定阈值T的确定步骤如下：

步骤一：接收走钞机构输送的可流通的纸币，激光光源4产生的激光光线通过矩形光栅3和保护体1，在可流通纸币2上投影具有一定规律亮暗变化的光栅条纹；其中可流通纸币是指符合人民银行规定的能够正常流通的纸币样本，具有一定规律的亮暗变换的光栅条纹是指激光光线经过矩形光栅调制所形成的条纹，例如图2所示是投影的矩形光栅条纹示意图；图3是纸币褶皱引起的光栅条纹图像弯曲示意图。

步骤二：面阵光电传感器6通过成像透镜组5获取附加光栅条纹的可流通纸币图像，从采集到附加光栅条纹的可流通纸币图像中分离出光栅条纹特征图像。

步骤三：旋转矩形光栅3，改变激光光源通过矩形光栅投影在该可流通纸币上光栅条纹的方向，重复执行步骤二，分离获取附加光栅条纹的可流通纸币图像中n个角度的光栅条纹特征图像，其中n为大于等于2的整数；

当纸币褶皱的方向与投影的光栅条纹方向一致时，采集到的光栅条纹并不能反映出此方向的褶皱现象，因而为了有效地的检测出纸币全方向的褶皱信息，需要采集大于等于2个角度的投影光栅条纹图像，优选该n为大于等于8的整数，该矩形光栅的旋转角度为将360度范围内均匀细分成n-1份的角度，如以8个角度为例，是指分离得到的光栅图像的单个像素中心与相邻的像素中心所在的直线对应的角度，该8个角度是指矩形光栅的旋转角度分别为0度、45度、90度、135度、180度、225度、270度和315度，即矩形光栅的旋转角度将360度范围内均匀分成7份的角度。当n为大于8个角度时，则在0度、45度、90度、135度、180度、225度、270度、315度基础上进一步均匀细分，也就是在360度范围内均匀细分成n-1份的角度，以12个角度为例，矩形光栅的旋转角度可以分别设置成0度、30度、60度、90度、120度、150度、180度、210度、240度、270度、300度、330度，即将360度范围内均匀细分成11份的角度。

步骤四：信息处理模块7根据可流通纸币的n个角度的光栅条纹特征图像，计算可流通纸币在n个角度沿光栅条纹方向的光栅条纹特征图像的梯度变化累计值S，具体数学公式如下：

$S=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1}{\overset{M}{\mathrm{\Σ}}}\underset{K=1}{\overset{N}{\mathrm{\Σ}}}[P(i,j,K+1)-P(i,j,K)];$

其中，i是矩形光栅旋转角度，n为大于等于2的整数，M是投影到纸币表面的光栅条纹图像亮暗变化的数量，N是沿条纹方向上的单个条纹上像素的数量，P(i,j,k)为光栅条纹第i个角度采集图像第j个条纹上第K个像素的像素值。

步骤五：信息处理模块7根据U张可流通纸币样本，分别执行步骤一至步骤四，获取每一张可流通纸币以沿光栅条纹方向的光栅条纹特征图像的梯度变化累计值Sa，其中a为自然数，a＝1.2……U，且U>＝200，该U值越大对于识别效果越好。

步骤六：以梯度变化累计值Sa作为特征，采用全距分析、方差分析和区间估计加权组成的模型统计分析和神经网络学习训练的方法确定纸币是否存在褶皱的判定阈值T，具体过程如下：

信息处理模块7获取可流通纸币样本的梯度变化累计值Sa的全距分析值r、方差分析值f、区间估计加权值q三个统计特征，具体公式如下：

全距分析： $r=\frac{\max \left(S_a\right)-\min \left(S_a\right)}{2},a=1.2\·\·\·\·\·\·U;$ 其中全距分析值r对应于可以流通纸币样本的褶皱最大值和最小值的一半，U是纸币样本的数量。

方差分析：方差分析至f对应于可流通纸币样本的褶皱波动程度，U是纸币样本的数量，其中是可以流通纸币样本的梯度变化累计值的平均值，具体公式如下：

$\stackrel{\‾}{S}=\frac{\underset{a=1}{\overset{U}{\mathrm{\Σ}}}S\left(a\right)}{U}.$

区间估计加权：该区间估计加权值q对应于可流通纸币样本的褶皱参数估计，其中，U是纸币样本的数量，Z_1-b是置信因子，1-b是置信水平，d是尺度参数。

与采用经验值或单一统计参数分析确定判定阈值T的方法相比，本实施例提供的纸币褶皱识别方法采用全距分析、方差分析和区间估计加权分析三个参数来表征可以流通纸币的褶皱状态，能够更加全面的反应出纸币的褶皱状态，判断结果更加真实可靠，具有更强的普适性。

信息处理模块7采用人工神经网络方法对全距分析的统计值r、方差分析的统计值f、区间估计加权分析的值q进行学习训练，基本原理是利用输出后的误差来估计输出层的直接前导层的误差，再用这个误差估计更前一层的误差，如此一层一层的反传下去，就获得了所有其他各层的误差估计。神经网络在外界输入样本的刺激下不断改变网络的连接权值，以使网络的输出不断地接近期望的输出，最终得到全距分析权重值ω₁、方差分析权重值ω₂和区间估计权重值ω₃，从而可以得到光栅图像上条纹是否存在弯曲的梯度变化累积值阈值T，具体公式如下：

$T=\stackrel{\‾}{S}+{\mathrm{\ω}}_{1}r+{\mathrm{\ω}}_{2}f+{\mathrm{\ω}}_{3}q.$

本发明将纸币是否存在褶皱的检测转变成投影光栅的光栅条纹特征图像是否存在弯曲的检测，有效避免了不同温度情况下纸币采集图像本身灰度值变化造成的偏色现象对纸币褶皱识别的影响。本发明根据可以流通的纸币样本，以沿条纹方向的光栅条纹图像的梯度变化累计值作为特征，采用多个统计参数分析和学习训练的方法确定了褶皱状态是否影响纸币流通的判定阈值，实现了纸币褶皱的有效识别。与之前采用经验值或单一统计参数分析确定判定阈值的方法相比，本发明确定的阈值的方法更加真实可靠，具有更强的普适性。

以上仅是本发明的优选实施方式，应当指出的是，上述优选实施方式不应视为对本发明的限制，本发明的保护范围应当以权利要求所限定的范围为准。对于本技术领域的普通技术人员来说，在不脱离本发明的精神和范围内，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (12)

1.一种纸币褶皱的识别装置，包括一保护装置内部器件清洁的透明保护体，其特征在于，该纸币褶皱的识别装置还包括：

一激光光源，用于发出激光光线；

一矩形光栅，其位于该激光光源的上方，用于将该激光光线在纸币表面调制成按照一定规律亮暗变化的条纹；

一面阵光电传感器，用于采集图像；

一成像透镜组，位于该面阵光电传感器的上方，用于将纸币表面像会聚到该面阵光电传感器上；以及

一信号处理模块，其与该面阵光电传感器电联接，用于对该面阵光电传感器采集的图像信号进行处理。

2.如权利要求1所述的纸币褶皱的识别装置，其特征在于，该矩形光栅由动力驱动进行旋转。

3.一种纸币褶皱的识别方法，其包括：

步骤一，接收走钞机构输送的被检测纸币，激光光源产生的激光光线通过矩形光栅和保护体，在被检测纸币上投影具有一定规律亮暗变化的光栅条纹；

步骤二，面阵光电传感器通过成像透镜组获取附加该光栅条纹的被检测纸币图像，从采集到附加光栅条纹的被检测纸币图像中分离出光栅条纹特征图像；

步骤三，旋转该矩形光栅，改变激光光源通过该矩形光栅投影在该被检测纸币上光栅条纹的方向，重复执行步骤二，分离获取附加光栅条纹的被检测纸币图像中n个角度的光栅条纹特征图像，其中n为大于等于2的整数；

步骤四，信息处理模块根据被检测纸币的n个角度的光栅条纹特征图像，计算被检测纸币在n个角度沿光栅条纹方向的光栅条纹特征图像的梯度变化累计值P；以及

步骤五，将该被检测纸币的梯度变化累计值P与预先设置的判定阈值T进行比较，给出被检测纸币是否存在褶皱的结果。

4.如权利要求3所述的纸币褶皱的识别方法，其特征在于，该判定阈值T是通过如下步骤获得的：

步骤一：接收走钞机构输送的可流通纸币，激光光源产生的激光光线通过矩形光栅和保护体，在可流通纸币上投影具有一定规律亮暗变化的光栅条纹；

步骤二：面阵光电传感器通过成像透镜组获取附加该光栅条纹的可流通纸币图像，从采集到附加光栅条纹的可流通纸币图像中分离出光栅条纹特征图像；

步骤三：旋转该矩形光栅，改变激光光源通过该矩形光栅投影在该可流通纸币上光栅条纹的方向，重复执行步骤二，分离获取附加光栅条纹的可流通纸币图像中n个角度的光栅条纹特征图像，其中n为大于等于2的整数；

步骤四：信息处理模块根据可流通纸币的n个角度的光栅条纹特征图像，计算可流通纸币在n个角度沿光栅条纹方向的光栅条纹特征图像的梯度变化累计值S；

步骤五：信息处理模块根据U张可流通纸币样本，分别执行步骤一至步骤四，获取每一张可流通纸币以沿光栅条纹方向的光栅条纹图像的梯度变化累计值Sa，其中a＝1.2……U；

步骤六，以梯度变化累计值Sa作为特征，信息处理模块采用统计分析模型和/或人工神经网络学习训练方法获得是否存在褶皱的判定阈值T。

5.如权利要求4所述的纸币褶皱的识别方法，其特征在于，可流通纸币是指符合中国人民银行规定的能够正常流通的纸币样本；具有一定规律的亮暗变换的光栅条纹是指该激光光线经过该矩形光栅调制所形成的条纹。

6.如权利要求3或4所述的纸币褶皱的识别方法，其特征在于，该n为大于等于8的整数，该矩形光栅的旋转角度为将360度范围内均匀细分成n-1份的角度。

7.如权利要求3或4所述的纸币褶皱的识别方法，其特征在于，在n个角度沿光栅条纹方向的光栅条纹特征图像的梯度变化累计值P或S的计算公式如下：

$PorS=\underset{i=1}{\overset{n}{\Σ}}\underset{j=1}{\overset{M}{\Σ}}\underset{K=1}{\overset{N}{\Σ}}\[P(i,j,K+1)-P(i,j,K)\]$

其中，i是矩形光栅旋转角度的个数，n为大于等于2的整数，M是光栅条纹特征图像亮暗变化的数量，N是沿条纹方向上的单个条纹上像素的数量，P(i,j,K)为光栅条纹第i个角度采集图像第j个条纹上第K个像素的像素值。

8.如权利要求4所述的纸币褶皱的识别方法，其特征在于，所述统计分析模型包括全距分析、方差分析和区间估计加权分析。

9.如权利要求8所述的纸币褶皱的识别方法，其特征在于，所述全距分析的具体公式如下：

$r=\frac{max\left(S_a\right)-min\left(S_a\right)}{2},a=1.2......U;$

其中全距分析值r对应于可流通纸币样本的褶皱最大值和最小值的一半，U是纸币样本的数量。

10.如权利要求8所述的纸币褶皱的识别方法，其特征在于，所述方差分析的具体公式如下：

$f=\underset{a=1}{\overset{U}{\Σ}}\[S_a-\stackrel{\‾}{S}\],a=1.2......U$

其中方差分析值f对应于可流通纸币样本的褶皱波动程度，U是纸币样本的数量，是可流通纸币样本的梯度变化累计值Sa的平均值，具体公式如下：

$\stackrel{\‾}{S}=\frac{\underset{a=1}{\overset{U}{\Σ}}S\left(a\right)}{U},a=1.2......U.$

11.如权利要求8所述的纸币褶皱的识别方法，其特征在于，所述区间估计加权分析的具体公式如下：

$q=Z_{1-b}\frac{d}{\sqrt{U}},$

该区间估计加权值q对应于可流通纸币样本的褶皱参数估计值，其中，U是纸币样本的数量，Z_1-b是置信因子，1-b是置信水平，d是尺度参数。

12.如权利要求8所述的纸币褶皱的识别方法，其特征在于，步骤六具体为，信息处理模块采用人工神经网络方法分别对全距分析的统计值r、方差分析的统计值f、区间估计加权分析的值q进行学习训练，利用输出后的误差估计输出层的直接前导层的误差，再用该误差估计更前一层的误差，如此一层一层反传，获得所有各层的误差估计，人工神经网络在外界输入样本的刺激下不断改变网络的连接权值，以使网络的输出不断接近期望的输出，最终得到全距分析权重值ω₁、方差分析权重值ω₂和区间估计权重值ω₃，从而得到光栅图像上条纹是否存在弯曲的梯度变化累积值阈值T，具体公式如下：

$T=\stackrel{\‾}{S}+{\mathrm{\ω}}_{1}r+{\mathrm{\ω}}_{2}f+{\mathrm{\ω}}_{3}q.$