CN104464079A - 基于模板特征点及其拓扑结构的多币种面值识别方法 - Google Patents

Abstract

本申请公开了基于模板特征点及其拓扑结构的多币种面值识别方法，包括：1、提取待识别纸币图像的特征点，记录特征点的位置及其特征描述；2、将待识别纸币图像的特征点与各个模板的基准点分别进行第一比对匹配，选取与一个或多个模板的基准点之间的匹配结果满足第一匹配条件的特征点，作为待识别纸币图像的基准点；3、以待识别纸币图像的基准点作为基准，生成其它特征点的拓扑结构信息；4、将待识别纸币图像的其它特征点的特征描述及其拓扑结构信息与一个或多个模板的特征点的特征描述及其拓扑结构信息进行第二比对匹配；5、选取与待识别纸币图像的比对匹配结果满足判别条件的模板所代表的币种及面值，作为待识别纸币图像的面值识别结果。

Description

基于模板特征点及其拓扑结构的多币种面值识别方法

技术领域

本发明属于图像模式识别技术领域，涉及一种基于模板特征点及其拓扑结构的多币种面值识别方法。

背景技术

多币种面值识别方法的研究在智能化纸币处理设备中具有重要的实用价值，国内外已有相关的研究成果和产品问世。图像传感器采集的纸币图像，不同币种、不同面值的图像具有不同的特征模式，早期的纸币面值识别方法，多以神经网络为主[1]；近几年又有使用纹理特征进行纸币面值识别的方法被提出[2]。在已发表的面值识别方法中，纹理特征最具区分度，因此提取图像纹理特征来表征不同币种和不同面值的纸币是比较有效的方法。

现有技术一的技术方案

采用神经网络的方法进行纸币识别，有比较多的相关文献发表。该类方法首先是学习过程，使用大量训练样本对网络进行训练，根据学习规则不断对连接权值进行调节，最后使网络具有某种期望的输出，即将训练样本正确地分类到所属类别中去，此时可以认为网络学习得到了输入数据和样本之间的内在规律；接下来是分类过程，对任一送入网络的样本进行分类[1]。

现有技术二的技术方案

基于纹理特征和SVM分类器进行纸币面值识别是目前比较有效的一类方法，文献[2]分别介绍了基于梯度方向直方图(Histogram of Gradient，HOG)特征和分块方向直方图(Orientation Histogram Vector，OHV)特征，并使用SVM分类器和模板匹配方法进行纸币面值识别的方法。

现有技术一的缺点

虽然已有诸多基于神经网络的纸币面值识别方法发表，但由于纸币识别算法需要在计算能力较弱的嵌入式设备上运行，这就限定了相关算法只能使用较简单的神经网络，而这类网络最大的弱点是泛化性能不好，因而也难以满足实际使用中对识别准确率极高的需求。

现有技术二的缺点

尽管纸币图像纹理对不同面值模式具有较好的区分度，但提取特征时，文献[2]所代表的基于纹理特征的纸币识别方法，皆需要将图像按等间隔划分成确定数目的块，并以块为单位进行特征提取；而纸币实体在切割时会有偏移、纸币图像采集时会存在平移误差，这些因素无疑会降低块特征的准确性，进而降低纸币面值识别准确率。

发明内容

在多币种纸币面值识别任务中，由于待识别的模式比较多，且因纸币流通过程中的磨损，以及硬件采集图像的不稳定性，使得多数纸币面值识别方法的准确率不能满足高的指标实际需求。有鉴于此，本申请提出了一种基于Harris角点及其拓扑结构的多币种面值识别方法，旨在解决多币种识别系统的准确率问题。

根据本发明的实施例，提供了一种基于模板特征点及其拓扑结构的多币种面值识别方法，其中，所述模板特征点是在识别之前生成的多币种多面值模板所对应的图像的特征点，其中的一个或多个特征点作为模板的基准点，针对每币种每面值，分别生成所述模板，在所述模板中记录每币种每面值的特征点和基准点的位置、特征描述、及其拓扑结构信息，所述拓扑结构信息反映每个特征点相对于基准点的位置关系，所述方法包括以下步骤：步骤1、提取待识别纸币图像的特征点，记录特征点的位置及其特征描述；步骤2、将待识别纸币图像的特征点与各个模板的基准点分别进行第一比对匹配，选取与一个或多个模板的基准点之间的匹配结果满足第一匹配条件的特征点，作为待识别纸币图像的基准点；步骤3、以待识别纸币图像的基准点作为基准，生成其它特征点的拓扑结构信息；步骤4、将待识别纸币图像的所述其 它特征点的特征描述及其拓扑结构信息与所述一个或多个模板的特征点的特征描述及其拓扑结构信息进行第二比对匹配；步骤5、选取与待识别纸币图像的比对匹配结果满足判别条件的模板所代表的币种及面值，作为待识别纸币图像的面值识别结果。

本发明的有益效果主要在于：本发明所提出的方法能够以99.99％以上的准确率识别不同币种的面值，并具有较高的处理速度，更为重要的是，该方法对于纸币中的破损、折痕、污迹等噪声干扰具有很好的鲁棒性。

附图说明

图1是根据本发明的实施例的基于模板特征点及其拓扑结构的多币种面值识别方法的总体流程示意图；

图2和3是根据本发明的实施例的类Haar特征提取模板的示意图；

图4是根据本发明的实施例的面值模板生成过程的示意图；

图5是根据本发明的实施例的面值模板的拓扑结构示意图；

图6是根据本发明的实施例的模板匹配过程的示意图；

具体实施方式

下面，结合附图对技术方案的实施作进一步的详细描述。

本领域的技术人员能够理解，尽管以下的说明涉及到有关本发明的实施例的很多技术细节，但这仅为用来说明本发明的原理的示例、而不意味着任何限制。本发明能够适用于不同于以下例举的技术细节之外的场合，只要它们不背离本发明的原理和精神即可。

另外，为了避免使本说明书的描述限于冗繁，在本说明书中的描述中，可能对可在现有技术资料中获得的部分技术细节进行了省略、简化、变通等处理，这对于本领域的技术人员来说是可以理解的，并且这不会影响本说明书的公开充分性。

下面，首先说明本发明的基本原理和总体构思。

纸币图像面值识别，需要基于不同面值图像的不同模式区分纸币面值， 所以选择不同面值图像中最具区分度的区域(感兴趣区，region of interesting,ROI)及最具描述力的特征是提高纸币面值识别准确率的关键。

图像的局部特征描述是近年来模式识别领域中的先进技术之一，广泛应用于图像检索、对象检测及分类等方面。本发明在解决多币种图像面值识别问题时，正是基于局部特征点较强的描述能力，更创新性地将局部特征点之间的拓扑结构也引入到纸币模式的描述中。

基于局部特征点及其拓扑结构这一鲁棒的描述方法，发明人采用模板匹配的策略进行不同面值图像的分类识别，以实现较高的处理速度。鉴于纸币面值识别需要较高的处理速度，本发明并未处理整幅纸币图像，转而处理尺寸较小的不同面值的ROI子图像。

Harris角点[3]具有良好的稳定性，SURF特征[4]具有较好的局部纹理描述能力和计算快速的特点。由此，在训练阶段，本方法提取ROI子图像Harris角点的SURF特征描述不同面值的局部模式，以角点之间的拓扑结构描述不同面值纸币ROI的全局结构特征。针对这些描述特征，统计得到不同面值模式的模板。其中，ROI区域的范围是根据先验规律事先确定的，在识别阶段能够直接从待识别纸币图像中按指定位置和大小截取，作为输入图像来识别面值。

在进行纸币面值识别(识别阶段)时，提取待识别纸币的ROI的描述特征，将其与在训练阶段得到的各个模板的描述特征进行比对，选出其中匹配程度最高的一个模板所代表的面值，将其确定为待识别纸币的面值。

图1是根据本发明的实施例的基于模板特征点及其拓扑结构的多币种面值识别方法的总体流程示意图。

如图1所示，该方法分为两个阶段：训练阶段和识别阶段(其中训练阶段只需进行一次)。

在训练阶段，基于训练样本数据(例如，每个币种每个面值纸币，各取200张，以此生成该种纸币的模板)得到表示纸币图像不同面值模式的模板，其中每个模板包括多个特征点(Harris角点)的位置及其特征，在每个模板中选取特定的特征点作为该模板的基准点。

在测试阶段，首先，提取待识别纸币图像的ROI的Harris角点(作为特征点)及其特征，通过特征点的特征比对，选取该ROI的特征点之中的、与模板的基准点的特征最接近的特征点，作为该测试样本(待识别纸币图像的ROI)的基准点，基于此基准点的坐标来修正其它特征点的坐标信息，得到该测试样本的特征描述，将之与预存的不同面值模板的特征数据比对，选取最匹配的模板所代表的币种及面值，作为该测试样本的面值识别结果。

下面，具体说明根据本发明的实施例的基于模板特征点及其拓扑结构的多币种面值识别方法的上述各个步骤的实现方式。

⒈Harris角点提取

角点经常出现在图像边缘的交界处、纹理性很强的部分，满足这些条件的像素一般都是稳定的、重复性比较高的角点。Harris角点[3]是最典型的角点，所检测出的角点具有较好的稳定性；可以在纸币图像的感兴趣区域中使用Harris角点检测算法检测到稳定的特征点—Harris角点。

设I为截取的纸币感兴趣区图像(ROI)，I(x，y)为像素点(x，y)的像素值，图像中的Harris角点是指在一定邻域内在两个方向上像素值皆有较大变化的像素点。考虑在像素点(x，y)的m×n的局部邻域N内在任意两个方向上的像素值的变化(有关下面的公式中的各个变量和符号的含义，还可参见参考文献[3])：

$\begin{array}{c}E(x,y)=\underset{(u,v)\∈N(x,y)}{\mathrm{\Σ}}{w}_i{(u\frac{\∂I(x,y)}{\∂x}+v\frac{\∂I(x,y)}{\∂y})}^2\\ =\underset{(u,v)\∈N(x,y)}{\mathrm{\Σ}}{w}_i(u^2\frac{{\∂I}^2(x,y)}{\∂x}+2\mathrm{uv}\frac{\∂I(x,y)}{\∂x}\frac{\∂I(x,y)}{\∂y}\\ +v^2\frac{{\∂I}^2(x,y)}{\∂y})\\ ={\mathrm{Au}}^2+2\mathrm{Cuv}+{\mathrm{Bv}}^2\\ =\left[\begin{array}{cc}u& v\end{array}\right]M{\left[\begin{array}{cc}u& v\end{array}\right]}^T\end{array}---\left(1\right)$

式中：N(x,y)为以(x,y)为中心的一个邻域，像素(u,v)是该邻域内的像素。

$M=\left[\begin{array}{cc}A& C\\ C& B\end{array}\right]={{\mathrm{\σ}}_D}^{2}g\left({\mathrm{\σ}}_I\right)*\left[\begin{array}{cc}{I}_x^2(x,y,{\mathrm{\σ}}_D)& I_x(x,y,{\mathrm{\σ}}_D)I_y(x,y,{\mathrm{\σ}}_D)\\ I_x(x,y,{\mathrm{\σ}}_D)I_y(x,y,{\mathrm{\σ}}_D)& I_y^2(x,y,{\mathrm{\σ}}_D)\end{array}\right]$ 为局部像素值变化的自相关函数，该矩阵是非负定矩阵，其特征值都是非负值， $I_x(x,y,{\mathrm{\σ}}_D)=\frac{\∂}{\∂x}g\left({\mathrm{\σ}}_D\right)*I(x,y)$ 为图像X方向的偏导， $I_y(x,y,{\mathrm{\σ}}_D)=$ $\frac{\∂}{\∂y}g\left({\mathrm{\σ}}_D\right)*I(x,y),$ 为Y方向的偏导， $g\left(\mathrm{\σ}\right)=\frac{1}{2\mathrm{\π}{\mathrm{\σ}}^2}{e}^{-\frac{x^2+y^2}{2{\mathrm{\σ}}^2}}$ 为高斯核函数。

矩阵M的两个特征值λ₁和λ₂描述了像素值在两个主要方向上的变化强度，因此可以根据特征值的大小判别当前像素点是否为特征点(Harris角点)。采用Harmonic mean判别Harris角点：

$\mathrm{cornerness}=\frac{2*{\mathrm{\λ}}_1*{\mathrm{\λ}}_2}{{\mathrm{\λ}}_1+{\mathrm{\λ}}_2}---\left(2\right)$

式中，λ₁和λ₂代表的是矩阵M的两个特征值，这两个特征值越大，cornerness的值越大。对ROI中的所有像素点进行式(1)和(2)的计算，得到每个像素点的cornerness值，按照一定的阈值及非极大抑制策略处理ROI的每个像素点，得到所期望的特征点(Harris角点)。

提取特征点的详细过程如下。

对于所得到的各像素点的cornerness，在一个选定邻域n×n内，找出当前邻域中cornerness的最大值对应的像素点。如果某一像素点的cornerness值为其邻域内的最大值，则这个点为候选的角点。然后使用整个ROI的最大cornerness值乘以选定比例ratio作为阈值，将候选角点之中的cornerness大于此阈值的的像素点提取作为该ROI中的特征点。

在纸币识别中，不可避免地存在图像平移及光照变化。Harris角点的优点是对图像平移、旋转具有不变性，且能容忍一定光照变化。因此，发明人采用Harris角点检测方法提取出的纸币ROI的特征点，使识别算法具有很好的鲁棒性。

⒉特征点描述 

对上面所提取的特征点(Harris角点)采用类似SURF特征的描述方法[5]，即，将提取出的特征点视为SURF特征兴趣点，使用类Haar特征进行描述。所采用的类Haar特征模板如图2所示。

如图2所示，在计算类Haar特征时，白色区域的像素之和减去黑色区域像素之和产生一组特征值(Haar_x[i]、Haar_y[i]，i为下面图3中的块号)。

在计算特征点(x,y)的特征时，以该特征点为中心，如图3中央的“*”位置，取以该特征点为中心的4个块(Block1～Block4)，每个块由8×8个像素构成；分别计算4个块的2种类Haar特征响应dx和dy，并计算它们的绝对值|dx|,|dy|。

对关于该特征点的4个子区域的dx,dy,|dx|,|dy|求和，如下式(3)～(6)所示：

$\mathrm{dx}=\underset{i=1}{\overset{4}{\mathrm{\Σ}}}{\mathrm{Haar}}_x\left[i\right]---\left(3\right)$

$\left|\mathrm{dx}\right|=\underset{i=1}{\overset{4}{\mathrm{\Σ}}}\left|{\mathrm{Haar}}_x\right[i\left]\right|---\left(4\right)$

$\mathrm{dy}=\underset{i=1}{\overset{4}{\mathrm{\Σ}}}{\mathrm{Haar}}_y\left[i\right]---\left(5\right)$

$\left|\mathrm{dy}\right|=\underset{i=1}{\overset{4}{\mathrm{\Σ}}}\left|{\mathrm{Haar}}_y\right[i\left]\right|---\left(6\right)$

将上述公式所求的特征除以 $\mathrm{sum}=\sqrt{{\mathrm{dx}}^2+{\left|\mathrm{dx}\right|}^2+{\mathrm{dy}}^2+{\left|\mathrm{dy}\right|}^2},$ 归一化为单位向量，由此得到关于该特征点(x,y)的纹理特征描述{dx,dy,|dx|,|dy|}。

由于在纸币图像中、相同面值的纸币感兴趣区域(ROI)中的相似位置存在匹配的特征点，因此，在比对是否为同一个特征点的时候，位置信息也是很重要的判断依据；因此将特征点的坐标信息增加到特征点的描述信息中。由于纸币图像在采集中，存在一定的偏差，因此使用绝对坐标会带来较大的误差，因此在描述中使用的坐标信息为相对坐标信息(相对于基准点的在位置信息)。

综上，特征点的描述可以用下式来表示：

Features＝{x，y，dx，dy，|dx|，|dy|}        (7) 

式中，(x，y)为特征点的坐标位置，(dx，dy，|dx|，|dy|)为特征点的SURF特征。集合待识别样本的ROI图像的全部特征点的特征描述，即构成该图像样本的特征向量，可用于面值类型识别。

⒊模板的生成 

模板匹配的关键之一是选择一个合适准则以度量未知模式与模板模式的距离或相似度，常见的度量准则有欧式距离、相关系数等。本发明中，基于训练样本，分别为每类面值纸币训练一个模板特征向量；对于待识别样本，提取其特征向量，根据该特征向量与模板特征向量的匹配程度决定样本所属类别；匹配程度越高，属于该类别的可能性就越大。作为示例，发明人使用欧氏距离来度量特征向量间相似度。

在模板匹配方法中，模板的设计对匹配准确性有直接的影响，如何设计鲁棒的面值模式模板是本方法的一个关键内容。

生成模板的具体过程如图4所示，分别为角点及其特征提取、基准点选取、相对坐标计算、阈值选择及拓扑关系统计5个步骤。基于训练样本的ROI数据集，通过上述5个步骤的处理，得到所需要的纸币图像不同面值模式的模板集。各步骤的详细情况如下所述。

⑴角点及其特征提取

对于待识别币种的每一个面值，从训练样本中随机选取200张采集的纸币图像，获得感兴趣区域(ROI)集合，提取这些ROI的Harris角点及其特征描述(如式(3)～(7)所示)。

⑵基准点选取、相对坐标变换及匹配阈值选择

对任一面值，通过对全部图像中的角点进行统计，从所提取的角点中选取在大部分图像中都能稳定存在(特征稳定、位置稳定)且主观上显著的角点，构成该面值模板中的特征点。对这些选为模板特征点的角点，进行以下处理：

(2-1)基准点选取 

首先在这些特征点中选取最稳定、最具有代表性的3个点(例如，代表具体面值模式，例如“伍元”，“伍”字中稳定的角点)，作为模板进行相对坐标转换的基准点(原点)。选取3个基准点，是为了防止在某些特殊情况下(例如，光照、污点或者其他的噪声干扰)，被选作基准点的角点无法从测试样本中被正常提取而影响执行正常的比对过程。在实际比对过程，依据其中一个基准点即可进行匹配，其余两个可视为备用基准点。

(2-2)相对坐标变换 

根据选取的三个基准点，分别进行三次相对坐标的转换，生成对应面值模型的三套由相应基准点的绝对坐标和其余特征点的相对坐标信息构成的特征点模板，并存储这三套模板信息(坐标信息以及特征信息)。

(2-3)确定匹配点数目阈值

统计每一套模板中需要匹配的特征点数目，选定合适的匹配点数阈值(例如，可靠匹配所需要的最少匹配点数目)。

(2-4)确定特征点匹配阈值

统计200幅ROI图像中匹配特征点的欧氏距离，确定特征点匹配的欧氏距离阈值(例如，均值)。

⑶确定模板的拓扑结构描述

在每套模板中，考察各个特征点与基准点的连线所构成的几何关系图形，以确定模板的拓扑结构描述。如图5所示，特征点A、B、C与基准点O所构成的几何关系图，在A、B、C点到基准点O的之间连线，计算各连线的距离d1、d2、d3，并计算各连线间的夹角α，β，由此连线距离间关系及夹角信息构成模板的拓扑结构描述。上面以三个特征点A、B、C为例说明模板的拓扑结构描述，但本领域的技术人员能够理解，还可使用其他数目(例如三个以上)的特征点来生成模板的拓扑结构描述。

综上，对于每一种面值，所生成的模板包括以下信息：3个基准点的绝对坐标及其特征描述；基于3个基准点的其它特征点的相对坐标以及这些特征点特征；模板的拓扑结构描述；欧式距离匹配阈值；特征点数目匹配阈值。

4.模板匹配策略 

对于指定币种待识别面值的图像样本，将其与该币种的各个面值的模板逐一进行比对，选出其中匹配程度最高的一套模板对应的面值作为面值识别结果。

模板匹配的过程中，使用欧氏距离score1度量特征点的特征相似度：

$\mathrm{score}1(\mathrm{Features}1,\mathrm{Features}2)=\sqrt{{\left(\underset{i=1}{\overset{N}{\mathrm{\Σ}}}(x_1^i-x_2^i)\right)}^2}---\left(8\right)$

式中，Features1和Features2分别为测试样本及面值模板的特征，和分别为相应特征的第i维数据值，N为特征描述的维度。比对过程如图6所示，分为样本特征提取、基准点比对、特征比对及拓扑关系比对4个模块，详细过程如下所述。

(4-1)待识别样本特征提取

截取待识别纸币图像的ROI，提取ROI的特征点位置(绝对坐标)及其特征描述。

(4-2)基准点比对 

在待识别纸币图像与某一面值的模板进行比对时，将待识别纸币图像的特征点与该模板的3个基准点(如上所述，以绝对坐标存储)分别在基准点的一定邻域范围内进行比对。如果在该基准点的邻域内存在欧氏距离满足匹配阈值(小于等于匹配阈值)的特征点，则选出其中与该模板的基准点最匹配的特征点(欧氏距离最短的特征点)为待识别纸币图像的基准点；然后以该基准点为基准，将待识别纸币图像的其余特征点的绝对坐标转换为相对坐标。如果在全部基准点的邻域内均不存在欧氏距离满足匹配阈值的特征点，则更换下一模板继续进行基准点比对。

经过上述步骤，确定待识别纸币图像的最匹配的基准点，筛选出与待识别纸币图像进行基准点比对成功的一个或多个模板、及其所使用的基准点。

(4-3)特征点比对 

根据(4-2)中基准点比对时欧氏距离的大小，选择以欧式距离较小的基准点为基准的情况进行其它特征点比对。在比对时，取模板中各特征点的相对坐标位置，在待识别纸币图像中以此位置为中心的一个较小的邻域内进行特征比对，如果存在与模板上特征点欧氏距离小于指定阈值(其为特征点的特征间距离，是由实验而得的经验值)的特征点，则成功匹配一点，否则该模板的该特征点匹配不成功。

(4-4)拓扑结构比对 

在出现了3个或者更多的匹配点(欧氏距离匹配)之后，将这些点和对应的基准点进行连线，构成类似于图5所示的拓扑结构。如果待识别样本(纸币图像ROI)存在与模板相似的拓扑结构，则认为待识别样本满足当前面值模板的拓扑关系。

相似条件为： 

d1≈d1′，d2≈d2′，d3≈d3′       (9) 

α≈α′，β≈β′    (10)

式中，d1、d2、d3为待识别样本的拓扑结构的边长，α、β为夹角，d1′、d2′、d3′为模板的拓扑结构的边长，α′、β′为夹角。

(4-5)匹配判别

对于某一个面值模板的某个基准点，如果特征点匹配数目大于等于匹配数目阈值、匹配点平均欧氏距离小于阈值、且上述拓扑关系相似条件也满足，则待识别样本与当前面值模板匹配成功；其它的基准点对应情况不需要继续进行比对。

对于确定的基准点，待识别样本与一个面值的模板匹配成功准则为同时满足以下条件：1、匹配特征点欧氏距离平均值≤欧氏距离的指定阈值；2、匹配特征点数目≥匹配数目阈值；3、待识别样本特征点的拓扑结构与模板拓扑结构匹配。

在上述条件中，欧氏距离的关系反应特征的相似性，是三个条件中的先决条件，只有满足该条件才会进行后续的比对。如果与一个模板的欧式距离条件无法满足，则必定不能与该模板匹配。

(4-6)与一个面值模板匹配的流程

对于一个特定的面值模板，首先基于最匹配基准点进行(4-2)～(4-5)的比对过程，如果步骤(4-2)中的3个基准点之中的最佳匹配的基准点无法满足上述的匹配要求，那么使用次佳匹配的基准点作为新的基准再次进行(4-2)～(4-5)的匹配步骤，匹配成功则停止比对，若不成功，继续使用第三匹配基准点重复(4-2)～(4-5)的匹配步骤。使用次佳匹配基准点是为了避免干 扰造成的最佳基准点的匹配错误。

(4-7)记录匹配信息 

如果匹配不成功，即基于模板的3个基准点都无法满足上述匹配准则，那么当前面值的比对结束，从中选取一个比对结果最好的情况(例如，满足前两个条件)，作为该面值模板的匹配结果；匹配成功与否，都需记录匹配点数和匹配欧氏距离信息，在后续不同面值匹配比较中使用。

(4-8)将待识别样本依次和各个面值的模板进行(4-2)～(4-7)的比对步骤，得到其与不同面值模板匹配的结果。

(4-9)选出最佳匹配面值

比对完成后，根据匹配过程中匹配点数和匹配欧氏距离的信息，选出最佳匹配的面值：①如果只有一种面值的模板同时满足匹配点数目、匹配欧氏距离、拓扑关系这三个条件，那么该面值即为待识别样本的识别结果；②如果没有一种面值同时满足三个匹配条件，在继续判断时，根据匹配点数目多少判别优先级最高，其次是欧氏距离，再次是拓扑关系的顺序来判别，选出其中匹配最好的面值就是最终的识别结果。如上所述，无论在任何情况下，欧式距离都要在小于匹配阈值的前提下，才能进行不同面值模板之间匹配欧氏距离大小的比较；③如果与各个面值的模板的匹配点数都较少，欧氏距离较大，且不满足拓扑关系，此情况下，该纸币判定为拒绝识别。

上面已经通过具体实施例说明了本发明的原理，然而，本领域的技术人员能够理解，对本发明的上述实施例能够做出各种修改、变型、以及替换，其均落入如所附权利要求限定的本发明的保护范围。

参考文献

[1]崔艳丽,基于改进支持向量机的货币识别研究，中南大学硕士论文，2009年。

[2]林锦彬，基于嵌入式平台的纸币识别系统，北京邮电大学硕士论文，2013年。

[3]C.Harris,M.Stephens,A combined corner and edge detector,Proceedings of the 4th Alvey Vision Conference,pp.147–151,1988.

[4]Edouard Oyallon,Julien Rabin,An analysis and implementation of the SURF method,and its comparison to SIFT,Image Processing Online,2013.2.25 

[5]赵鹏翔，监控视频中目标检测与跟踪算法研究，北京邮电大学硕士论文，2012年 。

Claims (7)

1.一种基于模板特征点及其拓扑结构的多币种面值识别方法，其中，所述模板特征点是在识别之前生成的多币种多面值模板所对应的图像的特征点，其中的一个或多个特征点作为模板的基准点，针对每币种每面值，分别生成所述模板，在所述模板中记录每币种每面值的特征点和基准点的位置、特征描述、及其拓扑结构信息，所述拓扑结构信息反映每个特征点相对于基准点的位置关系，

所述方法包括以下步骤：

步骤1、提取待识别纸币图像的特征点，记录特征点的位置及其特征描述；

步骤2、将待识别纸币图像的特征点与各个模板的基准点分别进行第一比对匹配，选取与一个或多个模板的基准点之间的匹配结果满足第一匹配条件的特征点，作为待识别纸币图像的基准点；

步骤3、以待识别纸币图像的基准点作为基准，生成其它特征点的拓扑结构信息；

步骤4、将待识别纸币图像的所述其它特征点的特征描述及其拓扑结构信息与所述一个或多个模板的特征点的特征描述及其拓扑结构信息进行第二比对匹配；

步骤5、选取与待识别纸币图像的比对匹配结果满足判别条件的模板所代表的币种及面值，作为待识别纸币图像的面值识别结果。

2.根据权利要求1所述的基于模板特征点及其拓扑结构的多币种面值识别方法，其中，所述多币种多面值模板所对应的图像为多币种多面值纸币的ROI区域图像，所述待识别纸币图像为待识别纸币的ROI区域图像。

3.根据权利要求1或2所述的基于模板特征点及其拓扑结构的多币种面值识别方法，其中，所述特征点为Harris角点，所述特征描述为SURF特征描述Features，如下：

Featutes＝{x，y，dx，dy，|dx|，|dy|}   (7)

式中，(x，y)为特征点在的坐标位置，(dx，dy，|dx|，|dy|)为特征点的SURF特征。

4.根据权利要求3所述的基于模板特征点及其拓扑结构的多币种面值识别方法，在所述步骤2中，使用欧氏距离score1来进行所述第一比对匹配，如下：

$\mathrm{score}1(\mathrm{Features}1,\mathrm{Features}2)=\sqrt{{\left(\underset{i=1}{\overset{N}{\mathrm{\Σ}}}(x_1^i-x_2^i)\right)}^2}---\left(8\right)$

式中，Features1和Features2分别为待识别纸币图像及模板的特征点的特征描述，和分别为相应特征描述的第i维数据值，N为特征描述的维度。

5.根据权利要求4所述的基于模板特征点及其拓扑结构的多币种面值识别方法，其中，所述拓扑结构信息包括特征点与基准点之间的各个连线的线段长度、以及各连线之间的夹角角度。

6.根据权利要求5所述的基于模板特征点及其拓扑结构的多币种面值识别方法，在所述步骤4中：

在进行所述第二比对匹配时，取模板中各特征点的相对坐标位置，在待识别纸币图像中以此位置为中心的邻域内进行特征描述的比对匹配，如果存在与模板上的特征点的特征描述的欧氏距离小于匹配阈值的特征点，则待识别纸币图像的该特征点与该模板匹配成功，

当待识别纸币图像中存在3个或者更多的匹配成功的特征点时，将这些特征点和对应的基准点构成的拓扑结构信息与模板的相应拓扑结构信息进行比对匹配，其采用的第二匹配条件为：

d1≈d1′，d2≈d2′，d3≈d3′    (9)

α≈α′，β≈β′    (10)

式中，d1、d2、d3为待识别纸币图像的拓扑结构的连线的线段长度，α、β为待识别纸币图像的拓扑结构的各连线之间的夹角角度，d1′、d2′、d3′为模板的拓扑结构的连线的线段长度，α′、β′为模板的拓扑结构的各连线之间的夹角角度。

7.根据权利要求6所述的基于模板特征点及其拓扑结构的多币种面值识别方法，所述判别条件为以下条件：1)匹配特征点的欧氏距离平均值≤欧氏距离阈值；2)匹配特征点数目≥匹配数目阈值；3)待识别纸币图像特征点的拓扑结构与模板的拓扑结构满足第二匹配条件。