CN104715240A - 基于灰度共生矩阵的港币纹理图像的分版方法 - Google Patents

Abstract

本发明提出的一种智能识别并实现港币版本快速识别的方法，是一种基于灰度共生矩阵的纹理图像的分版方法，通过提取样本港币各版本构成样本库，提取样本港币图像的灰度共生矩阵纹理特征，采用BP神经网络进行样本训练、得到样本港币版本分类模型，并将参数移植如点验钞机、清分机、取款设备中；将待识别纸币经灰度共生矩阵获得的纹理特征参数输入多光谱点钞机、清分机、存取款机等设备，根据港币版本分类模型计算得到样币类别，即可判定港币版别。

Description

基于灰度共生矩阵的港币纹理图像的分版方法

技术领域

本发明涉及纸币清分技术，尤其指一种基于灰度共生矩阵的港币纹理图像的分版方法，属于利用计算机技术的智能化识别港币版本并进行自动分版的方法。

背景技术

随着近年来我国经济发展、中港交流越来越密切，贸易额急剧增大，港币已成为我国继人民币之后第二大使用量的货币。但是，我国国内运行的大部分金融机具都未支持对港币的检测与鉴别。由于历史原因，市上流通着汇丰银行、中国银行、渣打银行三家银行发行的港币纸币。每家银行发行纸币的图像特征、防伪点特征既具有很多相似性，但又不尽相同；同时，针对单独每一家银行发行的港币又分为97版、03版、07版、10版等多种版本，导致了港币的面相、版本识别的复杂性和挑战性。

因此发明一种基于纹理特征的港币智能分版方法，对于点验钞机以及清分机对港币的后续检测与鉴伪至关重要；对于保障国家金融安全、维护社会和经济稳定具有重要战略意义。

发明内容

本发明的目的：旨在提供一种智能识别并实现港币版本快速识别的方法。

这种智能识别并实现港币版本快速识别的方法，是一种基于灰度共生矩阵的纹理图像的分版方法，具体包括以下步骤：

一、构建样本港币版别识别基本样本库

A、选择正版港币的12种版本,包括中行97版、中行03版、中行07版、 中行10版、汇丰97版、汇丰03版、汇丰07版、汇丰10版、渣打97版、渣打03版、渣打07版、渣打10版共12种港币构建港币版别研究所使用的样本库；

B、利用均值滤波、中值滤波、高斯滤波等技术滤除样本港币图像所带的噪声；利用黑白亮度补偿技术，计算出图像传感器各像素的校正系数，使传感器具有较为一致的感光曲线，克服因光照或感光元件差异等原因所导致的干扰；

C、采用港币图像几何尺寸特征实现样本港币面额识别。

二、提取样本港币图像灰度共生矩阵、依据灰度共生矩阵的公式定义，建立样本币纹理特征参数：

其中L为图像灰度级；θ为角度，取0°、45°、90°、135°四个方向；计算得到的灰度共生矩阵GLCM；

获取样本港币图像的五个纹理特征参数：熵(ENT)、逆差矩(IDM)、能量(角二阶矩,ASM).对比度(CCW)和相关系数(COR),其中：

a.熵(ENT)

$\mathrm{ENT}=-\underset{i=1}{\overset{L}{\mathrm{\Σ}}}\underset{j=1}{\overset{L}{\mathrm{\Σ}}}p(i,j)\log \left\{p(i,j)\right\}---\left(2\right)$

b.逆差矩(IDM)

$\mathrm{IDM}=\underset{i=1}{\overset{L}{\mathrm{\Σ}}}\underset{j=1}{\overset{L}{\mathrm{\Σ}}}\frac{p(i,j)}{1+{(i-j)}^2}---\left(3\right)$

c.能量(角二阶矩,ASM)

$\mathrm{ASM}=\underset{i=1}{\overset{L}{\mathrm{\Σ}}}\underset{j=1}{\overset{L}{\mathrm{\Σ}}}{\left(p(i,j)\right)}^2---\left(4\right)$

d.对比度(CCW)

$\mathrm{CON}=\underset{i=1}{\overset{L}{\mathrm{\Σ}}}{k}^2\left\{\underset{|i-j|=k}{\mathrm{\Σ}}p(i,j)\right\}---\left(5\right)$

e.相关系数(COR)

$\mathrm{COR}=\frac{\underset{i=1}{\overset{L}{\mathrm{\Σ}}}\underset{j=1}{\overset{L}{\mathrm{\Σ}}}(i\×j)\×p(i,j)-{\mathrm{\μ}}_x{\mathrm{\μ}}_y}{{\mathrm{\σ}}_x{\mathrm{\σ}}_y}---\left(6\right)$

其中,μ_x、μ_y、σ_x、σ_y分别是行和列上的矩阵元素统计的期望和方差值。

三、利用BP神经网络进行样本训练、得到港币样本分类模型，并将所有参数植入到点验钞机、清分机、存取款机中；

其中BP神经网络实现过程如下：

通过迭代优化网络的权值使得输出与输入之间的实际映射关系与所期望的映射关系一致，采用梯度下降算法通过调整各层权值求目标函数最小化。网络在某个或所有训练样本上的预测输出和期望输出的误差平方和：

$J\left(w\right)=\frac{1}{2}\underset{j-1}{\overset{s}{\mathrm{\Σ}}}{(t_j-a_j)}^2=\frac{1}{2}{\left|\right|t-a\left|\right|}^2$

$J_{\mathrm{Total}}\left(w\right)=\frac{1}{2}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\left|\right|t_i-a_i\left|\right|}^2---\left(7\right)$

由输出层误差逐层反向计算各层各单元的误差，并基于梯度下降法修正各权值：

$\begin{array}{c}{\mathrm{\Δw}}_j^{\left(k\right)}=-\mathrm{\η}\frac{\∂J}{{\∂\mathrm{Jw}}_j^{\left(k\right)}}=-\mathrm{\η}\frac{\∂J}{{\∂n}_j^{\left(k\right)}}\frac{{\∂n}_j^{\left(k\right)}}{{\∂\mathrm{Jw}}_j^{\left(k\right)}}\\ =-\mathrm{\η}\frac{\∂J}{{\∂n}_j^{\left(k\right)}}{a}^{(k-1)}=-{\mathrm{\η\δ}}_j^{\left(k\right)}{a}^{(k-1)}\end{array}---\left(8\right)$

其中，δ_j(k)是第k层第j单元的局部梯度，或敏感度(sensitivity)。

BP算法由Sigmoid函数来构造神经元。Sigmoid函数是单调递增的非线性函数，无限次可微。当且仅当权值较大时可以逼近阈值函数，当权值较小时逼线性函数。

其中Sigmoid函数通常写作如下形式：

$f\left(\mathrm{\α}\right)=\frac{1}{1+e^{-\mathrm{\α}}}---\left(9\right)$

取值范围是(-1,1)，代替神经元阶跃函数可写作：

$y=f\left(x\right)=\frac{1}{1+e^{-\underset{i=t}{\overset{N}{\mathrm{\Σ}}}{w}_i-x_i-w_0}}---\left(10\right)$

由于采用Sigmoid函数作为神经元传递函数，不管网络结构多么复杂，总可以通过计算梯度来考察各个参数。

四、对待识别港币进行面额识别，提取待识别币灰度共生矩阵纹理特征、建立待识别币纹理特征参数，并将待识别币的参数输入已植入样本币分类模型参数的清分设备中，由此实现12种港币版本最终分类结果。

本发明的优点是：

1.通过应用灰度共生矩阵法对港币图像的特征进行提取，得到的的特征能很好地表现港币不同版本的纹理，识别精度高，适应性强。

2.特征提取速度快，可移植性好，只需要将训练结果移植到程序中，即可使点验钞机、清分机具有港币版本的快速分版能力。

3.采用神经网络分版模型，机器具有自主学习功能，性能随时间而增加。

4.可扩展性好，对于新增港币版别，只需添加相应的新增版本的样本库，重新学习，并重新移植相应的权值到相应金融机具中即可。

附图说明

图1为港币的分版实现路径示意图；

图2为灰度共生矩阵计算实例示意图。

具体实施方式

本以下结合说明书附图1、2进一步阐述本发明，并给本发明的实施例。

本发明的要点是：

通过提取样本港币各版本构成样本库，提取样本港币图像的灰度共生矩阵纹理特征，采用BP神经网络进行样本训练、得到样本港币版本分类模型，并将参数移植如点验钞机、清分机、取款设备中；将待识别纸币经灰度共生矩阵获得的纹理特征参数输入多光谱点钞机、清分机、存取款机等设备，根据港币版本分类模型计算得到样币类别，即可判定港币版别。

这种基于灰度共生矩阵的港币纹理图像的分版方法，具体的实现步骤如下：

一、构建样本港币版别识别基本样本库

(1)利用均值滤波、中值滤波、高斯滤波等技术滤除样本港币图像所带的噪声；利用黑白亮度补偿技术，计算出图像传感器各像素的校正系数，使传感器具有较为一致的感光曲线，克服因光照或感光元件差异等原因所导致的干扰。

(2)采用港币图像几何尺寸特征实现样本港币面额识别。

(3)选择样本港币的12种版本：中行97版、中行03版、中行07版、中行10版、汇丰97版、汇丰03版、汇丰07版、汇丰10版、渣打97版、渣打03版、渣打07版、渣打10版共12种港币纹理图像构建港币版别研究所使用 的样本库。

二、提取样本港币图像灰度共生矩阵、建立样本币纹理特征参数

根据公式(1)提取样本港币图像的灰度共生矩阵，灰度共生矩阵的公式定义为：

其中L为图像灰度级；θ为角度，取0°、45°、90°、135°四个方向。下图是个例子，假设图像L的灰度范围为1-6，图像大小为4x4，θ为0°,计算得到的灰度共生矩阵GLCM。

(5)获取样本港币图像纹五理特征参数：熵、逆差矩、能量、对比度、和相关系数,；它们的计算方法如下：

a.熵(ENT)

$\mathrm{ENT}=-\underset{i=1}{\overset{L}{\mathrm{\Σ}}}\underset{j=1}{\overset{L}{\mathrm{\Σ}}}p(i,j)\log \left\{p(i,j)\right\}---\left(2\right)$

其中：

熵值用来度量图像中所包含的信息量,可以直接反映图像中纹理的非均匀度或紊乱度,熵值越小表示纹理越简单,反之熵值越大表示纹理越复杂。

b.逆差矩(IDM)

逆差矩用做度量图像局部均匀性；逆差矩值越大,表示图像的局部纹理越均匀,反之逆差矩越小,表示图像的局部纹理越不均匀。

$\mathrm{IDM}=\underset{i=1}{\overset{L}{\mathrm{\Σ}}}\underset{j=1}{\overset{L}{\mathrm{\Σ}}}\frac{p(i,j)}{1+{(i-j)}^2}---\left(3\right)$

c.能量(角二阶矩,ASM)

角二阶矩为灰度共生矩阵中所有元素值的平方和,角二阶矩值反映样本港币图像的纹理粗细度；角二阶矩较小的图像多数区域由细纹理组成,而角二阶矩较大的图像大多由粗纹理组成。

$\mathrm{ASM}=\underset{i=1}{\overset{L}{\mathrm{\Σ}}}\underset{j=1}{\overset{L}{\mathrm{\Σ}}}{\left(p(i,j)\right)}^2---\left(4\right)$

d.对比度(CCW)

对比度不仅可以反映图像的清晰程度,也可以反映纹理沟纹的深浅度；若图像的对比度值较大,则图像越清晰,对应的纹理沟纹越浅；反之若图像的对比度较小,则图像越模糊,对应的纹理沟纹越深。

$\mathrm{CON}=\underset{i=1}{\overset{L}{\mathrm{\Σ}}}{k}^2\left\{\underset{|i-j|=k}{\mathrm{\Σ}}p(i,j)\right\}---\left(5\right)$

(5)

e.相关系数(COR)

相关系数用于反映灰度共生矩阵行或列方向上元素之间的相似度,即图像中局部纹理的相关性可以直接通过相关系数的大小来反映；若相关系数较大,则矩阵元素值均勾相等；若相关系数较小,则表明矩阵元素值间差异较大。

$\mathrm{COR}=\frac{\underset{i=1}{\overset{L}{\mathrm{\Σ}}}\underset{j=1}{\overset{L}{\mathrm{\Σ}}}(i\×j)\×p(i,j)-{\mathrm{\μ}}_x{\mathrm{\μ}}_y}{{\mathrm{\σ}}_x{\mathrm{\σ}}_y}---\left(6\right)$

其中,μ_x、μ_y、σ_x、σ_y分别是行和列上的矩阵元素统计的期望和方差值。

使用上述提到的五个基本特征:熵、逆差矩、角二阶矩、对比度、相关系数,就可以提取灰度共生矩阵的特征向量,用来描述图像的纹理特征。

三、利用BP神经网络进行样本训练，采用三层神经网络，根据Widrow一Hoff规则,采用梯度下降算法,反向传播计算梯度。得到港币样本分类模型，并将所有参数植入到点验钞机、清分机、存取款机中；

其中BP神经网络实现过程如下：

通过迭代优化网络的权值使得输出与输入之间的实际映射关系与所期望的映射关系一致，采用梯度下降算法通过调整各层权值求目标函数最小化。网络在某个或所有训练样本上的预测输出和期望输出的误差平方和：

$J\left(w\right)=\frac{1}{2}\underset{j-1}{\overset{s}{\mathrm{\Σ}}}{(t_j-a_j)}^2=\frac{1}{2}{\left|\right|t-a\left|\right|}^2$

$J_{\mathrm{Total}}\left(w\right)=\frac{1}{2}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\left|\right|t_i-a_i\left|\right|}^2---\left(7\right)$

由输出层误差逐层反向计算各层各单元的误差，并基于梯度下降法修正各权值：

  $\begin{array}{c}{\mathrm{\Δw}}_j^{\left(k\right)}=-\mathrm{\η}\frac{\∂J}{{\∂\mathrm{Jw}}_j^{\left(k\right)}}=-\mathrm{\η}\frac{\∂J}{{\∂n}_j^{\left(k\right)}}\frac{{\∂n}_j^{\left(k\right)}}{{\∂\mathrm{Jw}}_j^{\left(k\right)}}\\ =-\mathrm{\η}\frac{\∂J}{{\∂n}_j^{\left(k\right)}}{a}^{(k-1)}=-{\mathrm{\η\δ}}_j^{\left(k\right)}{a}^{(k-1)}\end{array}---\left(8\right)$                                           (8) 

其中，δ_j(k)是第k层第j单元的局部梯度，或敏感度(sensitivity)。

BP算法由Sigmoid函数来构造神经元。Sigmoid函数是单调递增的非线性函数，无限次可微。当且仅当权值较大时可以逼近阈值函数，当权值较小时逼线性函数。

Sigmoid函数通常写作如下形式：

$f\left(\mathrm{\α}\right)=\frac{1}{1+e^{-\mathrm{\α}}}---\left(9\right)$

取值范围是(-1,1)，代替神经元阶跃函数可写作：

$y=f\left(x\right)=\frac{1}{1+e^{-\underset{i=t}{\overset{N}{\mathrm{\Σ}}}{w}_i-x_i-w_0}}---\left(10\right)$

由于采用Sigmoid函数作为神经元传递函数，不管网络结构多么复杂，总可以通过计算梯度来考察各个参数。

四、对待识别港币进行面额识别，提取待识别币灰度共生矩阵纹理特征、建立待识别币纹理特征参数，并将待识别币的参数输入已植入样本币分类模型参数的清分设备中，由此实现12种港币版本最终分类结果。

本发明具体实施过程如下：

(1)利用均值滤波、中值滤波、高斯滤波等技术滤除港币图像所带的噪声；利用黑白亮度补偿技术，计算出图像传感器各像素的校正系数，消除干扰。

(2)根据港币图像长宽特征对港币的面额进行识别。

(3)选择港币的12种版本,包括中行97版、中行03版、中行07版、中行10版、汇丰97版、汇丰03版、汇丰07版、汇丰10版、渣打97版、渣打03版、渣打07版、渣打10版共12种港币纹理图像输入计算机,保存为BMP格式。图片尺寸大小为200x100像素,256级灰度,约1200幅图像,从其中选出600个样本(每类50个)构成港币版别研究所使用的样本库。

(4)根据公式(1)提取港币图像的灰度共生矩阵纹理特征。

(5)获取港币图像五个纹理特征：熵(ENT)、逆差矩(IDM)、能量(角二阶矩,ASM).对比度(CCW)和相关系数(COR)。

(6)利用BP神经网络对得到的港币图像灰度共生矩阵纹理特征参数进行版本分类。

(7)得到港币版本分类模型并将参数移植如点验钞机、清分机设备；测试样币进入多光谱点钞机、清分机、存取款机，根据港币版本分类模型计算得到 样币类别，即可判定港币版别。

实施例1：

在本实施例中，采集各版本港币(中行、汇丰、渣打)：1000元、500元、100元、50元面额的不同版本(97版、03版、07版、10版)港币图像；各10张的白光图、红外图，并归一化为200*100大小。

1.将给定的归一化后的纸币白光图、红外图构建为训练样本集S，其中，并将不同版本港币图像标记为1至12共计12种不同类别的图像。

2.根据公式提取港币图像的灰度共生矩阵纹理特征。计算并获取港币样本图像五个纹理参数：熵(ENT)、逆差矩(IDM)、能量(角二阶矩,ASM).对比度(CCW)和相关系数(COR)。

3.利用BP神经网络对得到的港币图像灰度共生矩阵纹理特征参数进行版本分类。得到港币版本分类模型并将参数移植如点验钞机、清分机设备。

4.进入多光谱点钞机、清分机、存取款机，根据港币版本分类模型计算得到样币类别，即可判定港币版别。当采集到任一张纸币图像，重复上述步骤得到港币版本的分类结果，分类结果为1至12的数值中的一种，对应最初设定的12种不同的港币版本。

本发明港币分版方法主要用于多光谱点钞机、清分机、ATM机中图像处理模块对港币各版本进行分类。对港币图像的灰度共生矩阵提取纹理特征，并用神经网络进行分类器设计的方法，实现了港币的快速分版。经广泛查阅国内外公开出版物和专利文献，均未见有与本发明方法完全相同技术方案的报道。本发明是首次利用纸币的灰度共生矩阵纹理特征进行港币分版，具有创造性和新颖性；本发明方法可应用于世界各地的银行、商场的点钞机、清分机、存取款机中，具有广泛的实用性。

上述实施例，仅为本发明的优选实施例，并不代表本发明，凡在本发明的精神和原则之内，所做的任何更改、变化、替换，均在本发明的保护范围之内。

Claims (1)

1.一种智能识别并实现港币版本快速识别的方法，是一种基于灰度共生矩阵的纹理图像的分版方法，具体包括以下步骤：

一、构建样本港币版别识别基本样本库

A、选择正版港币的12种版本,包括中行97版、中行03版、中行07版、中行10版、汇丰97版、汇丰03版、汇丰07版、汇丰10版、渣打97版、渣打03版、渣打07版、渣打10版共12种港币构建港币版别研究所使用的样本库；

B、利用均值滤波、中值滤波、高斯滤波等技术滤除样本港币图像所带的噪声；利用黑白亮度补偿技术，计算出图像传感器各像素的校正系数，使传感器具有较为一致的感光曲线，克服因光照或感光元件差异等原因所导致的干扰；

C、采用港币图像几何尺寸特征实现样本港币面额识别；

二、提取样本港币图像灰度共生矩阵、依据灰度共生矩阵的公式定义建立样本币纹理特征参数：

其中L为图像灰度级；θ为角度，取0°、45°、90°、135°四个方向；计算得到的灰度共生矩阵GLCM；

获取样本港币图像的五个纹理特征参数：熵(ENT)、逆差矩(IDM)、能量(角二阶矩,ASM).对比度(CCW)和相关系数(COR),其中：

a.熵(ENT)

$\mathrm{ENT}=-\underset{i=1}{\overset{L}{\mathrm{\Σ}}}\underset{j=1}{\overset{L}{\mathrm{\Σ}}}p(i,j)\log \left\{p(i,j)\right\}---\left(2\right)$

b.逆差矩(IDM)

$\mathrm{IDM}=\underset{i=1}{\overset{L}{\mathrm{\Σ}}}\underset{j=1}{\overset{L}{\mathrm{\Σ}}}\frac{p(i,j)}{1+{(i-j)}^2}---\left(3\right)$

c.能量(角二阶矩,ASM)

$\mathrm{ASM}=\underset{i=1}{\overset{L}{\mathrm{\Σ}}}\underset{j=1}{\overset{L}{\mathrm{\Σ}}}{\left(p(i,j)\right)}^2---\left(4\right)$

d.对比度(CCW)

$\mathrm{CON}=\underset{i=1}{\overset{L}{\mathrm{\Σ}}}{k}^2\left\{\underset{|i-j|=k}{\mathrm{\Σ}}p(i,j)\right\}---\left(5\right)$

e.相关系数(COR)

$\mathrm{COR}=\frac{\underset{i=1}{\overset{L}{\mathrm{\Σ}}}\underset{j=1}{\overset{L}{\mathrm{\Σ}}}(i\×j)\×p(i,j)-{\mathrm{\μ}}_x{\mathrm{\μ}}_y}{{\mathrm{\σ}}_x{\mathrm{\σ}}_y}---\left(6\right)$

其中,μ_x、μ_y、σ_x、σ_y分别是行和列上的矩阵元素统计的期望和方差值；

三、利用BP神经网络进行样本训练、得到港币样本分类模型，并将所有参数植入到点验钞机、清分机、存取款机中；

采用梯度下降算法通过调整各层权值求目标函数最小化，网络在某个或所有训练样本上的预测输出和期望输出的误差平方和：

$J\left(w\right)=\frac{1}{2}\underset{j=1}{\overset{S}{\mathrm{\Σ}}}{(t_j-a_j)}^2=\frac{1}{2}{\left|\right|t-a\left|\right|}^2$

$J_{\mathrm{Total}}\left(w\right)=\frac{1}{2}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\left|\right|t_i-a_i\left|\right|}^2---\left(7\right)$

由输出层误差逐层反向计算各层各单元的误差，并基于梯度下降法修正各权值：

$\begin{array}{c}\mathrm{\Δ}{w}_j^{\left(k\right)}=-\mathrm{\η}\frac{\∂J}{\∂J{w}_j^{\left(k\right)}}=-\mathrm{\η}\frac{\∂J}{\∂n_j^{\left(k\right)}}\frac{\∂n_j^{\left(k\right)}}{\∂J{w}_j^{\left(k\right)}}\\ =-\mathrm{\η}\frac{\∂J}{\∂n_j^{\left(k\right)}}{a}^{(k-1)}=-\mathrm{\η}{\mathrm{\δ}}_j^{\left(k\right)}{a}^{(k-1)}\end{array}---\left(8\right)$

其中，δ_j(k)是第k层第j单元的局部梯度，或敏感度(sensitivity)；

四、对待识别港币进行面额识别，提取待识别币灰度共生矩阵纹理特征、建立待识别币纹理特征参数，并将待识别币的参数输入已植入样本币分类模型参数的清分设备中，由此实现12种港币版本最终分类结果。