CN104835243A - 一种纸币防伪点多特征融合的鉴别纸币真伪的方法 - Google Patents

Abstract

本发明提供了一种纸币防伪点多特征融合的鉴别纸币真伪的方法，通过AdaBoost算法针对不同的训练样本集训练同一弱分类器，分别根据所述训练样本集中错分的训练样本和所述弱分类器中训练样本错分的情况调整每个所述训练样本和所述弱分类器的权重，实现对所述训练样本集的重新分布之后再次对弱分类器重新训练，以此循环，所述弱分类器经过T次循环之后，得到了T个弱分类器和每个所述弱分类器对应的权重，最后把T个所述弱分类器集合起来，构成最终的强分类器；利用训练出的所述分类器对测试样本集进行测试，统计测试错误率，以此循环直至设置的最大循环次数T结束完得到练样本集各防伪点融合的分类模型。

Description

一种纸币防伪点多特征融合的鉴别纸币真伪的方法

技术领域

本发明涉及纸币鉴伪技术领域，尤其涉及一种基于AdaBoost算法的纸币防伪点多特征融合的鉴别纸币真伪的方法。

背景技术

随着经济的繁荣发展，纸币的流通量越来越大。一些违法分子制造的各种版本假币层出不穷，危害了国家的金融安全。目前我国银行使用的多光谱点钞机、清分机、存取款机的核心技术来自国外，不仅价格昂贵，而且对一些假币无法识别。

现在国内普遍使用的多光谱点钞机、清分机、存取款机等机具鉴伪的原理是：实时的纸币图像处理原理，采用人工防伪点识别方法鉴定纸币真伪。由于难以避免图像偏移、以及所取的鉴伪特征有限，使得鉴别稳定性和鉴伪能力都无法达到人们期望的鉴别纸币真伪的要求。

中国专利文献公开的申请号为20110088920.X的“一种纸币鉴伪方法和装置”其利用采集装置获取纸币上开窗式安全线压痕特征所在的区域被光束透射的透射图像，分析识别透射图低层中的压痕特征，从而判断纸币真伪，虽然该专利一定程度上能够识别纸币的真伪，但是该方法属于局部特征鉴伪，对于变色油墨假币、拼接币等无能为力，无法鉴别真伪。

中国专利文献公开的申请号为201310027700.5的“一种基于冠字号图像特征的人民币鉴伪方法”，其主要根据冠字号码的颜色和字体大小鉴别真伪，但是由于受纸币新旧和折皱的影响，该方法的识别率较低且无法识别右半部分为假的拼接币。

可以看出，目前纸币鉴伪的主要技术难点在于：识别速度要求高、图像特征难以提取、假币各光谱图像多种多样，且在提高鉴伪能力的同时，还必须保证算法对纸币折旧的鲁棒性，保证系统的健壮性，在异常和危险情况下保证系统的安全。

发明内容

针对上述问题，本发明的目的：旨在提供一种纸币防伪点多特征融合的鉴别纸币真伪的方法，其针对不同的训练样本集训练同一个弱分类器，然后把这些在不同训练样本集上得到的弱分类器集合起来，构成一个更强的最终实现分类的强分类器，本发明提供的方法不需要人工参与寻找特征，真假币区分度高，鉴伪能力强。

本发明提供的纸币防伪点多特征融合的鉴别纸币真伪的方法，其通过AdaBoost算法针对不同的训练样本集训练同一弱分类器，分别根据所述训练样本集中错分的训练样本和所述弱分类器中训练样本错分的情况调整每个所述训练样本和所述弱分类器的权重，实现对所述训练样本集的重新分布之后再次对弱分类器重新训练，以此循环，所述弱分类器经过T次循环之后，得到了T个弱分类器和每个所述弱分类器对应的权重，最后把T个所述弱分类器集合起来，构成最终的强分类器；具体步骤如下：

S1取待鉴别真伪的z张训练样本，并分别获取每张所述训练样本的白光图像、红外图像、紫外图像的防伪特征标记和真假特征标记构建一组训练集：(x₁，y₁)，(x₂，y₂)，……(x_n，y_n)其中，x_i为样本描述，y_i为样本标示，且y_i∈(0,1)，0表示所述训练样本为假币，1表示所述训练样本为真币；

S2初始化所述训练样本的权值为w_1，i＝1/n,其中n为样本总数；

S3对t＝1，2，......T循环执行以下步骤：

S31每次循环中对所述训练样本的权重进行归一化得到q_t,i：

$q_{t,i}=\frac{w_{t,i}}{{\mathrm{\Σ}}_{j=1}^n{w}_{t,j}}\#$

其中，w_t,i表示第i个样本在第t次循环中的权重，X_t,j表示第t次循环中第j个防伪特征，qt,i表示最终结果；

S32针对每个特征j训练处一个弱分类器h_j,并计算出每个所述弱分类器的加权错误率：

${\mathrm{\ϵ}}_j={\mathrm{\Σ}}_{j=1}^n{q}_{t,i}|h_j\left(x_i\right)-y_i|;\#$

S33确定适合的θ_j，使得ε_j最小；

${\mathrm{\ϵ}}_t={\mathrm{\ϵ}}_{j\min }=\min {\mathrm{\Σ}}_{j=1}^n{q}_{t,i}|h_j\left(x_i\right)-y_i|;\#$

S34根据步骤S23中得到的所述ε_t作为最佳弱分类器h_t；

S34根据步骤S24中所得的所述最佳弱分类器调整权重：

${\mathrm{\β}}_t=\frac{{\mathrm{\ϵ}}_t}{1-{\mathrm{\ϵ}}_t}\#$

$w_{t+1,i}=w_{t,i}{\mathrm{\β}}_t^{1-e_i};\#$

其中，e_i＝0表示x_i被正确分类，e_i＝1表示x_i被错误分类；

S35以此循环，直至T循环结束，形成强分类器为：

其中：

${\mathrm{\α}}_t=\log \frac{1}{{\mathrm{\β}}_t};$

βt为针对每轮迭代使得样本错误率最小的调整参数；αt为与βt相对应的针对每轮迭代所选中的弱分类器的最终权值；ht为每轮迭代学习后所确定的最佳弱分类器；C(x)为弱分类器融合后所获得的最终强分类器。

S3利用训练出的所述强分类器对测试样本集进行测试，统计测试错误率，以此循环直至设置的最大循环次数T结束完得到练样本集各防伪点融合的分类模型；其中，若测试纸币经强分类器计算后得到C(x)＝0则表示该纸币为假币，若C(x)＝1则表示该纸币为真币。

优选地，在步骤S1中通过多光谱点钞机的高速扫描装置获取每张所述训练样本的防伪特征标记和真假特征标记。

优选地，在步骤S1中，所述纸币面额包括：100元、50元、20元、10元、5元、和1元；所述纸币类型为人民币、港币、美元、欧元、英镑、或日元。

优选地，在步骤S1中，取z张待鉴别真伪各个面额的纸币、假币、变造币、和残缺币，分别获取每张所述训练样本的白光图、红光图以及紫外图并进行归一化构成训练样本集。

根据以上技术方案提出的纸币防伪点多特征融合的鉴别纸币真伪的方法，至少具有以下优点：

1.融合了纸币多个防伪点特征，识别精度高，鉴伪能力强，使其能够很好地应用于多光谱点钞机、清分机、ATM机等中对人民币及各种纸币的鉴伪；

2.可移植性很好，只需要将训练结果移植到程序中，即可使机器具有快速的鉴伪能力；

3.符合全局鉴伪的思想，并对纸币的残缺、孔洞、污损、新旧等有较好的适应性；

4.可扩展性好，对于新增纸币防伪点，只需添加相应的新增弱分类器重新学习，并重新移植相应的权值即可；

5.不会出现过拟合现象，较传统鉴伪方法有更高的鲁棒性。

附图说明

图1为本发明中纸币防伪点多特征融合的鉴别纸币真伪的方法示意图；

图2为AdaBoost算法抽象模型；

图3为本算法选取的白光下一百元人民币正面防伪点特征分布；

图4为本算法选取的白光下一百元人民币反面防伪点特征分布；

图5为本算法选取的715nm红外光下一百元人民币正面防伪点特征分布；

图6为本算法选取的715nm红外光下一百元人民币反面防伪点特征分布；

图7为本算法选取的312nm紫外光下一百元人民币正面防伪点特征分布；

图8为本算法选取的312nm紫外光下一百元人民币反面防伪点特征分布。

附图标记： 

1-一百元正面白光下国徽图案；

2-一百元正面白光下“中国人民银行”凸版字样；

3-一百元正面白光下毛泽东头像雕版印刷图案；

4-一百元正面白光下“100”变色油墨字样；

5-一百元正面白光下凸版盲线；

6-一百元反面白光下“100”粗体细纹字样；

7-一百元反面白光下多民族微缩文字字样；

8-一百元反面白光下透射重合古钱币图案；

9-一百元正面715nm红外下毛泽东头像水印；

10-一百元正面715nm红外下“100”粗体细纹字样；

11-一百元正面715nm红外下毛泽东头像雕版印刷红外阴影；

12-一百元正面715nm红外下人民币冠字号前四位红外隐像；

13-一百元正面715nm红外下细条安全线；

14-一百元正面715nm红外下“100”变色油墨红外字样；

15-一百元正面715nm红外下“100”红外白水印；

16-一百元反面715nm红外下人民大会堂左半区红外图案；

17-一百元反面715nm红外下红外安全线100微缩字样图案区；

18-一百元反面715nm红外下毛泽东头像红外白水印；

19-一百元反面715nm红外下“100”字样红外黑水印；

20-一百元正面312nm紫外下“100”米黄紫外荧光图案；

21-一百元反面312nm紫外下“100”人民大会堂吊灯紫外荧光图案。

具体实施方式

下面结合附图和具体实施方式对本发明作进一步详细说明：

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，下面结合附图和实施例对本发明进行具体的描述。下面描述中的附图仅仅是本发明的一些实施例。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，还可以根据这些附图获得其他的附图。

我们知道，AdaBoost算法针对不同的训练样本集训练同一个弱分类器，然后把这些在不同训练样本集上得到的分类器集合起来，构成一个更强的最终的 分类器(强分类器)。理论证明，只要每个弱分类器分类能力比随机猜测要好，当其个数趋向于无穷时，强分类器的错误率将趋向于零。AdaBoost算法中不同的训练样本集是通过调整每个训练样本对应的权重实现的。最开始的时候，每个训练样本对应的权重是相同的，在此样本分布下训练出一个弱分类器h₁(x)。对于错分的样本，则增加其对应样本的权重；而对于正确分类的样本，则降低其权重。这样可以使得错分的样本突出出来，并得到一个新的样本分布。同时，根据错分的情况赋予h₁(x)一个权重，表示该弱分类器的重要程度，错分得越少权重越大。在新的样本分布下，再次对弱分类器进行训练，得到弱分类器h₂(x)及其权重。依此类推，经过T次这样的循环，就得到了T个弱分类器，以及T个对应的权重。最后把这个T个弱分类器按一定权重累加起来，就得到了最终所期望的强分类器。

如图1所示为本发明提供的纸币防伪点多特征融合的鉴别纸币真伪的方法，应用于多光谱点钞机、清分机、ATM机中图像处理模块对人民币及各种纸币的鉴伪，利用AdaBoost对各防伪点进行融合，最后学习到真假币的特征模型，利用这一模型对纸币进行鉴伪，该过程不需要人工参与寻找特征；得到的特征融合模型对于真假币的区分度高；可移植性很好；鉴伪能力强；只需要将训练结果移植到程序中，即可使机器具有快速、性能高的鉴伪能力，可达到对纸币的全局检测。当然，训练特征模型的过程也可以在计算机上完成，经过学习后的鉴伪模型可移植入点钞机、清分机等机器中实现快速鉴别真假币的功能。我们对鉴伪模型训练的载体不作具体限定。训练鉴伪模型具体步骤如下：

S1取待鉴别真伪的z张训练样本，并分别获取每张所述训练样本的白光图像、红外图像、和紫外图像的防伪特征标记和真假特征标记构建一组训练集：,其中，x_i为样本描述，y_i为样本标示，且y_i∈(0,1)，0表示所述训练样本为假币，1表示所述训练样本为真币；具体来说，在本发明中可以通过多光谱点钞机的高速扫描装置获取每张所述训练样本的防伪特征标记和真假特征标记。

其防伪点特征提取分布与相对应的弱分类器构造算法如下：

S11以第五套人民币一百元白光、红外、紫外图像为例，特征分布分别提取图3至图8共计21个防伪点，分别为：

1、一百元正面白光下国徽图案；

2、一百元正面白光下“中国人民银行”凸版字样；

3、一百元正面白光下毛泽东头像雕版印刷图案；

4、一百元正面白光下“100”变色油墨字样；

5、一百元正面白光下凸版盲线；

6、一百元反面白光下“100”粗体细纹字样；

7、一百元反面白光下多民族微缩文字字样；

8、一百元反面白光下透射重合古钱币图案；

9、一百元正面715nm红外下毛泽东头像水印；

10、一百元正面715nm红外下“100”粗体细纹字样；

11、一百元正面715nm红外下毛泽东头像雕版印刷红外阴影；

12、一百元正面715nm红外下人民币冠字号前四位红外隐像；

13、一百元正面715nm红外下细条安全线；

14、一百元正面715nm红外下“100”变色油墨红外字样；

15、一百元正面715nm红外下“100”红外白水印；

16、一百元反面715nm红外下人民大会堂左半区红外图案；

17、一百元反面715nm红外下红外安全线100微缩字样图案区；

18、一百元反面715nm红外下毛泽东头像红外白水印；

19、一百元反面715nm红外下“100”字样红外黑水印；

20、一百元正面312nm紫外下“100”米黄紫外荧光图案；

21、一百元反面312nm紫外下“100”人民大会堂吊灯紫外荧光图案。

S12针对每个防伪点构造一个弱分类器，其中：

白光下图案第1、2、5、6、7、8号防伪点图案采用灰度统计特征值计数，选择适当阈值判别这些特征防伪点真假；

白光下3、4号防伪点采用LBP特征提取纹理，采用模板匹配判断这些特征防伪点真假；

红外下第9、10、12、15、16、17、18号防伪点特征采用特征图案左右或者上下haar特征差值计数，选取适当阈值判别防伪点真假；

红外下第11、13、14、19号防伪点采用灰度共生矩阵特征值，选取适当阈值判别防伪点真假；

紫外下第20号防伪点采用高斯模型确定此防伪点真假；

紫外下第21号防伪点采用模板匹配，用最小距离法确定此防伪点真假。

S13防伪点1至21号所分别构造的弱分类器判别结果为真时用1表示，为假时用0表示；每一个弱分类器的判定结果正确率只需达到60％即可。

S14根据以上每个防伪点判定的结果按照1至21号构造成21维0,1组成的序列x_i，从而完成针对每个防伪点特征的样本描述。

S2初始化所述训练样本的权值为＝1/n,其中n为样本总数； 

S3对循环执行以下步骤：

S31每次循环中对所述训练样本的权重进行归一化得到q_t,i：

$q_{t,i}=\frac{w_{t,i}}{{\mathrm{\Σ}}_{j=1}^n{w}_{t,j}}\#$

其中，w_t,i表示第i个样本在第t次循环中的权重，X_t,j表示第t次循环中第j个防伪特征,q_t,i表示最终结果；

S32针对每个特征j训练处一个弱分类器h_j,并计算出每个所述弱分类器的加权错误率：

${\mathrm{\ϵ}}_j={\mathrm{\Σ}}_{j=1}^n{q}_{t,i}|h_j\left(x_i\right)-y_i|;$

S33确定适合的θ_j，使得ε_j最小；

${\mathrm{\ϵ}}_t={\mathrm{\ϵ}}_{j\min }=\min {\mathrm{\Σ}}_{j=1}^n{q}_{t,i}|h_j\left(x_i\right)-y_i|;$

S34根据步骤S23中得到的所述作为最佳弱分类器h_t；

S34根据步骤S24中所得的所述最佳弱分类器调整权重：

${\mathrm{\β}}_t=\frac{{\mathrm{\ϵ}}_t}{1-{\mathrm{\ϵ}}_t}\#$

$w_{t+1,i}=w_{t,i}{\mathrm{\β}}_t^{1-e_i};$

其中，e_i＝0表示x_i被正确分类，e_i＝1表示x_i被错误分类；

S35以此循环，直至T循环结束，形成强分类器为：

其中：

${\mathrm{\α}}_t=\log \frac{1}{{\mathrm{\β}}_t};$

βt为针对每轮迭代使得样本错误率最小的调整参数；αt为与βt相对应的针对每轮迭代所选中的弱分类器的最终权值；ht为每轮迭代学习后所确定的最佳弱分类器；C(x)为弱分类器融合后所获得的最终强分类器。

S3利用训练出的所述强分类器对测试样本集进行测试，统计测试错误率，以此循环直至设置的最大循环次数T结束完得到练样本集各防伪点融合的分类模型；其中，若测试纸币经强分类器计算后得到C(x)＝0则表示该纸币为假币，若C(x)＝1则表示该纸币为真币。

作为本发明的完整实施例，训练样本集中的纸币适用于所有面额的第五套人民币，包括100元、50元、20元、10元和5元面额的纸币，针对不同面额的人民币防伪点弱分类器算法可做适当调整；假币包括普通假币、拼接币、变造币和残缺币，每种各10张，具体训练过程作如下描述：

首先，分别获取每张训练样本的白光图、红外图、紫外图，并归一化为200*100大小，随即将给定的归一化后的纸币白光图、红外图、紫外图构建为训练样本集S，其中，将正样本集标记为1，负样本集标记为0；T为训练的最大循环次数；

随后，初始化每张训练样本权重为1/n，即为训练样本的初始概率分布；在本实施例中总共选取了90张纸币，因而，这里每张训练样本的初始化权重即为1/90。

紧接着对该弱分类器进行训练，即进行第一次迭代：包括计算弱分类器的错误率；选取合适阈值，使得误差最小；以及更新样本权重；

以此按照上面的步骤经T次循环后，得到T个弱分类器，按更新的权重叠加，最终得到的强分类器。

融合后的强分类器可对真假币进行区分。当采集到任一张纸币图像，重复 上述步骤得到强分类器的分类结果，如果结果值为1，则表示该币为真币；如果结果值为0，则表示该币为假币。

上述实施例仅为本发明的优选例，并不代表本发明的全部应用。本发明方法，还可对港币、台币、美元、欧元、英磅、日元等等各种纸币进行训练，得到纸币个防伪点融合后的强分类器；将测试样币各防伪点的相应权值进行更新求和得到经过强分类器分类后的结果，即可判定真假币。凡在本发明的精神和原则之内，所做的各种变化、修改，均在本发明的保护范围之内。

Claims (5)

1.一种纸币防伪点多特征融合的鉴别纸币真伪的方法，其特征在于：通过AdaBoost算法针对不同的训练样本集训练同一弱分类器，分别根据所述训练样本集中错分的训练样本和所述弱分类器中训练样本错分的情况调整每个所述训练样本和所述弱分类器的权重，实现对所述训练样本集的重新分布之后再次对弱分类器重新训练，以此循环，所述弱分类器经过T次循环之后，得到了T个弱分类器和每个所述弱分类器对应的权重，最后把T个所述弱分类器集合起来，构成最终的强分类器；具体步骤如下：

S1取待鉴别真伪的z张训练样本，并分别获取每张所述训练样本的白光图像、红外图像、和紫外图像的防伪特征标记和真假特征标记构建一组训练集：,其中，x_i为样本描述，y_i为样本标示，且y_i∈(0,1)，0表示所述训练样本为假币，1表示所述训练样本为真币；

S2初始化所述训练样本的权值为＝1/n,其中n为样本总数；

S3对循环执行以下步骤：

S31每次循环中对所述训练样本的权重进行归一化得到q_t,i：

其中，wt,i表示第i个样本在第t次循环中的权重，Xt,j表示第t次循环中第j个防伪特征,qt,i表示最终结果；

S32针对每个特征j训练处一个弱分类器h_j,并计算出每个所述弱分类器的加权错误率：

S33确定适合的θ_j，使得ε_j最小；

S34根据步骤S23中得到的所述作为最佳弱分类器h_t；

S34根据步骤S24中所得的所述最佳弱分类器调整权重：

其中，e_i＝0表示x_i被正确分类，e_i＝1表示x_i被错误分类；

S35以此循环，直至T循环结束，形成强分类器为：

其中：

βt为针对每轮迭代使得样本错误率最小的调整参数；αt为与βt相对应的针对每轮迭代所选中的弱分类器的最终权值；ht为每轮迭代学习后所确定的最佳弱分类器；C(x)为弱分类器融合后所获得的最终强分类器；

S3利用训练出的所述强分类器对测试样本集进行测试，统计测试错误率，以此循环直至设置的最大循环次数T结束完得到练样本集各防伪点融合的分类模型；其中，若测试纸币经强分类器计算后得到C(x)＝0则表示该纸币为假币，若C(x)＝1则表示该纸币为真币。

2.如权利要求1所述的一种纸币防伪点多特征融合的鉴别纸币真伪的方法，其特征在于：在步骤S1中通过多光谱点钞机的高速扫描装置获取每张所述训练样本的防伪特征标记和真假特征标记。

3.如权利要求2所述的一种纸币防伪点多特征融合的鉴别纸币真伪的方法，其特征在于：在步骤S1中，所述纸币面额包括：100元、50元、20元、10元、5元、和1元；所述纸币类型为人民币、港币、美元、欧元、英镑、或日元。

4.如权利要求3所述的一种纸币防伪点多特征融合的鉴别纸币真伪的方法， 其特征在于：在步骤S1中，取z张待鉴别真伪各个面额的纸币、假币、变造币、和残缺币，分别获取每张所述训练样本的白光图、红光图以及紫外图并进行归一化构成训练样本集。

5.如权利要求4所述的一种纸币防伪点多特征融合的鉴别纸币真伪的方法，其特征在于：将所述白光图、所述红光图、以及所述紫外图归一化为200*100。