CN104969268A - 安全文件鉴别及执行鉴别的移动装置 - Google Patents

Abstract

一种基于对通过凹版印刷所生产的特征的分析鉴别安全文件的方法以及一种被编程为用于执行该方法的移动装置、尤其是智能电话，该分析涉及基于小波分解待鉴别的候选文件的样本图像，通过对每个样本图像执行小波变换而数字化地处理该样本图像，以便导出一组分类特征。该方法基于一种自适应方法，该自适应方法包括以下步骤：-在进行该小波变换之前，定义包含在这些安全文件上所发现的不同凹版线结构的局部信息的归类图；-基于该归类图在小波类型池中进行小波选择；以及-基于所选择的小波进行该样本图像的该小波变换。

Description

安全文件鉴别及执行鉴别的移动装置

1.介绍

维护安全文件尤其是纸币中的置信度是且一直是中央银行主要关心的问题，以便保持世界范围内经济的稳定性。用于纸币鉴别的一种尤为适合的方法是基于所谓的Sound-of-Intaglio^TM方法，参考[1]、[2](还参见国际专利出版号WO 2008/146262A2)，该方法的重点在于分析凹版印刷所产生的本质特征(Sound-of-Intaglio^TM名称是KBA-NotaSy SA的商标)。结果是基于图像处理和模式识别的通用算法，该算法用真正的凹版检测本质信息以便区分纸币，而不论是硬币或破旧纸币、或甚至是伪造品。这是因为凹版印刷能够使打印具有非常精细、高分辨率且非常清晰的图案。另外，凹版是最持久的印刷特征，在流通环境中该特征给予了制备工艺某些鲁棒性优势。因此，凹版“事实上”被标识为本质特征并且可以用作公众的安全标识方法。由警察机关和银行回收的绝大多数伪造品是用一些方法和可商购的设备创造的。凹版已经证明是防御伪造品的最可靠和安全的平台。虽然凹版特征并未被大众有意识地认识到，但无误的光学外观结合独有的触感性质(都可以在结合印刷基板时看到)是用户习惯性识别真实纸币的关键。此方法通过使用例如移动电话以负担得起的图像分析工具来标识凹版的独有特征。当然，这种一般方法对中央银行在分选和鉴证时也是有用的。而且，这种概念的优点是中央银行无需披露任何保密信息(如特殊性质、几何尺寸等)，尤其是如果凹版达到某个质量水平时，无需重新设计现有的纸币。另外，凹版代表了商业印刷的重要差异化中的一种差异化并且是纸币印刷过程的实质部分。本研究实际上集中探讨使凹版自动应用在现金循环中的可能性。为此，Sound-of-Intaglio^TM为支付终端的制造商或银行系统提供一种未来框架以确保领先流通领域中日益提高的伪造品质量并进行防范。迄今为止，伪造技术未成功地提供可接受的凹版仿制品或甚至使用该技术用于犯罪目的。

除了“已证实的”大量商业胶版印刷伪造品外，在数字桌面技术(扫描仪、相机、以及数字办公室打印机)上的不断进步已经建立了一类全新的“数字”伪造品(digifeit)。由于在印刷工业中存在的严格的非扩散政策，高清晰度纸币凹版印刷的全部流程(设计、印前操作、制版和印刷)得到良好的保护以防止其在伪造应用中的使用或滥用。由于凹版工艺对纸币安全性、其无误的外观和公共流通中功能的唯一性，通过标识凹版的存在来直接鉴别真实纸币是最为明智的。由于在艰苦且具有挑战性的流通条件下直接测量三维结构已被证明是困难的且缺少鲁棒性，已找到一种完全不同的方法，该方法发掘了普通高质量凹版结构的独有的不透明性和外观。

下文所描述的是基于Sound-of-Intaglio^TM方法[1]的图像处理和模式识别方法，用于智能移动装置(如智能电话[4]等[3])中。这种概念基于一种构建自适应小波来分析纸币上的不同印刷图案的新策略。而且，生成一个纸币特定的特征矢量，该矢量有效地描述各种照明条件下的真实纸币。一种多级线性判别分析(LDA)分类器生成稳定且可靠的输出。

本申请组织如下：在此介绍之后，第二节中将重点介绍相关工作和先决条件，其中重点是相关的出版物、移动装置的某些技术方面、以及基于小波的凹版检测(WIBD)。在第三节，将描述智能电话上用于纸币鉴别的自适应小波方法。第四节专门用于介绍结果，而第五节总结了本说明书。

2.相关工作和先决条件

2.1相关出版物

在过去十年，已经出版了一些与纸币面额检测以及鉴别本身相关的出版物。在上述这些年间，在SPIE、IEEE、和ACM数据库中检测到不超过大约300种出版物。大部分出版物在其方法中描述了光学扫描技术和信号处理算法。只有一些作者建议除光学概念外的方法，例如[5]、[6]。出版作品的绝大多数与特征提取和机器学习有关，例如[7]、[8]、和[9]。某些最近的出版物也已经表明在纸币面额的标识[10]和识别[11]方面小波方法似乎是有希望的。尤其是基于小波的概念支持[1]中的一般方法和下文的基于小波的鉴别理论[2]、[3]、和[12]。

2.2移动装置技术

在本节中，描述了移动装置的关键组件，尤其是最先进的智能电话的关键组件。重点是相机模块，因为如果用作图像处理装置的话，这是智能电话的关键元件。

定义。如果移动电话具有用小型软件应用(app)进行扩展的能力并且如果它提供更高级的计算能力和增强的连接性[13]，就称为智能电话。近些年逐渐提高的处理器性能带来了变化非常大的使用行为：最初，智能电话以更方便的方式用于收发电子邮件或文本，主要是商业用户使用。现今，智能电话可以运行第三方app，这些app极大地扩展了功能性。智能电话不仅仅是移动电话，而且是笔记本电脑、微型相机、游戏伴侣、音乐播放器、互联网冲浪站、卫星导航工具等。最重要的市场竞争者基本上使用两种不同的操作系统：苹果(Apple)的iOS和谷歌(Google)的安卓(Android)。2012年第三季度，在该领域中它们分享了全球销售的所有智能电话的86.3％[14]，安卓是最大的竞争者具有72.4％的市场份额[14]。

通用硬件。通常，智能电话配备有大显示器。自从苹果的iPhone在2007年出现以来，大的高分辨率多点触摸显示器已经成为实际上的标准。苹果提供了最高分辨率(每英寸显示器326像素)[15]。三星的Galaxy NoteN7000是当前市场上最大的智能电话之一，配备了5.3英寸的屏幕[16]。而且，智能电话具有广泛范围的传感器，例如，陀螺仪、加速计、GPS、接近度或光传感器。第一种智能电话使用单核处理单元，具有600MHz的时钟频率。然而如今，在高度复杂的型号[17]、[18]中建立了多核处理器(四到五核)和大约1.5GHz的时钟频率。智能电话通常有两个相机，这在下一段落中进行描述。

相机单元。典型的智能电话采用两种不同类型的相机：一个位于屏幕侧用于视频电话呼叫，而另一个位于后部。通常，第一个相机具有大约是一百万像素的分辨率，而另一个相机通常提供较高的传感器分辨率并且被设计为静态或视频相机的替代品。由于这就是应用于图像处理的相机，所以术语相机在下文用于指高分辨率相机并且忽略其他类型的相机。典型的智能相机具有在五百万和一千二百万像素之间的分辨率，趋势是像素数越来越大。正如其他具有低质量光学器件的微型相机一样，这并不意味着结果改善。智能电话中的相机模块缺少变焦镜头(在这一点上，忽略像诺基亚(Nokia)Pureview 808这样的小众型号)。这些相机的传感器具有典型的4至7mm的对角线宽度，这使得它们易于受到噪声干扰。内置的照明常常是基于LED或氙闪的闪光灯，只能够照亮镜头附近的对象，例如肖像或特写。

高分辨率导致大的内存需求。现今，这就是为何不可能得到原始图像数据的原因，而原始图像在图像处理中是重要的。图像采集过程的结果总是jpg格式压缩的照片。然而，可以这样说，通常是基于智能电话技术的技术发展水平来降低压缩率。

2.3用于移动装置的纸币应用

使用智能装置进行纸币鉴别的设想就其本身而言并非是新的。不同的出版物已经例举了此类应用，例如[3]、[4]、和[19]。基本思想是使用集成的相机、照明单元、和处理单元来分析不同的显性和隐性纸币特征并将纸币进行分类。另一种方法是最近发表的，该方法基于配备有光学近红外点光源和低功率传感器芯片的口袋式扫描仪。此系统可以连接至任何移动电话[20]。该技术模仿了ATM制造商的某些基本概念。除了这些app，还有更多一些app可以用作纸币展示应用，例如[21]、[22]。

2.4基于小波的凹版检测(WIBD)

在此子部分，描述了基于小波的凹版检测(WBID)的一般性概念——如在[1]中举例讲解，这种概念设计通过执行基于小波的数字信号处理技术来分解待鉴别的文件的一个或多个样本图像。这种概念的进一步的细节和相关变体可以参考相应的文献，其全文通过引用结合在此，具体而言是[1]、[2]、[3]、[4]、和[12]，以及国际专利出版号WO 2008/146262 A2和WO 2011/018764 A2。

小波。小波是一种用于将给定的函数或信号分为不同尺度的分量的数学函数。小波变换是函数或信号的小波表示。小波变换在表达具有间断点和尖峰的函数和信号方面比传统傅里叶变换更有优势。根据本方法，具体地是发掘了所谓的离散小波变换(DWT)的性质，而这将在下文进行讨论。在本说明书中不会深入地探讨小波理论，因为此理论本身是众所周知的并且在有关该主题的一些教科书中进行了广泛的讨论和描述。有兴趣的读者可以例如参考引用的有关小波理论的书籍和出版物[23]、[24]、[25]、和[26]。

为了识别局部特征，信号变换是平移不变的，这一点很重要。这意味着移动Δ个样本的信号平移可以导致缩放或细节系数的平移，但不会修改它们的值。这个性质保证比例图不取决于尺度上零点的选择。在使用快速小波变换(FWT)时，由于FWT固有的次级抽样，丢失了这个平移不变性质。因此，源自FWT的小波系数示出了对信号平移的高度依赖。通过次级抽样，当进行到下一个变换尺度时，还要冒着丧失沿的重要信息的风险。所以，使用平移不变的信号变换是十分重要的。为了实现平移不变的变换，在不对信号s[n]进行次级抽样的前提下确定变换。平移不变的小波变换(SWT)满足了这个条件[27]、[28]。对于平移的、但在其他方面完全相同的信号，SWT提供了平移的、但完全相同的小波系数。由于不使用次级抽样，得到了冗余的信号表示[27]、[28]。为了将二维纸币图像变换为频谱描述，使用两个二维变换[28]。这是有效的，因为图像可以被理解为可分离的信号[25]。为了变换一个二维信号x，交替地在图像行n和图像列m上采用一维变换算法。这产生具有维度(2n×2m)的方阵X：

$X=\left[\begin{array}{c}{A}_y\\ D_y\end{array}\right]=\left[\begin{array}{cc}A& cV\\ cH& cD\end{array}\right]---\left(1\right)$

现在，将小波变换后的信号分为四个子图像：缩放系数A(低通滤波的))和竖直细节系数cV(带通滤波的，ψ)属于A_y，而水平的以及对角细节系数(cH和cD，带通滤波的，ψ)包括在D_y中。细节矩阵cV、cH、和cD描述了图像的小波变换后的信号的相同结构。在第二步，将细节系数合并为一个通用细节矩阵cG：

cG＝α·(cV+cH+cD),α∈R₊，   (2)

α是尺度因子，如果必要的话，它为缩放系数和细节系数确保了相同的动态范围。对于cG，所有所识别的结构转换都统一在一个矩阵中。应当注意的是，不能从统一的细节系数cG中恢复信号。尽管在鉴别纸币时，这个方面是不相关的。关于等式(2)的上述计算对每一个尺度都执行。细节可以参考[12]和WO 2011/018764 A2。为了处理小波变换，必须使小波适合于应用。通常，良好的结果是用具有两个消失矩(db2-小波)的Daubechies小波[23]得到的。这些小波由于它们的紧支集和频率响应[12]，通常很好地适合于精细凹版结构的频谱分析。

分类。使用小波系数的基于矩的统计特征是有利的，参见[3]、[12]、和[29]。在图1中，基于本申请人所生产的如在图7(a)中大体描绘的“JulesVerne”纸币样本(该纸币样本的一部分也展示在图2中)的典型凹版线结构示出了db2-SWT系数H_n(p)的不同灰度级频率直方图。纸币样本是原型纸币，具有真实的纸张、油墨、应用等，但没有价值。本申请中所引用的纸币样本“Jules Verne”和“Flowerpower”由本申请人设计和生产。

完整的纸币样本在图7(a)中示出。直观的是真实纸币的灰度级频率分布与伪造纸币有很大不同。

通过对标准化的直方图H_n(p)计算描述性度量，可以讨论图像结构上的整体结论。可以考虑以下统计特征以进一步分析小波系数，即方差σ²、偏斜度E和超量(或峰态)C。方差σ²描绘了小波系数围绕直方图中心的幅度分布。偏斜度E描述了围绕该中心分布的对称性。超量/峰态C描述了相对于高斯分布的偏差，参见[29]。图3示出了包含对象类的特征空间，将使用前述统计特征作为该特征空间的一组分类特征(或坐标)对这些对象类进行分类。

通常，上述特征不足以唯一地辨别一个复杂的特征空间。必须牢记的是，不仅是新的，而且破旧的真实和伪造纸币也必须被正确地区分。一种实现更精确的线性分类的方法是考虑附加特征。附加特征必须满足两个重要性质。首先，它们必须适合识别凹版印刷，并且其次它们必须互补于现有的三个统计特征。人们应用三个典型的统计矩(方差σ²、偏斜度E、和超量C)。三个其他的所谓LACH特征和[4]必须被解释为本地自适应累积直方图(LACH)统计，这些统计生成由方差σ²控制的特征它们表示直方图的有意义部分的面积，使用σ²将直方图分为多个部分(L为左边部分，M为中间部分，R为右边部分)。由于大部分特征是高斯分布的[4]，人们应用线性判别分析(LDA)方法[4]计算分类器边界以用于稍后鉴别。

3.方法

该方法基于以下事实：如果用作图像处理单元，用于智能电话的信号处理算法必须满足与鲁棒性和自适应性相关的某些标准。本节描述用于凹版检测的鲁棒和自适应特征生成的调查结果。

基于安全文件(通过凹版印刷所生产)的本质特征的分析来鉴别安全文件(尤其是纸币)的方法如在第1和第2节强调的那样是已知的，这种分析涉及基于小波分解待鉴别的候选文件的至少一部分的一个或多个样本图像。根据这些已知方法，通过对样本图像进行小波变换来数字化地处理每个样本图像，以便导出一组分类特征(包括例如方差σ²、偏斜度E、和超量/峰态C)，这些分类特征允许在多维特征空间(如例如图3中所展示)内对候选文件进行分类，由此实现真实和伪造的安全文件之间的合适辨别。

本发明的总体目标是提供一种鉴别安全文件的改进方法。更确切地说，本发明的目标是提供更适合于在移动装置(如智能电话或类似的手持式或便携式装置)中实施的这样一种方法。

因此，提供了一种鉴别前述类型的安全文件尤其是纸币的方法，其特征在于，该方法基于自适应小波方法，该自适应小波方法包括以下步骤：

-在进行小波变换之前，定义包含在这些安全文件上所发现的不同凹版线结构的局部信息的一个归类图；

-基于该归类图在一个小波类型池中进行小波选择；以及

-基于所选择的小波进行样本图像的小波变换。

所提出的自适应小波方法的优点在于具有较佳能力对待鉴别的候选文件的样本以一种明确的方式进行分类。的确，由于所提出的将适合的小波类型映射到通常在安全文件上发现的不同凹版线结构的自适应小波方法，在进行小波变换之前，首先基于归类图选择最适合于样本图像中的具体凹版线结构特征的一个适合的小波，由此对被鉴别的各类文件的特征空间中的辨别进行优化。

根据本发明的一个优选实施例，定义该归类图的步骤包括定义每个给定的凹版线结构的一个统计模型。优选地，这个统计模型由表征表示每个给定的凹版线结构的至少一个直方图的至少一个参数组成(有利地，该参数是描述相应直方图的形状的一个形状参数)。可以适当地基于最大似然估计(MLE)方法来确定这个参数。

在此背景下，已经发现从每个给定的凹版线结构内的线宽和线距的测量来建立统计模型是适当的。甚至更为优选地，该统计模型可以包括四元组参数，该四元组参数表征表示每个给定的凹版线结构的四个直方图，这四个直方图分别描述了水平方向上线宽的统计分布的直方图、水平方向上线距的统计分布的直方图、竖直方向上线宽的统计分布的直方图、以及竖直方向上线距的统计分布的直方图。

根据本发明的另一个优选实施例，该小波类型池包括一个基线小波，该基线小波用作小波选择的基线。优选地，这个基线小波是db2-小波。对于给定的凹版线结构，如果在特征空间中另一种小波类型的分离能力好于基线小波，则有利地由该另一种小波类型替代基线小波。在此背景下，特征空间中更好的分离能力被理解为特征空间中更大的集群距离的意义。

优选地，该组分类特征包括统计矩，统计矩描述了由小波变换产生的小波系数的统计分布(或直方图)，统计矩有利地是方差σ²、偏斜度E和超量C。除了这些统计矩以外，还可以使用另外的分类特征，包括所谓的LACH特征。

还声明了这样一种应用在移动装置环境中(尤其是应用在智能电话中)的方法以及一种移动装置，该移动装置包括被编程以执行这种方法的一个图像处理单元。

3.1鲁棒性

通过将鉴别算法转移到智能电话上，扩展了可能的应用领域，并且纸币的检查可以由未经训练的人员来执行。在智能电话上实现鉴别算法对于一些算法的某些部分需要一种新的概念。在此情况中智能电话的限制具有如下影响：

-相机模块的质量波动，

-软件限制，如限制或阻碍对原始图像数据的访问，

-变化的环境条件，尤其是光条件，以及

-相对于智能电话的光学器件的纸币位置。

智能电话中的相机模块没有设计成用于工业图像处理应用。为了降低成本，这类模块通过专用硬件生成已经优化的图像。电话的操作系统没有在任何偏差上进行调整。因此，由相机模块制造商致使的生产偏差导致变化的图像表示，该图像表示可以在色偏(也就是说，没有正确地调整颜色通道)、噪声、不恰当的调焦等中示出自身。必须通过对算法的合适选择来考虑这些波动。若干反制措施试图补偿上述影响，也就是说，在后处理步骤中应用阴影校正和白平衡调整。阴影校正补偿不均一的照明。白平衡调整通过将颜色通道调整到预定义的参考值来校正色偏。

对用于纸币实时鉴别的智能电话的使用要求机器学习的特殊程序。尽管存在不稳定的图像采集条件，对象的分类应该尽可能鲁棒。而且，应用应当是可靠的，尽管只有数量有限的伪造品可供训练使用。假阳性分类(即，将伪造品检测为真实的)必须被避免。因此，必须将训练集设计为考虑生产过程中的可能变化。当选择一个适当的分类方法时，必须考虑到手头的伪造品的数量是有限的。可能的印刷方法的数量也是有限的。由于假阳性分类会给整个应用带来问题并在公众中带来负面反馈，因此分类器的可靠性最为重要。为此，在鉴别过程中使用的机器学习的方法必须是经过慎重考虑的。

3.2自适应小波方法

如以上提及的，纸币分类在获取自小波系数直方图的统计矩上进行操作，这些小波系数直方图反过来是基于例如给定的具有典型的600dpi分辨率的信号的db2-小波。虽然此分类在很多情况中运作良好，但在一些情况中不是这样，也就是说出现误分类。由于凹版印刷技术与小波变换[12]紧密相关，所以自适应小波方法必须克服这种误分类的出现。该方法基于对不同凹版线结构进行的小波映射。基线是db2-小波，根据纸币的某个局部凹版线结构，db2-小波由另一个小波类型替代。使用了来自相同小波家族的小波(例如，Daubechies[23])或来自具有其他特性的小波家族的小波(例如，双正交小波、Coiflets或Symlets[23]、[24]、和[25])。

目的是更好的明确地对样本进行分类的能力。因此，在进行小波变换之前，必须在纸币内表征信号样本结构并为整个纸币定义归类图(C-map)(参考图7(b)-图7(f))。C-map包含被映射为某个小波的凹版结构的局部信息。基于此归类，应用生成拟最优空间频率系数的小波变换是可能的，因此，拟最优检测特征带来明确的分类。

对于该方法，基本步骤可以分为三个部分：

i)应当定义并执行一个统计模型，该模型足够用于不同的给定的凹版线结构；

ii)给定的样本结构必须经过测量和区分；并且

iii)小波必须经过选择，它在有限小波池的约束下最为适合。

统计模型。手边的信号是二维光栅图像，可以认为该图像是两组一维信号，一个是水平的而一个是竖直的。对于每一维，首先确定沿(斜率)中心。其次，计算两类距离：线宽w，它是下降沿中心和上升沿中心之间的距离，以及线距d，它是上升沿中心和下降沿中心之间的距离。这个过程基于的基础假设是，在亮的、发白的棉质纸张上检查较暗的打印结构。由于斜率中心用作参考点，人们对样本的印刷技术是不敏感的。

对于一个单线或线距，人们不感兴趣，但对于整个观察到的结构而言，人们对与w和d有关的离散统计密度(直方图)感兴趣。所以，计算对于w和d的测量的直方图。由于得到的密度呈现为伽玛概率密度p(x；k,θ)[30]，对此分布进行参数估计。伽玛概率密度定义如下：

$p(x;k,\mathrm{\θ})=\frac{1}{{\mathrm{\θ}}^k}\frac{1}{\mathrm{\Γ}\left(k\right)}{x}^{k-1}{e}^{-\frac{x}{\mathrm{\θ}}};x,k,\mathrm{\θ}\∈R_{+}.---\left(3\right)$

对于给定的变量x(这里是：w和d)，参数估计产生两个参数：形状k和尺度θ。在本情况中，可以观察到这两个参数是强相关的，即θ＝f(k)。所以，直方图可以仅由这些参数中的一个参数来表征，例如形状k。函数Γ(k)描绘了伽玛函数[31]：

$\mathrm{\Γ}\left(k\right)={\∫}_0^{\mathrm{\∞}}{t}^{k-1}{e}^{-t}dt.---\left(4\right)$

在本实例中，已经选择了参数k，通常被称为形状参数。对于给定的凹版线结构，结果形成了一个特有的四元组(k_H,w，k_H,d，k_V,w，k_V,d)，其中H和V分别代表水平和竖直方向的度量，而w和d分别表示线宽和线距的测量。本文所用的估计方法基于最大似然估计(MLE)，最大似然估计是统计数据的分布或密度的参数估计的标准方法[32]。图4示意性地展示了该过程。

基于上述过程，为原型结构生成了不同的四元组。这些原型结构基于典型的纸币设计(水平线、竖直线、短划线、点划线等，汇总为复杂的结构，参见图4)。对于纸币这些原型当然不是唯一的，原因有两个：i)纸币由雕刻师利用创造者的与众不同的技术来单独设计，以及ii)所设计的区域是重叠的。这两种观察导致在四元组中出现歧义。因此，唯一表征一个区域不总是可能的。当且仅当满足以下条件，出现最佳情况：

索引集i的参数k_i位于下边界β_l和上边界β_u之间。在此情况下，对于某个小波类型，至少一个k_i属于一个可能的映射集合S_i。在所有其他情况中，唯一的分离是不可能的。因此，由于人们对一般方法感兴趣，接下来必须跟随着测量和优化阶段。

测量。标准的智能电话相机单元(8百万像素至1千2百万像素分辨率)足以提供大约600dpi分辨率。纸币或其一部分由相机单元成像(在此：相机集成到移动装置中)并分为最多360(30×12)个大小范围从96×96至128×128像素的子图像(参考图7(a)-图7(f))，在每个取向上具有四分之一图像的重叠。关于子图像的线宽和线距性质对其进行分析并为每个子图像确定一个四元组k_j,j∈0...359。取决于k_j，根据先验知识预先选择某个小波类型。

小波选择过程。基于db2-小波通常能够用作纸币鉴别的特征生成器[1]、[12]、和[29]的发现进行选择。然而，某些特性区域不能通过db2-小波进行处理。因此，选择一个小波池来优化检测率。在各种实验中最初考虑约60个小波类型，产生一组以下六个(τ∈0...5)所选择的小波。为了解详情，可以参考Wasilewski的小波性质浏览器[33]，也就是各种分解滤波器脉冲响应的分解滤波器系数和概图。这六个小波是按照所雕刻的凹版线形状和宽度的原则来选择的。小波滤波器长度N＝card(ψ)以递增顺序排序(参见表1)。因此，频域中小波的基本带宽相应地减少。在所考虑的特征空间中，检查上述小波类型(形状和大小)在不同尺度上的最佳分离性质。因此，将小波类型池分配给C-map。该过程执行如下：基于小波类型并针对j个子图像中的每一个，使用一组真实的和伪造的纸币(大约20-50张)为六个r维特征空间f_τ中的每一个创建两个集群(类：真实的(G)和伪造的(F))。通过已经用于纸币鉴别中分类目的的LDA[4]，为小波类型中的每一个确定一个标量判别度量，被称为瑞利系数D_τ[34]。非负实瑞利系数0≤D_τ≤∞提供有关特征空间中两个集群之间距离的信息。D_τ越高，两个集群之间的距离越大。作为参考，应用度量D₀(db2)。假设：

${\mathrm{\Σ}}_{\mathrm{\τ}}=\frac{D_{\mathrm{\τ}}-D_0}{D_0}>0,\mathrm{\τ}\∈\{1,...,5\},---\left(6\right)$

假设某个小波类型τ≠0的分离能力Σ_τ在特征空间中较大的集群距离的意义上更好。在所有其他情况(Σ_τ≤0)中，必须应用db2-小波。不得不指出的是，分离能力取决于所利用的特征。为子图像和小波类型中的每一个确定瑞利系数按照如下方式标识：在由三个(维度：r＝3)统计矩(方差、偏斜度、超量/峰态)作为特征组成的特征空间f中，这些统计矩从每个局部区域的空间频率直方图和小波尺度所进行计算，寻找表示这些特征的线性组合的一个方向v＝(v₁,v₂,...,v_r)^T，该方向最优地分离类均值(当投射到已发现的方向上时)，同时围绕这些均值获得最小的可能方差。对于具有n个对象的真实组G和具有m个对象的伪造组F的一维类特征空间f，经验类均值是：

$m\left(G\right)=\frac{1}{n}{\mathrm{\Σ}}_{f\∈G}f---\left(7\right)$

以及

$m\left(F\right)=\frac{1}{m}{\mathrm{\Σ}}_{f\∈F}f.---\left(8\right)$

类似地，在更高维特征空间中投射到某个方向v上的数据的均值可以由以下等式计算：

$\mathrm{\μ}\left(G\right)=\frac{1}{n}{\mathrm{\Σ}}_{f\∈G}{v}^{T}f,---\left(9\right)$

以及

$\mathrm{\μ}\left(F\right)=\frac{1}{m}{\mathrm{\Σ}}_{f\∈F}{v}^{T}f.---\left(10\right)$

所投射的数据的方差σ²(G)和σ²(F)可以表达如下：

σ²(G)＝Σ_f∈G(v^Tf-μ(G))²，   (11)

以及

σ²(F)_＝Σ_f∈F(v^Tf-μ(F))²。   (12)

LDA解是方向v^*，v^*对优化问题进行最大化：

$D\left(v^{*}\right)=\underset{v}{max}\frac{{\left(\mathrm{\μ}\right(G)-\mathrm{\μ}(F\left)\right)}^2}{{\mathrm{\σ}}^2\left(G\right)+{\mathrm{\σ}}^2\left(F\right)}.---\left(13\right)$

在所描述的方向v＝(v₁,v₂,...,v_r)^T内，表示了特征的线性组合，并且

m(G)＝(μ₁(G),μ₂(G),...,μ_r(G))^T,m(F)＝(μ₁(F),μ₂(F),...,μ_r(F))^T，   (14)

等式(13)用类间和类内协方差重写：

S_b＝(m(G)-m(F))(m(G)-m(F))^T   (15)

以及

$S_v=\frac{1}{n}{\mathrm{\Σ}}_{f\∈G}(f-m(G\left)\right){(f-m(G\left)\right)}^T+\frac{1}{m}{\mathrm{\Σ}}_{f\∈F}(f-m(F\left)\right){(f-m(F\left)\right)}^T---\left(16\right)$

为

$D\left(v^{*}\right)=\underset{v}{max}\frac{v^T{S}_{b}v}{v^T{S}_{v}v}.---\left(17\right)$

自适配过程执行如下：对于每个k元组k_j，在范围β_l＜k_i＜β_u中每个k_i的约束下，基于距离度量Σ_τ分派小波类型τ，从而产生初始小波分配。当然，映射不是在所有情况下都是完整的且唯一的。然而，分析的纸币设计越多，映射将越完整。最终，C-map由近似最优映射maxΣ_τ:k_j→τ组成，该近似最优映射独立于特定的纸币设计和面额。

3.3亮度适应的分类

[1]、[4]、和[12]中示出工业装置内的模式识别可以使用基于小波变换的特征来进行。尽管分别存在不同的环境和硬件条件以及不同的特征分布(它们是由于移动装置的应用而出现的)，[4]中证明相同的特征适合于移动使用是可能的。不幸的是，只有在特殊约束下，[4]中所描述的模式识别过程才对现实世界应用可行。一个约束是相机在鉴别过程中的刚性位置，另一个是对鉴别结果的环境依赖。尤其是照明在鉴别过程中起到重要的作用。刚性位置和照明依赖方面的限制来自于[4]中所使用的训练数据集。在这个训练数据集中，没有考虑鉴别过程中可能存在的纸币平移。进一步地，由于在日光的和标准的办公室照明下采集训练数据，在其他环境情况下的鉴别会产生问题。这两个不利的主题已经由被要求用前述应用进行测试的人员所报告。在考虑这些环境时，以下描述了如何构建更充足的训练数据集和精确的分类边界。

在这一阶段，[4]中所描述的模式识别过程的简短回顾是合时宜的。识别是基于刚性纸币区域的鉴别。为了进行鉴别，将该区域变换成小波域；然后，使用小波系数直方图来计算六个特征。它们中的三个是常规的统计矩(方差σ²、偏斜度E、和超量C)。三个附加统计矩称为LACH特征 (参见2.4节)。由于大部分特征是高斯分布的[4]，LDA再一次用于计算分类器边界以便稍后鉴别。并且，通过应用LDA方法，训练快速、更灵活，并且比使用支持向量机(SVM)变得更加鲁棒。读者可以参考[29]。

为了克服[4]中的刚性定位问题，通过以下策略构建了更为充足的训练数据集：通过附加区域来扩展训练数据集，这些附加区域紧邻主区域的边界。图5展示了附加区域。

为了克服照明问题，需要标识对亮度变化不敏感的特征。为此，在若干不同的照明条件下采集一些数据。特征分布的验证表明，方差σ²对于某些亮度变化最可能是敏感的，也就是说，σ²的分布对于不同的亮度变化是不同的(照明对σ²的影响由图8(a)-(c)中的分类结果示出)。其他五个特征较不敏感并且对于不同的亮度变化具有类似的分布。在这些结果内，更合适的是通过对亮度变化较不敏感的五个特征的组合来构建分类边界。由于方差σ²对于应用而言是重要特征，在分类中它用作具有大的检测余地的独立的特征。

4.实验结果

在本节中呈现了基于发现的实际结果。在实验设计中已经使用了真实的纸币(欧元纸币)和纸币样本“Jules Verne”和“Flowerpower”，它们由本申请人大量生产以作为真实纸币和不同类型的伪造纸币。出于各种原因，在此不描述仿造过程。

在图6中，以Jules Verne肖像的前额的子图像(j＝47)的最大似然估计(MLE)(参考图7(a))为例。黑色曲线表示该区域中竖直线宽的最可能的伽玛概率密度，参数为k_V,w＝5.97和θ_V,w＝0.9。前额的凹版结构的一些部分生成在相同的范围(与它们的参数有关)内的子图像密度。分析(参考图7(c))产生了一个四元组，其中仅有两个参数唯一地控制与某个小波相关的前额区域：Daubechies-4-小波。由于确定了k_H,w≥7.2和k_V,w≥5.8，下边界参数β_l被设置为β_l；H,w＝7.2和β_l；V,w＝5.8。上边界参数β_u被设置为β_u；H,w＝10和β_u；V,w＝8，该参数定义了最大频率h(d)和h(w)的一半。因此：7.2＜k_H,w＜10和5.8＜k_V,w＜8。用在特征空间中具有最大距离度量的八系数小波对结构进行建模：argmax_τΣ_τ＝2。在此情况下，可以用两个参数选择最佳的小波。图7(c)展示了正在讨论的子图像的结果。例如，相比于子图像47中的db2-小波，db4-小波能够在真实的和仿造的纸币之间更好地进行区分(高达61％)。如图7(b)、图7(d)、图7(e)和图7(f)所描绘的，不同的小波类型能够区分不同的凹版区域(例如，j＝257时，利用sym5-小波可以达到44％)。

在照明变化的情况下(A和B(亮度减少约30％))，将不需要改变[4]中所表示的分类策略。然而，由于针对刚性定位的训练数据集的修改，还必须修改分类规则。由于扩展后的训练数据集不再是高斯的，分类的精度会受到质疑。特殊的问题区是紧邻分类边界的区域。这个问题通过对分类边界周围的对象进行多级LDA来解决。结果的比较在图8(a)-(c)([4]中的原始分类)和图9(a)-(c)(改进的方法)中展示。

5.结论

Sound-of-Intaglio^TM方法十分适合于纸币生产和鉴别中的不同应用，即不同水平上的质量检查、分拣和鉴别。已经表明，通过适应所讨论的特征生成器可以优化一般的鉴别方法，即，使用为不同凹版结构而优化的小波池。并且，通过考虑每个分析区域周围的边界和适应所使用的特征[4]，可以稳定亮度变化。因此，实现了真实和伪造纸币之间的更加鲁棒的分类。

附图简要说明

图1(a)-图1(c)：db2-SWT后的小波系数的直方图：真品(图1(a))、高质量伪造品(图1(b))、以及低质量伪造品(图1(c))。真实纸币的灰度级频率分布与伪造纸币有很大不同(另参见[4]的图3)。

图2(a)-图2(c)：凹版线结构：真品(图2(a))、高质量伪造品(图2(b))、以及低质量伪造品(图2(c))(另参见[4]的图4)。

图3：特征空间-跨越了方差σ²(特征1)、偏斜度E(特征2)、以及超量(或峰态)C(特征3)。训练集由1489个对象组成[29]

图4：对水平和竖直线宽和线内距离，从给定的凹版结构进行最大似然估计(MLE)。取决于纸币结构，即，线宽和线距，窗口大小通常设置为96×96至128×128像素。

图5：细节示出了用于鉴别(实线)的一个主要区域和被添加到训练数据集(由本申请人生产的“Flowerpower”纸币样本)中的四个另外的区域(虚线)。

图6：对于像素中的水平和竖直线宽，从给定的凹版结构进行最大似然估计(MLE)(区域j＝47，前额，纸币样本“Jules Verne”；参见图7(a))。子图像j的计数开始于行方向的左上边缘，参见例如图7(c)。

图7(a)-图7(f)：在图7(a)中，示出了由本申请人生产的纸币样本“JulesVerne”。相比于用作基线的db2-小波，图7(b)-图7(f)的图像表示不同小波特征生成器的结果。所有的值以％表示。浅灰色的子图像针对凹版印刷进行分析。无百分比值表示db2-小波的分离能力(0％的改进)。百分比值示出与某个小波类型相关的对每个子图像的改进。图7(b)：rbio3.1，图7(c)：db4，图7(d)：rbio5.5，图7(e)：sym5，图7(f)：coif2。子图像j的计数开始于行方向的左上边缘。

图8(a)-图8(c)：图8(a)示出了对数据集进行的来自[4]的原始LDA训练，该数据集是相对于纸币通过相机的刚性定位而采集的。在图8(b)中，呈现了作为训练数据集的基于附加区域(参考图5)和相同照明的测试数据。在此，某些真实的对象移动得太靠近分类边界，这对应用而言是不方便的。在图8(c)中，示出了具有两种不同照明(类型A和类型B(亮度上减少了大约30％))的相同测试数据集。照明A和B的分布不一致。而且，某些伪造对象移动得太靠近分类边界，这对应用而言是至关重要的。如果将单个伪造对象分类为真实对象，那么会对整个应用产生负面反馈。

图9(a)-图9(c)：图9(a)示出了用一种改进的方法得到的分类边界。在图9(b)和图9(c)中，展示了与图8(a)-图8(c)中相同的数据集。在这个方法中，测试对象没有移动得靠近分类边界。而且，对于照明A和B而言，分布是一致的。所以，这里实现了针对相机的平移定位和不同照明的更高的稳定性。

表

表1：选择一维小波类型[33]用于纸币鉴别(DLP：分解低通(缩放函数)，DBP：分解带通ψ(小波))：

引用的参考文献

[1]Lohweg,V.,Gillich,E.,Schaede,J.,“Authentication of SecurityDocuments,in Particular of Banknotes”European Patent PublicationNo.EP 2000992A1,priority date of June 1^st,2006.

[2]Lohweg,V.,“Renaissance of Intaglio”,Keesing Journal of Documents&Identity,Keesing Reference Systems Publ.33,35-41(2010).

[3]Lohweg,V.and Schaede,J.,“Document Production and Verification byOptimization of Feature Platform Exploitation”,Optical DocumentSecurity-The Conference on Optical Security and CounterfeitDetection II San Francisco CA USA,1-15(2010).

[4]Lohweg,V.,H.,Gillich,E.,Hildebrand,R.,Hoffmann,J.L.,Schaede,J.,“Mobile Devices for Banknote Authentication–is itpossible？”,Optical Document Security-The Conference on OpticalSecurity and Counterfeit Detection III San Francisco CA USA,1-15(2012).

[5]Gan,T.H.,Hutchins,D.A.,Billson,D.R.,Schindel,D.W.,“Highresolution air-coupled ultrasonic imaging of thin materials”,IEEEULTRASONICS SYMPOSIUM,897-990(2002).

[6]Yang,C-N.,Chen,J-R.,Chiu,C-Y.,Wu,G-C.,Wu,C-C.,“EnhancingPrivacy and Security in RFID-Enabled Banknotes”,IEEE InternationalSymposium on Parallel and Distributed Processing with Applications,439-444(2009).

[7]Ahmadi,A.,Omatu,S.,Kosaka,T.,“Improvement of the reliability ofbank note classifier machines”,Proc.IEEE International JointConference on Neural Networks 2doi:10.1109/IJCNN.2004.1380134,1313-1316(2004).

[8]Omatu,S.,Yoshioka,M.,Kosaka,Y.,“Bank note classification usingneural networks”,IEEE Conference on Emerging Technologies andFactory Automation doi:10.1109/EFTA.2007.4416797,413-417(2007).

[9]Shan,G.,Peng,L.Jiafeng,L.,Xianglong,T.,“The design ofHMM-based banknote recognition system”,IEEE InternationalConference on Intelligent Computing and Intelligent Systems 4 doi:10.1109/ICICISYS.2009.5357719,106-110(2009).

[10]Choi,E.,Lee,J.,Yoon,J.,“Feature Extraction for Bank NoteClassification Using Wavelet Transform”,18th InternationalConference on Pattern Recognition 2 doi:10.1109/ICPR.2006.553,934-937(2006).

[11]Ahangaryan,F.P.,Mohammadpour,T.,Kianisarkaleh,A.,“PersianBanknote Recognition Using Wavelet and Neural Network”,International Conference on Computer Science and ElectronicsEngineering(ICCSEE)3 doi:10.1109/ICCSEE.2012.294,679-684(2012).

[12]Glock,S.,Gillich,E.,Schaede,J.,Lohweg V.,“Feature ExtractionAlgorithm for Banknote Textures based on Incomplete Shift InvariantWavelet Packet Transform”,Proceedings of the 31st DAGMSymposium on Pattern Recognition,Lecture Notes on ComputerScience 5748,422-431(2009).

[13]Bezboruah,T.,“Mobile computing:the emerging technology,sensing,challenges and applications”,Preprint,2010.http://users.ictp.it/～pub_off/preprints-sources/2010/IC2010102P.pdf

[14]Pettey,C.and van der Meulen,R.,“Gartner Says Worldwide Sales ofMobile Phones Declined 3 Percent in Third Quarter of 2012；Smartphone Sales Increased 47 Percent)”,Press release of November14^th,2012.http://www.gartner.com/it/page.jsp？id＝2237315

[15]Apple,“iPhone features”,2012.https://www.apple.com/iphone/features/

[16]Samsung,“Galaxy Note N7000”,2012.http://www.samsung.com

[17]AnTuTu,“Benchmark-Tool Antutu”,2012.http://www.Antutu.com/

[18]SunSpider,“Benchmark-Tool SunSpider 0.9.1”,2012.http://www.webkit.org/perf/sunspider/sunspider.html

[19]de Heij,H.A.M.,“Public Feedback for better Banknotes Design 2”,DNB Occasional Studies 5(2),De Nederlandsche Bank NV,(2007).

[20]Fake Currency Doctors,“Banknote Authentication”,2012.http://voicendata.ciol.com/content/service_provider/110020318.asp

[21]Illés,L.,“iValuta”,2012.http://itunes.apple.com/us/app/ivaluta/id327705750？mt＝8

[22]Macsoftex,“All Dollars”,2012.http://itunes.apple.com/tw/app/all-dollars/id341552027？mt＝8

[23]Daubechies,I.,[Ten Lectures on Wavelets],CBMS-NSF RegionalConference Series in Applied Mathematics 61 SIAM(Society forIndustrial and Applied Mathematics),Philadelphia,1992.

[24]Burrus,S.C.,Gopinath,R.A.,Guo,H.,[Introduction to Wavelets andWavelet Transforms:A Primer],Prentice-Hall,Upper Saddle River,1998.

[25]Walnut,D.F.,[An Introduction to Wavelet Analysis],Boston,2004.

[26]Mallat,S.G.,“A Theory for Multiresolution Signal Decomposition:TheWavelet Representation”,IEEE Transactions on Pattern Analysis andMachine Intelligence 11(7),674-693(1989).

[27]Pesquet,J.C.,Krim,H.,Carfantan,H.,“Time-invariant orthonormalWavelet representations”,IEEE transactions on signal processing 8,1964-1970(1996).

[28]Fowler,J.E.,“The redundant discrete Wavelet transform and additivenoise”,IEEE Signal Processing Letters 9,629-632,(2005).

[29]Gillich,E.,Lohweg,V.,“Banknote Authentication”,1.JahreskolloquiumBildverarbeitung in der Automation ISBN 978-3-9814062-0-7 InstituteIndustrial IT,1-8(2010).

[30]Hogg,R.V.and Craig,A.T.,[Introduction to Mathematical Statistics],Macmillan New York,Sec.3.3(1978).

[31]Whittaker,E.T.and Watson,G.N.,[The Gamma function],CambridgeUniversity Press,235–264(1996).

[32]Chambers,R.L.,Steel,D.G.,Wang,S.,[Maximum LikelihoodEstimation for Sample Surveys],CRC Press Boca Raton,(2012).

[33]Wasilewski,F.,“PyWavelets,”2008-2012.http://Wavelets.pybytes.com

[34]Horn,R.A.and C.A.Johnson,[Matrix Analysis],Cambridge UniversityPress,176–180(1985).

Claims (14)

1.一种基于对通过凹版印刷所生产的安全文件的本质特征的分析鉴别安全文件尤其是纸币的方法，该分析涉及基于小波分解待鉴别的一个候选文件的至少一部分的一个或多个样本图像，通过对每个样本图像执行小波变换而数字化地处理该样本图像，以便导出一组分类特征(σ²，E，C，…)，从而允许在一个多维特征空间(f)内对该候选文件进行分类，

其特征在于，该方法基于一种自适应小波方法，该自适应小波方法包括以下步骤：

-在进行该小波变换之前，定义包含在这些安全文件上所发现的不同凹版线结构的局部信息的一个归类图(C-map)；

-基于该归类图(C-map)在一个小波类型池中进行小波选择；以及

-基于所选择的小波进行该样本图像的该小波变换。

2.根据权利要求1所述的方法，其中，定义该归类图(C-map)的步骤包括定义每个给定的凹版线结构的一个统计模型。

3.根据权利要求2所述的方法，其中，该统计模型由至少一个参数(k；k_H,w，k_H,d，k_V,w，k_V,d)组成，该参数表征表示每个给定的凹版线结构的至少一个直方图。

4.根据权利要求3所述的方法，其中，该至少一个参数是描述相应直方图的形状的一个形状参数(k；k_H,w，k_H,d，k_V,w，k_V,d)。

5.根据权利要求3或4所述的方法，其中，该至少一个参数(k；k_H,w，k_H,d，k_V,w，k_V,d)是基于一种最大似然估计(MLE)方法所确定的。

6.根据权利要求3至5中任一项所述的方法，其中，该统计模型从每个给定的凹版线结构内的一个线宽(w)和一个线距(d)的测量中建立。

7.根据权利要求6所述的方法，其中，该统计模型包括一个四元组参数(k_H,w，k_H,d，k_V,w，k_V,d)，该四元组参数表征表示每个给定的凹版线结构的四个直方图，该四个直方图分别描述水平方向(H)上线宽(w)的统计分布的一个直方图、水平方向(H)上线距(d)的统计分布的一个直方图、竖直方向(V)上线宽(w)的统计分布的一个直方图、以及竖直方向(V)上线距(d)的统计分布的一个直方图。

8.根据前述权利要求中任一项所述的方法，其中，该小波类型池包括一个基线小波，该基线小波用作该小波选择的基线。

9.根据权利要求8所述的方法，其中，该基线小波是db2-小波。

10.根据权利要求8或9所述的方法，其中，如果对于一个给定的凹版线结构在该特征空间(f)中另一种小波类型的分离能力(Σ_τ)好于该基线小波，则由该另一种小波类型替代该基线小波。

11.根据前述权利要求中任一项所述的方法，其中，该组分类特征包括描述从该小波变换产生的小波系数的统计分布的统计矩或直方图。

12.根据权利要求11所述的方法，其中，该组分类特征包括方差(σ²)、偏斜度(E)以及超量(C)。

13.根据前述权利要求中任一项所述的方法应用在一种移动装置环境中，尤其是应用在一个智能电话中。

14.一种移动装置，尤其是一种智能电话，包括一个图像处理单元，对该图像处理单元进行编程以执行根据前述权利要求中任一项所述的方法。