CN105184225A - 一种多国纸币图像识别方法和装置 - Google Patents
一种多国纸币图像识别方法和装置 Download PDFInfo
- Publication number
- CN105184225A CN105184225A CN201510488931.5A CN201510488931A CN105184225A CN 105184225 A CN105184225 A CN 105184225A CN 201510488931 A CN201510488931 A CN 201510488931A CN 105184225 A CN105184225 A CN 105184225A
- Authority
- CN
- China
- Prior art keywords
- banknote image
- feature
- image
- identified
- multinational
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000004364 calculation method Methods 0.000 claims abstract description 18
- 239000000284 extract Substances 0.000 claims abstract description 13
- 238000000605 extraction Methods 0.000 claims description 19
- 230000009466 transformation Effects 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000008878 coupling Effects 0.000 claims description 5
- 238000010168 coupling process Methods 0.000 claims description 5
- 238000005859 coupling reaction Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 claims 6
- 108010001267 Protein Subunits Proteins 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 21
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000007781 pre-processing Methods 0.000 abstract 3
- 235000013350 formula milk Nutrition 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000003708 edge detection Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 239000000203 mixture Substances 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003702 image correction Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000013316 zoning Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/94—Hardware or software architectures specially adapted for image or video understanding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Abstract
本发明适用于纸币模式识别技术领域,提供了一种多国纸币图像识别方法和装置,所述方法包括:采集待识别纸币图像;对所述待识别纸币图像进行图像预处理,得到与预设尺寸范围相同的预处理纸币图像;从所述预处理纸币图像提取通过加减运算即可被处理的特征;将所述提取的特征与特征模板进行特征对比,按照多级分类识别规则输出纸币识别结果,所述特征模板为对多国纸币进行识别,提取能唯一表征所述多国纸币的特征信息后保存的模板。通过本发明,可有效提高多国纸币识别过程中的识别速度、准确率和自动化程度。
Description
技术领域
本发明涉及纸币模式识别技术领域,尤其涉及一种多国纸币图像识别方法和装置。
背景技术
当前支持多国货币处理的金融机具设备已成为一种发展趋势,基于数字图像处理的货币识别技术也得到广泛应用。
在此类支持多国货币处理的金融机具中,当处理不同国家的币种时,往往需要人工设置当前待处理的货币类别,自动化程度低;目前基于数字图像处理的货币识别技术,通常采用的识别算法计算复杂,时间复杂度高,尤其是当货币种类增加时,货币识别时间会呈指数级别增加,往往需要功能强大的硬件平台,才能满足识别算法运算能力的需求;通常的纸币模式识别方式由于待识别的模式比较多,且纸币流通过程中可能存在磨损,使得多数纸币图像识别方法的准确率不能满足高指标的需求。
发明内容
本发明的目的在于提供一种多国纸币图像识别方法和装置,以提高多国纸币识别过程中的识别速度、准确率和自动化程度。
本发明实施例的第一方面,提供一种多国纸币图像识别方法,包括:
采集待识别纸币图像;
对所述待识别纸币图像进行图像预处理,得到与预设尺寸范围相同的预处理纸币图像;
从所述预处理纸币图像提取通过加减运算即可被处理的特征;
将所述提取的特征与特征模板进行特征对比,按照多级分类识别规则输出纸币识别结果,所述特征模板为对多国纸币进行识别,提取能唯一表征所述多国纸币的特征信息后保存的模板。
本发明实施例的第二方面,提供了一种多国纸币图像识别装置,包括:
图像采集模块,用于采集待识别纸币图像;
预处理模块,用于对所述待识别纸币图像进行图像预处理,得到与预设尺寸范围相同的预处理纸币图像;
特征提取模块,用于从所述预处理纸币图像提取通过加减运算即可被处理的特征;
识别模块,用于将所述特征提取模块提取的特征与特征模板进行特征对比,按照多级分类识别规则输出纸币识别结果,所述特征模板为对多国纸币进行识别,提取能唯一表征所述多国纸币的特征信息后保存的模板。
从上述本发明提供的技术方案可知,一方面,在对预处理后的纸币图像提取特征时,是从所述预处理纸币图像提取通过加减运算即可被处理的特征,提取特征后的识别过程,通过简单的加减运算算法即可完成,因此,运算速度加快,识别的时间缩短,当需要识别的纸币种类增加时,识别时间也只是线性增加,与现有技术相比,提高了多国纸币识别时的识别速度和效率;另一方面,按照多级分类识别规则进行纸币图像识别,与现有技术相比,提高了在多国纸币识别过程中识别的准确性,也提高了识别的自动化程度。
附图说明
图1是本发明实施例提供的多国纸币图像识别方法的总体流程图;
图2是本发明实施例提供的多国纸币图像识别方法中图像预处理的流程图;
图3是本发明实施例提供的多国纸币图像识别方法中菱形模板法的原理示意图;
图4是本发明实施例提供的多国纸币图像识别方法中采用双线性插值进行图像校正的流程图;
图5是本发明实施例提供的多国纸币图像识别方法中采用小波变换进行特征提取的流程图;
图6是本发明实施例提供的多国纸币图像识别方法中特征对比的流程图;
图7是本发明实施例提供的多国纸币图像识别装置的组成示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
为了说明本发明的技术方案,下面通过具体实施例来进行说明。
图1示出了本发明实施例提供的多国纸币图像识别方法的总体流程,具体包括步骤S101至S104,详述如下:
S101、采集待识别纸币图像。
优选地,可通过接触式图像传感器得到待识别纸币的多光源图像。
S102、对步骤S101采集的待识别纸币图像进行图像预处理,得到与预设尺寸范围相同的预处理纸币图像。
图像预处理的目的是为了对采集到的待识别纸币图像进行去噪,并且将待识别纸币缩放到统一的尺寸范围,以方便后续的特征对比操作。
图2示出了对步骤S101采集的待识别纸币图像进行图像预处理的流程,具体包括步骤S201至S203,详述如下:
S201、查找待识别纸币图像确定的边缘点集合。
作为一种优选的方式,待识别纸币图像确定的边缘点集合可以采用如下步骤a1至a3实现:
a1、通过固定阈值法查找候选边缘点集合。
优选地,对待识别纸币图像的水平上、水平下、垂直左和垂直右四条边分别设置一个候选边缘点集合,沿着水平和垂直方向扫描待识别纸币图像,将检测到的亮度大于边缘检测阈值的像素点作为候选边缘点,将其坐标记录到所在边的候选边缘点集合中。边缘检测阈值的设置方式为:将统计得到的背景图像区域的亮度均值增加一个固定台阶,作为边缘检测阈值。固定台阶可根据经验值设置。
进一步地,为提高运算速度,可采用二分法将待识别纸币图像划分成不同的区域,逐个区域继续采用二分法检查可能存在边缘点的区域。
a2、使用菱形模板法筛选候选边缘点集合。
优选地,对得到的水平上、水平下、垂直左、垂直右四个候选边缘点集合,分别使用菱形模板法对其进行筛选。
图3示出了菱形模板法的原理。具体如下:
以像素点为单位设定菱形模板的大小,以候选边缘点集合中的每个像素点作为菱形模板的中心点,依次对菱形模板中除中心点之外的每个像素点进行判断,当其亮度大于边缘检测阈值时,则记为1,否则记为0,根据1的个数判断中心点的位置,当中心点越靠近图像内部,则1的个数越多,菱形模板与图像重叠面积越大,当中心点距离图像边缘越远,则1的个数越少,菱形模板与图像重叠面积越小。
a3、去除斜率偏差超过指定偏差阈值的异常点得到确定的边缘点集合。
优选地,在筛选出的候选边缘点集合中去除斜率超过指定偏差阈值的异常点,可采用中值滤波法,得到确定的边缘点集合。
S202、对步骤S201查找到的确定的边缘点集合进行四边拟合,准确定位出待识别纸币图像的顶点和中心点位置。
优选地,采用最小二乘法,拟合出四边直线方程。
假设四条边的直线方程为y=ax+b,则采用如下公式逐个对每条边的边缘点集合拟合出直线方程的参数a和b。
其中,n为一条边的边缘点集合元素个数;(xi,yi)为一条边的边缘点集合元素的坐标。
对得到的四条直线方程,按四条边的交叉点两两组成方程组,方程组的解即为直线的交点坐标,也即为图像的顶点位置。
对图像的四个顶点坐标按照对角线分组,建立直线方程,此两直线方程组成的方程组的解即为图像对角线的交叉点坐标,也即为图像中心点位置。
S203、对步骤S202定位出顶点和中心点位置的待识别纸币图像进行归一化处理,使其处于水平方向并缩放至与所述预设尺寸范围相同的尺寸范围。
优选地,在图像采集时,由于纸币放置的随意性可能导致纸币图像倾斜,需要将纸币图像旋转到水平方向。图像倾斜角度的计算方法为:利用图像上横向分布的固定的两个点,计算这两个点的纵向差值,将此差值换算成图像的倾斜角度。
图像旋转后需要计算原图和旋转后图像的像素点对应关系。假设图像未旋转时的中心点坐标为(a,b)、旋转后的图像中心坐标为(c,d)、旋转角度为θ、旋转前图像的像素点坐标为(x0,y0),旋转后对应的图像像素点坐标为(x1,y1),则旋转变换公式如下:
对旋转后图像的失真需要进行图像校正处理。
图4示出了采用双线性插值的方法对旋转后的图像进行图像校正的流程。具体如下:
根据原图像中像素点的位置进行不同的插值计算:对原图像顶点直接取该点像素值;对原图像的边缘点计算一次一阶差值;对原图像的其他点计算三次一阶差值;将计算得到的结果填充到新图像的像素点数组中。
双线性插值计算方法如下:
假设四个最邻近像素点坐标分别为(0,0)、(0,1)、(1,0)和(1,1),则对原图像像素点(x,y)双线性插值公式包括b1至b3,具体说明如下:
b1、通过一阶线性插值得出f(x,0)=[f(1,0)-f(0,0)]x+f(0,0);
b2、对f(x,0)进行一阶线性插值得到:f(x,1)=[f(1,1)-f(0,1)]x+f(0,1);
b3、对垂直方向进行一阶线性插值得到:f(x,y)=[f(x,1)-f(x,0)]y+f(x,0)。
完成图像校正处理后,再将图像缩放至与预设尺寸范围相同的尺寸范围,得到预处理纸币图像。具体方法如下:
假设原图像在水平方向的缩放比例Sx,在垂直方向上的缩放比例Sy,根据原图像的像素点坐标(x0,y0),采用如下变换公式得到缩放后图像的像素点坐标(x1,y1):
S103、从步骤S102得到的预处理纸币图像提取通过加减运算即可被处理的特征。
优选地,为了使特征能更加准确地描述预处理纸币图像,将预处理纸币图像划分多个区域进行特征提取,可以按16×16、32×32、64×64等不同规格划分区域。可以通过对采集到的预处理纸币图像进行计算机仿真得到不同分块方式的识别率,根据不同分块方式的识别率对比来选择区域划分的大小。
本发明实施例以每个分块大小为16×16像素点为例说明特征提取的方法。
图5示出了采用小波变换进行特征提取的流程。对每个区域进行小波变换处理,提取小波变换后的前四个系数作为本区域的特征值,按编码规则对所有区域的特征值编码。具体如下:
Haar小波三层变换合并后的16×16系数矩阵H如下:
假设矩阵I为16×16像素点分块图像,则对矩阵I进行Haar小波三层变换的矩阵计算公式为:
W(3)=HTIH
计算得到的W(3),系数分布如下:
舍弃其水平系数、垂直系数和对角系数,只取其低频系数LL3部分的四个系数W(3)0,0、W(3)0,1、W(3)1,0、W(3)1,1作为此分块图像的特征值。
计算W(3)0,0、W(3)0,1、W(3)1,0、W(3)1,1的均值,并将W(3)0,0、W(3)0,1、W(3)1,0、W(3)1,1逐一与均值比较,大于均值的标记为1,小于均值的标记为0,作为此分块的特征值编码。
对每一个分块均执行上述相同的操作后,将所有分块的特征值编码按照二进制位拼接成图像的特征。举例说明如下:
假设预处理纸币图像被分为B1、B2、B3、B4四个分块,分块B1的特征值编码为1001,分块B2的特征值编码为1100,分块B3的特征值编码为0110,分块B4的特征值编码为0011,则将B1、B2、B3、B4四个分块的特征值编码按照二进制位拼接后的图像的特征为1001110001100011。
至此,图像特征完全通过一串二进制数来表示,使得对特征的计算,例如,将从预处理纸币图像提取的特征与特征模板进行特征对比等可以采用加减运算完成,从而提高运算速度。
S104、将步骤S103提取的特征与特征模板进行特征对比,按照多级分类识别规则输出纸币识别结果。
优选地,在提取出待识别纸币图像的特征后,将其与特征模板按照多级分类识别规则进行特征对比,第一级识别为全局特征对比,第二级及其之后的各级识别为局部特征对比。
图6示出了将步骤S103提取的特征与特征模板进行特征对比的流程,具体包括步骤S501至S503,详述如下:
S501、对待识别纸币图像的特征与特征模板进行全局特征对比,并将对比结果记录到粗分类识别评分数组中。
需要说明的是,在本发明实施例中,特征模板为对多国纸币进行识别,提取能唯一表征所述多国纸币的特征信息后保存的模板,其特征信息的提取可以是采用与待识别纸币的特征提取即前述实施例的步骤S101至S103相同的处理过程而得到,也可以是以其他方式得到,只要在对待识别纸币进行识别时,这些特征信息方便用于对比即可,本发明对特征模板包含的特征信息的提取不做具体限制。
优选地,采用汉明距离计算来实现待识别纸币图像的特征与特征模板的全局特征对比。如前所述,由于从预处理纸币图像提取的特征所提取的特征是可以进行加减运算的二进制串,因此可以利用汉明距离的异或算法,实现快速的实时识别;同时,由于每次匹配计算的最大运算时间是固定的,因此当需要识别的纸币种类增加时,识别时间也只是线性增加。
将待识别纸币图像划分为多个子图区域,定义特征模板在子图区域的汉明距离公式为:
其中,T表示所述特征模板,S表述所述提取的特征,D表示所述汉明距离,所述子图区域矩阵大小为(m×n),所述子图区域坐标为(i,j)。
全局特征对比的具体过程包括步骤c1至c3,详述如下:
c1、计算每一种纸币样本的特征模板在子图区域的汉明距离,取最小汉明距离作为该子图区域的差异值;
c2、逐个对每一个子图区域执行c1,并将差异值累加到对应纸币样本的差异值中,当累加后的差异值大于差异值阈值则放弃该纸币样本;
c3、对筛选出来的纸币样本的累加差异值按递增或递减的顺序进行排序,并输出到粗分类识别评分数组中。如果粗分类识别评分数组中只有一个识别结果,则表示已经识别出纸币图像类别,识别过程结束。
S502、针对粗分类识别评分数组中记录的纸币样本的图案特征,选择特定的图像区域作为局部特征模板,并规定局部特征模板对应的局部特征识别算法。
局部特征识别算法可采用全局特征对比的算法,或者,可以采用快速投影匹配方式实现。
S503、根据选定的局部特征识别算法进行局部特征对比,并将对比结果记录到细分类识别评分数组中。
采用快速投影匹配方式进行局部特征对比的具体过程包括步骤d1至d6,详述如下:
d1、将待识别纸币的图像和局部特征模板分别在水平方向和垂直方向上投影;
d2、在水平方向逐个移动局部特征模板的投影,并计算其与待识别纸币图像水平投影的误差绝对值;
d3、取最小绝对误差匹配的位置,获取对应垂直方向投影的匹配位置,在此匹配位置附近窗口内移动局部特征模板的垂直投影,计算其与待识别纸币图像垂直投影的误差绝对值,在移动过程中,逐点累加误差绝对值,当误差绝对值大于指定的误差阈值时,继续移动到下一个点,否则停止匹配;
d4、记录匹配结束时的最小误差;
d5、将最佳匹配位置计算得到的最小误差,作为匹配计算的评分值;
d6、将待识别纸币图像与需要对比的局部特征模板,逐个进行上述d1至d5的局部特征对比计算,将计算结果排序输出到细分类评分数组中。
S504、当细分类识别评分数组中记录的识别结果满足小于指定阈值的条件则识别成功,否则识别失败。
下面对用于执行上述多国纸币图像识别方法的本发明实施例的多国纸币图像识别装置进行说明。
图7示出了本发明实施例提供的多国纸币图像识别装置的组成结构。包括:
图像采集模块100,用于采集带识别纸币图像;
预处理模块200,用于对待识别纸币图像进行图像预处理,得到与预设尺寸范围相同的预处理纸币图像;
特征提取模块300,用于从预处理纸币图像提取通过加减运算即可被处理的特征;
识别模块400,用于将特征提取模块提取的特征与特征模板进行特征对比,按照多级分类识别规则输出纸币识别结果。
进一步地,如图7所示,预处理模块200包括:
边缘点集合查找单元210,用于查找待识别纸币图像确定的边缘点集合;
四边拟合单元220,用于对边缘点集合进行四边拟合,准确定位出待识别纸币图像的顶点和中心点位置;
图像归一化单元230,用于对已定位出顶点和中心点位置的待识别纸币图像进行归一化处理,使其处于水平方向并缩放至与尺寸范围相同的尺寸范围。
进一步地,如图7所示,边缘点集合查找单元210包括:
候选边缘点查找子单元211,用于通过固定阈值法查找候选边缘点集合;
候选边缘点筛选子单元212,用于使用菱形模板法筛选出候选边缘点集合;
边缘点集合确定子单元213,用于去除斜率偏差超过指定偏差阈值的异常点得到确定的边缘点集合。
进一步地,如图7所示,特征提取模块300包括:
小波变换单元301,用于将完成预处理的纸币图像分成若干区域进行小波变换,并提取小波变换后的低频系数作为每一个区域的特征值;
特征编码单元302,用于对每一个区域的特征值按照编码规则进行编码得到特征值编码,并将所有区域的特征值编码按照二进制位拼接成提取的特征,其编码规则为:将每个低频系数与所有低频系数的均值进行比较,大于均值则标记为1,否则标记为0。
进一步地,如图7所示,识别模块400包括:
全局特征对比单元410,用于对特征提取模块提取的特征与特征模板进行全局特征对比,并将对比结果记录到粗分类识别评分数组中;
局部特征对比单元420,用于针对粗分类识别评分数组中记录的纸币图案特征,选择特定的图像区域作为局部特征模板进行局部特征对比,并将对比结果记录到细分类识别评分数组中;
结果输出单元430,用于判断当细分类识别评分数组中记录的识别结果满足小于指定阈值的条件时,则识别成功,否则识别失败。
进一步地,如图7所示,全局特征对比单元410包括:
最小汉明距离计算子单元411,用于计算特征模板在已提取特征的待识别纸币图像的每个子图区域的最小汉明距离;
差异值判断子单元412,用于对所有子图区域的差异值进行累加得到差异总值,将差异总值小于预设的差异值阈值的特征模板按照所述差异总值进行排序,并输出到粗分类识别评分数组中
进一步地,如图7所示,局部特征对比单元420包括:
局部特征选择子单元421,用于根据粗分类识别评分数组中记录的纸币图案特征,选择特定的图像区域作为局部特征模板,并选择进行局部特征对比的方式;
快速投影匹配子单元422,用于根据预处理纸币图像和局部特征模板分别在水平方向投影和垂直方向投影的最小绝对误差,找到最佳匹配位置,并将最佳匹配位置的最小误差作为匹配计算的评分值,记录到细分类评分数组中。
本领域普通技术人员可以理解为该多国纸币图像识别装置实施例所包括的各个单元、模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
以上对本发明实施例所提供的多国纸币图像识别方法和装置进行了详细介绍。本发明实施例首先采集待识别纸币图像,对待识别纸币图像进行图像预处理,得到与预设尺寸范围相同的预处理纸币图像,然后从预处理纸币图像提取通过加减运算即可被处理的特征,并将提取的特征与特征模板进行特征对比,按照多级分类识别规则输出纸币识别结果,通过本发明实施例,可以有效提高多国纸币识别过程中的识别速度、准确率和自动化程度。
本领域普通技术人员还可以理解,实现上述各实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,相应的程序可以存储于一计算机可读取存储介质中,所述的存储介质,如ROM/RAM、磁盘或光盘等。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (14)
1.一种多国纸币图像识别方法,其特征在于,包括:
采集待识别纸币图像;
对所述待识别纸币图像进行图像预处理,得到与预设尺寸范围相同的预处理纸币图像;
从所述预处理纸币图像提取通过加减运算即可被处理的特征;
将所述提取的特征与特征模板进行特征对比,按照多级分类识别规则输出纸币识别结果,所述特征模板为对多国纸币进行识别,提取能唯一表征所述多国纸币的特征信息后保存的模板。
2.根据权利要求1所述的多国纸币图像识别方法,其特征在于,
所述对所述待识别纸币图像进行图像预处理包括:
查找所述待识别纸币图像确定的边缘点集合;
对所述边缘点集合进行四边拟合,准确定位出所述待识别纸币图像的顶点和中心点位置;
对所述已定位出顶点和中心点位置的待识别纸币图像进行归一化处理,使所述已定位出顶点和中心点位置的待识别纸币图像处于水平方向并缩放至与所述预设尺寸范围相同的尺寸范围。
3.根据权利要求1所述的多国纸币图像识别方法,其特征在于,
所述从所述预处理纸币图像提取通过加减运算即可被处理的特征,包括:
对所述预处理纸币图像分成若干区域进行小波变换,并提取所述小波变换后的低频系数作为每一个区域的特征值;
对所述特征值按照编码规则进行编码得到特征值编码,所述编码规则为:将每个低频系数与所有低频系数的均值进行比较,大于均值则标记为1,否则标记为0;
将所述预处理纸币图像的所有所述特征值编码按照二进制位拼接成提取的特征。
4.根据权利要求1所述的多国纸币图像识别方法,其特征在于,
所述多级分类识别规则为:第一级识别为全局特征对比,第二级识别及其之后的各级识别为局部特征对比;
所述将所述提取的特征与特征模板进行特征对比,按照多级分类识别规则输出纸币识别结果,包括:
对所述提取的特征与所述特征模板进行所述全局特征对比,并将对比结果记录到粗分类识别评分数组中;
针对所述粗分类识别评分数组中记录的纸币图案特征,选择特定的图像区域作为局部特征模板进行所述局部特征对比,并将对比结果记录到细分类识别评分数组中;
当所述细分类识别评分数组中记录的识别结果满足小于指定阈值的条件则识别成功,否则识别失败。
5.根据权利要求4所述的多国纸币图像识别方法,其特征在于,
所述对所述提取的特征与所述特征模板进行所述全局特征对比,并将对比结果记录到粗分类识别评分数组中,包括:
将所述已提取特征的待识别纸币图像划分为多个子图区域,定义所述特征模板在所述子图区域的汉明距离公式为:
其中,T表示所述特征模板,S表述所述提取的特征,D表示所述汉明距离,所述子图区域矩阵大小为(m×n),所述子图区域坐标为(i,j);
取所述特征模板在所述子图区域的最小汉明距离作为所述子图区域的差异值,对所有子图区域的差异值进行累加得到差异总值,将所述差异总值小于预设的差异值阈值的特征模板按照所述差异总值进行排序,并输出到粗分类识别评分数组中。
6.根据权利要求4所述的多国纸币图像识别方法,其特征在于,
所述局部特征对比采用与所述全局特征对比类似的方式实现,或者,所述局部特征对比采用快速投影匹配方式实现;
所述快速投影匹配包括:
根据所述预处理纸币图像和所述局部特征模板在水平方向投影的最小绝对误差值,获取对应垂直方向的匹配位置;
在所述匹配位置的附近窗口,根据所述预处理纸币图像和所述局部特征模板的垂直投影的最小绝对误差,找到最佳匹配位置;
将所述最佳匹配位置的最小误差作为匹配计算的评分值,记录到细分类评分数组中。
7.根据权利要求2所述的多国纸币图像识别方法,其特征在于,
所述查找所述待识别纸币图像确定的边缘点集合,包括:
通过固定阈值法查找候选边缘点集合;
使用菱形模板法筛选候选边缘点集合;
去除斜率偏差超过指定偏差阈值的异常点得到确定的边缘点集合;
所述固定阈值法包括:将统计得到的背景图像区域的亮度均值增加一个固定台阶,作为固定的检测阈值,对检测到的亮度大于所述检测阈值的像素点,记录在所述候选边缘点集合;
所述菱形模板法包括:以所述候选边缘点集合中的像素点为菱形模板的中心,通过所述菱形模板除中心点外的其他像素点的亮度与所述检测阈值的偏差判断所述中心点的位置,当所述中心点越靠近所述待识别纸币图像内部则所述菱形模板与所述待识别纸币图像重叠的面积越大,反之重叠的面积越小;
所述对所述已定位出顶点和中心点位置的待识别纸币图像进行归一化处理,包括采用双线性插值算法的方式实现。
8.一种多国纸币图像识别装置,其特征在于,所述装置包括:
图像采集模块,用于采集待识别纸币图像;
预处理模块,用于对所述待识别纸币图像进行图像预处理,得到与预设尺寸范围相同的预处理纸币图像;
特征提取模块,用于从所述预处理纸币图像提取通过加减运算即可被处理的特征;
识别模块,用于将所述特征提取模块提取的特征与特征模板进行特征对比,按照多级分类识别规则输出纸币识别结果,所述特征模板为对多国纸币进行识别,提取能唯一表征所述多国纸币的特征信息后保存的模板。
9.根据权利要求8所述的多国纸币图像识别装置,其特征在于,
所述预处理模块包括:
边缘点集合查找单元,用于查找所述待识别纸币图像确定的边缘点集合;
四边拟合单元,用于对所述边缘点集合进行四边拟合,准确定位出所述待识别纸币图像的顶点和中心点位置;
图像归一化单元,用于对所述已定位出顶点和中心点位置的待识别纸币图像进行归一化处理,使所述已定位出顶点和中心点位置的待识别纸币图像处于水平方向并缩放至与所述预设尺寸范围相同的尺寸范围。
10.根据权利要求8所述的多国纸币图像识别装置,其特征在于,
所述特征提取模块包括:
小波变换单元,用于对所述预处理纸币图像分成若干区域进行小波变换,并提取所述小波变换后的低频系数作为每一个区域的特征值;
特征编码单元,用于对所述特征值按照编码规则进行编码得到特征值编码,并将所述预处理纸币图像的所有所述特征值编码按照二进制位拼接成提取的特征,所述编码规则为:将每个低频系数与所有低频系数的均值进行比较,大于均值则标记为1,否则标记为0。
11.根据权利要求8所述的多国纸币图像识别装置,其特征在于,
所述识别模块包括:
全局特征对比单元,用于对所述特征提取模块提取的特征与所述特征模板进行全局特征对比,并将对比结果记录到粗分类识别评分数组中;
局部特征对比单元,用于针对所述粗分类识别评分数组中记录的纸币图案特征,选择特定的图像区域作为局部特征模板进行所述局部特征对比,并将对比结果记录到细分类识别评分数组中;
结果输出单元,用于判断当所述细分类识别评分数组中记录的识别结果满足小于指定阈值的条件时,则识别成功,否则识别失败。
12.根据权利要求11所述的多国纸币图像识别装置,其特征在于,
所述全局特征对比单元包括:
最小汉明距离计算子单元,用于计算所述特征模板在所述已提取特征的待识别纸币图像的每个子图区域的最小汉明距离;
差异值判断子单元,用于对所有所述子图区域的差异值进行累加得到差异总值,将所述差异总值小于预设的差异值阈值的特征模板按照所述差异总值进行排序,并输出到粗分类识别评分数组中。
13.根据权利要求11所述的多国纸币图像识别装置,其特征在于,
所述局部特征对比单元包括:
局部特征选择子单元,用于根据所述粗分类识别评分数组中记录的纸币图案特征,选择特定的图像区域作为局部特征模板,并选择进行所述局部特征对比的方式;
快速投影匹配子单元,用于根据所述预处理纸币图像和所述局部特征模板分别在水平方向投影和垂直方向投影的最小绝对误差,找到最佳匹配位置,并将所述最佳匹配位置的最小误差作为匹配计算的评分值,记录到细分类评分数组中。
14.根据权利要求9所述的多国纸币图像识别装置,其特征在于,
边缘点集合查找单元包括:
候选边缘点查找子单元,用于通过固定阈值法查找候选边缘点集合,所述固定阈值法包括:将统计得到的背景图像区域的亮度均值增加一个固定台阶,作为固定的检测阈值,对检测到的亮度大于所述检测阈值的像素点,记录在所述候选边缘点集合;
候选边缘点筛选子单元,用于使用菱形模板法筛选候选边缘点集合,所述菱形模板法包括:以所述候选边缘点集合中的像素点为菱形模板的中心,通过所述菱形模板除中心点外的其他像素点的亮度与所述检测阈值的偏差判断所述中心点的位置,当所述中心点越靠近所述待识别纸币图像内部则所述菱形模板与所述待识别纸币图像重叠的面积越大,反之重叠的面积越小;
边缘点集合确定子单元,用于去除斜率偏差超过指定偏差阈值的异常点得到确定的边缘点集合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510488931.5A CN105184225B (zh) | 2015-08-11 | 2015-08-11 | 一种多国纸币图像识别方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510488931.5A CN105184225B (zh) | 2015-08-11 | 2015-08-11 | 一种多国纸币图像识别方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105184225A true CN105184225A (zh) | 2015-12-23 |
CN105184225B CN105184225B (zh) | 2018-12-14 |
Family
ID=54906294
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510488931.5A Active CN105184225B (zh) | 2015-08-11 | 2015-08-11 | 一种多国纸币图像识别方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105184225B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105760817A (zh) * | 2016-01-28 | 2016-07-13 | 深圳泰首智能技术有限公司 | 用人脸识别认证解锁加密存储空间的方法及装置 |
CN106096527A (zh) * | 2016-06-03 | 2016-11-09 | 浙江大学 | 一种实时高精度在线纸币面值的识别方法 |
CN106447905A (zh) * | 2016-09-12 | 2017-02-22 | 深圳怡化电脑股份有限公司 | 一种纸币币种识别方法与装置 |
WO2018145246A1 (zh) * | 2017-02-07 | 2018-08-16 | 深圳前海达闼云端智能科技有限公司 | 一种导盲系统 |
CN108830279A (zh) * | 2018-04-03 | 2018-11-16 | 南昌奇眸科技有限公司 | 一种图像特征提取与匹配方法 |
CN110059520A (zh) * | 2018-01-18 | 2019-07-26 | 北京京东金融科技控股有限公司 | 虹膜特征提取的方法、装置及虹膜识别系统 |
CN110276353A (zh) * | 2019-05-09 | 2019-09-24 | 深圳怡化电脑股份有限公司 | 冠字号字符切分方法、装置、可读存储介质及终端设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102034108A (zh) * | 2010-12-06 | 2011-04-27 | 哈尔滨工业大学 | 基于多分辨网格特征配准的清分机纸币面值面向分类方法 |
WO2014029334A1 (zh) * | 2012-08-22 | 2014-02-27 | 山东新北洋信息技术股份有限公司 | 纸币鉴别方法和装置 |
CN104464079A (zh) * | 2014-12-29 | 2015-03-25 | 北京邮电大学 | 基于模板特征点及其拓扑结构的多币种面值识别方法 |
CN104616392A (zh) * | 2015-01-30 | 2015-05-13 | 华中科技大学 | 一种基于局部二值模式的纸币鉴伪方法 |
-
2015
- 2015-08-11 CN CN201510488931.5A patent/CN105184225B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102034108A (zh) * | 2010-12-06 | 2011-04-27 | 哈尔滨工业大学 | 基于多分辨网格特征配准的清分机纸币面值面向分类方法 |
WO2014029334A1 (zh) * | 2012-08-22 | 2014-02-27 | 山东新北洋信息技术股份有限公司 | 纸币鉴别方法和装置 |
CN104464079A (zh) * | 2014-12-29 | 2015-03-25 | 北京邮电大学 | 基于模板特征点及其拓扑结构的多币种面值识别方法 |
CN104616392A (zh) * | 2015-01-30 | 2015-05-13 | 华中科技大学 | 一种基于局部二值模式的纸币鉴伪方法 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105760817A (zh) * | 2016-01-28 | 2016-07-13 | 深圳泰首智能技术有限公司 | 用人脸识别认证解锁加密存储空间的方法及装置 |
CN106096527A (zh) * | 2016-06-03 | 2016-11-09 | 浙江大学 | 一种实时高精度在线纸币面值的识别方法 |
CN106096527B (zh) * | 2016-06-03 | 2019-05-21 | 浙江大学 | 一种实时高精度在线纸币面值的识别方法 |
CN106447905A (zh) * | 2016-09-12 | 2017-02-22 | 深圳怡化电脑股份有限公司 | 一种纸币币种识别方法与装置 |
WO2018145246A1 (zh) * | 2017-02-07 | 2018-08-16 | 深圳前海达闼云端智能科技有限公司 | 一种导盲系统 |
CN110059520A (zh) * | 2018-01-18 | 2019-07-26 | 北京京东金融科技控股有限公司 | 虹膜特征提取的方法、装置及虹膜识别系统 |
CN110059520B (zh) * | 2018-01-18 | 2024-04-09 | 京东科技控股股份有限公司 | 虹膜特征提取的方法、装置及虹膜识别系统 |
CN108830279A (zh) * | 2018-04-03 | 2018-11-16 | 南昌奇眸科技有限公司 | 一种图像特征提取与匹配方法 |
CN110276353A (zh) * | 2019-05-09 | 2019-09-24 | 深圳怡化电脑股份有限公司 | 冠字号字符切分方法、装置、可读存储介质及终端设备 |
CN110276353B (zh) * | 2019-05-09 | 2021-06-29 | 深圳怡化电脑股份有限公司 | 冠字号字符切分方法、装置、可读存储介质及终端设备 |
Also Published As
Publication number | Publication date |
---|---|
CN105184225B (zh) | 2018-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105184225A (zh) | 一种多国纸币图像识别方法和装置 | |
Timofte et al. | Multi-view traffic sign detection, recognition, and 3D localisation | |
CN108921166A (zh) | 基于深度神经网络的医疗票据类文本检测识别方法及系统 | |
CN108596066A (zh) | 一种基于卷积神经网络的字符识别方法 | |
CN106203377B (zh) | 一种煤粉尘图像识别方法 | |
CN109190752A (zh) | 基于深度学习的全局特征和局部特征的图像语义分割方法 | |
CN111738055B (zh) | 多类别文本检测系统和基于该系统的票据表单检测方法 | |
CN104809464A (zh) | 一种指纹信息处理方法 | |
CN104809453A (zh) | 一种基于指纹的认证方法 | |
CN107239792A (zh) | 一种基于二进制描述子的工件识别方法及装置 | |
CN113673509B (zh) | 一种基于图像文本的仪表检测分类方法 | |
CN113158895B (zh) | 票据识别方法、装置、电子设备及存储介质 | |
CN113269257A (zh) | 一种图像分类方法、装置、终端设备及存储介质 | |
CN105335760A (zh) | 一种图像数字字符识别方法 | |
CN104298947A (zh) | 一种对二维条码精确定位的方法及装置 | |
CN111242899A (zh) | 基于图像的瑕疵检测方法及计算机可读存储介质 | |
CN111523439B (zh) | 一种基于深度学习的目标检测的方法、系统、设备及介质 | |
CN113240623A (zh) | 一种路面病害检测方法及装置 | |
CN114120345A (zh) | 信息提取方法、装置、设备及存储介质 | |
CN110826551B (zh) | 一种机动车vin码拓印模图像的智能甄别方法 | |
CN110889418A (zh) | 一种气体轮廓识别方法 | |
CN105405204A (zh) | 验钞机的纸币冠字号识别方法 | |
N Kamal et al. | License plate tilt correction: a review | |
Li et al. | Automated bridge crack detection based on improving encoder–decoder network and strip pooling | |
CN113724245A (zh) | 用于pcb插件焊点缺陷检测方法、系统及其存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: 518000 floor 2, building 1, COFCO Chuangzhi plant, zone 67, Xingdong community, Xin'an street, Bao'an District, Shenzhen, Guangdong Province Patentee after: Shenzhen Beiliang Technology Co.,Ltd. Country or region after: China Address before: 518000, 12B01, Tairan Yunsong Building, Northwest of Binhe Avenue and Tairan Ninth Road, Futian District, Shenzhen City, Guangdong Province Patentee before: SHENZHEN BEILIANG TECHNOLOGY Co.,Ltd. Country or region before: China |