CN105989659B - 一种相似字符识别方法及纸币冠字码识别方法 - Google Patents

Abstract

本发明公开了一种相似字符辨别方法及纸币冠字码识别方法，并具体公开了一种对第五套人民币面值为100元纸币的冠字识别方法，该方法分别针对容易混淆的相似字符B与8，O与Q，7、J与T，2与Z，6、G与E,C与G,E与F，O与D进行分析，并运用于纸币冠字码识别中解决算法精度问题，提高了冠字码的识别率，使得冠字码识别率达到99.9%或以上。

Description

一种相似字符识别方法及纸币冠字码识别方法

技术领域

本发明涉及相似字符识别方法领域，特别涉及一种相似字符识别方法及将该方法利用到纸币冠字码识别方法。

背景技术

数字字符识别广泛地应用于车牌号码识别、人民币冠字码识别等领域，在对数字与字符进行识别时，B与8，O与Q，7、J与T，2与Z，6、G与E,C与G,E与F，O与D字符被称为相似字符，容易引起混淆，但目前在进行字符识别时却没有引起足够的重视，导致目前不论是车牌号码实时识别还是金融机构对纸币冠字码进行自动识别时，精度不高。

目前，纸币上都有一个唯一的冠字号码，它可以作为纸币的“身份证”，用于区别于其它纸币。冠字号码图像具有举证之用，对解决金融机构与客户之间因为假币产生的纠纷是非常有利的，冠字码识别技术是一种科技含量很高的技术，冠字码识别技术涉及许多科研领域，包括CIS图像传感器与图像采集技术，DSP数据处理技术，数字图像处理技术，模式识别技术等。近年来国外如美国、日本、英国、德国已经研制出各自的纸币冠字码识别模块且已经在市场上应用，国内也开始对纸币冠字码识别技术进行研究，并取得了不少研究成果，冠字码识别技术已经在国内研发的ATM机，点钞机，验钞机，清分机等金融机具上应用。对于纸币冠字码识别技术，科研机构、企业关心的是算法的性能，性能主要包括两方面，一方面是算法的效率，即算法运行的总时间：速度，一方面是算法的精度，即算法的识别率。

目前国内外有些纸币冠字码识别方法在纸币边缘检测，纸币面值面向，冠字码定位切割及冠字码识别算法的效率比较低，导致算法时间耗很长，而不得不采用性能更高的硬件作为处理平台，增加了硬件成本。算法精度方面，国内的冠字码识别算法一般采用神经网络，但没有对神经网络识别结果进一步处理，导致算法识别率偏低且难以稳定。

总之，国内外一些冠字码算法性能不高，有待于改进。

目前，冠字码识别主要包括以下步骤：首先需要获取冠字码中每个字符的图像，然后，形成每个字符的特征矢量，最后利用BP神经网络进行识别获得各个冠字码字符，组成字符串完成冠字码识别。

但是这样的冠识别方法的识别精度不高。

发明内容

本发明针对目前冠字码识别方法中没有考虑到相似字符的影响而识别精度不能有效地提高的不足，提供一种相似字符识别方法及及采用该相似字符识别方法进行的纸币冠字码识别的方法。

本发明的技术方案是：一种相似字符分辨方法，该方法将待分辨的相似字符图像尺寸归一化形成标准二值字符，

相似字符B与8的分辨方法包括：

计算出待分辨的归一化标准二值字符左边黑竖线长度len；

计算待分辨的归一化标准二值字符左上顶点4个单位45°三角区域与左下顶点4个单位135°三角区域的白点个数count；

如果len小于21或count大于等于12则该待分辨字符为8，否则为B；

相似字符O、0与Q的分辨方法包括：

检测待分辨的归一化标准二值字符的第12行至18行，先求每行闭环内白色像素的起点与白素像素第一结束点作为长度len_i，其中j＝12、13、…18为行号；

计算Sub_j＝Len_j-Len_j+1

判断，Sub_i的最大值是否大于等于3，若Sub_i的最大值是大于等于3，则待分辨的字符是Q，否则为O或0；

相似字符7，J与T的分辨方法包括：

从左至右扫描待分辨的归一化标准二值字符的第3行至第7行，当扫描到黑色像素时，记下所在的列col，求col的最大值col_max，记录col取最大值时所在的行row_j,当col_max大于等于7时，再扫描从右至左扫描row_j行，当扫描到黑色像素时停止，并记白色像素的长度len_w,当len_w小于等于4时，识别成7；

当col_max小于等于7时，扫描待识别字符的特征矢量所有像素，记下黑色像素最多的一列col_i,再从14行到24行扫描待识别字符的特征矢量，记下有黑色像素的第一列col₁，当col_i减col₁大于等于4时，识别成J，否则为T；

相似字符2与Z的分辨方法包括以下步骤：

从第10行至第1行扫描待分辨的归一化标准二值字符，每行从左至右扫描前5列，累加黑色像素，如果累加黑色像素值大于等于两个点就停止；并记录所在的行row_j，如果row_j大于等于6时，识别成2，否则识别成Z；

相似字符6，E,G的识别方法包括以下步骤：

扫描待分辨的归一化标准二值字符的第5列至第10列，从每一列的中间开始从上往下记录和从下往上记录，记录遇到黑点之前白点的个数之和count_i,如果count_i的最大值大于等于11则为G，否则为E或6。然后识别E与6，识别方法如下：扫描第16行至20行，每1行从16列从右至左累加白点个数ACC_i，如果遇到黑点则停止累加，求ACC_i的最大值ACC_max,如果ACC_max小于等于7则识别成6，否则为E；

相似字符E与F的分辨方法

统计待分辨的归一化标准二值字符第21行到24行，第7列到16列矩形区域内黑色像素点的个数之和，如果大于等于4则识别成E，否则识别成F。

本发明从相似字符的具体情况出发，分别加以辨别，识别率提高。

本发明还提供了一种纸币冠字码识别方法，包括以下步骤：

步骤A、获取冠字码中每个字符的图像；

步骤B、获取每个字符的全像素特征矢量形成归一化标准二值字符；本步骤中，对每个字符进行二值化、滤波、尺寸归一化处理，形成归一化标准二值字符，然后形成全像素特征矢量。这个步骤与目前冠字码识别或者车牌识别等字符识别没有多少区别。

步骤C、利用BP神经网络进行识别获得各个冠字码字符；

步骤D、按顺序组成冠字码；

其特征在于：

如果步骤C中获得的冠字码字符是B或者8时还包括：

步骤C11、计算出待分辨的归一化标准二值字符左边黑竖线长度len；

步骤C12、计算待分辨的归一化标准二值字符左上顶点4个单位45°三角区域与左下顶点4个单位135°三角区域的白点个数count；

步骤C13、如果len小于21或count大于等于12则该待分辨字符为8，否则为B；

如果步骤C中获得的冠字码字符是O、0与Q时还包括：

步骤C21、检测待分辨的归一化标准二值字符的第12行至18行，先求每行闭环内白色像素的起点与白素像素第一结束点作为长度len_i，其中j＝12、13、…18为行号；

步骤C22、计算Sub_j＝Len_j-Len_j+1

步骤C23、判断，Sub_i的最大值是否大于等于3，若Sub_i的最大值是大于等于3，则待分辨的字符是Q，否则为O或0；

如果步骤C中获得的冠字码字符是7，J与T时还包括：

步骤C31、从左至右扫描待分辨的归一化标准二值字符的第3行至第7行，当扫描到黑色像素时，记下所在的列col，求col的最大值col_max，记录col取最大值时所在的行row_j,当col_max大于等于7时，再扫描从右至左扫描row_j行，当扫描到黑色像素时停止，并记白色像素的长度len_w,当len_w小于等于4时，识别成7；

步骤C32、当col_max小于等于7时，扫描待识别字符的特征矢量所有像素，记下黑色像素最多的一列col_i,再从14行到24行扫描待识别字符的特征矢量，记下有黑色像素的第一列col₁，当col_i减col₁大于等于4时，识别成J，否则为T；

如果步骤C中获得的冠字码字符是2与Z时还包括：

步骤C41、从第10行至第1行扫描待分辨的归一化标准二值字符，每行从左至右扫描前5列，累加黑色像素，如果累加黑色像素值大于等于两个点就停止；并记录所在的行row_j，如果row_j大于等于6时，识别成2，否则识别成Z；

如果步骤C中获得的冠字码字符是6，E与G时还包括：

步骤C51、扫描待分辨的归一化标准二值字符的第5列至第10列，从每一列的中间开始从上往下记录和从下往上记录，记录遇到黑点之前白点的个数之和count_i,如果count_i的最大值大于等于11则为G，否则为E或6。然后识别E与6，识别方法如下：扫描第16行至20行，每1行从16列从右至左累加白点个数ACC_i，如果遇到黑点则停止累加，求ACC_i的最大值ACC_max,如果ACC_max小于等于7则识别成6，否则为E；

如果步骤C中获得的冠字码字符是E与F时还包括：

步骤C61、统计待分辨的归一化标准二值字符第21行到24行，第7列到16列矩形区域内黑色像素点的个数之和，如果大于等于4则识别成E，否则识别成F。

本发明的纸币冠字码识别方法中加入了相似字符辨别的步骤，使冠识别精度提高到到99.9％或以上。

进一步的，上述的纸币冠字码识别方法中：所述的步骤A中包括：

步骤A1、对纸币进行边缘检测，找到CIS采集图像的纸币四边边缘与纸币的四个顶点；

步骤A2、对纸币进行倾斜校正预处理；

步骤A3、识别纸币的面向朝向；

步骤A4、识别纸币的面值；

步骤A5、对冠字码图像进行精确定位与切割。

进一步的，上述的纸币冠字码识别方法中：所述的步骤A1包括以下步骤：

步骤A101、对待测纸币进行图像采集，得到包含背景的原始图像f(x,y)；

步骤A102、根据原始图像f(x,y)，获取原始图像f(x,y)中实际纸币图像的多个边缘点坐标；

步骤A103、根据多个边缘点坐标，利用最小二乘法拟合得到实际纸币图像的4条边缘直线方程；

步骤A104、根据4条边缘直线方程，边缘直线方程两两直线相交，计算得出是个顶点坐标。

进一步的，上述的纸币冠字码识别方法中：所述的步骤A2中，将纸币图像拷f(x,y)拷贝到以横坐标为a纵坐标为b的一块空间开辟的目标内存空间中，包括以下步骤：

步骤A201、根据纸币上部与左部的直线方程，分别计算出从纸币竖直倾斜偏移量△y与纸币的水平倾斜偏移量△x；△y值等于纸币上部直线方程x坐标对应的y值减去纸币左上顶点坐标y0，△x是纸币左部直线方程y坐标对应的x值减去纸币左上顶点坐标x0；

步骤A202、将要填充的图像目的坐标的横坐标a，纵坐标b加上纸币左上顶点横坐标x₀,坐标y₀，再加上该点对应的纸币水平倾斜偏移量△x_b,竖直倾斜偏移量△y_a,即x1＝a+x₀+△x_b,y1＝b+y₀+△y_a；把横坐标x1,纵坐标y下原图像像素取出来填到新的目的内存里。

进一步的，上述的纸币冠字码识别方法中：所述的步骤A3中，按第五套人民币的特点确定朝向，包括以下步骤：

步骤A301、先在水印区域与纸币左右对称的另一区域进行取矩形块累加像素累加比较，确定了水印在左边还是右边；判断纸币的朝向；

步骤A302、找到像素累加最大的那一边，用上部的国徽区域图像或多民族文字图像与纸币上下对称的另一区域取矩形块累加像素进行比较，根据像素累加比大小，确定了纸币是正立或倒立。

进一步的，上述的纸币冠字码识别方法中：所述的步骤A4中，包括以下步骤：

步骤A401、纸币数字特征区域图像切割；

步骤A402、特征区域图像的二值化；

步骤A403、对二值化后的图像做竖直投影，得到投影曲线；

步骤A404、选择一个标准模板在投影曲线上滑动匹配，每滑动一个像素值，采用以下公式计算投影曲线与模板的匹配相关值：

式中f_p(i)为第i点纸币特征区域二值化图像投影曲线值，

为纸币特征区域二值化图像投影平均值，

f_t(i)为第i点模板特征区域二值化图像投影曲线值，

纸币模板特征区域二值化投影均值，

s_m是滑动到该像素时的匹配相关值；

步骤A405、求取s_m的最大值，即为匹配相关值；

步骤A406、判断匹配相关值是否大于判定门限，若匹配相关值大于判定门限，则判别为纸币模板对应的面值，结束识别过程，否则选择下一个模板，重复步骤D4、D5、D6。

进一步的，上述的纸币冠字码识别方法中：所述的步骤A5中，包括以下步骤：

步骤A501、根据纸币的特点，确定冠字码位置，切割的尺寸为280*50的冠字码小图；

步骤A502、对冠字码小图采用迭代法二值化，形成二值化的冠字码小图；

步骤A503、对二值化的冠字码小图采用水平投影、竖直投影法，分别求的冠字码小图内的冠字码字符起始Y1坐标与X1坐标；

步骤A504、计算得到纸币图像内冠子码的精确坐标，并对冠字码进行切割，获得冠字码精确小图尺寸大小为248*32。

进一步的，上述的纸币冠字码识别方法中：所述的步骤B中包括以下步骤：

步骤B1、对冠字码图像小图进行二值化、滤波、单个字符分割、归一化处理形成标准字符等一系列预处理操作；

步骤B2、对单个标准字符形成全像素特征矢量形成归一化标准二值字符。

进一步的，上述的纸币冠字码识别方法中：所述的步骤B1中包括以下步骤：

步骤B101、采用迭代法对冠字码精确小图进行图像二值化；

步骤B102、采用9邻域法对二值化冠字码小图进行滤波，去除孤立点像素；

步骤B103、采用竖直投影法，对冠字码小图进行单个字符分割；

步骤B104、对冠字码字符进行尺寸归一化标准处理，处理后的标准尺寸为16*24。

本发明还公开了一种对第五套人民币面值为100元纸币的冠字识别方法，该方法是上述纸币冠字码识别方法的具体应用，包括以下步骤：

步骤1、获取第五套人民币面值为100元纸币的冠字码中每个字符的图像；

步骤2、获取每个字符的图像的归一化标准二值字符形成全像素特征矢量；

步骤3、将全像素特征矢量加入到BP神经网络进行识别获得各个冠字码字符；

步骤4、按顺序组成冠字码；

其中，在步骤3中，第一位字符图像的全像素特征矢量调用字母识别BP神经网络识别，第五位到第十位字符图像的全像素特征矢量调用数字识别BP神经网络网络，第二到第四字符图像的全像素特征矢量先调用字母识别网络，然后调用数字识别网络，两个结果取最大的那个作为最终结果；

其中，如果第一位中获得的冠字码字符中有J与T时，还包括：

扫描待识别字符的归一化标准二值字符所有像素，记下黑色像素最多的一列col_i,再从14行到24行扫描待识别字符的特征矢量，记下有黑色像素的第一列col₁，当col_i减col₁大于等于4时，识别成J，否则为T；

如果第一位中获得的冠字码字符中有E与G时，还包括：

扫描待分辨的归一化标准二值字符的第5列至第10列，从每一列的中间开始从上往下记录和从下往上记录，记录遇到黑点之前白点的个数之和count_i,如果count_i的最大值大于等于11则为G，否则为E；

如果第一位中获得的冠字码字符中有E与F时，还包括：

统计待分辨的归一化标准二值字符第21行到24行，第7列到16列矩形区域内黑色像素点的个数之和，如果大于等于4则识别成E，否则识别成F；

如果第二至四位中获得的冠字码字符中有B或者8时还包括：

步骤311、计算出待分辨的归一化标准二值字符左边黑竖线长度len；

步骤312、计算待分辨的归一化标准二值字符左上顶点4个单位45°三角区域与左下顶点4个单位135°三角区域的白点个数count；

步骤313、如果len小于21或count大于等于12则该待分辨字符为8，否则为B；

如果第二至四位中获得的冠字码字符中有O、0与Q时还包括：

步骤321、检测待分辨的归一化标准二值字符的第12行至18行，先求每行闭环内白色像素的起点与白素像素第一结束点作为长度len_j，其中j＝12、13、…18为行号；

步骤322、计算Sub_j＝Len_j-Len_j+1

步骤323、判断，Sub_j的最大值是否大于等于3，若Sub_j的最大值是大于等于3，则待分辨的字符是Q，否则为O或0；

如果第二至四位中获得的冠字码字符中有7，J与T时还包括：

步骤331、从左至右扫描待分辨的归一化标准二值字符的第3行至第7行，当扫描到黑色像素时，记下所在的列col，求col的最大值col_max，记录col取最大值时所在的行row_j,当col_max大于等于7时，再扫描从右至左扫描row_j行，当扫描到黑色像素时停止，并记白色像素的长度len_w,当len_w小于等于4时，识别成7；

步骤332、当col_max小于等于7时，扫描待识别字符的特征矢量所有像素，记下黑色像素最多的一列col_i,再从14行到24行扫描待识别字符的特征矢量，记下有黑色像素的第一列col₁，当col_i减col₁大于等于4时，识别成J，否则为T；

如果第二至四位中获得的冠字码字符中有2与Z时还包括：

步骤341、从第10行至第1行扫描待分辨的归一化标准二值字符，每行从左至右扫描前5列，累加黑色像素，如果累加黑色像素值大于等于两个点就停止；并记录所在的行row_j，如果row_j大于等于6时，识别成2，否则识别成Z；

如果第二至四位中获得的冠字码字符中有6，E与G时还包括：

步骤351、扫描待分辨的归一化标准二值字符的第5列至第10列，从每一列的中间开始从上往下记录和从下往上记录，记录遇到黑点之前白点的个数之和count_i,如果count_i的最大值大于等于11则为G，否则为E或6。然后识别E与6，识别方法如下：扫描第16行至20行，每1行从16列从右至左累加白点个数ACC_i，如果遇到黑点则停止累加，求ACC_i的最大值ACC_max,如果ACC_max小于等于7则识别成6，否则为E；

如果第二至四位中获得的冠字码字符中有E与F时还包括：

步骤361、统计待分辨的归一化标准二值字符第21行到24行，第7列到16列矩形区域内黑色像素点的个数之和，如果大于等于4则识别成E，否则识别成F。

进一步的，上述的对第五套人民币面值为100元纸币的冠字识别方法中：所述的步骤1中包括：

步骤101、对第五套人民币面值为100元纸币进行边缘检测，找到CIS采集图像中纸币四边边缘与纸币的四个顶点；

步骤102、对纸币进行倾斜校正预处理；

步骤103、识别纸币的面向朝向；

步骤104、对冠字码图像进行精确定位与切割。

以下将结合附图和实施例，对本发明进行较为详细的说明。

附图说明

图1是本发明实施例1纸币冠字码识别方法总流程图。

图2是本发明实施例1中面值识别流程图。

图3是本发明实施例1中面值识别中光变油墨特征区域投影曲线图。

图4是本发明实施例1中面值识别中光变油墨模板投影曲线图。

图5是本发明实施例1对冠字码进行一系列预处理流程图。

图6是本发明实施例1中用BP神经网络进行识别主流程图。

图7是本发明实施例中的经过二值化、滤波后的冠字码小图。

图8是本发明实施例1归一化标准处理以后的冠字码单个字符图。

具体实施方式

下面结合实施例的附图，对本发明实施例的技术方案进行详细、完整的描述。本发明的实施例是针对人民币，其它外币纸币冠字码识别如果应用到与本实施例类似的思想，也属于本发明的保护范围。

本实施例是公开的一种第五套人民币100元纸币的冠字码的识别方法，目前，ATM机等金融工具对识别100元纸币的冠字码的需要非常大，其它纸币由于在ATM机等中使用不多，因此，使用较少，因此，本实施例就是用100元纸币的冠字码识别为例进行说明，本实施例的方法涉及到相似字符辨别、冠字码识别等。不失一般性。

本实施例要解决的问题是冠字码识别的性能优化，如参考图1所示，本发明实施例1提供一种识别纸币冠字码的性能优化方法，包括以下步骤：纸币的边缘检测，纸币倾斜校正预处理，识别纸币的面向、朝向，如果在使用过程中不能确定是100纸币，则还需要识别纸币的面值，然后是冠字码粗切割，冠字码精确定位与切割，对冠字码二值化等一系列预处理，对单个字符形成特征矢量，最后形成归一化标准二值字符，把特征矢量送入神经网络识别，对BP神经网络结果做进一步处理，进行相似字符辨别，字符综合判断等，最后输出冠字码字符识别结果。本实施例在算法性能(速度和精度)优化方面贯穿于发明技术方案之中，下面以一张纸币样本作为实施例详细表述各步骤。

一、纸币的边缘检测找到CIS采集图像的纸币四边边缘与纸币的四个顶点。

找到CIS采集图像的纸币四边边缘与纸币的四个顶点，

对待测纸币进行图像采集，得到包含背景的原始图像；

根据原始图像，获取原始图像中实际纸币图像的多个边缘点坐标；

根据多个边缘点坐标，利用最小二乘法拟合得到实际纸币图像的4条边缘直线方程；

根据4条边缘直线方程，边缘直线方程两两直线相交，计算得出是个顶点坐标。

首先分别获取到第五套人民币面值为100元纸币(以下称纸币)上下左右四边40个有限边缘点(绿光反射图像背景小于20，实际纸币边缘图像灰度值一般大于150，相差很远，所以边缘点很容易获取到),利用获取到的有限边缘点采用最小二乘法分别拟合出纸币的上下左右四边直线。上部、下部、左部、右部直线系数分别为k1＝-0.013048780,b1＝116.93903,k2＝-0.012701322,b2＝553.26105，k3＝38.528156,b3＝-4612.6660,k4＝36.034325,b4＝-48651.328，根据相邻直线相交，求它们的二元一次方程，得出纸币的左上顶点(112,115),左下顶点(134,551)，右上顶点(1352,99)，右下顶点(1365,535)。

二、纸币倾斜校正预处理。

纸币倾斜校正预处理，为后续取图像块做准备。根据纸币上部与左部的直线方程，分别计算出从纸币倾斜偏移量△y与纸币的纸币倾斜偏移量△x。△y值等于纸币上部直线方程x坐标对应的y值减去纸币左上顶点坐标y0，这样就得到W(1231)个△y即[y₁,y₂,y₃…y_W]，△x是纸币左部直线方程y坐标对应的x值减去纸币左上顶点坐标x0，得到H(437)个△x即[x₁,x₂,x₃…x_H]。进行取图像块倾斜校正操作时，将要填充的图像目的坐标(a,b)加上第一步算得的纸币左上顶点坐标(x₀,y₀)，再加上该点对应的纸币倾斜偏移量(△x_b,△y_a),即x1＝a+x₀+△x_b,y1＝b+y₀+△y_a。把坐标(x1,y1)下原图像像素取出来填到新的目的内存(a,b)里，接着再取要倾斜校正的坐标(a+1,b)像素，按照以上公式，把计算出来新的(x1,y1)坐标像素从原图取出来,依次放入新的目的内存(a+1,b)里，一直取完需要倾斜校正的图像块，即完成了纸币的倾斜校正与取块。如目的坐标a＝120,b＝178,通过计算，坐标x1＝246,y1＝292。

三、识别纸币的面向、朝向。

(1)按第五套人民币的特点，先水印区域与纸币左右对称的另一区域进行取矩形块累加像素累加比较，由于水印区域是空白区域，较亮，而另一区域有印刷图案，亮度要低于水印区域，根据像素累加比大小，确定了水印在左边还是右边，可以把纸币的四种面向朝向分为两类。本实施例中纸币左边像素累加值为acc1＝324875，右边像素累加值为acc2＝180147，acc1>acc2,水印在左边，可以初步判别，纸币正面正立或反面倒立；

(2)区分水印左右后，再用水印边上部的国徽区域图像或多民族文字图像与纸币上下对称的另一区域取矩形块累加像素进行比较，根据像素累加比大小，确定了纸币是正立或倒立，这样又可以把纸币的四种面向朝向分为两类。本实施例中水印边纸币上部像素累加值为acc1＝98069，下部像素累加值为acc2＝236305，acc1<acc2,说明国徽或多民族文字图案在上部，据此确定了纸币为正立，再综合(1)，识别出该纸币面向朝向为正面正立。

四、识别纸币的面值。该步骤在这里没有，如果有需要时可以按图2所示进行。下面将详细描述：

(1)纸币数字特征区域图像切割。本实施例切割纸币变色油墨图案作为数字特征区域；

(2)特征区域图像的二值化。采用迭代法对变色油墨图案进行二值化；

(3)对二值化后的图像做竖直投影，得到投影曲线。本实施例中纸币投影曲线如图3所示；

(4)选择一个标准模板在投影曲线上滑动匹配，模板曲线如图4所示。模板每滑动一个像素值，采用以下公式计算投影曲线与模板的匹配相关值：

式中f_p(i)为第i点纸币区域二值化图像投影曲线值，

为纸币特征区域二值化图像投影平均值，

f_t(i)为第i点模板特征区域二值化图像投影曲线值，

纸币模板特征区域二值化投影均值，

s_m是滑动到该像素时的匹配相关值；

(5)求取s_m的最大值，即为匹配相关值，本实施例滑动40次，s_m有40个，该纸币的s_m数据如下:[0,0,0,0,0,0,0,0,0,8,16,23,29,32,32,27,19,9,0,0,0,0,0,0,0,0,0,0,0,0,12,27,43,61,78,94,95,86,70,52],所以s_m的最大值为95；

(6)判断匹配相关值是否大于判定门限，若匹配相关值大于判定门限，则判别为纸币模板对应的面值，结束识别过程，否则选择下一个模板，重复步骤(4)、(5)、(6)。本实施例s_m数据是乘以100后取整的，s_m理论最大值为100，所以本发明判定门限取72，由于步骤(5)纸币s_m的最大值为95，大于设定门限，且用的是100模板曲线数据，所以本纸币面值为100元。

五、冠字码的粗切割。

根据步骤三、四得到的纸币面向朝向与面值的信息，对冠字码进行初步切割，切割的尺寸为280(W)*50(H)，切割的起始坐标位置(X₀,Y₀)必须保证冠字码起始行与列在其中。本实施例起始坐标为(25,304)。切割冠字码小图像旋转角度采用的插值算法是最邻近点算法。

六、冠字码的精确定位与切割。

(1)对步骤五粗切割的冠字码小图采用迭代法二值化；

(2)对二值化的冠字码小图采用水平投影、竖直投影法，分别求的冠字码小图内的冠字码字符起始Y₁坐标与X₁坐标，本实施例纸币坐标Y₁＝23,X₁＝41；

(3)根据冠字码小图内的冠字码字符起始(X₁,Y₁)与步骤五的冠字码除切割起始坐标(X₀,Y₀)，据几何关系，计算得到纸币图像内冠子码的精确坐标,X＝X₀+X₁-8＝58,Y＝Y₀+Y₁-3＝324,并对冠字码进行切割，尺寸大小为248(W)*32(H)；

(4)切割冠字码小图像旋转角度采用的插值算法是双线性插值算法。

七、对冠字码小图二值化等一系列预处理。对每个字符进行二值化、滤波、尺寸归一化处理，然后形成全像素特征矢量。目前，在车牌识别和图像字符识别领域，都需要将字码小图进行尺寸归一化处理，二值化后形成存储空间大小标准的存储空间，然后形成全像素特征矢量。

如图5所示为对冠字码小图二值化等一系列处理的流程图，下面将详细描述：

(1)采用迭代法对冠字码小图进行图像二值化；

(2)采用9邻域法对字符进行滤波，去除孤立点像素，滤波后的小图如图7所示；

(3)采用竖直投影法，对冠字码小图进行单个字符分割；

(4)人民币冠字码字符尺寸05版中间大，两头小，而且由于电机的速度波动，采集出来的图像尺寸也有变化，需对冠字码字符进行尺寸归一化标准处理，本发明处理的尺寸为16(W)*24(H)，这就是归一化标准二值字符，图8为归一化标准处理后的图案。

八、对单个字符形成特征矢量。

利用归一化标准二值字符提取出单个标准字符的全像素特征，作为特征矢量作为神经网络的输入。

九、将特征矢量送入BP神经网络进行识别。

图6为该步骤的流程图，下面将详细描述：

(1)BP神经网络分为三层，输入层、隐含层，输出层；

(2)数字0～9训练一个识别网络，输入层为24*16维，隐含层为32维，输出层为4维；

(3)字母A～Z训练一个识别网络，输入层为24*16维，隐含层为38维，输出层为5维；

(4)根据人民币冠字码的规律，第一个字符是字母，第二到第四是字母数字混合，且只有一个字母，第五到第十为数字，BP神经网络应用如下，第一个字符调用字母识别网络，第五到第十为字符调用数字识别网络，第二到第四字符先调用字母识别网络，然后调用数字识别网络，两个结果取最大的那个作为最终结果。本纸币实施例中，第二，三，四的字母网络响应分别为：0.72213629对应字符Z，0.87488386对应字符S,0.60601647对应字符I，而第二，三，四的数字网络响应分别为：0.90660005对应数字2，0.69432111对应数字9，0.90255981对应数字4，经过字母、数字网络比大小，输出2，S,4。最后神经网络输出结果为“U2S4701492”。

十、对BP神经网络结果做进一步的处理。

如果BP神经网络输出的结果是B与8等相似字符，则要对这些归一化的单个字符作进一步的分类识别,这是对冠字码识别精度提升起了比较关键的一步，具体为：

(1)如果BP神经网络输出的结果是B与8，O与Q，7、J与T，2与Z，6、G与E,C与G,E与F，O与D字符时，调用相似字符识别算法。

如B与8相似字符算法。根据两个条件进行判别，一是字母B左边有条黑竖线，计算出黑竖线长度len，二是字母B左上顶点三角区域与左下顶点三角是黑像素，而8是弧形，是白像素，计算左上顶点4个单位45°三角区域与左下顶点4个单位135°三角区域的白点个数count，如果len小于21或count大于等于12则识别为8，否则为B。

如O、0与Q的相似字符识别算法。检测第12行至18行，先求每行O、0，Q闭环内白色像素的起点与白素像素第一结束点作为长度len_i,然后用前一行len_i减去len_i+1，得到一个差值Sub_i,然后求Sub_i的最大值，如果最大值大于等于3，说明下一行长度跟本行长度比有突变，有突变的识别为Q，否则为O或0。

如7，J与T的相似字符识别算法。首先识别出7，识别方法如下：从左至右扫描第3行至第7行，当扫描到黑色像素时，记下所在的列col，求col的最大值col_max，记录col_max的取最大值时所在的行row_j,当col_max大于等于7时，再扫描从右至左扫描row_j行，当扫描到黑色像素时停止，并记白色像素的长度len_w,当len_w小于等于4时，识别成7，否则为T或J。接下来识别T与J：扫描字符第1列到第16列所有像素,，记下黑色像素最多的一列col_i,再扫描字符第1列到第16列(行数从14行到24行)，记下有黑色像素的第一列col₁，当col_i减col₁大于等于4时，识别成J，否则为T。

如2与Z的相似字符识别算法。从第10行扫描至第1行，每行从左至右扫描前5列，累加黑色像素，如果累加黑色像素值大于等于两个点就停止，并记录所在的行row_j，如果row_j大于等于6时，识别成2，否则识别成Z。

如6，E,G相似字符识别算法。首先识别出G,识别方法如下：扫描第5列至第10列，从每一列的中间开始从上往下记录与从下往上记录，记录遇到黑点之前白点的个数之和count_i,如果count_i的最大值大于等于11则为G，否则为E或6。然后识别E与6，识别方法如下：扫描第16行至20行，每1行从16列从右至左累加白点个数ACC_i，如果遇到黑点则停止累加，求ACC_i的最大值ACC_max,如果ACC_max小于等于7则识别成6，否则为E。

如E与F相似字符识别算法。统计第21行到24行，第7列到16列矩形区域内黑色像素点的个数之和，如果大于等于4则识别成E，否则识别成F。

如0、O与D相似字符识别算法。扫描第2列至第4列，黑色某列黑色像素点数大于等于22时为D，或者字符四个单位左上顶点45°三角区域，四个单位左下顶点135°三角区域，其像素点数的白点数之和小于等于3则为D，其余情况为0或O。

(2)根据冠字码有且只有两个字母，当第2,3,4位识别结果为0与O，1与I时，调用综合判别算法识别成0或O，1或I。例如步骤九神经网络第2,3,4位输出结果为409，根据冠字码有两个字母，中间0最后判别层O，所以最后识别为4O9,如果有两或以上0、O及其组合时，取第一个识别为O，其它识别为0，1与I的判别也类似。

(3)最后给出冠字码识别结果。

本发明的冠字码识别性能优化之处，体现在算法的速度与精度，克服了算法速度慢，识别精度低的算法性能问题，本发明从开始到结束，设计的算法速度与精度都经过优化，比如步骤三，算法只取了四块图像进行灰度比较就完成了面向、朝向的识别,速度快。步骤四，采用数字特征区域滑动投影匹配算法，第一不需要处理整张图像，只处理数字特征区域，第二，采用滑动投影匹配算法，二维图像数据转变成一维曲线数据，算法时间大大缩短。步骤五，根据步骤三、四识别好的面向、朝向、面值信息，就可以冠字码进行粗切割，旋转校正取图像块的算法采用最近邻点法插值算法，时间缩短了不少。步骤六，精确切割冠字码时采用双线性插值算法，使得图像没有锯齿现象，保证了冠字码小图的精度。步骤九,根据26个字母与10个数字的特点，本发明只构建了两个识别网络，而没有构建数字、字符混合识别网络，实践证明，这对冠字码识别精度是有提升的。步骤十，对相似字符进行再次确认与分类识别，并对识别结果做综合判别，这对算法精度的提升是大有裨益。最终本发明在DSP400MHz频率的处理器平台下，冠字码识别算法总时间约为30ms，识别率达到99.9％，在冠字码性能优化方面取得了较理想的成果。

Claims (12)

1.一种相似字符分辨方法，该方法将待分辨的相似字符的图像归一化后形成归一化标准二值字符，所述的相似字符包括B与8，O与Q，7、J与T，2与Z，6、G与E，C与G，E与F，O与D；其特征在于：

相似字符B与8的分辨方法包括：

计算出待分辨的归一化标准二值字符左边黑竖线长度len；

计算待分辨的归一化标准二值字符左上顶点4个单位45°三角区域与左下顶点4个单位135°三角区域的白点个数count；

如果len小于21或count大于等于12则该待分辨字符为8，否则为B；

相似字符O、0与Q的分辨方法包括：

检测待分辨的归一化标准二值字符的第12行至18行，先求每行闭环内白色像素的起点与白素像素第一结束点作为长度len_j，其中j＝12、13、…18为行号；

计算Sub_j＝Len_j-Len_j+1

判断，Sub_j的最大值是否大于等于3，若Sub_j的最大值是大于等于3，则待分辨的字符是Q，否则为O或0；

相似字符7，J与T的分辨方法包括：

从左至右扫描待分辨的归一化标准二值字符的第3行至第7行，当扫描到黑色像素时，记下所在的列col，求col的最大值col_max，记录col取最大值时所在的行row_j,当col_max大于等于7时，再从右至左扫描row_j行，当扫描到黑色像素时停止，并记白色像素的长度len_w,当len_w小于等于4时，识别成7；

当col_max小于等于7时，按列扫描待识别字符所有像素，记下黑色像素最多的一列col_i,再从14行到24行按列扫描待识别字符，记下有黑色像素的第一列col₁，当col_i减col₁大于等于4时，识别成J，否则为T；

相似字符2与Z的分辨方法包括以下步骤：

从第10行至第1行扫描待分辨的归一化标准二值字符，每行从左至右扫描前5列，累加黑色像素，如果累加黑色像素值大于等于两个点就停止；并记录所在的行row_j，如果row_j大于等于6时，识别成2，否则识别成Z；

相似字符6，E,G的识别方法包括以下步骤：

扫描待分辨的归一化标准二值字符的第5列至第10列，从每一列的中间开始从上往下记录和从下往上记录，记录遇到黑点之前白点的个数之和count_i,如果count_i的最大值大于等于11则为G，否则为E或6；然后识别E与6，识别方法如下：扫描第16行至20行，每1行从16列从右至左累加白点个数ACC_i，如果遇到黑点则停止累加，求ACC_i的最大值ACC_max,如果ACC_max小于等于7则识别成6，否则为E；

相似字符E与F的分辨方法：

统计待分辨的归一化标准二值字符第21行到24行，第7列到16列矩形区域内黑色像素点的个数之和，如果大于等于4则识别成E，否则识别成F。

2.一种纸币冠字码识别方法，包括以下步骤：

步骤A、获取冠字码中每个字符的图像；

步骤B、获取每个字符的归一化标准二值字符并形成全像素特征矢量；

步骤C、全像素特征矢量加入到BP神经网络进行识别获得各个冠字码字符；

步骤D、按顺序组成冠字码；

其特征在于：

如果步骤C中获得的冠字码字符是B或者8时还包括：

步骤C11、计算出待分辨的归一化标准二值字符左边黑竖线长度len；

步骤C12、计算待分辨的归一化标准二值字符左上顶点4个单位45°三角区域与左下顶点4个单位135°三角区域的白点个数count；

步骤C13、如果len小于21或count大于等于12则该待分辨字符为8，否则为B；

如果步骤C中获得的冠字码字符是O、0与Q时还包括：

步骤C21、检测待分辨的归一化标准二值字符的第12行至18行，先求每行闭环内白色像素的起点与白素像素第一结束点作为长度len_j，其中j＝12、13、…18为行号；

步骤C22、计算Sub_j＝Len_j-Len_j+1

步骤C23、判断，Sub_j的最大值是否大于等于3，若Sub_j的最大值是大于等于3，则待分辨的字符是Q，否则为O或0；

如果步骤C中获得的冠字码字符是7，J与T时还包括：

步骤C31、从左至右扫描待分辨的归一化标准二值字符的第3行至第7行，当扫描到黑色像素时，记下所在的列col，求col的最大值col_max，记录col取最大值时所在的行row_j,当col_max大于等于7时，再从右至左扫描row_j行，当扫描到黑色像素时停止，并记白色像素的长度len_w,当len_w小于等于4时，识别成7；

步骤C32、当col_max小于等于7时，扫描待识别字符的特征矢量所有像素，记下黑色像素最多的一列col_i,再从14行到24行扫描待识别字符的特征矢量，记下有黑色像素的第一列col₁，当col_i减col₁大于等于4时，识别成J，否则为T；

如果步骤C中获得的冠字码字符是2与Z时还包括：

步骤C41、从第10行至第1行扫描待分辨的归一化标准二值字符，每行从左至右扫描前5列，累加黑色像素，如果累加黑色像素值大于等于两个点就停止；并记录所在的行row_j，如果row_j大于等于6时，识别成2，否则识别成Z；

如果步骤C中获得的冠字码字符是6，E与G时还包括：

步骤C51、扫描待分辨的归一化标准二值字符的第5列至第10列，从每一列的中间开始从上往下记录和从下往上记录，记录遇到黑点之前白点的个数之和count_i,如果count_i的最大值大于等于11则为G，否则为E或6；然后识别E与6，识别方法如下：扫描第16行至20行，每1行从16列从右至左累加白点个数ACC_i，如果遇到黑点则停止累加，求ACC_i的最大值ACC_max,如果ACC_max小于等于7则识别成6，否则为E；

如果步骤C中获得的冠字码字符是E与F时还包括：

步骤C61、统计待分辨的归一化标准二值字符第21行到24行，第7列到16列矩形区域内黑色像素点的个数之和，如果大于等于4则识别成E，否则识别成F。

3.根据权利要求2所述的纸币冠字码识别方法，其特征在于：所述的步骤A中包括：

步骤A1、对纸币进行边缘检测，找到CIS采集图像的纸币四边边缘与纸币的四个顶点；

步骤A2、对纸币进行倾斜校正预处理；

步骤A3、识别纸币的面向朝向；

步骤A4、识别纸币的面值；

步骤A5、对冠字码图像进行精确定位与切割。

4.根据权利要求3所述的纸币冠字码识别方法，其特征在于：所述的步骤A1包括以下步骤：

步骤A101、对待测纸币进行图像采集，得到包含背景的原始图像f(x,y)；

步骤A102、根据原始图像f(x，y)，获取原始图像f(x，y)中实际纸币图像的多个边缘点坐标；

步骤A103、根据多个边缘点坐标，利用最小二乘法拟合得到实际纸币图像的4条边缘直线方程；

步骤A104、根据4条边缘直线方程，边缘直线方程两两直线相交，计算得出四个交点坐标。

5.根据权利要求4所述的纸币冠字码识别方法，其特征在于：所述的步骤A2中，将纸币图像f(x，y)拷贝到以横坐标为a纵坐标为b的一块空间开辟的目标内存空间中，包括以下步骤：

步骤A201、根据纸币上部与左部的直线方程，分别计算出从纸币竖直倾斜偏移量△y与纸币的水平倾斜偏移量△x；△y值等于纸币上部直线方程x坐标对应的y值减去纸币左上顶点坐标y0，△x是纸币左部直线方程y坐标对应的x值减去纸币左上顶点坐标x0；

步骤A202、将要填充的图像目的坐标的横坐标a，纵坐标b加上纸币左上顶点横坐标x₀,纵坐标y₀，再加上该点对应的纸币横向倾斜偏移量△x_b,纵向倾斜偏移量△y_a,即x1＝a+x₀+△x_b,y1＝b+y₀+△y_a；把横坐标x1,纵坐标y1下原图像像素取出来填到新的目的内存里。

6.根据权利要求5所述的纸币冠字码识别方法，其特征在于：所述的步骤A3中，按第五套人民币的特点确定朝向，包括以下步骤：

步骤A301、先在水印区域与纸币左右对称的另一区域进行取矩形块累加像素累加比较，确定了水印在左边还是右边；判断纸币的朝向；

步骤A302、找到像素累加最大的那一边，用上部的国徽区域图像或多民族文字图像与纸币上下对称的另一区域取矩形块累加像素进行比较，根据像素累加比大小，确定了纸币是正立或倒立。

7.根据权利要求6所述的纸币冠字码识别方法，其特征在于：所述的步骤A4中，包括以下步骤：

步骤A401、纸币数字特征区域图像切割；

步骤A402、特征区域图像的二值化；

步骤A403、对二值化后的图像做竖直投影，得到投影曲线；

步骤A404、选择一个长度为N的标准模板在投影曲线上滑动匹配，每滑动一个像素值，采用以下公式计算投影曲线与模板的匹配相关值：

式中f_p(i)为第i点纸币特征区域二值化图像投影曲线值，

为纸币特征区域二值化图像投影平均值，

f_t(i)为第i点模板特征区域二值化图像投影曲线值，

纸币模板特征区域二值化投影均值，

s_m是滑动到该像素时的匹配相关值；

步骤A405、求取s_m的最大值，即为匹配相关值；

步骤A406、判断匹配相关值是否大于判定门限，若匹配相关值大于判定门限，则判别为纸币模板对应的面值，结束识别过程，否则选择下一个模板，重复步骤A404、A405、A406。

8.根据权利要求7所述的纸币冠字码识别方法，其特征在于：所述的步骤A5中，包括以下步骤：

步骤A501、根据纸币的特点，确定冠字码位置，切割的尺寸为280*50的冠字码小图；

步骤A502、对冠字码小图采用迭代法二值化，形成二值化的冠字码小图；

步骤A503、对二值化的冠字码小图采用水平投影、竖直投影法，分别求的冠字码小图内的冠字码字符起始Y1坐标与X1坐标；

步骤A504、计算得到纸币图像内冠子码的精确坐标，并对冠字码进行切割，获得冠字码精确小图尺寸大小为248*32。

9.根据权利要求8所述的纸币冠字码识别方法，其特征在于：所述的步骤B中包括以下步骤：

步骤B1、对冠字码图像小图进行预处理操作，包括二值化、滤波、单个字符分割、归一化处理形成标准字符；

步骤B2、对单个标准字符形成全像素特征矢量形成归一化标准二值字符。

10.根据权利要求9所述的纸币冠字码识别方法，其特征在于：所述的步骤B1中包括以下步骤：

步骤B101、采用迭代法对冠字码精确小图进行图像二值化；

步骤B102、采用9邻域法对冠字码小图进行滤波，去除孤立点像素；

步骤B103、采用竖直投影法，对冠字码小图进行单个字符分割；

步骤B104、对冠字码字符进行尺寸归一化标准处理，处理后的标准尺寸为16*24。

11.一种对第五套人民币面值为100元纸币的冠字识别方法，包括以下步骤：

步骤1、获取第五套人民币面值为100元纸币的冠字码中每个字符的图像；

步骤2、获取每个字符的归一化标准二值字符，并形成全像素特征矢量；

步骤3、将全像素特征矢量加入到BP神经网络进行识别获得各个冠字码字符；

步骤4、按顺序组成冠字码；

其特征在于：

在步骤3中，第一位字符图像的全像素特征矢量调用字母识别BP神经网络识别，第五位到第十位字符图像的全像素特征矢量调用数字识别BP神经网络网络，第二到第四字符图像的全像素特征矢量先调用字母识别网络，然后调用数字识别网络，两个结果取最大的那个作为最终结果；

其中，如果第一位中获得的冠字码字符中有J与T时，还包括：

扫描待识别字符的归一化标准二值字符，记下黑色像素最多的一列col_i,再从14行到24行扫描待识别字符的归一化标准二值字符，记下有黑色像素的第一列col₁，当col_i减col₁大于等于4时，识别成J，否则为T；

如果第一位中获得的冠字码字符中有E与G时，还包括：

扫描待分辨的归一化标准二值字符的第5列至第10列，从每一列的中间开始从上往下记录和从下往上记录，记录遇到黑点之前白点的个数之和count_i,如果count_i的最大值大于等于11则为G，否则为E；

如果第一位中获得的冠字码字符中有E与F时，还包括：

统计待分辨的归一化标准二值字符第21行到24行，第7列到16列矩形区域内黑色像素点的个数之和，如果大于等于4则识别成E，否则识别成F；

如果第二至四位中获得的冠字码字符中有B或者8时还包括：

步骤311、计算出待分辨的归一化标准二值字符左边黑竖线长度len；

步骤312、计算待分辨的归一化标准二值字符左上顶点4个单位45°三角区域与左下顶点4个单位135°三角区域的白点个数count；

步骤313、如果len小于21或count大于等于12则该待分辨字符为8，否则为B；

如果第二至四位中获得的冠字码字符中有O、0与Q时还包括：

步骤321、检测待分辨的归一化标准二值字符的第12行至18行，先求每行闭环内白色像素的起点与白素像素第一结束点作为长度len_j，其中j＝12、13、…18为行号；

步骤322、计算Sub_j＝Len_j-Len_j+1

步骤323、判断，Sub_j的最大值是否大于等于3，若Sub_j的最大值是大于等于3，则待分辨的字符是Q，否则为O或0；

如果第二至四位中获得的冠字码字符中有7，J与T时还包括：

步骤331、从左至右扫描待分辨的归一化标准二值字符的第3行至第7行，当扫描到黑色像素时，记下所在的列col，求col的最大值col_max，记录col取最大值时所在的行row_j,当col_max大于等于7时，再从右至左扫描row_j行，当扫描到黑色像素时停止，并记白色像素的长度len_w,当len_w小于等于4时，识别成7；

步骤332、当col_max小于等于7时，扫描待识别字符的特征矢量所有像素，记下黑色像素最多的一列col_i,再从14行到24行扫描待识别字符的特征矢量，记下有黑色像素的第一列col₁，当col_i减col₁大于等于4时，识别成J，否则为T；

如果第二至四位中获得的冠字码字符中有2与Z时还包括：

步骤341、从第10行至第1行扫描待分辨的归一化标准二值字符，每行从左至右扫描前5列，累加黑色像素，如果累加黑色像素值大于等于两个点就停止；并记录所在的行row_j，如果row_j大于等于6时，识别成2，否则识别成Z；

如果第二至四位中获得的冠字码字符中有6，E与G时还包括：

步骤351、扫描待分辨的归一化标准二值字符的第5列至第10列，从每一列的中间开始从上往下记录和从下往上记录，记录遇到黑点之前白点的个数之和count_i,如果count_i的最大值大于等于11则为G，否则为E或6；然后识别E与6，识别方法如下：扫描第16行至20行，每1行从16列从右至左累加白点个数ACC_i，如果遇到黑点则停止累加，求ACC_i的最大值ACC_max,如果ACC_max小于等于7则识别成6，否则为E；

如果第二至四位中获得的冠字码字符中有E与F时还包括：

步骤361、统计待分辨的归一化标准二值字符第21行到24行，第7列到16列矩形区域内黑色像素点的个数之和，如果大于等于4则识别成E，否则识别成F。

12.根据权利要求11所述的对第五套人民币面值为100元纸币的冠字识别方法，其特征在于：所述的步骤1中包括：

步骤101、对第五套人民币面值为100元纸币进行边缘检测，找到CIS采集图像中纸币四边边缘与纸币的四个顶点；

步骤102、对纸币进行倾斜校正预处理；

步骤103、识别纸币的面向朝向；

步骤104、对冠字码图像进行精确定位与切割。