CN108074320A - 一种图像识别方法及装置 - Google Patents

Abstract

本发明公开了一种图像识别方法及装置。所述方法包括：获取待测纸币在HSV颜色空间第一分量的图像；在所述第一分量的图像中提取至少一个预设特征区域的图像；根据所述预设特征区域的图像识别所述待测纸币的币值。通过采用上述技术方案，可以有效地提取出图像在第一颜色分量的特征信息，由于该特征信息具有较高的差异性，因此可以非常简便地区分出各种不同的币值，达到提高币值识别效率的效果。

Description

一种图像识别方法及装置

技术领域

本发明实施例涉及纸币检测技术领域，特别是涉及一种图像识别方法及装置。

背景技术

随着经济的发展，纸币的流通量越来越大，很多行业都出现了基于纸币识别技术的智能化无人收费系统。例如，纸币识别技术不仅应用在自动售货售票上，还应用到银行的自动存取款机或营业厅的自动交费机等系统中。同时，点钞机的发明也为各个行业提供了方便。纸币识别装置的应用，节省了大量的人力资源，极大地提升了工作效率。

目前，一般通过纸币的安全线编码或纸币的尺寸对其币值进行识别，这种识别方法虽能识别出大部分币种的币值，但对于有些币种(如美元或印尼币等)，由于所有币值的尺寸完全相同，且无相应的安全线编码可供识别，因此，可以基于不同币值纸币的颜色来对这一类纸币进行识别。

但是，在点钞机等机器代替人识别纸币币值的过程中，首先需要采集待测纸币的灰度图像，并通过纸币灰度图中的多个特征对其币值进行识别。由于有些纸币的特征信息区分不明显，容易降低币值的识别率。尤其是在图像采集环境较恶劣时，采集的图像将出现很多噪声，使得特征的可分类性较差，进而影响纸币币值的识别效率。

发明内容

有鉴于此，本发明实施例提供一种图像识别方法及装置，以提高纸币币值的识别效率。

第一方面，本发明实施例提供了一种图像识别方法，包括：

获取待测纸币在HSV颜色空间第一分量的图像；

在所述第一分量的图像中提取至少一个预设特征区域的图像；

根据所述预设特征区域的图像识别所述待测纸币的币值。

进一步的，根据所述预设特征区域的图像识别所述待测纸币的币值，包括：

计算每个所述预设特征区域的图像的像素平均值，得到由所有所述像素平均值确定的所述待测纸币的特征向量；

根据所述待测纸币的特征向量确定基于预设分类器模型的参数向量；

根据所述参数向量识别所述待测纸币的币值。

进一步的，根据所述待测纸币的特征向量确定基于预设分类器模型的参数向量之前，还包括：

基于所述预设分类器模型对所述待测纸币的至少一种币值对应的特征向量进行训练，得到所述至少一种币值对应于所述预设分类器模型的参数向量。

进一步的，所述预设分类器模型为受限玻尔兹曼分类器。

进一步的，所述待测纸币为印尼币。

第二方面，本发明实施例提供了一种图像识别装置，包括：图像获取模块，用于获取待测纸币在HSV颜色空间第一分量的图像；

特征区域提取模块，用于在所述图像获取模块获取的所述第一分量的图像中提取至少一个预设特征区域的图像；

币值识别模块，用于根据所述特征区域提取模块提取的所述预设特征区域的图像识别所述待测纸币的币值。

进一步的，所述币值识别模块包括：

特征向量确定单元，用于计算每个所述预设特征区域的图像的像素平均值，得到由所有所述像素平均值确定的所述待测纸币的特征向量；

参数向量确定单元，用于根据所述特征向量确定单元确定的所述待测纸币的特征向量确定基于预设分类器模型的参数向量；

币值识别单元，用于根据所述参数向量确定单元确定的所述参数向量识别所述待测纸币的币值。

进一步的，该装置还包括：

训练模块，用于在根据所述待测纸币的特征向量确定基于预设分类器模型的参数向量之前，基于所述预设分类器模型对所述待测纸币的至少一种币值对应的特征向量进行训练，得到所述至少一种币值对应于所述预设分类器模型的参数向量。

进一步的，所述预设分类器模型为受限玻尔兹曼分类器。

进一步的，所述待测纸币为印尼币。

本发明实施例提供的一种图像识别方案，通过获取待测纸币在HSV颜色空间第一分量的图像，可在第一分量的图像中有效地提取出至少一个预设特征区域的图像，为待测纸币币值的识别提供更准确、更直接和更简便的方法。同时由于不同币值的待测纸币预设特征区域的图像具有较高的差异性，因此可以通过预设特征区域的图像精确地区分出待测纸币的币值，达到提高币值识别效率的效果。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1是本发明实施例一提供的一种图像识别方法的流程图；

图2为本发明实施例一提供的印尼币币值为1万元、5万元和10万元的灰度示意图；

图3为本发明实施例一提供的币值为1万元、5万元和10万元的印尼币H分量示意图；

图4是本发明实施例二提供的一种图像识别方法的流程图；

图5为本发明实施例二提供的受限玻尔兹曼分类器网络结构示意图；

图6是本发明实施例三提供的一种图像识别装置的结构框图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容。

另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。

实施例一

图1是本发明实施例一提供的一种图像识别方法的流程图。本实施例的方法可由图像识别装置来执行，其中该装置可由软件和/或硬件实现，一般可集成在自动售票机或点钞机等金融设备中。如图1所示，本实施例提供的图像识别方法具体包括如下步骤：

步骤S110、获取待测纸币在HSV颜色空间第一分量的图像。

其中，待测纸币可以为印尼币，也可以为纸币表面存在明显色差区域的其他币种(如人民币或伊朗币)。

其中，HSV(Hue，Saturation，Value)颜色空间是根据颜色的直观特性创建的一种颜色空间。在HSV颜色空间中，H(Hue)分量表示图像的色度，取值范围为0°～360°；S(Saturation)分量表示图像的饱和度，即接近光谱色的程度，取值范围为0％～100％，饱和度越高，颜色越深；V(Value)分量表示图像的色调，即明亮程度，通常取值范围为0％(黑)到100％(白)。

一般性的，获取待测纸币在HSV颜色空间第一分量的图像之前，首先需要获取待测纸币在RGB颜色空间的彩色图像。其中，RGB模型(加色法混色模型)，是通过红(R)、绿(G)和蓝(B)三个颜色通道的变化以及它们之间相互的叠加得到的。图2为本发明实施例一提供的印尼币币值为1万元、5万元和10万元的灰度示意图。不同币值的印尼币在灰度化前的RGB颜色图不同。2万元印尼币基本呈现绿色，5万元印尼币基本呈现蓝色以及10万元印尼币基本呈现红色。通过转换公式，可以将R、G和B分量转化为H、S和V分量。转换公式具体描述如下：

max＝max(R,G,B).

min＝min(R,G,B).

如果R＝max,H＝(G-B)/(max-min).

如果G＝max,H＝2+(B-R)/(max-min).

如果B＝max,H＝4+(R-G)/(max-min).

H＝H*60.

如果H<0,H＝H+360.

V＝max(R,G,B).

S＝(max-min)/max.

通过上述公式转换后，可以得到HSV颜色空间中的H分量。由于在H分量中，不同币值的待测纸币的特征区别最明显，因此，本实施例中第一分量优选为H分量。图3为本发明实施例一提供的币值为1万元、5万元和10万元的印尼币H分量示意图。如图3所示，通过对HSV颜色空间H分量的分离，可以有效地呈现不同币值的不同特征，为待测印尼币币值的识别奠定基础。

步骤S120、在第一分量的图像中提取至少一个预设特征区域的图像。

其中，预设特征区域可以为待测纸币在H分量的图像中色差区别最明显的区域。示例性的，由于不同币种的纸币预设特征区域所在的位置不同，因此，在第一分量的图像中提取至少一个预设特征区域的图像之前，可包括：根据待测纸币的币种确定待测纸币对应的预设特征区域。

进一步的，在获取待测纸币在HSV颜色空间第一分量的图像之前，可先对待测纸币的币种进行人工选择或可通过金融自助设备进行自动识别。在确定出待测纸币的币种后，可根据待测纸币币种的不同相应地获取待测纸币在HSV颜色空间第一分量的图像，并在第一分量的图像中提取至少一个预设特征区域的图像。通过采用上述方法，可以有针对性地对不同币种的纸币的特征区域进行识别，进而可以提高识别效率。

具体的，如图3所示，在印尼币币值的识别过程中，每个矩形区域所在位置都可优选为预设特征区域。在识别印尼币的币值时，为了提高识别效率，可以同时获取图3中11个矩形区域内的图像作为预设特征区域的图像。

示例性的，预设特征区域的位置可以通过安装的图像采集传感器的位置进行设置。当待测纸币放入金融自助设备时，图像采集传感器可自动获取到预设特征区域的图像。示例性的，预设特征区域的设置还可以采取设置坐标范围的方式。例如，可以优选待测纸币左上角的端点作为坐标原点，当直角坐标系的位置确定后，可进一步确定待测纸币的位置。然后可将待测纸币中图像在宽度方向上平均分成六等份，高度方向上平均分成四等份，在所划分的24个区域中提取特征最明显的11个区域作为预设特征区域。

值得注意的是，纸币的预设特征区域与纸币面向无关。在确定直角坐标系原点的位置后，可按上述方式选取待测纸币正面或反面的11个预设特征区域。示例性的，也可以同时提取正面和反面图像的预设特征区域以提高识别效率。

步骤S130、根据预设特征区域的图像识别待测纸币的币值。

其中，识别待测纸币币值的方式可以有多种。示例性的，可将待测纸币预设特征区域的图像进行划分，然后将预设特征区域的图像特征相同或相近的纸币进行归类。不同的币值可归为不同的类别。当待测纸币放入到金融自助设备时，通过识别待测纸币预设特征区域图像的特征信息后，可判断出该特征信息可以归到哪个类别当中，即可识别出待测纸币的币值。其中，特征信息可以通过特征向量来表示。具体的，在印尼币币值识别的过程中，若其特征区域图像的特征信息与10万印尼币特征区域图像的特征信息最接近，则可以将待测印尼币的币值确定为10万。

本发明实施例一提供的图像识别方法，通过获取待测纸币在HSV颜色空间第一分量的图像，可在第一分量的图像中有效地提取出至少一个预设特征区域的图像，为待测纸币币值的识别提供更准确、更直接和更简便的方法。同时由于不同币值的待测纸币预设特征区域的图像存在较高的差异性，因此可以通过预设特征区域的图像精确地区分出待测纸币的币值，达到提高币值识别效率的效果。

实施例二

图4是本发明实施例二提供的一种图像识别方法的流程图。本实施例对实施例一中的步骤“根据预设特征区域的图像识别待测纸币的币值”的过程进行了细化。参考图4，本发明实施例具体包括如下步骤：

步骤S210、获取待测纸币在HSV颜色空间第一分量的图像。

步骤S220、在第一分量的图像中提取至少一个预设特征区域的图像。

步骤S230、计算每个预设特征区域的图像的像素平均值，得到由所有像素平均值确定的待测纸币的特征向量。

由于预设特征区域内像素点个数较多，若直接采用像素值进行计算，将增大运算量。通过采用像素平均值，可以避免因计算量过大而对纸币识别效率带来的影响。示例性的，在印尼币币值识别的过程中，由于选取了11个预设特征区域，因此，特征向量中的元素个数为11。具体的，特征向量的表示方式为：H＝{H1，H2，……，H11}。同时，可以设定1万印尼币用标号1表示，5万印尼币用标号5表示，10万印尼币用标号10表示。

步骤S240、根据待测纸币的特征向量确定基于预设分类器模型的参数向量。

优选的，预设分类器模型可以为受限玻尔兹曼分类器(Restricted BoltzmannMachine，RBM)。因此，根据待测纸币的特征向量确定预设分类器模型的参数向量，可包括：根据待测纸币的特征向量确定基于受限玻尔兹曼分类器的参数向量。

其中，受限玻尔兹曼分类器是一种可通过输入数据集学习概率分布的随机生成神经网络，是最新的深度学习分类器。受限玻尔兹曼分类器网络结构分为：可见层(visiblelayer)和隐含层(hidden layer)两层。神经元间的连接情况为层内无连接，层间全连接。图5为本发明实施例二提供的受限玻尔兹曼分类器网络结构示意图。如图5所示，h为隐含层，b隐含层节点偏移向量；v为可视层，a为可视层节点偏移向量；w为h层和v层互相的权重值。在本实施例中，受限玻尔兹曼分类器的输入层是：由所有预设特征区域的像素平均值所确定的特征向量。输出层为待测纸币的币值。具体的，在印尼币币值识别的过程中，输入的向量是H＝{H1，H2，……，H11}。输出是预先设定的不同币值所对应的标号。当待测印尼币的特征向量输入到受限玻尔兹曼分类器中时，可获得待测印尼币在该模型(受限玻尔兹曼分类器)下的参数向量。

进一步的，根据待测纸币的特征向量确定基于预设分类器模型的参数向量之前，还可包括：基于所述预设分类器模型对所述待测纸币的至少一种币值对应的特征向量进行训练，得到所述至少一种币值对应于所述预设分类器模型的参数向量。其中，在对待测纸币的特征向量进行训练时，需要采集大量不同币值的待测纸币作为样本。采集的样本数量越多，经过训练得到的预设分类器模型的参数向量越准确，进而可以使得待测纸币的币值识别越准确。样本训练的过程实际上是预设分类器模型根据不同币值的特征将不同币值的待测纸币进行自动归类的过程。具体的，在印尼币币值识别的过程中，可以采集1000张币值为1万、5万或10万的印尼币，然后进行特征向量的训练，得到1万、5万或10万印尼币对应的参数向量。在训练过程中，首先需要输入待测印尼币的RGB图像，然后将RGB图像转换为HSV颜色空间的图像，并将H分量分离后得到待测印尼币预设特征区域的图像。对每个预设特征区域求像素平均值，得到由所有像素平均值确定的待测印尼币的特征向量。接着将特征向量输入受限玻尔兹曼分类器进行训练，得出不同币值的印尼币对应于受限玻尔兹曼分类器的参数向量(a，b，w)。受限玻尔兹曼分类器的使用，能为待测纸币提供非常精准的预测，使得待测纸币币值的识别更加准确。

示例性的，预设分类器也可以是其他神经网络模型，如BP神经网络模型。其中，对应于其他神经网络模型的参数向量训练方法和受限玻尔兹曼分类器参数向量的训练方式相同，具体可参照受限玻尔兹曼分类器参数向量的训练方式，此处不再赘述。

步骤S250、根据参数向量识别待测纸币的币值。

示例性的，在获取到基于受限玻尔兹曼分类器训练得到的不同币值对应的不同参数(a，b，w)后，通过输入待测印尼币预设特征区域的特征向量，可识别印尼币的币值，即输出印尼币币值所对应的标号。具体的印尼币币值的识别过程可以为：根据待测印尼币的特征向量得到对应于受限玻尔兹曼分类器的参数向量，并且将该参数向量与已完成训练的币值为1万、5万或10万的印尼币各自对应的参数向量分别进行比较，若与币值为1万的参数向量更接近，则待测印尼币的币值为1万，则输出标号1；若与5万印尼币的参数向量更接近，则可确定待测印尼币的币值为5万，则输出标号5；若与10万印尼币的参数向量更接近，则可确定待测印尼币的币值为10万，则输出标号10。

本发明实施例在上述实施例的基础上，通过计算每个预设特征区域图像的像素平均值，可以确定待测纸币的特征向量。根据该特征向量可以确定出预设分类器模型的参数向量，进而可识别待测纸币的币值。同时，基于预设分类器模型对特征向量进行训练可得到不同币值待测纸币所对应的参数向量，为待测纸币的识别提供精确的比较基准，以提高待测纸币币值的识别效率。

实施例三

图6是本发明实施例三提供的一种图像识别装置的结构框图，该装置可由软件和/或硬件实现，一般可集成在自动售票机或点钞机等金融设备中。如图6所示，该装置包括：图像获取模块310、特征区域提取模块320和币值识别模块330。

其中，图像获取模块310，用于获取待测纸币在HSV颜色空间第一分量的图像；特征区域提取模块320，用于在所述图像获取模块获取的所述第一分量的图像中提取至少一个预设特征区域的图像；币值识别模块330，用于根据所述特征区域提取模块提取的所述预设特征区域的图像识别所述待测纸币的币值。

本发明实施例三提供的图像识别装置，通过获取待测纸币在HSV颜色空间第一分量的图像，可在第一分量的图像中有效地提取出至少一个预设特征区域的图像，为待测纸币币值的识别提供更准确、更直接和更简便的方法。同时由于不同币值的待测纸币预设特征区域的图像具有较高的差异性，因此可以通过预设特征区域的图像精确地区分出待测纸币的币值，达到提高币值识别效率的效果。

在上述实施例的基础上，所述币值识别模块330包括：特征向量确定单元，用于计算每个所述预设特征区域的图像的像素平均值，得到由所有所述像素平均值确定的所述待测纸币的特征向量；参数向量确定单元，用于根据所述特征向量确定单元确定的所述待测纸币的特征向量确定基于预设分类器模型的参数向量；币值识别单元，用于根据所述参数向量确定单元确定的所述参数向量识别所述待测纸币的币值。

在上述实施例的基础上，该装置还包括：训练模块，用于在根据所述待测纸币的特征向量确定基于预设分类器模型的参数向量之前，基于所述预设分类器模型对所述待测纸币的至少一种币值对应的特征向量进行训练，得到所述至少一种币值对应于所述预设分类器模型的参数向量。

在上述实施例的基础上，所述预设分类器模型为受限玻尔兹曼分类器。

在上述实施例的基础上，所述待测纸币为印尼币。

上述实施例中提供的图像识别装置可执行本发明任意实施例所提供的图像识别方法，具备执行方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的图像识别方法。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种图像识别方法，其特征在于，包括：

获取待测纸币在HSV颜色空间第一分量的图像；

在所述第一分量的图像中提取至少一个预设特征区域的图像；

根据所述预设特征区域的图像识别所述待测纸币的币值。

2.根据权利要求1所述的方法，其特征在于，根据所述预设特征区域的图像识别所述待测纸币的币值，包括：

计算每个所述预设特征区域的图像的像素平均值，得到由所有所述像素平均值确定的所述待测纸币的特征向量；

根据所述待测纸币的特征向量确定基于预设分类器模型的参数向量；

根据所述参数向量识别所述待测纸币的币值。

3.根据权利要求2所述的方法，其特征在于，根据所述待测纸币的特征向量确定基于预设分类器模型的参数向量之前，还包括：

基于所述预设分类器模型对所述待测纸币的至少一种币值对应的特征向量进行训练，得到所述至少一种币值对应于所述预设分类器模型的参数向量。

4.根据权利要求3所述的方法，其特征在于，所述预设分类器模型为受限玻尔兹曼分类器。

5.根据权利要求1-4任一所述的方法，其特征在于，所述待测纸币为印尼币。

6.一种图像识别装置，其特征在于，包括：

图像获取模块，用于获取待测纸币在HSV颜色空间第一分量的图像；

特征区域提取模块，用于在所述图像获取模块获取的所述第一分量的图像中提取至少一个预设特征区域的图像；

币值识别模块，用于根据所述特征区域提取模块提取的所述预设特征区域的图像识别所述待测纸币的币值。

7.根据权利要求6所述的装置，其特征在于，所述币值识别模块包括：

特征向量确定单元，用于计算每个所述预设特征区域的图像的像素平均值，得到由所有所述像素平均值确定的所述待测纸币的特征向量；

参数向量确定单元，用于根据所述特征向量确定单元确定的所述待测纸币的特征向量确定基于预设分类器模型的参数向量；

币值识别单元，用于根据所述参数向量确定单元确定的所述参数向量识别所述待测纸币的币值。

8.根据权利要求7所述的装置，其特征在于，该装置还包括：

训练模块，用于在根据所述待测纸币的特征向量确定基于预设分类器模型的参数向量之前，基于所述预设分类器模型对所述待测纸币的至少一种币值对应的特征向量进行训练，得到所述至少一种币值对应于所述预设分类器模型的参数向量。

9.根据权利要求8所述的装置，其特征在于，所述预设分类器模型为受限玻尔兹曼分类器。

10.根据权利要求6-9任一所述的装置，其特征在于，所述待测纸币为印尼币。