CN115631573A - 一种现金纸币识别方法及装置 - Google Patents
一种现金纸币识别方法及装置 Download PDFInfo
- Publication number
- CN115631573A CN115631573A CN202211302880.9A CN202211302880A CN115631573A CN 115631573 A CN115631573 A CN 115631573A CN 202211302880 A CN202211302880 A CN 202211302880A CN 115631573 A CN115631573 A CN 115631573A
- Authority
- CN
- China
- Prior art keywords
- target
- image
- anchor point
- determining
- point set
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07D—HANDLING OF COINS OR VALUABLE PAPERS, e.g. TESTING, SORTING BY DENOMINATIONS, COUNTING, DISPENSING, CHANGING OR DEPOSITING
- G07D7/00—Testing specially adapted to determine the identity or genuineness of valuable papers or for segregating those which are unacceptable, e.g. banknotes that are alien to a currency
- G07D7/20—Testing patterns thereon
- G07D7/2016—Testing patterns thereon using feature extraction, e.g. segmentation, edge detection or Hough-transformation
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07D—HANDLING OF COINS OR VALUABLE PAPERS, e.g. TESTING, SORTING BY DENOMINATIONS, COUNTING, DISPENSING, CHANGING OR DEPOSITING
- G07D7/00—Testing specially adapted to determine the identity or genuineness of valuable papers or for segregating those which are unacceptable, e.g. banknotes that are alien to a currency
- G07D7/20—Testing patterns thereon
- G07D7/202—Testing patterns thereon using pattern matching
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07D—HANDLING OF COINS OR VALUABLE PAPERS, e.g. TESTING, SORTING BY DENOMINATIONS, COUNTING, DISPENSING, CHANGING OR DEPOSITING
- G07D7/00—Testing specially adapted to determine the identity or genuineness of valuable papers or for segregating those which are unacceptable, e.g. banknotes that are alien to a currency
- G07D7/20—Testing patterns thereon
- G07D7/2075—Setting acceptance levels or parameters
- G07D7/2083—Learning
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种现金纸币识别方法及装置。该方法可以用于对现金纸币进行纸币清分。具体地,在利用本申请提供的现金纸币识别方法对第一待识别纸币识别时,可以先获取对第一待识别纸币进行拍摄得到的第一图像,然后对第一图像进行特征识别,得到目标特征图。接着,可以根据目标特征图确定目标锚点集合,从而确定第一待识别纸币的空间信息,基于第一待识别纸币的空间信息对第一待识别纸币进行识别。这样,可以对现金纸币的图案进行识别,无需对现金纸币的冠字号码进行识别。如此,具有较高的识别准确率和检测速率,可以提高纸币清分的效率。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种现金纸币识别方法及装置。
背景技术
现金纸币是金融经济的重要基石。为了提高流通的现金纸币的可靠性,银行等对现金纸币进行管理的机构可以进行纸币清分。纸币清分是指对接收到的大量现金纸币进行分类清点。具体地,可以根据现金纸币的面额和套别进行分类,并统计每一类现金纸币的总额度。其中,套别是指现金纸币的版本类别。另外,在纸币清分过程中,还可以进行真假币鉴别。
传统的纸币清分大多是由工作人员手动对现金纸币进行分类清点,存在着纸币清分效率低、准确度差等问题。为此,可以采用图像识别技术进行纸币清分。具体地,可以获取对现金纸币进行拍摄得到的图像,然后对现金纸币中冠字号码所在的区域进行定位和识别,从而确定现金纸币的冠字号码。这样,可以通过现金纸币的冠字号码,实现纸币清分的功能。
但是,上述方法基于现金纸币的冠字号码实现,存在以下两方面的问题。一方面,需要对现金纸币上的字母和数字进行多次识别,导致神经网络的压力较大;另一方面,基于冠字号码的识别无法准确确定现金纸币的面额,不便于对现金纸币进行管理。
发明内容
有鉴于此,本申请提供了一种现金纸币识别方法及装置,旨在快速准确地对现金纸币进行纸币清分。
第一方面,本申请提供了一种现金纸币识别方法,所述方法包括:
获取第一图像,所述第一图像通过对第一待识别纸币进行拍摄得到;
对所述第一图像进行特征识别,得到目标特征图;
根据所述目标特征图确定所述目标锚点集合;
根据所述目标锚点集合确定所述第一待识别纸币的空间信息;
基于所述第一待识别纸币的空间信息对所述第一待识别纸币进行识别。
在一些可能的实现方式中,所述根据所述目标特征图确定所述目标锚点集合包括:
通过区域候选网络RPN对所述目标特征图进行识别,确定所述目标特征图的原始锚点集合;
对所述原始锚点集合进行聚类修改,确定所述目标锚点集合。
在一些可能的实现方式中,所述目标特征图包括多个目标框,所述对所述原始锚点集合进行聚类修改,确定所述目标锚点集合包括:
从所述多个目标框中选择一个目标框作为第一聚类中心;
确定所述多个目标框中每个目标框到所述第二聚类中心的距离;
基于所述多个目标框中每个目标框到所述初始聚类中心的距离,从所述多个目标框中确定N个聚类中心,所述N为正整数,所述N小于所述目标框的数量;
根据目标框到聚类中心的距离,将所述多个目标框分为N个类别;
确定所述N个类别中每个类别的聚类中心;
根据所述N个类别中每个类别的聚类中心的长宽比确定锚点比例;
根据所述锚点比例调整所述原始锚点集合,得到所述目标锚点集合。
在一些可能的实现方式中,所述第一图像是通过双目深度相机获取到的图像;所述方法还包括:
根据所述第一图像进行分析,确定第一深度信息;
获取第二深度信息,所述第二深度信息是深度测量装置进行测量得到的;
判断所述第一深度信息和所述第二深度信息是否匹配。
在一些可能的实现方式中,所述对所述第一图像进行特征识别,得到目标特征图包括:
通过预设模型对所述第一图像进行特征识别,得到目标特征图;
其中,所述预设模型是基于训练数据集得到的,所述训练数据集中包括多种类别不同的纸币标注后的图像数据。
第二方面,本申请提供了一种现金纸币识别装置,所述装置包括:
获取单元,用于获取第一图像,所述第一图像通过对第一待识别纸币进行拍摄得到;
处理单元,用于对所述第一图像进行特征识别,得到目标特征图;根据所述目标特征图确定所述目标锚点集合;根据所述目标锚点集合确定所述第一待识别纸币的空间信息;基于所述第一待识别纸币的空间信息对所述第一待识别纸币进行识别。
在一些可能的实现方式中,所述处理单元,具体用于通过区域候选网络RPN对所述目标特征图进行识别,确定所述目标特征图的原始锚点集合;对所述原始锚点集合进行聚类修改,确定所述目标锚点集合。
在一些可能的实现方式中,所述目标特征图包括多个目标框,所述处理单元,具体用于从所述多个目标框中选择一个目标框作为第一聚类中心;确定所述多个目标框中每个目标框到所述第二聚类中心的距离;基于所述多个目标框中每个目标框到所述初始聚类中心的距离,从所述多个目标框中确定N个聚类中心,所述N为正整数,所述N小于所述目标框的数量;根据目标框到聚类中心的距离,将所述多个目标框分为N个类别;确定所述N个类别中每个类别的聚类中心;根据所述N个类别中每个类别的聚类中心的长宽比确定锚点比例;根据所述锚点比例调整所述原始锚点集合,得到所述目标锚点集合。
在一些可能的实现方式中,所述第一图像是通过双目深度相机获取到的图像;所述处理单元,具体用于根据所述第一图像进行分析,确定第一深度信息;获取第二深度信息,所述第二深度信息是深度测量装置进行测量得到的;判断所述第一深度信息和所述第二深度信息是否匹配。
在一些可能的实现方式中,所述处理单元,具体用于通过预设模型对所述第一图像进行特征识别,得到目标特征图;其中,所述预设模型是基于训练数据集得到的,所述训练数据集中包括多种类别不同的纸币标注后的图像数据。
第三方面,本申请提供了一种设备,所述设备包括存储器和处理器,所述存储器用于存储指令或代码,所述处理器用于执行所述指令或代码,以使所述设备执行前述第一方面任一项所述的现金纸币识别方法。
第四方面,本申请提供了一种系统,所述系统包括图像采集装置。所述图像采集装置用于采集现金纸币的图像,所述系统还包括前述第二方面任一项所述的现金纸币识别装置。
第五方面,本申请提供了一种计算机存储介质,所述计算机存储介质中存储有代码,当所述代码被运行时,运行所述代码的设备实现前述第一方面任一项所述的现金纸币识别方法。
本申请提供了一种现金纸币识别方法及装置。该方法可以用于对现金纸币进行纸币清分。具体地,在利用本申请提供的现金纸币识别方法对第一待识别纸币识别时,可以先获取对第一待识别纸币进行拍摄得到的第一图像,然后对第一图像进行特征识别,得到目标特征图。接着,可以根据目标特征图确定目标锚点集合,从而确定第一待识别纸币的空间信息,基于第一待识别纸币的空间信息对第一待识别纸币进行识别。这样,可以对现金纸币的图案进行识别,无需对现金纸币的冠字号码进行识别。如此,具有较高的识别准确率和检测速率,可以提高纸币清分的效率。另外,由于不同面值的纸币上的图案不同,基于现金纸币的图案进行识别,也可以准确地识别出现金纸币的面额,有利于提高纸币清分的效率。
附图说明
为更清楚地说明本实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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。
图1为本申请实施例提供的现金纸币识别方法的方法流程图;
图2为本申请实施例提供的现金纸币识别装置的一种结构示意图。
具体实施方式
目前,为了提高现金分清的效率,可以采用图像识别技术进行辅助。具体地,可以通过图像采集系统采集现金纸币的图像,然后通过卷积神经网络对图像进行识别,确定现金纸币的冠字号码。这样,只需从数据库中查询现金纸币的冠字号码对应的套别,即可确定现金纸币的套别。
但是,上述对现金纸币的冠字号码进行识别的方法,需要基于二级分类的卷积神经网络实现。其中,第一级分类神经网络用于将现金纸币的冠字号码所涉及的所有数字和字母进行分类,第二级分类卷积神经网络用于对第一级分类卷积神经网络的部分类别进行再次分类。其中,以待识别的单个冠字号码的灰度图像作为卷积神经网络的输入。这样,需要分为多个步骤训练卷积神经网络。并且,卷积神经网络运行过程中也会消耗较多的内存和时间,影响纸币清分的速度和效率。进一步地,在一些可能的实现方式中,可能缺乏冠字号码和现金纸币的面值之间的关系,那么上述方法也无法确定现金纸币的面值。
为了解决上述问题,本申请实施例提供了一种现金纸币识别方法及装置。其中,所述现金纸币识别方法可以应用于纸币清分系统。所述纸币清分系统可以是服务器,也可以是服务器组成的服务器集群。例如可以是银行等机构中用于辅助配合纸币清分的计算机系统。
下面从纸币清分系统的角度,对本申请实施例提供的全流程系统测试方法进行说明。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
参见图1,图1为本申请实施例提供的现金纸币识别方法的一种方法流程图,包括:
S101:获取第一图像。
为了对待识别纸币进行识别,首先可以获取待识别纸币对应的图像。具体地,本实施例以对第一待识别纸币的识别为例进行说明。纸币清分系统可以获取第一待识别纸币对应的第一图像。第一图像是对第一待识别纸币进行拍摄得到的。可选地,第一图像可以是单目相机对第一待识别纸币进行拍摄得到的,也可以是双目相机对第一待识别纸币进行拍摄得到的。
S102:对第一图像进行特征识别,得到目标特征图。
在获取到第一图像之后,纸币清分系统可以对第一图像进行特征识别,得到目标特征图。具体地,纸币清分系统中可以集成有预先训练好的预设模型,该预设模型用于对现金纸币的图像进行特征识别。
实际应用中,考虑到现金纸币往往具有多种不同的面额,用于训练预设模型的训练数据集可以包括多种类别不同的纸币标注后的图像数据。其中,类别不同可以指现金纸币的面值不同,也可以指现金纸币的套别。
在实际情况中,为了消除拍摄角度或现金纸币的磨损对最终识别结果的影响,可以对现金纸币图像进行数据增强处理,从而获得更高质量的图像。为此,可以对第一图像(和用于训练上述神经网络模型的训练数据集)进行数据增强处理。其中,数据增强处理例如可以包括图像剪裁、图像翻转、亮度饱和度调整和加噪处理等。
S103:根据目标特征图确定目标锚点集合。
在获取到目标特征图之后,可以根据目标特征图确定目标锚点集合。目标锚点集合用于指示第一代识别纸币的空间信息可能所在的区域。可选地,可以将目标特征图输入区域候选网络(Region Proposal Network,RPN),通过RPN网络识别出目标特征图中的锚点。
可选地,为了提高最终识别结果的准确率,可以对RPN网络输出的锚点集合进行修正。也就是说,纸币清分系统可以先用RPN网络对目标特征图进行初步识别,确定原始锚点集合,然后对原始锚点集合进行调整,最终得到用于识别的目标锚点集合,
在一些可能的实现方式中,可以通过聚类的方式对原始锚点集合进行修改。具体地,可以通过K-means算法对RPN网络的锚点进行聚类,并根据实际纸币标志的尺寸调节锚点的尺度,生成适应于纸币标志识别的锚点。
具体地,假设目标特征图中有n个目标框。那么纸币清分系统可以执行以下步骤:
(1)纸币清分系统首先可以根据目标框的长度和宽度生成目标集合C={c1(w1,h1),c2(w2,h2),…,cn(wn,hn)}。其中,ci(wi,hi)表示目标集合中第i个目标框,wi表示第i个目标框的长度,hi表示第i个目标框的宽度,i为小于或等于n的正整数,n为大于1的正整数。
(2)纸币清分系统可以从目标集合C中随机选取一个目标框作为初始聚类中心a1,计算C中每个目标框到初始聚类中心a1的距离和每个目标框被选为下一个聚类中心的概率,计算公式如下:
d(ci(wi,hi),a1)=1-IoU(ci(wi,hi),a1)
其中,d(ci(wi,hi),a1)表示目标框ci(wi,hi)到初始聚类中心a1的距离,IoU(ci(wi,hi),a1)表示目标框ci(wi,hi)与初始聚类中心a1的重合度,Pi表示目标框ci(wi,hi)被选为下一个聚类中心的概率,c′表示目标集合C中的目标框,d(c′,a1)2表示目标框c′到初始聚类中心a1的距离;
(4)重复步骤2、3,直到选出k个聚类中心,生成聚类中心集合A={a1,a2,…,ap,…,ak},其中,ap表示第p个聚类中心,p=1,2,…,k;
(5)依次计算C中每个目标框到k个聚类中心的距离,并将目标框放入距离最小的聚类中心对应的类中,获得k个类;
(6)根据步骤5中的k个类重新计算每个类的聚类中心,计算公式如下:
其中,cj(wj,hj)表示第p类中的第j个目标框,j=1,2,…,l,l为第p类中目标框数量;
(7)重复步骤5、6,直到k个聚类中心的值均不发生改变;
(8)利用步骤7中的k个聚类中心的长宽比作为RPN网络的锚点比例。
在确定了锚点比例之后,可以根据锚点比例调整原始锚点集合,得到目标锚点集合。
S104:根据目标锚点集合确定第一待识别纸币的空间信息。
在确定了目标锚点集合之后,可以根据目标锚点集合确定第一待识别纸币的空间信息。其中,第一待识别纸币的空间信息,是指第一待识别纸币上图案和标志的相关信息、例如可以包括图案本身的形状和颜色等信息,还可以包括第一待识别纸币上图案之间的相对位置关系。
S105:基于第一待识别纸币的空间信息对第一待识别纸币进行识别。
在获取到第一待识别纸币的空间信息之后,可以基于第一待识别纸币的空间信息对第一待识别纸币进行识别,从而确定第一待识别纸币的真伪、面值和套别。完成对第一待识别纸币的纸币分清。
在实际应用中,需要被校验的纸币可能处于不同的高度和不同的角度。为此,在一些可能的实现方式中,第一图像可以是双目深度相机获取到的图像。相应地,纸币清分系统可以结合高度信息对纸币进行校验。具体地,可以对第一图像进行分析,确定第一深度信息。第一深度信息用于指示第一待校验纸币与双目深度相机之间的距离。接着,可以获取深度测量装置(例如激光测距仪)获取的深度信息(后称第二深度信息),并判断第一深度信息和第二深度信息是否匹配,从而对双目深度相机进行标注。可选地,上述第一深度信息可以用于对相机标定时使用。
本申请实施例提供了一种现金纸币识别方法。该方法可以用于对现金纸币进行纸币清分。具体地,在利用本申请提供的现金纸币识别方法对第一待识别纸币识别时,可以先获取对第一待识别纸币进行拍摄得到的第一图像,然后对第一图像进行特征识别,得到目标特征图。接着,可以根据目标特征图确定目标锚点集合,从而确定第一待识别纸币的空间信息,基于第一待识别纸币的空间信息对第一待识别纸币进行识别。这样,可以对现金纸币的图案进行识别,无需对现金纸币的冠字号码进行识别。如此,具有较高的识别准确率和检测速率,可以提高纸币清分的效率。另外,由于不同面值的纸币上的图案不同,基于现金纸币的图案进行识别,也可以准确地识别出现金纸币的面额,有利于提高纸币清分的效率。
以上为本申请实施例提供现金纸币识别方法的一些具体实现方式,基于此,本申请还提供了对应的现金纸币识别装置。下面将从功能模块化的角度对本申请实施例提供的现金纸币识别装置进行介绍。
参见图2所示的现金纸币识别装置200的结构示意图,该装置200包括获取单元210和确定单元220。
其中,获取单元210,用于获取第一图像,所述第一图像通过对第一待识别纸币进行拍摄得到。
处理单元220,用于对所述第一图像进行特征识别,得到目标特征图;根据所述目标特征图确定所述目标锚点集合;根据所述目标锚点集合确定所述第一待识别纸币的空间信息;基于所述第一待识别纸币的空间信息对所述第一待识别纸币进行识别。
本申请实施例提供了一种现金纸币识别装置。该装置可以用于对现金纸币进行纸币清分。具体地,可以先获取对第一待识别纸币进行拍摄得到的第一图像,然后对第一图像进行特征识别,得到目标特征图。接着,可以根据目标特征图确定目标锚点集合,从而确定第一待识别纸币的空间信息,基于第一待识别纸币的空间信息对第一待识别纸币进行识别。这样,可以对现金纸币的图案进行识别,无需对现金纸币的冠字号码进行识别。如此,具有较高的识别准确率和检测速率,可以提高纸币清分的效率。另外,由于不同面值的纸币上的图案不同,基于现金纸币的图案进行识别,也可以准确地识别出现金纸币的面额,有利于提高纸币清分的效率。
可选地,在一些可能的实现方式中,所述处理单元220,具体用于通过区域候选网络RPN对所述目标特征图进行识别,确定所述目标特征图的原始锚点集合;对所述原始锚点集合进行聚类修改,确定所述目标锚点集合。
可选地,在一些可能的实现方式中,所述目标特征图包括多个目标框,所述处理单元220,具体用于从所述多个目标框中选择一个目标框作为第一聚类中心;确定所述多个目标框中每个目标框到所述第二聚类中心的距离;基于所述多个目标框中每个目标框到所述初始聚类中心的距离,从所述多个目标框中确定N个聚类中心,所述N为正整数,所述N小于所述目标框的数量;根据目标框到聚类中心的距离,将所述多个目标框分为N个类别;确定所述N个类别中每个类别的聚类中心;根据所述N个类别中每个类别的聚类中心的长宽比确定锚点比例;根据所述锚点比例调整所述原始锚点集合,得到所述目标锚点集合。
可选地,在一些可能的实现方式中,所述第一图像是通过双目深度相机获取到的图像;所述处理单元220,具体用于根据所述第一图像进行分析,确定第一深度信息;获取第二深度信息,所述第二深度信息是深度测量装置进行测量得到的;判断所述第一深度信息和所述第二深度信息是否匹配。
可选地,在一些可能的实现方式中,所述处理单元220,具体用于通过预设模型对所述第一图像进行特征识别,得到目标特征图;其中,所述预设模型是基于训练数据集得到的,所述训练数据集中包括多种类别不同的纸币标注后的图像数据。
本申请实施例还提供了对应的设备以及计算机存储介质,用于实现本申请实施例提供的方案。
其中,所述设备包括存储器和处理器,所述存储器用于存储指令或代码,所述处理器用于执行所述指令或代码,以使所述设备执行本申请任一实施例所述的现金纸币识别方法。
所述计算机存储介质中存储有代码,当所述代码被运行时,运行所述代码的设备实现本申请任一实施例所述的现金纸币识别方法。
本申请实施例中提到的“第一”、“第二”(若存在)等名称中的“第一”、“第二”只是用来做名字标识,并不代表顺序上的第一、第二。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到上述实施例方法中的全部或部分步骤可借助软件加通用硬件平台的方式来实现。基于这样的理解,本申请的技术方案可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如只读存储器(英文:read-only memory,ROM)/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者诸如路由器等网络通信设备)执行本申请各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述仅是本申请示例性的实施方式,并非用于限定本申请的保护范围。
Claims (10)
1.一种现金纸币识别方法,其特征在于,所述方法包括:
获取第一图像,所述第一图像通过对第一待识别纸币进行拍摄得到;
对所述第一图像进行特征识别,得到目标特征图;
根据所述目标特征图确定所述目标锚点集合;
根据所述目标锚点集合确定所述第一待识别纸币的空间信息;
基于所述第一待识别纸币的空间信息对所述第一待识别纸币进行识别。
2.根据权利要求1所述的方法,其特征在于,所述根据所述目标特征图确定所述目标锚点集合包括:
通过区域候选网络RPN对所述目标特征图进行识别,确定所述目标特征图的原始锚点集合;
对所述原始锚点集合进行聚类修改,确定所述目标锚点集合。
3.根据权利要求2所述的方法,其特征在于,所述目标特征图包括多个目标框,所述对所述原始锚点集合进行聚类修改,确定所述目标锚点集合包括:
从所述多个目标框中选择一个目标框作为第一聚类中心;
确定所述多个目标框中每个目标框到所述第二聚类中心的距离;
基于所述多个目标框中每个目标框到所述初始聚类中心的距离,从所述多个目标框中确定N个聚类中心,所述N为正整数,所述N小于所述目标框的数量;
根据目标框到聚类中心的距离,将所述多个目标框分为N个类别;
确定所述N个类别中每个类别的聚类中心;
根据所述N个类别中每个类别的聚类中心的长宽比确定锚点比例;
根据所述锚点比例调整所述原始锚点集合,得到所述目标锚点集合。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述第一图像是通过双目深度相机获取到的图像;所述方法还包括:
根据所述第一图像进行分析,确定第一深度信息;
获取第二深度信息,所述第二深度信息是深度测量装置进行测量得到的;
判断所述第一深度信息和所述第二深度信息是否匹配。
5.根据权利要求1-3任一项所述的方法,其特征在于,所述对所述第一图像进行特征识别,得到目标特征图包括:
通过预设模型对所述第一图像进行特征识别,得到目标特征图;
其中,所述预设模型是基于训练数据集得到的,所述训练数据集中包括多种类别不同的纸币标注后的图像数据。
6.一种现金纸币识别装置,其特征在于,所述装置包括:
获取单元,用于获取第一图像,所述第一图像通过对第一待识别纸币进行拍摄得到;
处理单元,用于对所述第一图像进行特征识别,得到目标特征图;根据所述目标特征图确定所述目标锚点集合;根据所述目标锚点集合确定所述第一待识别纸币的空间信息;基于所述第一待识别纸币的空间信息对所述第一待识别纸币进行识别。
7.根据权利要求6所述的装置,其特征在于,
所述处理单元,具体用于通过区域候选网络RPN对所述目标特征图进行识别,确定所述目标特征图的原始锚点集合;对所述原始锚点集合进行聚类修改,确定所述目标锚点集合。
8.根据权利要求7所述的装置,其特征在于,所述目标特征图包括多个目标框,
所述处理单元,具体用于从所述多个目标框中选择一个目标框作为第一聚类中心;确定所述多个目标框中每个目标框到所述第二聚类中心的距离;基于所述多个目标框中每个目标框到所述初始聚类中心的距离,从所述多个目标框中确定N个聚类中心,所述N为正整数,所述N小于所述目标框的数量;根据目标框到聚类中心的距离,将所述多个目标框分为N个类别;确定所述N个类别中每个类别的聚类中心;根据所述N个类别中每个类别的聚类中心的长宽比确定锚点比例;根据所述锚点比例调整所述原始锚点集合,得到所述目标锚点集合。
9.根据权利要求6-8任一项所述的装置,其特征在于,所述第一图像是通过双目深度相机获取到的图像;
所述处理单元,具体用于根据所述第一图像进行分析,确定第一深度信息;获取第二深度信息,所述第二深度信息是深度测量装置进行测量得到的;判断所述第一深度信息和所述第二深度信息是否匹配。
10.根据权利要求6-8任一项所述的装置,其特征在于,
所述处理单元,具体用于通过预设模型对所述第一图像进行特征识别,得到目标特征图;其中,所述预设模型是基于训练数据集得到的,所述训练数据集中包括多种类别不同的纸币标注后的图像数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211302880.9A CN115631573A (zh) | 2022-10-24 | 2022-10-24 | 一种现金纸币识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211302880.9A CN115631573A (zh) | 2022-10-24 | 2022-10-24 | 一种现金纸币识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115631573A true CN115631573A (zh) | 2023-01-20 |
Family
ID=84906504
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211302880.9A Pending CN115631573A (zh) | 2022-10-24 | 2022-10-24 | 一种现金纸币识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115631573A (zh) |
-
2022
- 2022-10-24 CN CN202211302880.9A patent/CN115631573A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5219211B2 (ja) | 銀行券の確認方法及びその装置 | |
JP4932177B2 (ja) | 硬貨分類装置および硬貨分類方法 | |
US8204293B2 (en) | Document imaging and processing system | |
CN104464079B (zh) | 基于模板特征点及其拓扑结构的多币种面值识别方法 | |
JP5372183B2 (ja) | 硬貨分類装置および硬貨分類方法 | |
JPH0644377A (ja) | パターン、特に紙幣あるいは貨幣のパターンを分類する装置 | |
US20110320930A1 (en) | Method and means for identifying valuable documents | |
CN105574981B (zh) | 一种基于安全线磁信息的人民币纸币面额识别方法 | |
KR101001691B1 (ko) | 웨이블렛 변환을 이용한 권종인식방법 | |
Tessfaw et al. | Ethiopian banknote recognition and fake detection using support vector machine | |
CN110491368B (zh) | 基于方言背景的语音识别方法、装置、计算机设备和存储介质 | |
CN108665603B (zh) | 识别纸币币种的方法、装置及电子设备 | |
Zarin et al. | A hybrid fake banknote detection model using OCR, face recognition and hough features | |
CN115631573A (zh) | 一种现金纸币识别方法及装置 | |
Sousa et al. | Banknote identification methodology for visually impaired people | |
Olanrewaju et al. | Automated bank note identification system for visually impaired subjects in malaysia | |
KR101232684B1 (ko) | 베이시안 접근법을 이용한 지폐 진위 감별 방법 | |
CN107958531A (zh) | 纸币识别方法和装置以及设备 | |
Patel et al. | Counterfeit currency detection using deep learning | |
Jadhav et al. | GM,“Forged Multinational Currency Identification and Detection System using Deep Learning Algorithm,” | |
Shamini et al. | Fake Currency Detection | |
Dittimi et al. | High correlation-based banknote gradient assessment of ensemble classifier | |
Antonius et al. | DeepCyberDetect: Hybrid AI for Counterfeit Currency Detection with GAN-CNN-RNN using African Buffalo Optimization | |
US11475727B2 (en) | Method and system for determining if paper currency has numismatic value | |
Woo et al. | Off-line signature verification based on directional gradient spectrum and a fuzzy classifier |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |