JP2018060453A - 貨幣分類装置及び貨幣分類方法 - Google Patents

Abstract

【課題】貨幣の種類の分類に要する処理時間を短縮することのできる貨幣分類装置及び貨幣分類方法を提供する。
【解決手段】硬貨分類装置１００は、分類の候補となる全ての種類の貨幣の画像について共通の画像領域から当該画像の特徴量を算出する特徴量算出部１４０と、貨幣のモデルとなる学習用画像から特徴量算出部１４０によって算出された特徴量を貨幣の種類ごとにテンプレートとして記憶するテンプレート記憶部１５０とを備える。そして、分類の対象となる貨幣の画像である入力画像から特徴量算出部１４０によって算出された特徴量とテンプレート記憶部１５０に記憶されたテンプレートとの類似度が最大値となるテンプレートに対応する貨幣の種類を分類結果として出力部１７０を通じて出力する。
【選択図】図１

Description

本発明は、貨幣の画像を用いて貨幣の種類を分類する貨幣分類装置及び貨幣分類方法に関する。

従来、この種の貨幣分類装置として、例えば特許文献１に記載の装置が知られている。この装置は、各地域の貨幣の模様に特徴的な画像領域の画像集計データ（特徴量）を地域ごとのテンプレートとして予め記憶する。また、分類の対象となる貨幣の画像の画像領域ごとの画像集計データ（特徴量）をテンプレートごとの画像集計データと比較する。そして、最も相関が高いと判断されたテンプレートに対応する地域を分類の対象とされる貨幣が属する地域であると分類する。その後、こうして分類された地域の貨幣のみを対象として貨幣の種類をより詳細に分類することにより、貨幣の種類の分類に要する処理時間を短縮するようにしている。

特許第４５８０３２４号公報

ところで、上記文献に記載の貨幣分類装置では、分類の候補となる貨幣の属する地域が多岐に亘っていると、各地域に対応する画像領域から地域の種類数の分だけ画像集計データを繰り返し算出する必要があり、貨幣の種類の分類に要する処理時間を短縮する上でなお改善の余地を残していた。

本発明は、このような実情に鑑みてなされたものであり、その目的は、貨幣の種類の分類に要する処理時間を短縮することのできる貨幣分類装置及び貨幣分類方法を提供することにある。

上記課題を解決するため、本発明は、貨幣の画像を用いて貨幣の種類を分類する貨幣分類装置であって、分類の候補となる全ての種類の貨幣の画像について共通の画像領域から当該画像の特徴量を算出する特徴量算出部と、貨幣のモデルとなる学習用画像から前記特徴量算出部によって算出された前記特徴量を貨幣の種類ごとにテンプレートとして記憶する記憶部と、分類の対象となる貨幣の画像である入力画像から前記特徴量算出部によって算出された前記特徴量と前記記憶部に記憶された前記テンプレートとの類似度が最大値となる前記テンプレートに対応する貨幣の種類を分類結果として出力する出力部とを備えることを特徴とする。

また、上記課題を解決するため、本発明は、貨幣の画像を用いて貨幣の種類を分類する貨幣分類方法であって、分類の候補となる全ての種類の貨幣の画像について共通の画像領域から当該画像の特徴量を算出する特徴量算出工程と、貨幣のモデルとなる学習用画像から算出された前記特徴量を貨幣の種類ごとのテンプレートとして読み出す読出工程と、分類の対象となる貨幣の画像である入力画像から算出された前記特徴量と前記読出工程において読み出された前記テンプレートとの類似度が最大値となる前記テンプレートに対応する貨幣の種類を分類結果として出力する出力工程とを備えることを特徴とする。

上記構成によれば、特徴量の算出の対象とする画像領域を全ての種類の貨幣の画像について共通としたため、分類の候補となる貨幣の種類が多岐に亘ったとしても、分類の対象となる貨幣の画像である入力画像を用いた特徴量の算出を、画像領域を変更しつつ繰り返す必要がない。そのため、貨幣の種類ごと、又は、貨幣の属する地域ごとに異なる画像領域から特徴量を算出する構成と比較して、特徴量の算出頻度が低減される。したがって、貨幣の種類の分類に要する処理時間を短縮することができる。

また、本発明は、上記発明において、前記出力部は、前記類似度が最大値となる前記テンプレートに対応する貨幣の種類も含め、前記類似度が所定の閾値以上となる前記テンプレートに対応する貨幣の種類を分類結果として出力することを特徴とする。

上記構成によれば、所定の閾値を適宜設定することにより、分類結果として複数の貨幣の種類を出力することも可能となり、より柔軟に貨幣の種類を分類することが可能となる。

また、本発明は、上記発明において、前記出力部は、前記類似度が最大値となる前記テンプレートに対応する貨幣の種類も含め、前記類似度が高い順に前記テンプレートに対応する貨幣の種類を分類結果として出力することを特徴とする。

上記構成によれば、分類結果の候補となる貨幣の種類を類似度が高い順に一覧として出力することが可能となり、より柔軟に貨幣の種類を分類することが可能となる。
また、本発明は、上記発明において、前記特徴量算出部は、互いに異なる複数の算出条件に基づいて前記特徴量を算出するものであり、前記類似度の算出は、分類の対象となる貨幣の画像である入力画像から前記特徴量算出部によって算出された前記特徴量の全てを用いて行うことを特徴とする。

上記構成によれば、特徴量の算出の対象となる画像領域を全ての種類の貨幣の画像に共通としたとしても、貨幣の種類の分類を、算出条件の互いに異なる複数の特徴量を用いて多面的に行うことにより、貨幣の分類の精度を向上することができる。

また、本発明は、上記発明において、前記特徴量算出部は、互いに異なる複数の算出条件に基づいて前記特徴量を算出するものであり、前記テンプレートは、同一の貨幣の種類に対応する複数の前記学習用画像から算出した前記特徴量の平均値又は中間値として算出されるものであり、前記類似度の算出は、貨幣の種類ごとに前記テンプレートの算出に用いた前記特徴量のばらつき度合いを前記各算出条件について比較し、前記各算出条件のうち相対的にばらつき度合いの小さい算出条件に基づき算出される特徴量を優先的に用いて行うことを特徴とする。

上記構成によれば、各算出条件に基づいて算出される特徴量のうち、貨幣の使用状況に応じて貨幣に生じる傷、摩耗又は汚れ等、流通に伴う貨幣の模様の変動（以下、「貨幣の流通変動」という）の影響を受けにくい特徴量を優先的に用いて類似度の算出が行われるため、貨幣の分類の精度を高めることが可能となる。

また、本発明は、上記発明において、前記特徴量算出部は、前記貨幣の画像から抽出したエッジの勾配成分に基づいて前記特徴量を算出することを特徴とする。
本発明は、前記特徴量算出部は、エッジの方向が互いに異なる複数のエッジの勾配成分を抽出し、当該抽出したそれぞれのエッジの勾配成分同士の比率に基づいて前記特徴量を算出することを特徴とする。

上記構成によれば、貨幣の流通変動等に起因して分類の対象となる貨幣の入力画像の全体の輝度値が変化したとしても、こうした輝度値の変化が特徴量に与える影響が抑えられるため、貨幣の分類の精度をより一層高めることができる。

また、本発明は、上記発明において、前記特徴量算出部は、貨幣の画像から抽出したエッジの強度成分に基づいて前記特徴量を抽出することを特徴とする。
上記構成によれば、エッジの勾配成分を用いて特徴量を算出することに加え、貨幣の画像から抽出したエッジの強度成分に基づいて特徴量を算出するよう構成したので、エッジの勾配成分のみを用いて特徴量を算出する構成とは異なり、互いに方向が異なる複数のエッジの情報を一つの貨幣の画像に対してエッジ強度画像として含めることで貨幣の模様を連続的に捉えることが可能となる。これにより、貨幣の分類の精度を更に高めることができる。

また、本発明は、上記発明において、前記特徴量算出部は、前記貨幣の画像の基準点周りの角度方向を座標軸とした自己相関曲線を前記特徴量として前記貨幣の画像の基準点からの放射方向の位置ごとに算出するものであり、前記類似度の算出は、前記特徴量算出部によって前記入力画像から算出された自己相関曲線と前記学習用画像から算出された貨幣の種類ごとの自己相関曲線との同期性特徴に基づいて行うことを特徴とする。

上記構成によれば、貨幣の画像の基準点周りの回転位置に依存しない自己相関曲線を特徴量として用いて分類の対象となる貨幣の画像とテンプレートとの比較を行うため、この比較に際して画像同士の角度合わせを行う必要がなく、貨幣の分類に要する時間をより一層短縮することができる。

また、本発明は、上記発明において、前記特徴量算出部は、貨幣の画像の基準点からの放射方向における複数の位置の画像データを貨幣の画像の基準点周りの角度方向の位置ごとに合算し、当該合算して得られた画像データに基づいて貨幣の画像の基準点からの放射方向の位置ごとの自己相関曲線を算出することを特徴とする。

上記構成によれば、貨幣の模様をより多様に捉えることができ、貨幣の分類の精度をより一層高めることが可能となる。

本発明によれば、貨幣の種類の分類に要する処理時間を短縮することができる。

貨幣分類装置の一実施の形態の機能構成を示すブロック図。 エッジ勾配画像及びエッジ強度画像の一例を示す模式図。 エッジ勾配画像及びエッジ強度画像から自己相関関数を算出する過程を説明するための模式図。 （ａ）は、自己相関関数の一例として強度ＡＣＦを算出する過程を説明するための模式図、（ｂ）は、自己相関関数の一例として強度Ｍ‐ＡＣＦを算出する過程を説明するための模式図。 自己相関関数の一例として勾配ＡＣＦを算出する過程を説明するための模式図。 自己相関関数の一例として勾配Ｍ‐ＡＣＦを算出する過程を説明するための模式図。 分類の対象となる貨幣とテンプレートとの類似度を算出する過程を説明するための模式図。 テンプレートの算出に用いる学習用画像の特徴量のばらつき度合いの一例を示すグラフ。 同実施の形態の貨幣分類装置が実行する貨幣分類処理の処理内容を示すフローチャート。

以下、貨幣分類装置を貨幣の一種である硬貨の分類に用いる硬貨分類装置に具体化した一実施の形態について図面を参照して説明する。
本実施の形態の硬貨分類装置は、例えばユーロ硬貨等、その種類が多岐に亘り、硬貨の直径や材質に基づく分類手法では硬貨の種類の分類が困難であるような状況であっても、硬貨の種類の分類を行うことが可能な装置であり、具体的には硬貨の画像に基づき硬貨の分類を行うようにした装置である。この装置では、全ての種類の硬貨の画像について共通の画像領域から当該画像の特徴量を算出し、分類の対象となる硬貨の画像（入力画像）から算出した特徴量と、分類先となる硬貨の画像（学習用画像）から算出した特徴量（テンプレート）との類似度を算出する。そして、こうして算出した類似度が最大値となるテンプレートに対応する硬貨の種類を分類結果として出力する。

具体的には、図１に示すように、硬貨分類装置１００は、例えばＣＰＵ（中央演算装置）、ＲＯＭ（読み出し専用メモリ）、ＲＡＭ（ランダムアクセスメモリ）、バックアップＲＡＭ、外部入力回路、及び外部出力回路等から構成された電子制御装置である。そして、硬貨分類装置１００は、ＣＰＵがＲＯＭに格納された貨幣の分類のためのプログラムを実行することにより、エッジ検出部１１０、画像切出部１２０、座標変換部１３０、特徴量算出部１４０、類似度算出部１６０、及び、出力部１７０として機能する。

エッジ検出部１１０は、入力画像又は学習用画像として入力された硬貨の画像をエッジ勾配フィルタに入力することにより、硬貨の模様等、硬貨の画像の画素値が変化する度合いをエッジ勾配成分として検出してエッジ勾配画像を生成する。

より詳細には、図２に示すように、エッジ検出部１１０は、硬貨の画像Ｇからエッジの方向が互いに異なる（同図に示す例では、「θα」、「θβ」、「θγ」、「θδ」）複数のエッジ勾配成分を抽出して各対応するエッジ勾配画像ＧＡ，ＧＢ，ＧＣ，ＧＤを生成する。また、エッジ検出部１１０は、これら生成したエッジ勾配画像ＧＡ〜ＧＤを用いることにより、硬貨の画像Ｇからエッジ強度成分を検出したエッジ強度画像ＧＥを生成する。なお、エッジ検出部１１０は、硬貨の画像Ｇをエッジ強度フィルタに入力することにより、エッジ勾配画像ＧＡ，ＧＢ，ＧＣ，ＧＤを介することなく、直接エッジ強度画像ＧＥを生成するようにしてもよい。そして、エッジ検出部１１０は、硬貨の画像Ｇから生成されたエッジ勾配画像ＧＡ〜ＧＤ及びエッジ強度画像ＧＥを画像切出部１２０に出力する。

画像切出部１２０は、エッジ検出部１１０から入力されたエッジ勾配画像ＧＡ〜ＧＤ及びエッジ強度画像ＧＥから予め設定された画像領域を切り出す。
より詳細には、図３に示すように、画像切出部１２０は、分類の候補となる全ての硬貨について各々の特徴的な模様が含まれる共通の画像領域を切り出す。そして、画像切出部１２０は、これら画像ＧＡ〜ＧＥから切り出した画像領域の画像データを座標変換部１３０に出力する。

座標変換部１３０は、画像切出部１２０から入力された画像領域の画像データを極座標変換し、直交座標系であるｘｙ座標平面上の画像データを極座標系であるρθ座標平面に写像する。なお、本実施の形態では、極座標系のρθ座標平面のうち、径方向ρが硬貨の画像の基準点からの放射方向に相当し、角度方向θが硬貨の画像の基準点周りの角度方向に相当する。また、座標変換部１３０は、極座標変換に際し、硬貨の画像のサイズに依ることなく、径方向ρの画素数、及び、角度方向θの画素数が一定となるように、硬貨の画像サイズの変更を併せて行う。また、座標変換部１３０は、極座標変換した画像データに対し、所定の画像領域の画素データを対象として正規化処理を行う。また、座標変換部１３０は、正規化処理が行われた画像データに対し、ノイズの低減や次元数の削減を目的として、必要に応じてブロッキング処理を行う。そして、座標変換部１３０は、こうして得られた画像データを特徴量算出部１４０に出力する。

特徴量算出部１４０は、硬貨のエッジ強度画像ＧＥを極座標変換して得られた画像データに基づき、当該画像データのうち極座標系の径方向ρ方向の各位置の画素ごとに、角度方向θを座標軸とした自己相関関数（ＡＣＦ：Autocorrelation Function）を「強度ＡＣＦ」として算出する。

具体的には、図４（ａ）に示すように、特徴量算出部１４０は、硬貨のエッジ強度画像ＧＥを極座標変換して得られた画像データを、極座標系の径方向ρの各位置にある画素ごとに複数の分割領域Ｄに分割する。なお、同図に示す例では、画像データとして、極座標系の径方向ρに「ｍ」列の分割領域Ｄが並んでおり、これら分割領域Ｄに個別に対応するかたちで、極座標系の角度方向θに一列に延びる複数の画素群を上から順に「ｄ（１）」〜「ｄ（ｍ）」と称している。そして、特徴量算出部１４０は、これら画素群の各々を個別に用いて自己相関関数（強度ＡＣＦ）を算出する。また、特徴量算出部１４０は、こうして算出した自己相関関数（強度ＡＣＦ）を、座標軸となる極座標系の角度方向θの全域の平均値及び標準偏差を用いて標準化することにより、同図に「特徴量Ｓ（１）」〜「特徴量Ｓ（ｍ）」として例示した特徴量として算出する。

また、図３に示すように、特徴量算出部１４０は、硬貨のエッジ強度画像ＧＥを極座標変換して得られた画像データに基づき、当該画像データのうち極座標系の径方向ρにおいて隣り合う複数の画素からなる統合領域ごとに、角度方向θを座標軸とした自己相関関数（ＡＣＦ）を「強度Ｍ（Multiple）‐ＡＣＦ」として算出する。多様な複数の特徴を用いることで、情報量を増やすことになる。

具体的には、図４（ｂ）に示すように、特徴量算出部１４０は、硬貨のエッジ強度画像ＧＥを極座標変換して得られた画像データを、極座標系の径方向ρの各位置にある画素ごとに複数の分割領域Ｄに分割する。なお、同図に示す例では、図４（ａ）に示した例と同様、画像データとして、極座標系の径方向ρに「ｍ」列の分割領域Ｄが並んでおり、極座標系の径方向ρにおいて隣り合う分割領域Ｄを網羅的に組み合わせることにより、上述した統合領域ＤＡを構成している。そして、これら統合領域ＤＡを、極座標系の角度方向θにおいて同じ位置にある画素ごとに合算することにより、極座標系の角度方向θに一列に延びる複数の画素群を抽出する。この場合、統合領域ＤＡの組み合わせの始端となる列の分割領域Ｄと統合領域ＤＡの組み合わせの終端となる列の分割領域Ｄとの組み合わせから画素群を規定している。例えば、極座標系の径方向ρの１列目の分割領域Ｄと、同じく極座標系の径方向ρの２列目の分割領域Ｄとの組み合わせからなる統合領域ＤＡとを組み合わせて得られる画素群を、「ｄ（１，２）」と称している。そして、特徴量算出部１４０は、これら画素群の各々を個別に用いて自己相関関数（強度Ｍ‐ＡＣＦ）を算出する。また、特徴量算出部１４０は、こうして算出した自己相関関数（強度Ｍ‐ＡＣＦ）を、座標軸となる極座標系の角度方向θの全域の平均値及び標準偏差を用いて標準化することにより、同図に「特徴量Ｓ（１，２）」〜「特徴量Ｓ（ｍ−１，ｍ）」として例示した特徴量として算出する。

また、図３に示すように、特徴量算出部１４０は、硬貨のエッジ勾配画像ＧＡ〜ＧＤを極座標変換して得られた画像データに基づき、当該画像データのうち極座標系の径方向ρ方向の各位置の画素ごとに、角度方向θを座標軸とした自己相関関数（ＡＣＦ）を「勾配ＡＣＦ」として算出する。

具体的には、図５に示すように、特徴量算出部１４０は、互いにエッジ勾配の方向が異なる各々のエッジ勾配画像ＧＡ〜ＧＤを極座標変換して得られた画像データを、極座標系の径方向ρの各位置にある画素ごとに複数の分割領域Ｄに分割する。なお、同図に示す例では、これら分割領域Ｄのうち、最も上側の列の分割領域Ｄに対応する画素群の各々を、「ｄ（１）α」、「ｄ（１）β」、「ｄ（１）γ」、「ｄ（１）δ」と称している。そして、特徴量算出部１４０は、以下の式（１）に基づき、それら対応する列の画素群の画素値の合計値に対する各々の画素群の画素値の比率を「Ｄ（１）α」、「Ｄ（１）β」、「Ｄ（１）γ」、「Ｄ（１）δ」としてそれぞれ算出する。

［数１］
Ｄ（ｎ）ｉ＝ｄ（ｎ）ｉ／（ｄ（ｎ）α＋ｄ（ｎ）β＋ｄ（ｎ）γ＋ｄ（ｎ）δ）・・・（１）
（ただし、ｎ＝１，２，…ｍ、ｉ＝α，β，γ，δ）
また、特徴量算出部１４０は、これら画素群の画素値の比率を組み合わせて用いることにより自己相関関数（勾配ＡＣＦ）を算出する。また、特徴量算出部１４０は、こうして算出した自己相関関数（勾配ＡＣＦ）を、座標軸となる極座標系の角度方向θの全域の平均値及び標準偏差を用いて標準化することにより、同図に「特徴量Ｓａ（１）」として例示した特徴量として算出する。そして以降、特徴量算出部１４０は、２列目以降の画素群についても同様にして、各対応する列の画素群の画素値の合計値に対する各々の画素群の画素値の比率をそれぞれ算出し、それら算出結果を用いて２列目以降の画素群に対応する自己相関関数（勾配ＡＣＦ）を算出する。

また、図３に示すように、特徴量算出部１４０は、硬貨のエッジ勾配画像ＧＡ〜ＧＤを極座標変換して得られた画像データに基づき、当該画像データのうち極座標系の径方向ρにおいて隣り合う複数の画素からなる統合領域ごとに、角度方向θを座標軸とした自己相関関数（ＡＣＦ）を「勾配Ｍ‐ＡＣＦ」として算出する。多様な複数の特徴を用いることで、情報量を増やすことになる。

具体的には、図６に示すように、特徴量算出部１４０は、互いにエッジ勾配の方向が異なる各々のエッジ勾配画像ＧＡ〜ＧＤを極座標変換して得られた画像データを、極座標系の径方向ρの各位置にある画素ごとに複数の分割領域Ｄに分割する。なお、同図に示す例では、図４（ｂ）に示した例と同様、画像データとして、極座標系の径方向ρに「ｍ」列の分割領域Ｄが並んでおり、極座標系の径方向ρにおいて隣り合う分割領域Ｄを網羅的に組み合わせることにより、上述した統合領域ＤＡを構成している。そして、これら統合領域ＤＡを、極座標系の角度方向θにおいて同じ位置にある画素ごとに合算することにより、極座標系の角度方向θに一列に延びる複数の画素群を抽出する。また、統合領域ＤＡの組み合わせの始端となる列の分割領域Ｄと統合領域ＤＡの組み合わせの終端となる列の分割領域Ｄとの組み合わせから画素群を規定している。例えば、極座標系の径方向ρの１列目の分割領域Ｄと、同じく極座標系の径方向ρの２列目の分割領域Ｄとの組み合わせからなる統合領域ＤＡに基づく画素群を、画像元となるエッジ勾配画像ＧＡ〜ＧＤごとに、「ｄ（１，２）α」、「ｄ（１，２）β」、「ｄ（１，２）γ」、「ｄ（１，２）δ」とそれぞれ称している。そして、特徴量算出部１４０は、以下の式（２）に基づき、それら対応する統合領域の画素群の画素値の合計値に対する各々の画素群の画素値の比率を「Ｄ（１，２）α」、「Ｄ（１，２）β」、「Ｄ（１，２）γ」、「Ｄ（１，２）δ」としてそれぞれ算出する。

［数２］
Ｄ（ｎ１，ｎ２）ｉ＝ｄ（ｎ１，ｎ２）ｉ／（ｄ（ｎ１，ｎ２）α＋ｄ（ｎ１，ｎ２）β＋ｄ（ｎ１，ｎ２）γ＋ｄ（ｎ１，ｎ２）δ）・・・（２）
（ただし、ｎ１＝１，２，…ｍ−１、ｎ２＝２，３，…ｍ、ｉ＝α，β，γ，δ）
また、特徴量算出部１４０は、これら画素群の画素値の比率を組み合わせて用いることにより、自己相関関数（勾配Ｍ‐ＡＣＦ）を算出する。また、特徴量算出部１４０は、こうして算出した自己相関関数（勾配Ｍ‐ＡＣＦ）を、座標軸となる極座標系の角度方向θの全域の平均値及び標準偏差を用いて標準化することにより、同図に「特徴量Ｓａ（１，２）」として例示した特徴量として算出する。そして以降、特徴量算出部１４０は、他の統合領域についても同様にして、各対応する画素群の画素値の合計値に対する各々の画素群の画素値の比率をそれぞれ算出し、それら算出結果を用いて他の統合領域の画素群に対応する自己相関関数（勾配Ｍ‐ＡＣＦ）を算出する。

そして、図３に示すように、特徴量算出部１４０は、硬貨のエッジ強度画像ＧＥ又はエッジ勾配画像ＧＡ〜ＧＤが学習用画像に基づくときには、これら画像から特徴量として算出した「強度ＡＣＦ」、「強度Ｍ‐ＡＣＦ」、「勾配ＡＣＦ」、「勾配Ｍ‐ＡＣＦ」をテンプレート記憶部１５０に格納する。このとき、これら特徴量は、学習用画像の学習データとして事前に把握している硬貨の種類と関連付けられる。その一方で、特徴量算出部１４０は、硬貨のエッジ強度画像ＧＥ又はエッジ勾配画像ＧＡ〜ＧＤが入力画像に基づくときには、これら画像から特徴量として算出した「強度ＡＣＦ」、「強度Ｍ‐ＡＣＦ」、「勾配ＡＣＦ」、「勾配Ｍ‐ＡＣＦ」を類似度算出部１６０に出力する。

そして、類似度算出部１６０は、分類の対象となる硬貨のエッジ強度画像ＧＥ及びエッジ勾配画像ＧＡ〜ＧＤに基づく各種の特徴量が特徴量算出部１４０から入力されると、この入力された特徴量と、テンプレート記憶部１５０に硬貨の種類ごとに関連付けられて格納されたテンプレートとの同期性特徴を算出する。

この同期性特徴は、特徴量とテンプレートとがどの程度類似しているのかを示す指標であり、本実施の形態では、その一例として、自己相関曲線の座標軸の各位置における値同士を比較したユークリッド距離を用いている。この場合、同期性特徴としてのユークリッド距離は、特徴量とテンプレートとの類似度が高いほどその値が小さくなり、特徴量とテンプレートとの類似度が低いほどその値が大きくなる。

そして、図７に示すように、類似度算出部１６０は、同期性特徴の算出に際してまず、学習用画像に基づきテンプレート記憶部１５０に格納されている特徴量の平均値をテンプレートとして予め算出しておく。続いて、類似度算出部１６０は、入力画像に基づく特徴量とテンプレート記憶部１５０から読み出したテンプレートとの同期性特徴としてユークリッド距離を特徴量ごとに算出するとともに、それら特徴量ごとのユークリッド距離の合算値を硬貨の種類ごとに算出する。

ここで、本実施の形態では、類似度算出部１６０は、ユークリッド距離の合算値の算出に際し、図８に一例として示すように、学習用画像に基づく特徴量のばらつき度合いを考慮する。すなわち、類似度算出部１６０は、同図に示す例のように、「強度ＡＣＦ」、「強度Ｍ‐ＡＣＦ」、「勾配ＡＣＦ」、「勾配Ｍ‐ＡＣＦ」といった特徴量の種類ごとに、学習用画像に基づく特徴量のばらつき度合いを算出する。なお、この特徴量のばらつき度合いの算出は、学習用画像に事前に関連付けられている硬貨の種類ごとに行われる。そして、類似度算出部１６０は、例えば相対的にばらつき度合いの小さい特徴量に高い重み付けを設定する等、これら特徴量を優先的に用いてユークリッド距離の合算値を算出する。この場合、類似度算出部１６０は、相対的にばらつき度合いの小さい特徴量に重み付けをしつつも相対的にばらつき度合いの大きい特徴量も併せて用いてユークリッド距離の合算値を算出してもよいし、相対的にばらつき度合いの小さい特徴量のみを用いてユークリッド距離の合算値を算出してもよい。

そして、類似度算出部１６０は、上述のようにして算出したユークリッド距離の合算値を比較の対象とした硬貨の種類ごとに出力部１７０に出力する。
その後、出力部１７０は、類似度算出部１６０から入力されたユークリッド距離の合算値を、比較の対象とした硬貨の種類ごとに大小比較し、その合算値が最小となるテンプレートに対応する硬貨の種類を分類結果として出力する。

次に、上記実施の形態の硬貨分類装置１００が実行する硬貨分類処理について、その具体的な処理手順を説明する。
図９に示すように、この硬貨分類処理ではまず、硬貨分類装置１００は、分類の対象となる硬貨の画像を入力画像として取得する（ステップＳ１０）。

そして、硬貨分類装置１００は、この取得した入力画像からエッジを検出してエッジ勾配画像ＧＡ〜ＧＤ及びエッジ強度画像ＧＥを取得する（ステップＳ１１）。
続いて、硬貨分類装置１００は、これらエッジ勾配画像ＧＡ〜ＧＤ及びエッジ強度画像ＧＥを極座標変換した上で（ステップＳ１２）、当該極座標変換した画像から自己相関関数を特徴量として算出する（ステップＳ１３、特徴量算出工程）。

そして次に、硬貨分類装置１００は、比較対象となる硬貨の種類を設定した上で（ステップＳ１４）、その設定した硬貨の種類に対応するテンプレートをテンプレート記憶部１５０から読み出す（ステップＳ１５、読出工程）。

そして、硬貨分類装置１００は、先のステップＳ１３において特徴量として算出した自己相関関数と、先のステップＳ１５においてテンプレートとして読み出した自己相関関数との同期性特徴に基づき、分類の対象となる硬貨の画像と比較対象とする硬貨の画像との類似度を算出する（ステップＳ１６）。

その後、硬貨分類装置１００は、比較対象とする硬貨の種類が未だ存在するときには（ステップＳ１７＝ＮＯ）、比較対象となる硬貨の種類を変更した上で（ステップＳ１８）、その処理をステップＳ１５に戻す。

そして以降、硬貨分類装置１００は、全ての硬貨の種類との比較が完了するまで、ステップＳ１５〜ステップＳ１８の処理を繰り返す。そして、硬貨分類装置１００は、全ての硬貨の種類との比較が完了したときには（ステップＳ１７＝ＹＥＳ）、比較された硬貨の種類の中で類似度が最大となる硬貨の種類を分類結果として出力した上で（ステップＳ１９、出力工程）、図９に示す硬貨分類処理を終了する。

次に、本実施の形態の貨幣分類装置の作用について説明する。
硬貨の分類を行う際、従来のように、比較の対象となる硬貨の種類ごと、又は、比較の対象となる硬貨の属する地域ごとに異なる画像領域から特徴量を算出する構成にあっては、分類の対象となる硬貨の画像から比較の回数分だけ特徴量を算出する処理を繰り返す必要がある。そのため、例えばユーロ硬貨等、硬貨の種類が多岐に亘る諸外国の硬貨も含めて分類の対象としようとすると、比較の対象となる硬貨の種類数の増大に伴って硬貨の分類処理の処理時間が顕著に長くなってしまうという問題があった。

この点、本実施の形態では、比較の対象となる硬貨の種類に関わらず、分類の対象となる硬貨の画像について、共通の画像領域から特徴量を算出するようにしている。そのため、比較の対象となる硬貨の種類が多岐に亘ったとしても、分類の対象となる硬貨の画像から対象とする画像領域を変更しつつ特徴量を繰り返し計算する必要がないため、比較の対象となる硬貨の種類数が増大したとしても硬貨の分類処理の処理時間が抑えられる。

また、本実施の形態では、特徴量の算出に際し、エッジ強度成分に基づくエッジ強度画像だけでなく、エッジ勾配成分に基づくエッジ勾配画像を取得し、これら取得したエッジ強度画像及びエッジ勾配画像の各々から特徴量を個別に算出するようにしている。そのため、硬貨の画像から抽出されたエッジを多面的に捉えることができるため、硬貨の分類の精度が高められる。

特に、本実施の形態では、互いにエッジ勾配の方向が異なる複数のエッジ勾配画像を取得し、これらエッジ勾配画像の各々から各対応する領域ごとに算出した画素値の合計値に対する各々の画素値の比率に基づいて特徴量を算出するようにしている。すなわち、複数のエッジ勾配画像から各々のエッジの勾配成分同士の比率に基づいて特徴量を算出するようにしている。これらエッジ勾配画像から算出される各々のエッジ勾配成分同士の比率は、硬貨の流通変動の影響を受けにくい傾向にある。したがって、流通変動を生じた硬貨も含めた硬貨の分類を、エッジ勾配成分同士の比率に基づき算出した特徴量に基づいてより一層高い精度をもって行うことが可能となる。

また、本実施の形態では、特徴量の算出に際し、極座標系の角度方向θに一列に延びる分割領域の各々から特徴量を算出するだけでなく、極座標系の角度方向θにおいて、径方向に隣り合う複数の分割領域からなる統合領域の各々から特徴量を算出するようにしている。これにより、硬貨の模様に関する情報をより多様に捉えることができ、硬貨の分類の精度を更に高めることができる。

以上説明したように、本実施の形態によれば、以下に列挙する効果を得ることができる。
（１）分類の候補となる全ての種類の硬貨の画像について共通の画像領域から当該画像の特徴量を算出するようにした。これにより、分類の候補となる硬貨の種類が多岐に亘ったとしても、硬貨の分類に要する処理時間を短縮することができる。

（２）貨幣の種類ごとにテンプレートの算出に用いた特徴量のばらつき度合いを比較し、相対的にばらつき度合いの小さい特徴量を優先的に用いて類似度を算出するようにした。これにより、各々の貨幣の種類にとって流通変動等の影響を受けにくい特徴量を優先的に用いて類似度の算出が行われるため、貨幣の分類の精度を高めることが可能となる。

（３）エッジの強度成分と比較して、硬貨の流通変動に強いエッジの勾配成分を用いて特徴量を算出するようにした。これにより、硬貨の分類の精度を高めることが可能となる。

（４）エッジの勾配方向が互いに異なる複数のエッジの勾配成分を抽出し、当該抽出したそれぞれのエッジの勾配成分同士の比率に基づいて特徴量を算出するようにした。これにより、輝度値の変化が特徴量に与える影響が抑えられるため、硬貨の分類の精度をより一層高めることができる。

（５）硬貨の画像から抽出したエッジの勾配成分に加えてエッジの強度成分に基づいて特徴量を算出するようにした。これにより、互いに方向が異なる複数のエッジの情報を一つのエッジ強度画像に含めることで貨幣の模様を連続的に捉えることができるようになるため、貨幣の分類の精度を更に高めることができる。

（６）硬貨の画像の回転位置に依存しない自己相関曲線を特徴量として用いて分類の対象となる硬貨の画像とテンプレートとの比較を行うため、この比較に際して画像同士の角度合わせを行う必要がなく、硬貨の分類に要する時間をより一層短縮することができる。

（７）極座標系の角度方向θにおいて、径方向に隣り合う複数の分割領域からなる統合領域の各々から特徴量を算出するようにしている。これにより、硬貨の模様に関する情報をより多様に捉えることができ、硬貨の分類の精度をより一層高めることが可能となる。

なお、上記実施の形態は、以下のような形態にて実施することもできる。
・上記実施の形態では、分類の対象となる硬貨の画像から算出された特徴量との類似度が最大となるテンプレートに対応する硬貨の種類を分類結果として出力するようにした。これに代えて、テンプレートごとに算出した類似度と所定の閾値とを大小比較し、その類似度が所定の閾値以上となる一又は複数のテンプレートに対応する硬貨の種類を分類結果として出力するようにしてもよい。この構成によれば、上述した所定の閾値を適宜設定することにより、分類結果として複数の硬貨の種類を出力することも可能となり、より柔軟に硬貨の種類を分類することが可能となる。

また、テンプレートごとに算出した類似度を値が大きい順に並び替え、類似度が高い順にテンプレートに対応する硬貨の種類を分類結果として出力するようにしてもよい。この場合、比較の対象とした硬貨の種類の全てを分類結果として出力するようにしてもよいし、比較の対象とした硬貨の種類の一部を分類結果として出力するようにしてもよい。この構成によれば、分類結果の候補となる硬貨の種類を類似度が高い順に一覧として出力することが可能となり、より柔軟に硬貨の種類を分類することが可能となる。

・上記実施の形態では、「強度ＡＣＦ」、「強度Ｍ‐ＡＣＦ」、「勾配ＡＣＦ」、「勾配Ｍ‐ＡＣＦ」といった自己相関関数の種別の全てを特徴量として用いて、硬貨の種類の分類を行うようにした。ただし、硬貨の種類の分類に際し、必ずしもこれら自己相関関数の種別の全てを特徴量として用いる必要はなく、一部の種別の自己相関関数を用いて硬貨の種類の分類を行うようにしてもよい。

・上記実施の形態では、「強度Ｍ‐ＡＣＦ」、「勾配Ｍ‐ＡＣＦ」といった自己相関関数の算出に際し、極座標系の角度方向θにおいて、径方向に隣り合う複数の分割領域からなる統合領域の各々から特徴量を算出するようにした。ただし、統合領域は、必ずしも極座標系の角度方向θにおいて、径方向に隣り合う分割領域からなる必要はなく、極座標系の角度方向θにおいて、径方向に離散して位置する複数の分割領域からなる構成であってもよい。

・上記実施の形態では、エッジ勾配成分を抽出するに際し、エッジの勾配方向が互いに異なる複数のエッジの勾配成分を抽出するようにした。これに代えて、単一のエッジの勾配方向のみのエッジの勾配成分を抽出するようにしてもよい。

・上記実施の形態では、テンプレートとして、学習用画像に基づいて算出された特徴量の平均値を用いるようにした。これに代えて、テンプレートとして、学習用画像に基づいて算出された特徴量の中間値を用いるようにしてもよい。

・上記実施の形態では、特徴量とテンプレートとの類似度合いの指標となる同期性特徴として、ユークリッド距離を例に挙げて説明した。ただし、同期性特徴としては、その他にも、例えば自己相関曲線のピーク数やピーク間隔等とした各種の要素情報をテンプレートと照合し、それらの照合結果の各々を数値換算して合算するようにしてもよい。

・上記実施の形態では、硬貨の種類ごとにテンプレートの算出に用いた特徴量のばらつき度合いを比較し、相対的にばらつき度合いの小さい特徴量に高い重み付けを設定する等、これら特徴量を優先的に用いて類似度を算出するようにした。これに代えて、類似度の算出に際し、硬貨の種類に依ることなく、全ての特徴量を一律に用いるようにしてもよい。この構成によれば、特徴量の算出の対象となる画像領域を全ての種類の貨幣の画像に共通としたとしても、貨幣の種類の分類を、算出条件の互いに異なる複数の特徴量を用いて多面的に行うことにより、貨幣の分類の精度を向上することができる。

・上記実施の形態では、特徴量の算出に際し、エッジ強度画像及びエッジ勾配画像を極座標変換し、その極座標変換により得られた画像データを用いて特徴量を算出するようにした。ただし、特徴量の算出に際し、硬貨の回転の情報を除去できるのであれば、極座標変換に代えて、互いに交差する２つの座標軸からなる座標平面への他の座標変換を採用することも可能である。また、エッジ強度画像及びエッジ勾配画像に対し、何らの座標変換を行うことなく、直交座標系であるｘｙ座標平面上の画像データとして用いて特徴量を算出するようにしてもよい。また、硬貨の回転の情報が除去できているのであれば、特徴量として必ずしも自己相関曲線を求める必要はなく、例えばエッジ強度画像及びエッジ勾配画像の画素データのヒストグラムを特徴量として生成し、それらヒストグラム同士を比較することで類似度を算出するようにしてもよい。

・上記実施の形態では、円形状の硬貨の分類を例に挙げて説明したが、例えば多角形状等、他の形状の硬貨の分類、更には紙幣の分類に本発明を適用することも可能である。

１００…貨幣分類装置の一例としての硬貨分類装置、１４０…特徴量算出部、１５０…記憶部の一例としてのテンプレート記憶部、１６０…類似度算出部、１７０…出力部、θ…極座標系の角度方向、ρ…極座標系の径方向。

Claims (11)

1. 貨幣の画像を用いて貨幣の種類を分類する貨幣分類装置であって、
   分類の候補となる全ての種類の貨幣の画像について共通の画像領域から当該画像の特徴量を算出する特徴量算出部と、
   貨幣のモデルとなる学習用画像から前記特徴量算出部によって算出された前記特徴量を貨幣の種類ごとにテンプレートとして記憶する記憶部と、
   分類の対象となる貨幣の画像である入力画像から前記特徴量算出部によって算出された前記特徴量と前記記憶部に記憶された前記テンプレートとの類似度が最大値となる前記テンプレートに対応する貨幣の種類を分類結果として出力する出力部と
   を備える
   ことを特徴とする貨幣分類装置。
2. 前記出力部は、前記類似度が最大値となる前記テンプレートに対応する貨幣の種類も含め、前記類似度が所定の閾値以上となる前記テンプレートに対応する貨幣の種類を分類結果として出力する
   請求項１に記載の貨幣分類装置。
3. 前記出力部は、前記類似度が最大値となる前記テンプレートに対応する貨幣の種類も含め、前記類似度が高い順に前記テンプレートに対応する貨幣の種類を分類結果として出力する
   請求項１に記載の貨幣分類装置。
4. 前記特徴量算出部は、互いに異なる複数の算出条件に基づいて前記特徴量を算出するものであり、
   前記類似度の算出は、分類の対象となる貨幣の画像である入力画像から前記特徴量算出部によって算出された前記特徴量の全てを用いて行う
   請求項１〜３の何れか一項に記載の貨幣分類装置。
5. 前記特徴量算出部は、互いに異なる複数の算出条件に基づいて前記特徴量を算出するものであり、
   前記テンプレートは、同一の貨幣の種類に対応する複数の前記学習用画像から算出した前記特徴量の平均値又は中間値として算出されるものであり、
   前記類似度の算出は、貨幣の種類ごとに前記テンプレートの算出に用いた前記特徴量のばらつき度合いを前記各算出条件について比較し、前記各算出条件のうち相対的にばらつき度合いの小さい算出条件に基づき算出される特徴量を優先的に用いて行う
   請求項１〜３の何れか一項に記載の貨幣分類装置。
6. 前記特徴量算出部は、前記貨幣の画像から抽出したエッジの勾配成分に基づいて前記特徴量を算出する
   請求項１〜５の何れか一項に記載の貨幣分類装置。
7. 前記特徴量算出部は、エッジの方向が互いに異なる複数のエッジの勾配成分を抽出し、当該抽出したそれぞれのエッジの勾配成分同士の比率に基づいて前記特徴量を算出する
   請求項６に記載の貨幣分類装置。
8. 前記特徴量算出部は、貨幣の画像から抽出したエッジの強度成分に基づいて前記特徴量を算出する
   請求項６又は請求項７に記載の貨幣分類装置。
9. 前記特徴量算出部は、
   前記貨幣の画像の基準点周りの角度方向を座標軸とした自己相関曲線を前記特徴量として前記貨幣の画像の基準点からの放射方向の位置ごとに算出するものであり、
   前記類似度の算出は、前記特徴量算出部によって前記入力画像から算出された自己相関曲線と前記学習用画像から算出された貨幣の種類ごとの自己相関曲線との同期性特徴に基づいて行う
   請求項１〜８の何れか一項に記載の貨幣分類装置。
10. 前記特徴量算出部は、貨幣の画像の基準点からの放射方向における複数の位置の画像データを貨幣の画像の基準点周りの角度方向の位置ごとに合算し、当該合算して得られた画像データに基づいて貨幣の画像の基準点からの放射方向の位置ごとの自己相関曲線を算出する
    請求項９に記載の貨幣分類装置。
11. 貨幣の画像を用いて貨幣の種類を分類する貨幣分類方法であって、
    分類の候補となる全ての種類の貨幣の画像について共通の画像領域から当該画像の特徴量を算出する特徴量算出工程と、
    貨幣のモデルとなる学習用画像から算出された前記特徴量を貨幣の種類ごとのテンプレートとして読み出す読出工程と、
    分類の対象となる貨幣の画像である入力画像から算出された前記特徴量と前記読出工程において読み出された前記テンプレートとの類似度が最大値となる前記テンプレートに対応する貨幣の種類を分類結果として出力する出力工程と
    を備える
    ことを特徴とする貨幣分類方法。