JP4105694B2 - 紙片鑑別装置、紙片鑑別方法及びプログラム - Google Patents

Description

本発明は、紙葉類処理装置の紙片鑑別装置に係わり、特に、紙葉類の半分以上が欠落した部分紙幣（紙片）の金種を鑑別する紙片鑑別装置、紙片鑑別方法に関する。

ＡＴＭ（Automatic Teller’s Machine）などのように、紙幣などの紙葉類の入出金が投入される紙葉類装置においては、装置内に紙葉類を保管しており、顧客の指示入力に応じて入出金処理が行われる。このような紙葉類処理装置においては、入出金される紙葉類（紙幣など）の種類（金種など）の鑑別処理を行っている。

この鑑別処理は、一般には，以下のような方法で行われている。紙葉類全体を複数の微小領域に分割し、それら各微小領域の濃淡や外形などを光学センサ、厚みセンサなどによって測定し、その測定値を量子化処理により諧調値などに変換し記憶する。そして、この諧調値からなる画像データに所定の画像処理（傾き補正や濃度補正処理）を施し、それによって得られた画像データを辞書データ（真券から作成した画像データ）と比較することによって、紙葉類（紙幣）の種別（金種）を判定するようにしている。

ところで、従来の紙葉類処理装置は外形サイズが正常なもののみを鑑別対象としており、外形が異常の紙葉類は鑑別対象外として鑑別をせずに鑑別異常とみなしてリジェクトしている。これは、従来の紙葉類処理装置では、紙葉類全体の画像データを辞書データとパターンマッチングすることによって紙葉類の種別を鑑別しているからである。このような従来の紙葉類処理装置では、当然のことながら、紙葉類の半分以上が欠落した部分紙幣（紙片）については、辞書データと比較できるエリアが小さすぎて金種を特定することはできなかった。

ところが、近年のように、紙葉類処理装置の無人店舗での稼動や２４時間運用が一般的になってくると、紙葉類処理装置内の紙幣収納庫内の紙幣残高（在庫高）を常に確定させることが強く望まれるようになってきている。紙葉類処理装置においては、投入口から投入された紙幣または紙幣収納庫から取り出された手段金要の紙幣は、装置内において鑑別部まで搬送される途中で切れてしまう場合もある。このような場合、紙葉類処理装置の保有者にとっては、たとえ切れた紙片といえども、金種がわかってリジェクトされるのと、金種不明のままリジェクトされるのとでは大きな違いがあり、前者の要望が強かった。しかしながら、従来の紙葉類処理装置の鑑別部では、切れた紙葉類（紙片）については、その種別（金種）を特定することなくリジェクトしていた。

本発明の目的は、紙葉類の半分以上が欠落した部分紙幣（いわゆる紙片）の金種を確実に特定できる紙片鑑別装置及び紙片鑑別方法を提供することである。

本発明の紙片鑑別装置は、基準データ記憶手段、辞書データ記憶手段、センサ手段及び辞書比較手段を備える。
基準データ記憶手段は、真券の紙幣の画像データである基準データを、少なくとも一つの金種について格納している。辞書データ記憶手段は、真券の紙幣鑑別用の辞書データを、前記基準データと同じ金種数だけ格納している。センサ手段は、紙葉類の切片である紙片の画像データを取得する。辞書比較手段は、該センサ手段により得られた紙片画像データを、前記基準データ記憶手段に格納されている各金種の基準データと合成して各金種毎の比較用紙幣画像データを作成し、該比較用紙幣画像データを前記辞書データ記憶手段に格納されている同一金種の辞書データと、パターンマッチングすることにより、前記紙片の金種を鑑別する。

前記基準データは、真券の紙幣の画像データであるので、その基準データに紙片画像データを貼り付けて合成して得られる比較用紙幣画像データは、該紙片画像データ５０以外の部分は辞書データが有する真券の画像データと一致することになる。したがって、同一金種の比較用紙幣画像データと辞書データをパターンマッチングすることにより、紙片画像データ、すなわち、紙片が真券の一部であるか鑑別することが可能となり、パターンマッチングの結果に基づき紙片の金種を推定（鑑別）できる。

本発明は、紙葉類の一部（紙片）からその紙葉類の種別（金種）を特定することができるものであり、１つのユニットとして実現でき、各種紙葉類処理装置に組み込んで使用することができる。
｛第１実施形態｝
図１は、本発明の第１実施形態のシステム構成図である。
同図に示す第１実施形態の紙片鑑別装置１０は、中央処理装置１１、紙葉類突入センサ部１１、光センサ部１３、増幅部１４、Ａ／Ｄ変換部１５、画像記憶部１６、画像処理部１７、辞書比較部１８、基準データ部１９、辞書データ部２０及び記憶部２１から構成されている。尚、以下の説明では、本実施形態が、紙葉類の一種である紙幣を取り扱う場合について説明する。

紙葉類突入センサ部１２は、装置１０内に紙葉類（紙幣）が突入してきたことを検知するセンサであり、この突入を中央処理装置１１に通知する。
光センサ部１３は、ラインセンサであり紙葉類突入センサ部１１により検知された後、装置１０内を搬送されてくる紙葉類の画像をライン単位で取得する。
中央処理装置１１は、紙葉類突入センサ部１２から上記通知を受け取ると、光センサ部１３を起動し、紙葉類の搬送速度に応じて光センサ部１３のサンプリング周波数とサンプリング時間を制御する。光センサ部１３は、中央処理装置１１からの制御を受けて、搬送される紙葉類のアナログ画像信号を取得し、それを増幅部１４に出力する。

増幅部１４は、光センサ部１３から入力されるアナログ画像信号を増幅し、それをＡ／Ｄ変換部１５に出力する。
Ａ／Ｄ変換部１５は、増幅部１４から入力されるアナログ画像信号をディジタル画像信号に変換・出力する。このディジタル画像信号は、最も暗い点を０とし、最も明るい点を最大値とする階調値である。この階調値は、個々の画素毎に得られる。

Ａ／Ｄ変換部１５から出力されるディジタル画像信号は、画像記憶部１６に順次格納される。このことにより、画像記憶部１６には、光センサ部１３により得られた紙葉類（または、その紙片）の画像のディジタル画像信号が格納される。このディジタル画像信号は、後述するように紙葉類のサイズよりも大きく、紙葉類の背景の画像も含んでいる。

画像処理部１７は、中央処理装置１１の制御を受けて、画像記憶部１８に格納されている画像信号（画像データ）に対して座標変換（傾き補正処理）を施して紙葉類（または、その紙片）の画像データを正規化する。そして、その正規化した画像データに対して濃度補正処理を施す。画像記憶部１８は、以上のような座標変換及び濃度補正等を施すことにより得られた紙葉類またはその紙片の画像データを辞書比較部１８に出力する。

辞書比較部１８は、画像処理部１７から入力される紙葉類の画像データを辞書データ部２０に格納されている辞書データとパターンマッチングして、装置１０内に入力された紙葉類の真贋鑑別を行う。また、これは本発明に係わる特徴であるが、辞書比較部１８は、画像処理部１７から入力される画像データが紙片画像データ（紙幣の切片（紙片）の画像データ）であれば、その紙片画像データを各金種の紙幣の基準データに重ね合わせた（貼り付けた）画像をデータ作成し、その作成画像データ（比較用紙幣画像データ）を辞書データとパターンマッチングすることにより前記紙片画像の種別（金種）を判定する。

基準データ部１９は、本装置１０が取り扱う紙幣の全金種の基準データを格納している。この基準データは、紙片の金種を特定（推定）するために使用されるデータであり、真券を光センサにより読み取ることにより作成される画像データであり、前記紙片画像データと同様な濃度補正が施されたものである。この濃度補正は、基準データに前記紙片画像データを貼り付けた場合に色むらが発生しないようにするために行なわれる。

辞書比較部１８は、紙幣の各金種の基準データに紙片の画像データを貼り合せる合成処理により該各金種毎の比較用紙幣画像データを作成し、これらの各金種の比較用紙幣画像データを同一金種の辞書データと比較することにより、紙片の金種を特定（鑑別）する。

辞書データ部２０は、辞書比較部１８が紙葉類（紙幣）の真贋鑑別及び紙片の金種鑑別に使用する辞書データを格納している。この辞書データも、前記基準データと同様に装置１０で取り扱われる紙幣の全金種について用意されている。該辞書データは、真券を光センサ（例えば、光センサ部１３）で読み取ることにより作成される。この場合、一般に、真券毎に、各画素の階調値（濃度）にバラツキが生じるため、予め、所定枚数の真券を光センサで読み取り、各画素の階調平均値及び階調値の標準偏差を求め、それらの値を画素と関連付けたデータを辞書データとして記憶する。

真贋鑑別においては、例えば、対応する画素同士の階調値の差分を計算し、その値が標準偏差以内に収まっていれば両方の画素が一致すると判定し、一致する画素が全体の何％以上であるかを基準にして紙幣の真贋を鑑別する。
また、紙片の金種鑑別においては、辞書データと前記比較用紙幣画像データとパターンマッチングにおいて、例えば、両画像データ間の距離を（例えば、ユークリッド距離）を算出し、その距離を基に紙片の金種を鑑別する。

記憶部２１は、辞書比較部１８によって識別（鑑別）された紙片の金種結果や紙幣の真贋判定結果等を格納する。
図２は、上記紙片鑑別装置１０による紙片鑑別処理の概要を説明する図である。
同図（ａ）に示す生画像データ３１は、斜行して搬送された紙片を光センサ部１３により検出することにより得られた画像データであり、生画像データ３１の中央部に紙片画像データ４１が存在している。同図（ａ）において、紙片画像データ４１と外郭と接続している破線部分は、切れて紛失した他方の紙片の外郭を示している。

画像処理部１７は、前記紙片画像データ４１に対して座標変換処理を施し、紙片画像データ４１を斜行補正して正規化する（生画像データ３１の左上隅の上辺に紙片画像データ４１の上辺が重なるようにする）。そして、その正規化された紙片画像データ４１に対して、紙片の外縁部の白い部分（紙片画像データ４１における紙片の外縁の白い部分に該当する部分の画像データ）が基準値となるような濃度補正を施し、最終的に、同図（ｂ）に示すような紙片画像データ４２を作成する。

辞書比較部１８は、同図（ｃ）に示すように、上記紙片画像データ４２を、基準データ部１９に格納されているＡ金種、Ｂ金種、・・・等の各金種の基準データ５０（５０Ａ（Ａ金種基準データ），５０Ｂ（Ｂ金種基準データ），・・・、５０Ｎ（Ｎ金種基準データ））にコーナーを基準として重ね合わせ（貼り付け）、各金種の比較用紙幣画像データ６０を作成する。これら各金種の比較用紙幣画像データ６０は、辞書データ部２０に格納されている各金種の辞書データ７０（７０Ａ（Ａ金種の辞書データ），７０Ｂ（Ｂ金種の辞書データ），・・・，７０Ｎ（Ｎ金種の辞書データ））とパターンマッチングするための画像データである。

ところで、このコーナー基準での基準データ５０上への紙片画像データ４２の貼り付けは、紙片画像データ４２の形状（紙片の形状）によって決定される。同図（ｃ）に示すような略三角形の紙片画像データ４２の場合は、その角の部分が元の紙幣の２隅のいずれかに該当すると推測されるので、基準データ５０（同図（ｃ）に示す基準データ６０は金種Ｂの基準データ５０である）の右上隅及び左下隅の各隅に、それぞれ、紙片画像データ４２を貼り付けることにより、２種類の比較用紙幣画像データ６０を作成する。

紙片の形状が、同図（ｃ）に示す形状以外であれば、その形状に応じて、適宜、紙片画像データ４２を基準データ５０の適切な位置に貼り付けて比較用紙幣画像データ６０を作成すればよい。尚、この比較用紙幣画像データ６０の作成に用いる基準データ５０は、前述したように紙片画像データ４２と同様な濃度補正が施されたものである。本実施形態では、辞書データ部２０に格納される辞書データ７０についても、紙片画像データ４２と同様な濃度補正を施すので、基準データ５０と辞書データ７０の画像データは一致すると考えてよい。つまり、比較用紙幣画像データ６０においては、紙片画像データ４２以外の部分（基準データ５０の部分）は辞書データ７０と同一である。

このため、比較用紙幣画像データ６０と辞書データ７０とのパターンマッチングは、実質的に、紙片画像データ４２と辞書データ７０の該紙片画像データ４２に対応する部分とのパターンマッチングである。この場合、紙片画像データ４２が基準データ５０上の本来の場所（元の紙幣の本来の位置）に貼り付けられた比較用紙幣画像データ６０であれば、該比較用紙幣画像データ６０は基準データ５０とほぼ一致することになる。したがって、同一金種の比較用紙幣画像データ６０と辞書データ７０同士をパターンマッチングして、距離が最小の基準データ５０を検出することにより、その基準データ５０の金種が鑑別対象の紙片の金種であると推定できる。この場合、距離に閾値を設定し、パターンマッチングの結果得られた最小距離が該閾値以下である場合のみ、上記のようにして、紙片の金種を特定するようにしてもよい。

このように、本実施形態では、該比較用紙幣画像データ６０を各金種の辞書データ７０と順次パターンマッチングしていくことにより、最も距離（類似度）の高い金種を特定し、その特定された金種が紙片の金種であると鑑別（推定）する。

図３は、紙片鑑別装置１０による紙片の金種推定処理を説明するフロチャートである。
まず、紙片画像データ４１を濃度補正し（ステップＳ１１）、次に、該紙片画像データ４１を斜行補正する（ステップＳ１２）。続いて、最初に選択した金種の基準データ５０上に紙片画像データ４１をコーナー基準で貼り付ける（ステップＳ１３）。このコーナー貼り付けにおいて、最初、どのコーナーに貼り付けるかは予め決めておく。また、最初に選択する基準データ５０の金種についても、予め決めておく。

そして、まず、前記比較用紙幣画像データ６０と辞書データ７０（最初は、予め決められた金種の辞書データ７０）を全面画像でパターンマッチングし（ステップS１４）、続いて、両データを横ライン画像でパターンマッチングする（ステップS１５）。さらに、続いて、両データを縦ライン画像でパターンマッチングし（ステップS１６）、最後に、両データを斜めライン画像でパターンマッチングする（ステップS１７）。これら４種類のパターンマッチングの結果は、メモリ（不図示）に記憶しておく。

以上のようにして、ある一つのコーナーに紙片画像データ４２を貼り付けた比較用紙幣画像データ６０について４種類のパターンマッチングを行った後、該４種類のパターンマッチングを、ある一つの金種における全ての比較用紙幣画像データ６０について行ったか判別し（ステップS１８）、まだであれば、前記紙片画像データ４２を貼り付けるべき基準データ５０（現在、選択中の金種の基準データ５０）の次のコーナーを選択し（ステップS１９）、ステップS１３に戻る。ステップＳ１３以降では、前記基準データ５０の今回選択されたコーナーに紙片画像データ４２を貼り付けた比較用紙幣画像データ６０について、上記パターンマッチング処理を行う。

このようにして、ある一つの金種について、その辞書データ７０と比較用紙幣画像データ６０とのパターンマッチングを、全ての比較用紙幣画像データ６０（基準データ５０の個々のコーナーに紙片画像データ４２を貼り付けた個々の画像データ６０）について行う。そして、全ての比較用紙幣画像データとのパターンマッチングが終了すれば、全金種の辞書データ７０とのパターンマッチングが終了したか判別し（ステップS２０）、まだであれば、次にパターンマッチングすべき金種の辞書データ７０を選択し（ステップS２１）、ステップS１３に戻る。ステップＳ１３では、新たに選択された金種の基準データ５０を用いて、その金種の比較用紙幣画像データ６０を作成する。

このようにして、全ての金種について、比較用紙幣画像データ６０（紙片画像データ４２を貼り付けるべきコーナー数と同数の比較用紙幣画像データ６０）と辞書データ７０とのパターンマッチングを行う。そして、該パターンマッチングが終了すると、最も類似度が高い金種を紙片の金種と推定し、この推定結果を記憶部２１に格納する（ステップＳ２２）。ステップＳ２２で、紙片の金種に加え、その紙片の紙幣上での位置情報（コーナー位置）も格納するようにしてもよい。この紙片の位置情報の取得は、ステップＳ１９で選択した最新のコーナー情報をメモリ（不図示）等に記憶しておくことにより可能である。

ところで、上記パターンマッチングの手法としては、パターン間最小距離を用いる方法などの公知の手法を用いることができる。
尚、図３の紙片の金種識別処理においては、
全画面画像でのパターンマッチング
横ライン画像でのパターンマッチング
縦ライン画像でのパターンマッチング
斜めライン画像でのパターンマッチング
の４種類のパターンマッチングを行い、それらのパターンマッチングで得られた最良の類似度（または最小距離）を金種識別用の指標としているが、上記（１）〜（４）のいずれか一つのみ、または（１）〜（４）の中から、１〜３種類のパターンマッチングの組み合わせを選択するようにして、紙片の金種を識別するようにしてもよい。

図４は、図３のステップＳ１１における濃度補正処理の詳細を説明するフロチャートである。
まず、紙片画像データ４１における紙片の白い縁部の面積Ｓを計算し（ステップＳ３１）、次に、該白い縁部の透過光加算値Ａを計算する（ステップＳ３２）。

続いて、白い縁部の単位面積当たりの透過光加算値Ｂ（＝Ａ／Ｓ）を計算し（ステップＳ３３）、次に、Ｂを８０Ｈ（Ｈは１６進数の値を示す記号）にするための計数Ｃ（＝８０Ｈ／Ｂ）を計算する（ステップＳ３４）。そして、紙片画像データ４１の全画素にＣを乗じて、紙片画像データ４１を濃度補正する（ステップＳ３５）。

図５は、辞書データ７０のデータ構造を示す図である。
同図（ａ）に示すように、辞書データ７０は縦Ｌ列、横Ｎ行であり、Ｌ×Ｎ個の画素７１から構成されている。同図（ｂ）に示すように、画素７１は１６ビット構成となっており、上位８ビットに階調平均値（濃度平均値）が、下位８ビットに標準偏差σが格納されている。この標準偏差σは、辞書データ７０を作成するためのサンプルデータから得られた画素７１の階調値の標準偏差である。

図６は、比較用紙幣画像データ６０のデータ構造を示す図である。
同図（ａ）に示すように、比較用紙幣画像データ６０も辞書データ７０と同様に、縦Ｌ列、横Ｎ行で、L×N個の画素６１から構成されている。同図（ｂ）に示すように、画素６１は８ビット構成であり、この８ビットに階調値（濃度値）が格納されている。
本実施形態においては、図７に模式的に示すように、比較用紙幣画像データ６０と辞書データ７０とのパターンマッチングにおいて、同一位置の画素同士について、下記の式（１）によりそれらの間のユークリッド距離d_ijを計算する。

ここで、
P_ij：比較用紙幣画像データ６０の画素の階調値
P’_ij：辞書データ７０の画素の階調値
である。

次に、図３のステップS１４の全面パターンマッチング処理を説明する。
図８は、上記全面画像パターンマッチングの手法の模式的概念図である。
同図において、右方向の矢印で示しているように、第1行目から第N行目まで行順に、上記の式（１）によりユークリッド距離d_ijを求め、下記の式（２）で表現される全画素のユークリッド距離D_allを求める。

図９は、図３のステップＳ１４の全面画像パターンマッチング処理を詳細に説明するフロチャートである。同図において、ｉとｊは、それぞれ、画素の列番号、行番号を示す変数である。また、D_EAは全面画像パターンマッチングにおけるユークリッド距離を求めるための変数である。

まず、変数ｉ，ｊに１を代入する。また、変数D_EAに０を代入する（ステップＳ４１）。
次に、式（１）によりユークリッド距離d_ijを計算し（ステップＳ４２）、そのユークリッド距離d_ijを変数D_EAに加算する（ステップＳ４３）。続いて、ｉがＬに等しいか判別し（ステップＳ４４）、等しくなければ、ｉの値を１インクリメントし（ステップＳ４５）、ステップＳ４２に戻る。

以上のようにして、ステップＳ４４でｉがＬに等しいと判別されるまで、ステップＳ４２〜ステップＳ４５の処理を繰り返し、ｉ行における全画素のユークリッド距離の総和を求める。

そして、ステップＳ４４でｉ＝Ｌであると判別すると、次に、ｊ＝Ｎであるか判別する（ステップＳ４６）。そして、ｊ＝Ｎでなければ，ｊの値を１インクリメントし（ステップＳ４７）、ステップＳ４２に戻る。このようにして、ｊが
Ｎに等しくなるまで、ステップＳ４２〜ステップＳ４７の処理を繰り返し、画像における全画素のユークリッド距離の総和を求める。この総和は、D_EAに格納される。そして、ステップＳ４６で、ｊがＮに等しいと判別すると処理を終了する。

図１０は、図３のステップＳ１５における横ライン画像でのパターンマッチング処理を模式的に示す概念図である。
同図に示すように、このパターンマッチング処理においては、比較用紙幣画像データ６０の任意の行ｘを選択し、この行の全画素を走査し、その走査ライン８１における全画素の辞書データ７０の画素とのユークリッド距離d_ijの総和を求める。但し、行ｘは紙片画像データ４２の画素が含まれる行である必要があり、好ましくは、紙片画像データ４２の画素数が最大の行ｘであることが望ましい。

図１１は、図３のステップＳ１５における横ライン画像でのパターンマッチング処理の詳細を説明するフロチャートである。尚、同図において、変数ｉ，ｊは、それぞれ、画素の列番号、行番号が設定される変数である。また、D_EYは選択された行ｙにおける全画素のユークリッド距離の総和を求めるための変数である。

まず、ｉを１に初期設定し、ｊに選択された行番号ｙを設定する。また、D_EYを０に初期設定する（ステップＳ５１）。そして、上記式（１）により、ユークリッド距離d_ijを計算し（ステップＳ５２）、そのユークリッド距離d_ijを変数D_EYに加算する（ステップＳ５３）。

次に、ｉがＬに等しいか判別し（ステップＳ５４）、等しくなければ、ｉの値を１インクリメントし（ステップＳ５５）、ステップＳ５２に戻る。
このようにして、ｉの値がＬに等しくなるまで、ステップＳ５２〜ステップＳ５４の処理を繰り返し、選択された行ｙにおける全画素のユークリッド距離の総和を求める。この総和は、変数D_EYに格納される。そして、ステップＳ５４でｉがＬに等しいと判別すると処理を終了する。

図１２は、図３のステップS１６における縦ライン画像でのパターンマッチング処理の概念を模式的に示した図である。
この縦ライン画像でのパターンマッチング処理では、比較用紙幣画像データ６０における任意の列ｘを選択し、その列ｘの全画素を走査して、その走査ライン９１における全画素のユークリッド距離の総和を算出する。但し、この場合、選択する列ｘは紙片画像データ４２の画素を含む列であり、好ましくは、その画素数が最大の列ｘを選択するのが望ましい。

図１３は、図３のステップS１６における縦ライン画像でのパターンマッチング処理の詳細を説明するフロチャートである。同図において、ｉ，ｊは、それぞれ、画像の列番号、行番号が設定される変数である。
まず、変数ｉに選択された列番号ｘを設定し、変数ｊを１に初期設定する。また、該選択された列ｘにおける全画素のユークリッド距離の総和を求めるための変数D_ETを０に初期設定する（ステップS６１）。
次に、上記式（１）により、ユークリッド距離d_ijを算出し（ステップS６２）、そのユークリッド距離d_ijを変数D_ETに加算する（ステップS６３）。そして、jがＮに等しいか判別し（ステップS６４）、等しくなければ、jの値を１インクリメントし（ステップS６５）、ステップS６２に戻る。

このようにして、ｊの値がＮに等しくなるまで、ステップS６２〜ステップS６５の処理を繰り返し、選択した列ｘにおける全画素のユークリッド距離の総和を求める。この総和は、変数D_ETに格納される。そして、ステップS６４で、ｊがＮに等しいと判別すると処理を終了する。

図１４及び図１５は、図３のステップＳ１７における斜めライン画像でのパターンマッチング処理の概念を模式的に示した図である。
図１４は、任意の番号ｘの列を選択し、その選択した列から所定の角度（例えば、４５度）で左斜め方向に画素を走査して、その走査した斜めラインの全画素におけるユークリッド距離の総和を求める左斜めライン画像によるパターンマッチング処理を示している。同図では、比較用紙幣画像データ６０の番号ｘ１の列を選択した場合と番号ｘ２を選択した場合のそれぞれにおける走査ライン１０１，１０２を示している。この手法においては、好ましくは、走査ライン上において紙片画像データ４２の画素数が最大となるように列番号を選択するのが望ましい。

一方、図１５は、走査方向を右斜め方向にした場合における斜めライン画像でのパターンマッチング処理の模式的概念図である。
同図は、最初に走査する画素の列番号をｘ３とした場合とｘ４とした場合のそれぞれにおける走査ライン１１１，１１２を示している。この右斜め方向の斜めライン画像のパターンマッチングにおいても、紙片画像データ４２の画素数を最も多く走査するラインが走査ラインとなるように、最初に走査すべき画素の列を選択するのが望ましい。
図１６は、図１４に示す左斜め方向の斜め画像ラインでのパターンマッチング処理を詳細に説明する図である。同図において、変数ｉ，ｊは、それぞれ、画素の列番号、行番号が設定される変数である。また、D_ENRは左斜め方向の走査ラインにおける全画素のユークリッド距離の総和を求めるために使用される変数である。

まず、変数ｉに最初に走査する画素の列番号を設定し、変数ｊには最初に走査する画素の行番号として１を設定する。また、変数D_ENRを０に初期設定する（ステップＳ７１）。
次に、上記式（１）を演算し、ユークリッド距離d_ijを求め（ステップＳ７２）、そのユークリッド距離d_ijを変数D_ENRに加算する（ステップＳ７３）。そして、ｉ＝１またはｊ＝Ｎであるか判別し（ステップＳ７４）、ｉ，ｊのいずれも該等式を満たさなければ、ｉの値を１デクリメントし（ステップＳ７５）、ｊの値を１インクリメントし（ステップＳ７５）、ステップＳ７２に戻る。

このようにして、ステップＳ７４で、ｉ＝１またはｊ＝Ｎが成立すると判断されるまで、ステップＳ７２〜ステップＳ７６の処理を繰り返し、１行目の列ｘの画素から走査が開始される右斜め方向のライン画像における全画素のユークリッド距離の総和を求め、この総和を変数D_ENRに格納する。そして、ステップＳ７４で、ｉ＝１またはｊ＝Ｎであると判断すると処理を終了する。

図１７は、図１５に示す左斜め方向のライン画像でのパターンマッチング処理を詳細に説明するフロチャートである。
まず、変数ｉ、ｊにそれぞれ、最初の走査画素の行番号（＝ｘ）、列番号（＝１）を設定する。また、左斜め方向の走査ライン画像における全画素のユークリッド距離の総和を求めるための変数D_ENLを０に初期設定する（ステップＳ８１）。と
次に、上記式（１）を用いて、ユークリッド距離d_ijを算出し（ステップＳ８２）、そのユークリッド距離d_ijを変数D_ENLに加算する（ステップS８３）。そして、ｉ＝Lまたはｊ＝Ｎであるか判断し（ステップS８４）、両等式のいずれも成立しなければ、ｉを１インクリメントし（ステップS８５）、ｊを１デクリメントし（ステップS８６）、ステップS８２に戻る。

このようにして、ステップS８４で、ｉ＝Ｌまたはｊ＝Ｎのいずれかが成立すると判断するまで、ステップS８２〜ステップS８６の処理を繰り返し、選択した左斜め方向のライン画像における全画素のユークリッド距離の総和を求め、その値を変数D_ENLに格納する。そして、ステップS８４で、ｉ＝Ｌまたはｊ＝Ｎのいずれかが成立すると判断すると処理を終了する。

尚、第１実施形態においては、比較用紙幣画像データ６０の一部のデータとして、縦１ライン、横１ラインまたは斜め１ラインのデータについてパターンマッチングするようにしているが、１ラインではなく複数ラインであってもよい。また、本発明のパターンマッチングで使用する比較用紙幣画像データ６０の部分データは、ラインに限定されるものではなく、比較用紙幣画像データ６０の紙片画像データ４２を含む部分データであれば、ライン以外の形状であってもよい。
｛第２実施形態｝
図１８は、本発明の第２実施形態である紙片鑑別装置２００のシステム構成を示すブロック図である。同図において、図１に示す第１実施形態の紙片鑑別装置１０の構成要素と同じ構成要素には同一の符号を付記しており、これらの構成要素の説明は省略する。

紙片鑑別装置２００が紙片鑑別装置１０との構成上の相違は、辞書比較部１８、基準データ部１９及び辞書データ部２０による紙片鑑別機能を、画像処理部１７Ａ、基準データ部１９及びニューロ演算部２０１で代替するようになっていることである。また、中央処理部１１Ａは、ニューロ演算部２０１の出力を解析して、紙片の金種を鑑別すると共に、画像処理部１７Ａを制御する。

画像処理部１７Ａは、前述のように紙片画像データ４２に対して正規化・濃度補正を施した後、辞書比較部１８と同様にして、該紙片画像データ４２と基準データ部１９に格納されている各金種の基準データ５０とから、各金種別の比較用紙幣画像データ６０を作成する。そして、この比較用紙幣画像データ６０に縮小処理を施し、それにより得られた縮小画像の全画素または一部の画素をニューロ演算部２０１に出力する。
ニューロ演算部２０１は、ニューラルネットワークであり、画像処理部１７Ａで作成された前記縮小画像を入力パターンとして入力し、紙片の金種とその方向（元の紙幣上での位置）を出力パターンとして出力する。

尚、この第2実施形態では、ニューロ演算部２０１が縮小画像によりニューロ演算をするようにしているが、必ずしも、縮小画像である必要はない。入力パターンとして縮小画像を用いるか否かは、ニューロ演算部２０１の規模やその演算処理時間等に応じて、適宜決定すればよい。

図１９は、ニューロ演算部２０１の構成を示す図である。
ニューロ演算部２０１は、入力層２１１、中間層２１２及び出力層２１３で構成されたフィードフォワード結合型のニューラルネットワークであり、誤差逆伝播学習を学習アルゴリズムとする。

入力層２１１には、入力パターンとして、入力信号I₁ ，I₂ ，・・・，I_pが画像処理部１７Ａから入力される。これらの入力信号I_iは、前記縮小画像の画素の階調値（濃度）である。入力層２１１は、S₁ ，S₂ ，・・・，S_pのｐ個のユニット（ニューロン）から成り、ユニットS_i（ｉ＝１，２，・・・，ｐ）には入力信号I_iが入力される。
中間層２１２は、A₁ ，A₂ ，・・・，A_mのｍ個のユニットから成る。各ユニットA_j（Ｊ＝１，２，・・・，ｍ）は、入力層２１１の全てのユニットS_i（ｉ＝１，２，・・・，ｎ）と結合されている。
出力層２１３は、R₁ ，R₂ ，・・・，R_qのｑ個のユニットから成り、各ユニットR_k（ｋ＝１，２，・・・，ｑ）は中間層２１２の全てのユニットA_jと結合されている。ユニットR_kは、出力信号O_kを出力する。この出力信号O_kは、０または１の２値信号であり、ｑ個のユニットR_kの中でいずれか1個のユニットのみが１の出力信号を出力し、他のユニットは０を出力する。

ｑ個の各ユニットR_kは、それぞれ、ある特定の金種と紙片の位置（方向）に対応しており、入力層２１１に入力される入力パターンＩ（I₁ ，I₂ ，・・・，I_p）に応じた出力信号O_kを出力する。

図２０は、中間層２１２のユニットA_j及び出力層２１３のユニットR_k双方のモデル例を示す図である。
同図に示すユニット２２０（ユニットｊ）は、前段の層の各ユニットｉからの出力が入力x_iとして与えられる準線形素子モデルであり、閾値θ_jを有している。ここで、ユニット２２０（ユニットｊ）の内部状態u_jは、

w_ij：ユニットｉとユニットｊ間の結合の重み
として計算される。
ユニット２２０の出力は、この値u_jを変数とする関数ｆ（u_j）であり、例えば、シグモナイド関数とすれば、

となる。
ここで、Ｔは温度と呼ばれるパラメータである。
図２１は、画像処理部１７Ａからニューロ演算部２０１に出力される入力パターンを説明する図である。

同図右側に示す画像データは、画像処理部１７Ａの作成する比較用紙幣画像データ３０１であり、そのサイズは７６ライン×１６０画素となっている。画像処理部１７Ａは、この比較用紙幣画像データ３０１を縮小し、同図左側に示すように、１０ライン×２２画素の縮小画像データ３０２を作成する。

ニューロ演算部２０１には、この縮小画像データ３０２の１画素が1入力信号として入力されることになる。ニューロ演算部２０１は、（１）全面画像パターン認識、（２）横ライン画像パターン認識、（３）縦ライン画像パターン認識及び（４）斜めライン画像パターン認識の4種類のパターン認識処理をニューロ演算により行う。画像処理部１７Ａは、上記（１）〜（４）の各パターン認識に必要な入力信号(入力パターン)をニューロ演算部２０１に出力する。

第2実施形態においては、上記（１）〜（４）のパターン認識（パターンマッチング）に応じて、ニューロ演算部２０１のニューラルネットワーク２０１の構成は以下のように変化する。
全面画像パターン認識
入力信号：I₁〜I₂₂₀
入力層２１１のユニット数：２２０
中間層２１２のユニット数：１０
出力層２１３のユニット数：６４
出力信号：O₁〜O₆₄
横ライン画像パターン認識
入力信号：I₁〜I₂₂
入力層２１１のユニット数：２２
中間層２１２のユニット数：２
出力層２１３のユニット数：６４
出力信号：O₁〜O₆₄
縦ライン画像パターン認識
入力信号：I₁〜I₁₀
入力層２１１のユニット数：１０
中間層２１２のユニット数：３
出力層２１３のユニット数：６４
出力信号：O₁〜O₆₄
（右斜め方向または左斜め方向）斜めライン画像パターン認識
入力信号：(I₁〜I₂)，（I₁〜I₃），・・・，または（I₁〜I₁₀）
入力層２１１のユニット数：２〜１０
中間層２１２のユニット数：２
出力層２１３のユニット数：６４
出力信号：O₁〜O₆₄
前述したように、入力層２１１のユニット数は画像処理部１７Ａからの入力信号I_iの数（画素数）に等しい。また、本実施形態では画素の階調値（濃度）は８ビットなので、各入力信号I₁値の範囲は１６進表現で、００Ｈ〜ＦＦＨとなる。

また、本実施形態では、紙片の金種を１６種類、紙片の位置（元の紙幣上の位置）を４方向（コーナー基準で、紙幣の左上隅、右上隅、左下隅、右下隅）と前提しているので、紙片の金種と位置（方向）との組み合わせで４６種類の認識が可能である。これら４６種類の認識は、それぞれ、出力層２１３の各出力信号O_k（ｋ＝１〜６４）と対応しており、認識された（紙片の金種，紙片の方向（位置））に対応する出力信号O_kが１となる。

図２２乃至図２６は、上記（１）〜（４）の各パターン認識における入力信号を説明する図である。
全面画像パターン認識の場合には、図２２に示すように、縮小画像データ３０２の全画素の階調値（濃度）が入力信号I₁〜I₂₂₀としてニューラルネットワーク２０１に入力される。また、横ライン画像認識の場合には、図２４に示すように、縮小画像データ３０２における任意の列（斜線部分）における全画素の階調値（濃度）が入力信号I₁〜I₂₂として、ニューラルネットワーク２０１に入力される。また、さらに、縦ライン画像パターン認識の場合には、図２３に示すように、縮小画像データ３０２における任意の行（斜線部分）における全画素の階調値（濃度）が入力信号I₁〜I₁₀としてニューラルネットワーク２０１に入力される。

斜めライン画像パターン認識においては、左斜めライン画像パターン認識の場合、図２５に示すように、縮小画像データ３０２の第1行における任意の列（網掛け部分）の画素から始まる、2個〜１０個までの画素を有する左斜めラインの各画素の階調値（濃度）が、入力信号I₁〜I₂，・・・、入力信号I₁〜I₁₀としてニューラルネットワーク２０１に入力される。また、右斜めライン画像パターン認識の場合、図２６に示すように、縮小画像データ３０２の第1行における任意の列の画素（網掛け部分）から始まる２画素〜１０画素までの画素を有する各画素の階調値（濃度）が、入力信号I₁〜I₂から入力信号I₁〜I₁₀
としてニューラルネットワーク２０１に入力される。

図２７は、全面画像によるパターン認識で紙片の金種を鑑別する紙片鑑別装置２００の動作を説明するフロチャートである。尚、同図において、図３のフロチャートのステップと同一処理をするステップには同じステップ番号を付与している。

画像処理部１７Aは、画像記憶部18から読み出した紙片画像データに対して濃度補正処理を施し（ステップS１１）、さらに、その紙片画像データ４２を斜行補正して正規化する（ステップS１２）。画像処理部１７Ａは、続いて、最初に選択した金種の辞書データ７０上の最初に選択したコーナーに紙片画像データ４２を貼り付けて比較用紙幣画像データ３０１を作成する（ステップS１３）。この最初に選択する金種及びコーナー（位置）は、予め、決めておく。

次に、画像処理部１７Ａは、前記比較用紙幣画像データ３０１の縮小画像データ３０２を作成し（ステップS１０４）、その全面画像データ（全画素）をニューロ演算部２０１に出力する（ステップS１０５）。

ニューロ演算部２０１は、該全面画像データを入力パターンとして入力し、ニューロ演算を行い、その入力パターンに対応する出力パターンを出力する（ステップS１０６）。
中央処理部１１Ａは、そのニューロ演算部２０１の出力パターンを入力し、ニューロ演算部２０１により金種が推定されたか判別する（ステップS１０７）。
そして、金種が推定されていなければ、現在選択中の金種の基準データ５０について全コーナーでの紙片画像データ４２の貼り付けが終了したか判別し（ステップS１０８）、まだ、全コーナーでの貼り付けが終了していなければ、ステップS１３に戻る。
一方、ステップS１０７で、中央処理部１１は金種が推定されたと判別すれば、その金種を記憶部２１に格納し（ステップS１１１）、処理を終了する。
このようにして、基準データ５０上の各コーナーに紙片画像データ４２を順次貼り付けながら比較用紙幣画像データ３０１を作成し、その縮小画像データ３０２についてニューロ演算部２０１により金種の推定が行なわれる。そして、ステップ１０８で、現在選択している金種の基準データ５０上の全コーナーに紙片画像データ４２を貼り付けた場合の比較用紙幣画像データ３０１のニューロ演算部２０１による金種推定が終了したと判別すると、次に、全金種の比較用紙幣画像データ３０１の縮小画像データ３０２についてニューロ演算部２０１による金種推定が終了したか判別する（ステップS１０９）。そして、全金種の比較用紙幣画像データ３０１の縮小画像データ３０２について金種推定が終了していないと判別すると、次の金種を選択し（ステップS１１０）、ステップS１３に戻る。

このようにして、各金種について全コーナーの比較用紙幣画像データ６０を作成し、それらの縮小画像データ３０２の個々について、ニューロ演算部２０１による全面画像パターン認識よる金種推定を行って、紙片の金種と方向を鑑別し、その鑑別結果を記憶部２１に格納する。また、全金種の全コーナーの比較用紙幣画像データ６０についてニューロ演算部２０１による金種が推定されない場合には、ステップS１０９で全金種についてニューロ演算部２０１による金種推定が終了したと判別して、処理を終了する。

図２８は、横ライン画像によるパターン認識で紙片の金種を鑑別する紙片鑑別装置２００の動作を説明するフロチャートである。同図において、図２７と同一処理をするステップには同じステップ番号を付与しており、これらのステップについての説明は省略する。

横ライン画像によるニューロ演算によるパターン認識においては、画像処理部１７Ａは、縮小画像データ３０２を作成すると（ステップＳ１０４）、その縮小画像データ３０２の任意の横ライン（紙片画像データ４２を含むライン）の画像データをニューロ演算部２０１に出力する（ステップＳ１２５）。

ニューロ演算部２０１は、該横ライン画像データを入力パターンとして入力し、その入力パターンに対応する出力パターンを中央処理部１１に出力する（ステップＳ１２６）。中央処理部１１は、該出力パターンを解析することにより、紙片の金種と方向を鑑別する。上記以外の処理は、図２７の全面画像でのパターン認識と同様である。

図２９は、縦ライン画像によるパターン認識で紙片の金種を鑑別する紙片鑑別装置２００の動作を説明するフロチャートである。同図において、図２８のステップと同一処理をするステップには同じステップ番号を付与しており、これらのステップについての説明は省略する。

画像処理部１７Ａは、縮小画像データ３０２を作成すると（ステップＳ１０４）、その縮小画像データ３０２の任意の縦ライン（縮小画像データ３０２を含むライン）の画像データをニューロ演算部２０１に出力する（ステップＳ１３５）。ニューロ演算部２０１は、この縦ライン画像データを入力パターンとして入力し、その入力パターンに対応する出力パターンを中央処理部１１に出力する（ステップＳ１３６）。中央処理部１１は、その出力パターンを解析し、紙片の金種と方向が推定されたか判断し、それらが推定されていれば、その推定された紙幣の金種と方向を記憶部２１に格納する。

図３０は、斜めライン画像（左斜めライン画像または右斜めライン画像）のパターン認識により紙片の金種を鑑別する紙片鑑別装置２００の動作を説明するフロチャートである。同図において、図２７のステップと同一処理をするステップには同じステップ番号を付与しており、それらのステップの説明は省略する。

画像処理部１７Ａは、縮小画像データ３０２を作成すると（ステップＳ１０４）、その縮小画像データ３０２の任意の斜めライン（紙片画像データ４２を含むライン）の画像データをニューロ演算部２０１に出力する（ステップＳ１４５）。ニューロ演算部２０１は、その斜めライン画像データを入力パターンとして入力し、それに対応する出力パターンを中央処理部１１に出力する（ステップＳ１４６）。中央処理部１１は、その出力パターンを解析し、紙片の金種と方向を鑑別する。

尚、上記第２実施形態では、縮小画像データ３０２の一部のデータを入力パターンとする際、縦１ライン、横１ラインまたは斜め１ラインの画像データを入力パターンとして使用するようにしているが、本発明は、これらに限定されるものではなく、例えば、縦方向、横方向または斜め方向の複数のラインを入力パターンとしてもよい。また、入力パターンとして用いる縮小画像データ３０２の部分データはライン形状である必要はなく、紙片画像データ４２を含むデータであれば、いかなる形状であってもよい。
また、第１実施形態の辞書比較部１８による金種推定と第２実施形態のニューロ演算部２０１による金種推定の両方を行って、金種推定の確度を高めたシステムを構築するようにしてもよい。

上述したように、本発明によれば、紙片の画像データを各金種の基準データ（真券の画像データ）に貼り付けて金種毎の比較用紙幣画像データを作成し、この比較用紙幣画像データを対応する金種の辞書データとパターンマッチングすることにより、紙片の金種を識別することができる。

また、本発明は、既存の装置のハードウェアを変更する必要はなく、ソフトウェアの変更のみで対処できるため、導入コストは低い。また、近年、増加している無人店舗での稼動や２４時間運用で使用される紙幣処理装置に実装するようにした場合、紙幣が装置内部で破れるような事態が生じても、紙片から紙幣残高を常に確定できるようになるため、その利用価値は極めて大きい。
[産業上の利用可能性]
本発明は、紙幣の入出金が行なわれるＡＴＭやＣＤ（Cash Dispenser）,自動販売機、駅の切符販売機など、今後、省人化に伴い急増するであろう紙幣の入出金を取り扱う無人機全般に適用できるので利用需要は大きい。

本発明の第１実施形態である紙片鑑別装置のシステム構成を示すブロック図である。 第１実施形態の紙片鑑別装置の処理概要を説明する図である。 第１実施形態の紙片鑑別装置の紙片鑑別処理全体を説明するフロチャートである。 第１実施形態における濃度補正処理を説明するフロチャートである。 辞書データの全体データ構造を示す図である。 辞書データの画素のデータ構造を示す図である。 比較用紙幣画像データの全体データ構造を示す図である。 比較用紙幣画像データの画素のデータ構造を示す図である。 比較用紙幣画像データと辞書データとのパターンマッチング手法の模式図である。 全面画像でのパターンマッチング処理の模式図である。 全面画像でのパターンマッチング処理の詳細フロチャートである。 横ライン画像でのパターンマッチング処理の模式図である。 横ライン画像データのパターンマッチング処理の詳細フロチャートである。 縦ライン画像でのパターンマッチング処理の模式図である。 縦ライン画像でのパターンマッチング処理の詳細フロチャートである。 左斜めライン画像でのパターンマッチング処理の模式図である。 右斜めライン画像でのパターンマッチング処理の模式図である。 左斜めライン画像でのパターンマッチング処理の詳細フロチャートである。 右斜めライン画像でのパターンマッチング処理の詳細フロチャートである。 本発明の第２実施形態である紙片鑑別装置のシステム構成を示すブロック図である。 ニューロ演算部の構成を示す図である。 ニューロ演算部のユニットの構成を説明する図である。 ニューロ演算部に入力されるデータを説明する図である。 ニューロ演算部が全面画像パターン認識をする際の入力パターンを説明する図である。 ニューロ演算部が横ライン画像パターン認識をする際の入力パターンを説明する図である。 ニューロ演算部が縦ライン画像パターン認識をする際の入力パターンを説明する図である。 ニューロ演算部が左斜めライン画像パターン認識をする際の入力パターンを説明する図である。 ニューロ演算部が右斜めライン画像パターン認識をする際の入力パターンを説明する図である。 第２実施形態の紙片鑑別装置が、ニューロ演算により全面画像パターン認識を行って、紙片の金種を鑑別する処理を説明するフロチャートである。 第２実施形態の紙片鑑別装置が、ニューロ演算により横ライン画像パターン認識を行って、紙片の金種を鑑別する処理を説明するフロチャートである。 第２実施形態の紙片鑑別装置が、ニューロ演算により縦ライン画像パターン認識を行って、紙片の金種を鑑別する処理を説明するフロチャートである。 第２実施形態の紙片鑑別装置が、ニューロ演算により斜めライン画像パターン認識を行って、紙片の金種を鑑別する処理を説明するフロチャートである。

Claims (15)

1. 真券の紙幣の画像データである基準データを、少なくとも一つの金種について格納している基準データ記憶手段と、
   真券の紙幣鑑別用の辞書データを、前記基準データと同じ金種数だけ格納している辞書データ記憶手段と、
   紙葉類の切片である紙片の画像データを取得するセンサ手段と、
   該センサ手段により得られた紙片画像データを、前記基準データ記憶手段に格納されている各金種の基準データと合成して各金種毎の比較用紙幣画像データを作成し、該比較用紙幣画像データを前記辞書データ記憶手段に格納されている同一金種の辞書データとパターンマッチングすることにより、前記紙片の金種を鑑別する辞書比較手段と、
   を備えることを特徴とする紙片鑑別装置。
2. 前記辞書比較手段は、前記比較用紙幣画像データと前記辞書データとを全画像についてパターンマッチングすることを特徴とする請求項１記載の紙片鑑別装置。
3. 前記辞書比較手段は、前記比較用紙幣画像データと前記辞書データの一部についてパターンマッチングをすることを特徴とする請求項１記載の紙片鑑別装置。
4. 前記辞書比較手段は、前記比較用紙幣画像データと前記辞書データとのパターンマッチングを、横ラインについてすることを特徴とする請求項３記載の紙片鑑別装置。
5. 前記辞書比較手段は、前記比較用紙幣画像データと前記辞書データとのパターンマッチングを、縦ラインについてすることを特徴とする請求項３記載の紙片鑑別装置。
6. 前記辞書比較手段は、前記比較用紙幣画像データと前記辞書データとのパターンマッチングを、斜めラインについてすることを特徴とする請求項３記載の紙片鑑別装置。
7. 前記辞書比較手段は、前記比較用紙幣画像データと前記辞書データについて、全画像のパターンマッチング、横ラインのパターンマッチング、縦ラインのパターンマッチング及び斜めラインのパターンマッチングを順次施し、それらのパターンマッチングの結果から前記紙片の金種を鑑別することを特徴とする請求項１記載の紙片鑑別装置。
8. 前記辞書比較手段は、前記基準データのコーナーに前記紙片画像データを貼り付けることにより、少なくとも一つの比較用紙幣画像データを作成することを特徴とする請求項１記載の紙片鑑別装置。
9. 真券の紙幣の画像データである基準データを、少なくとも一つの金種について格納している基準データ記憶手段と、
   紙葉類の切片である紙片の画像データを取得するセンサ手段と、
   該センサ手段により得られた紙片画像データを、前記基準データ記憶手段に格納されている各金種の基準データと合成して各金種毎の比較用紙幣画像データを作成する画像処理手段と、
   該比較用紙幣画像データを入力パターンとして入力し、その入力パターンに対してニューロ演算を施して、前記紙片の金種を示す出力パターンを出力するニューロ演算手段と、
   を備えることを特徴とする紙片鑑別装置。
10. 前記入力パターンは、前記比較用紙幣画像データの一部であることを特徴とする請求項９記載の紙片鑑別装置。
11. 前記入力パターンは、前記比較用紙幣画像データの縦ラインの画像データであることを特徴とする請求項１０記載の紙片鑑別装置。
12. 前記入力パターンは、前記比較用紙幣画像データの横ラインの画像データであることを特徴とする請求項１０記載の紙片鑑別装置。
13. 前記入力パターンは、前記比較用紙幣画像データの斜めラインの画像データであることを特徴とする請求項１０記載の紙片鑑別装置。
14. 真券の紙幣の画像データである基準データを、少なくとも一つの金種について第１の記憶手段に格納し、
    真券の紙幣鑑別用の辞書データを、前記基準データと同じ金種数だけ第２の記憶手段に格納し、
    紙葉類の切片である紙片の画像データを取得し、
    該取得した紙片画像データを、前記第１の記憶手段に格納されている各金種の基準データと合成して各金種毎の比較用紙幣画像データを作成し、該比較用紙幣画像データを前記第２の記憶手段に格納されている同一金種の辞書データとパターンマッチングすることにより、前記紙片の金種を鑑別すること、
    を特徴とする紙片鑑別方法。
15. 真券の紙幣の画像データである基準データを、少なくとも一つの金種について第１の記憶手段に格納するステップと、
    真券の紙幣鑑別用の辞書データを、前記基準データと同じ金種数だけ第２の記憶手段に格納するステップと、
    紙葉類の切片である紙片の画像データを取得するステップと、
    該取得した紙片画像データを、前記第１の記憶手段に格納されている各金種の基準データと合成して各金種毎の比較用紙幣画像データを作成するステップと、
    該比較用紙幣画像データを前記第２の記憶手段に格納されている同一金種の辞書データとパターンマッチングすることにより、前記紙片の金種を鑑別するステップを、
    コンピュータに実行させるプログラム。

Images