JPH06318245A - 紙葉類認識装置 - Google Patents

Abstract

(57)【要約】 【目的】 位置ずれや斜行ずれの影響を受けず、高速且
つ信頼性の高い認識を行なう。 【構成】 斜行補正部３により読み取り画像の傾きを補
正した後、有効領域決定部５によって必要最小限の濃淡
画像データを切り出して処理対象とする。この濃淡画像
データは特徴抽出部６で輪郭等の特徴データに換算さ
れ、２値化され、さらにその周辺の８個の画像データに
より構造化データを得る。これを識別のために予め用意
された辞書データと比較し、認識部８で紙葉類の種類や
真偽を認識する。このような構造化データによる認識に
よれば認識率が高く、必要最小限のデータを切り出して
照合を行なうため、高速処理も可能となる。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、紙幣、有価証券、債券
等の種類や真偽を認識するために使用される紙葉類認識
装置に関するものである。

【０００２】

【従来の技術】金融機関等において、預貯金や振込処理
等を自動化するために、自動入出金機（ＡＴＭ）や自動
取引装置等が設置されている。この自動入出金機等で
は、顧客によって紙幣が投入されると、紙幣の種類や真
偽の認識が行なわれる。この処理は、紙幣鑑別部によっ
て行なわれるが、ここではまず、紙幣の搬送方向に平行
な１本または複数本のラインに沿って、光学的あるいは
磁気的なパターンを読み取る。光学的パターンは、紙幣
の模様により金種ごとに一定の特徴を持つ。また、磁気
的パターンも同様の特徴を持つ。検出されたパターン
は、アナログ信号であるが、読み取ったライン上の多数
の点において、所定のしきい値と比較され２値化され
る。こうして得られたパルス列を、カウンタ回路により
カウントし、そのカウント値を辞書データと比較する。
検出されたすべてのラインについて、このカウント値が
辞書データの中のいずれかと近似していれば、紙幣の種
類および真偽や表裏、方向等を認識できる。

【０００３】

【発明が解決しようとする課題】ところで、上記のよう
な従来方法は、通常、紙幣上の特定のラインに沿った部
分的な領域の特徴を抽出して、その認識を行なってい
る。従って、小面積の偽造が、その検出領域以外に存在
するような場合には、真券と認識してしまう場合もあ
る。これは、例えば、紙幣の部分的な貼り合わせ等が行
なわれた場合に生じる。また、認識の信頼度を高めるた
めに、紙幣の外形寸法や厚み等を検出し、種々の角度か
ら紙幣の種類、真偽を認識する方法もある。しかしなが
ら、このような方法では、たとえ１つでもパラメータが
規格範囲を外れていれば、偽券と判定される。従って、
このような場合、偽券と判定される率が増大し、実用面
で問題がある。もちろん、このような問題は、紙幣の鑑
定に限らず、証券類、そのほか種々の紙葉類の鑑定にも
同様に相通じるところがある。

【０００４】これらの問題を解決するためには、まず、
紙葉類のできるだけ広範囲な部分を、高い解像度で読み
取って認識の基準とし、小面積の偽造や貼り合わせ等も
検出できるようにすることが好ましい。また、できるだ
け信頼性の高い１つの基準を用いて、種類や真偽の認識
を行なうことが認識率向上のために好ましい。しかし、
読み取るべきデータ量が多いと、データ処理に長時間を
要し、高速で照合を行なうことが困難になる。従って、
銀行等に設けた自動取引装置への採用は現実的でない。
さらに、紙葉類の一部を読み取る方法では、紙葉類の搬
送に位置ずれがあれば、検出データに変動を生じ、誤認
識が発生し得る。これを解決するためには、紙葉類の多
少の位置ずれに対しても、何らの影響を受けることのな
い認識処理が望まれる。

【０００５】本発明は以上の点に着目してなされたもの
で、紙葉類の小面積の偽造がいかなる部分に行なわれて
いても検出することができ、また、位置ずれや斜行ずれ
等にも強く、高速且つ信頼性の高い紙葉類認識装置を提
供することを目的とするものである。

【０００６】

【課題を解決するための手段】本発明の紙葉類認識装置
は、紙葉類上のデータを読み取るスキャナと、前記紙葉
類のデータの読み取り時、紙葉類の搬送状態からその斜
行角度を検出し、前記スキャナの読み取り信号を斜行補
正してバッファメモリに書き込む斜行補正部と、前記バ
ッファメモリに書き込まれた濃淡画像データを解析し
て、前記バッファメモリ中の前記紙葉類の端部位置と中
心位置を抽出し、前記濃淡画像データの有効領域を決定
する有効領域決定部と、前記バッファメモリの中から前
記有効領域の濃淡画像データを等分割処理し、それぞれ
の副画像の中の濃淡画像データを読み出して、前記副画
像の特徴データを抽出し、当該特徴データの周辺の濃淡
画像データを組み合わせて得られる構造化データを抽出
する特徴抽出部と、前記構造化データと、予め用意され
た基準となる複数の構造化データとを比較して、一致／
不一致判定画像を出力するフィルタリング部と、前記フ
ィルタリング部より出力された複数の一致／不一致判定
画像のそれぞれの出力状態より、その画像データの前記
紙葉類の種類及び表裏、挿入方向、真偽を判別する認識
部とを備えたことを特徴とするものである。

【０００７】

【作用】本発明の紙葉類認識装置においては、斜行補正
部により読み取り画像の傾きを補正した後、有効領域決
定部によって必要最小限の濃淡画像データを切り出して
処理対象とする。この濃淡画像データは特徴抽出部で輪
郭等の特徴データに換算され、２値化され、さらにその
周辺の８個の画像データにより構造化データを得る。こ
れを識別のために予め用意された辞書データと比較し、
認識部で紙葉類の種類や真偽を認識する。このような構
造化データによる認識によれば認識率が高く、必要最小
限のデータを切り出して照合を行なうため、高速処理も
可能となる。

【０００８】

【実施例】以下、本発明を図の実施例を用いて詳細に説
明する。図１は、本発明の紙葉類認識装置の一実施例を
示すブロック図である。まず、本発明の認識対象となる
紙葉類１は、例えば紙幣や有価証券、債券等である。こ
のような紙葉類１には、光学的あるいは磁気的なデータ
が記録されている。磁気的なデータは紙葉類１の印刷に
用いられるインクの磁気特性によるものである。本発明
の装置は、このようなデータをスキャナ２を用いて読み
取る構成とされている。なお、以下の実施例では紙葉類
を例えば紙幣とし、これに印刷された光学的な情報を、
スキャナ２を用いて読み取る例を挙げて説明する。この
場合、スキャナ２は、例えばイメージラインセンサ等か
ら構成される。

【０００９】斜行補正部３は、紙葉類１を所定の方向に
搬送しながら、スキャナ２を用いてそのデータを読み取
った場合に、紙葉類１とスキャナ２との相対的な傾きに
よるデータの歪みを除去する部分である。その具体的な
構成は後で説明するが、斜行補正部３はバッファメモリ
４に対し、斜行補正したデータを書き込む。バッファメ
モリ４には上記のようにして紙葉類を読み取った濃淡画
像データが格納される。しかしながら、この場合、紙葉
類１の周辺に配置された背景等のイメージも同時に読み
取られる。従って、これらを除去し必要最小限のデータ
を取り出すために有効領域決定部５が設けられている。
特徴抽出部６では、バッファメモリ４に格納された有効
な濃淡画像データが輪郭等の特徴データに換算され、２
値化される。そして、２値化された画像データを基に各
画像データの周辺の画像を含めた構造化データを作成す
る。その後、この構造化データをフィルタリング部７で
予め作成した辞書データと比較し、その結果を認識部８
に出力して紙葉類１の種類、真偽、表裏、方向等を認識
する。以上が本発明の装置の概略構成及び動作である。

【００１０】以下、本発明の装置の各部の具体的な構成
および動作を順に説明する。図２に、本発明の装置のス
キャナ２と斜行補正部３の具体的な実施例を示すブロッ
ク図を示した。図２には、紙葉類１の搬送路上に配置し
たイメージラインセンサ２１と、斜行検出用のラインセ
ンサ２２およびＡ／Ｄ変換部２３、斜行角度検出部２
４、斜行補正部３、バッファメモリ４および位置検出部
２５が示されている。イメージラインセンサ２１は、よ
く知られたＣＣＤ等による光学的イメージ読み取り素子
群から構成される。その出力は、Ａ／Ｄ変換部２３によ
りディジタル化され、斜行補正部３に入力する。ライン
センサ２２は、紙葉類１の搬送路上における傾きを検出
し、斜行角度検出部２４は、その出力に基づいて、紙葉
類１が搬送路に対しどの程度傾いているかを演算により
求める構成とされている。

【００１１】図３に、斜行補正部の動作説明図を示す。
図３において、紙葉類１は、紙幣や有価証券、債券等で
あり、ラインセンサ２２は、高速で走行する紙葉類１の
斜行状態を抽出するものである。このラインセンサ２２
は、Ｎ個（約１００画素程度）の読み取り素子を有し、
紙葉類１と背景との境界が読み取り素子の下に来たとき
に読み取り信号を発生する。また、イメージラインセン
サ２１は、紙葉類１に印刷された光学的あるいは磁気的
なパターンを読み取る。読み取り可能長３２は、イメー
ジラインセンサ２１の有効読み取り幅であり、紙葉類１
の高速走行によって発生する位置ずれや斜行等に十分対
応できる幅となっている。

【００１２】いま、紙葉類１が図示のように右上がりの
状態で矢印３１の方向に走行してくると、ラインセンサ
２２の第Ｎ番目の素子が紙葉類１と背景との境界をまず
検出し、次に第Ｎ−１番目の素子が紙葉類１と背景との
境界を検出する。このようにして、Ｎ個のすべての素子
が紙葉類１と背景との境界を検出したあと、ラインセン
サ２２は、紙葉類１と背景との境界を検出した時間ｔと
読み取り画素位置に対応する素子番号ｉとを対応させ
て、検出時間配列ｔ（ｉ）を作成する。

【００１３】図４は、このようにして作成された検出時
間配列ｔ（ｉ）を図式化したものである。図４からも明
らかなように、検出時間配列ｔ（ｉ）は必ずしも一直線
にならず、紙葉類１の汚れや破れあるいは欠損等のため
に、理想とする直線に対して常に幾らかの誤差を伴って
いる。図４における１点（ｉ，ｔ（ｉ））の誤差をε
（ｉ）とすると、検出時間配列ｔ（ｉ）は、 ｔ（ｉ）＝ｋｉ＋Ｔ＋ε（ｉ） （１） となる。ここで、Ｔは図４における理想直線４１と検出
時間軸ｔとの交点であり、ｋは理想直線４１の勾配係数
である。

【００１４】検出時間配列ｔ（ｉ）についての誤差ε
（ｉ）の自乗和Ｅ（Ｔ，α）は、 Ｅ（Ｔ，α）＝Σ［ｔ（ｉ）−Ｔ−ｋｉ］² （２） である。ここに、Σは、ｉ＝１からｉ＝ｎまでの総和で
ある。このＥ（Ｔ，α）が最小となるようなＴとｋを最
小２乗法により求めることにより、 ｋ＝｛（Ｓ_it−Ｓ_iＳ_t）／ｎ｝／｛Ｓ_i ²−（Ｓ_i）²／ｎ｝ （３） ただし、Ｓ_i ＝Σｉ、Ｓ_i ²＝Σｉ² 、Ｓ_t ＝Σｔ（ｉ）、Ｓ_it＝Σｉｔ（ｉ） （４） ここに、各Σは、ｉ＝１からｉ＝ｎまでの総和である。
これらのデータを用いれば、 θ＝ｔａｎ^-1ｋ （５） より斜行角度θを求めることができる。

【００１５】イメージラインセンサ２１は、紙葉類１の
反射光あるいは通過光の光学的なアナログパターンを読
み取る。この信号は図２に示すＡ／Ｄ変換部２３によっ
て、ディジタル形式の濃淡画像データに変換される。図
２に示す斜行角度検出部２４は、先に説明した要領で斜
行角度を演算し、斜行補正部３にその制御信号を入力す
る。これによってバッファメモリ４には、斜行補正され
た濃淡画像データが格納される。この場合、読み取られ
た濃淡画像データの主走査アドレスをｉ₀ 、副走査アド
レスをｊ₀ とし、バッファメモリ４に書き込むべき主走
査アドレスをｉ₁ 、副走査アドレスをｊ₁ とすると、そ
の換算は、 ｉ₁ ＝ｉ₀cos（−θ）−ｊ₀sin（−θ） ｊ₁ ＝ｉ₀sin（−θ）＋ｊ₀cos（−θ） （６） より行なうことができる。図２に示すバッファメモリ４
にはこのようにして、紙葉類１の読み取りにより得られ
た濃淡画像データが傾斜のない形で格納される。なお、
イメージラインセンサ２１は、紙葉類１が斜行した場合
にもその全体を読み取ることが可能なように、認識対象
となる紙葉類１の対角線以上の読み取り可能長３２を持
つことが好ましい。

【００１６】さて、こうしてバッファメモリ４に読み込
まれた濃淡画像データには、紙葉類の周辺やその背景部
分にあるもののデータも含まれる。これらのデータを含
めてその後の処理を行なおうとすると、処理の高速化を
図れない。そこで、まず図２に示した位置検出部２５
が、バッファメモリ４中の該当する濃淡画像データの位
置を検出する。図５に、位置検出部の動作説明図を示
す。図５に示すように、バッファメモリ４には図のよう
な範囲で濃淡画像データ５１が格納される。そして、濃
淡画像データ５１の中央部分にある白抜き部分５２が認
識対象となる紙葉類の濃淡画像データの領域である。図
２に示した位置検出部２５は、図２に示した斜行補正部
３がバッファメモリ４に対し濃淡画像データを書き込む
際に、図５に示す紙葉類の端部位置のアドレスＩ_s ，Ｉ
_e ，Ｊ_s ，Ｊ_e を検出する。また、さらに演算によっ
て、紙葉類に対応する濃淡画像データの中心位置座標Ｉ
_p ，Ｊ_p を検出する。この方法として位置検出部は、バ
ッファメモリの主走査方向の全幅Ｉ_w と副走査方向の全
幅Ｊ_w について、それぞれ濃淡画像データに基づく濃度
波形を求める。

【００１７】図５の右側と下側に示したものがこの波形
である。そして、これらの波形に基づいて、しきい値Ｍ
_t を設定する。このしきい値Ｍ_t は、最大濃度と最低濃
度の中間の値に設定する。そして、Ｉ_s ，Ｉ_e ，Ｊ_s ，
Ｊ_e の初期値を、それぞれ下式に示すようにＩ_w ，０，
Ｊ_w ，０に設定する。 Ｉ_s ＝Ｉ_w ，Ｉ_e ＝０，Ｊ_s ＝Ｊ_w ，Ｊ_e ＝０ （７） そして、斜行補正部３がバッファメモリ４に濃淡画像デ
ータを順に書き込む度に、下式のように更新していく。 Ｉ_s ＝ｍｉｎ［Ｉ_s ，｛ｉ｜Ｍ（ｉ，ｊ）＜Ｍ_t ｝］ （８ａ） Ｉ_e ＝ｍａｘ［Ｉ_e ，｛ｉ｜Ｍ（ｉ，ｊ）＜Ｍ_t ｝］ （８ｂ） Ｊ_s ＝ｍｉｎ［Ｊ_s ，｛ｊ｜Ｍ（ｉ，ｊ）＜Ｍ_t ｝］ （８ｃ） Ｊ_e ＝ｍａｘ［Ｊ_e ，｛ｊ｜Ｍ（ｉ，ｊ）＜Ｍ_t ｝］ （８ｄ） 例えば、式８ａの更新式は、画素（ｉ，ｊ）の出力値Ｍ
（ｉ，ｊ）がしきい値Ｍ_t より小さくなったとき、主走
査座標アドレスｉとＩ_s とを比較して、主走査座標アド
レスｉの方が小さければ、端部位置変数Ｉ_s に主走査座
標アドレスｉの値を割り当てる。以下Ｉ_e の更新式、Ｊ
_s の更新式、Ｊ_e の更新式についても全く同様の対応す
る演算を行なう。

【００１８】上記のような処理によって、斜行補正部３
がバッファメモリ４に対し、全ての濃淡画像データを書
き込み終ったとき、紙葉類の右上および左下の座標がそ
れぞれ（Ｉ_s ，Ｊ_s ），（Ｉ_e ，Ｊ_e ）として検出され
る。さらにその後、図２に示す位置検出部２５は紙葉類
の中心位置（Ｉ_c ，Ｊ_c ）を抽出する。 （Ｉ_c ，Ｊ_c ）＝［（Ｉ_s ＋Ｉ_e ）／２，（Ｊ_s ＋Ｊ_e ）／２］ （９） こうして求められた中心位置座標（Ｉ_c ，Ｊ_c ）は、紙
葉類１の読み取り位置ずれに対応する。従って、この中
心位置座標を基準にしてバッファメモリ４中の有効領域
が決定される。

【００１９】図６に、有効領域決定部の動作説明図を示
す。図１に示す有効領域決定部５は、図５に示した位置
検出部２５の出力結果に基づいて、バッファメモリ４中
の有効領域を決定する。この場合、先ず紙葉類の濃淡画
像データの中心位置座標Ｉ_c ，Ｊ_c を基準とする。そし
て、図６に示す白抜き部分の領域を、実際に読み取った
紙葉類の濃淡画像データが含まれる領域とすると、これ
より例えば一回り広い横幅Ｂ_w 、縦幅Ｂ_h の領域を有効
領域に決定する。この幅は例えば、装置が実際に認識対
象とする紙葉類の最大のものの占める領域に設定され
る。例えば紙幣の認識を行なう場合には、千円券、五千
円券、壱万円券の３種類の紙幣を認識することになる
が、この場合、最大の大きさの壱万円券を認識できる領
域を常に切り出すようにする。

【００２０】ここでバッファメモリ４には、下式に示す
格子状に配列されたＩ_w ×Ｊ_w 個の濃淡画像データＭが
格納されている。 Ｍ＝｛（ｉ，ｊ）｜０≦ｉ＜Ｉ_w ，０≦ｊ＜Ｊ_w ｝ （１０） これは、先に説明したように、実際に読み取った紙葉類
の中心位置座標から演算して決定した有効領域にある。
この範囲を下式に示す。 Ｍ＝｛（ｉ，ｊ）｜（Ｉ_c −△Ｍ_w ）≦ｉ＜（Ｉ_c ＋△Ｍ_w ）， （Ｊ_c −△Ｍ_h ）≦ｊ＜（Ｊ_c ＋△Ｍ_h ）｝ （１１） ただし、Ｍ_w ＝２△Ｍ_w ＞（Ｉ_e −Ｉ_s ），Ｍ_w ＜＜Ｉ
_w ，△Ｍ_w ：固定値 Ｍ_h ＝２△Ｍ_h ＞（Ｊ_e −Ｊ_s ），Ｍ_h ＜＜Ｊ_w ，△Ｍ
_h ：固定値 こうして切り出された濃淡画像データは、図１に示す特
徴抽出部６へ出力する。

【００２１】図７に、特徴抽出部のブロック図を示す。
図７の回路は、濃淡画像データ中の特徴データを算出す
る特徴データ換算部７１と、特徴データを２値化する２
値化部７２および、２値化された画像の極性分布を構造
化データに変換する構造化部７３から構成される。特徴
データ換算部７１は、このバッファメモリから先に説明
した有効領域の濃淡画像を分割処理し、分割処理された
副画像の中の特徴データを抽出する。特徴データ換算部
７１は、まず、先に説明した有効領域をＷ×Ｈ個に等分
割処理する。

【００２２】図８に、分割処理の動作説明図を示す。図
８は、先に説明した濃淡画像データの有効領域である。
まず、主走査方向（ｘ）へＷ等分割処理、副走査方向
（ｙ）へＨ等分割処理する。次に、等分割処理された各
副画像の中の濃淡画像データを読み出し、特徴データに
換算する。換算する特徴データは、例えば輪郭や分散等
の統計量がある。本実施例では、輪郭で説明する。図９
は、特徴データ換算に用いるテンプレートの例である。
まず、図８に示した濃淡画像データの有効領域から、副
走査方向（ｙ）の順に、かつ主走査方向（ｘ）の順に、
順次濃淡画像データを読み出し、図９〜図１２に示すテ
ンプレートを用いて特徴データに換算する。

【００２３】図９は、濃淡画像データの水平方向の輪郭
Ｔ₁ （ｘ，ｙ）を求めるテンプレートである。Ｔ₁
（ｘ，ｙ）は図９のｘ方向の濃淡の変化を示し、Ｔ₁
（ｘ，ｙ）の値が小さいほどｘ方向の濃淡の変化が小さ
い。また、同様に、図１０は、濃淡画像データの右下斜
め方向の輪郭Ｔ₂ （ｘ，ｙ）を求めるテンプレートであ
り、図１１は、濃淡画像データの垂直方向の輪郭Ｔ₃
（ｘ，ｙ）を求めるテンプレートであり、図１２は、濃
淡画像データの左下斜め方向の輪郭Ｔ₄ （ｘ，ｙ）を求
めるテンプレートである。４つのテンプレートからそれ
ぞれの輪郭Ｔ₁ （ｘ，ｙ）、Ｔ₂ （ｘ，ｙ）、Ｔ₃
（ｘ，ｙ）、Ｔ₄ （ｘ，ｙ）を求め、これらの最小値Ｔ
（ｘ，ｙ）を輪郭に関する特徴データとする。即ち、こ
れは、次式にしたがって算出する。 Ｔ（ｘ，ｙ）＝ｍｉｎ［Ｔ₁ （ｘ，ｙ），Ｔ₂ （ｘ，ｙ），Ｔ₃ （ｘ，ｙ）， Ｔ₄ （ｘ，ｙ）］ （１２）

【００２４】次に、図８に示した分割処理にしたがっ
て、各副画像内の特徴データの平均値を求める。即ち、
主走査方向（ｘ）上の副画像番号をｉ、副走査方向
（ｙ）上の副画像番号をｊとして、副画像内の特徴デー
タの平均値Ｘ（ｉ，ｊ）を次式にしたがって算出する。 Ｘ（ｉ，ｊ）＝｛ΣΣＴ（ｘ，ｙ）｝／（Ｍ_w Ｍ_h ／ＷＨ） （１３） ここに、内側のΣはｘ＝ｉＭ_w からｘ＝（ｉ＋１）Ｍ_w
までの総和であり、外側のΣはｙ＝ｊＭ_h からｙ＝（ｊ
＋１）Ｍ_h までの総和である。このようにして換算され
た特徴データＸは、下式に示すように格子状に配列され
た主走査幅Ｗ×副走査幅Ｈの画素から構成される。 Ｘ＝｛（ｉ，ｊ）｜０≦ｉ＜Ｗ，０≦ｊ＜Ｈ｝ （１４） 特徴データ換算部７１によって出力された特徴データは
図７に示す２値化部７２によって２値化される。

【００２５】図１３に、２値化部の構成を示す。この２
値化部は、換算された特徴データを基に、濃度分布を作
成するヒストグラム作成部１０１と、しきい値決定部１
０２および、特徴データの２値化処理を行なう２値化変
換部１０３から構成される。ヒストグラム作成部１０１
は、特徴データの値が発生した頻度を表すヒストグラム
を作成する。この特徴データを２値化するためには、紙
葉類毎の紙質、印刷濃度等の変動や、スキャナのイメー
ジラインセンサの経時変化等の変動にとらわれないよ
う、適切なしきい値を決定することが望ましい。そのし
きい値の決定のため、この実施例ではヒストグラムの１
次モーメント平均値を算出し、これを最適しきい値Ｘ
_thl に決定する。１次モーメント平均値は下式に示すよ
うな演算により求められる。 Ｘ_thl ＝∫ｍｄＸ_hst（ｍ），積分区間［−∞，∞］ （１５）

【００２６】図１４に、２値化部動作説明図を示す。こ
の図１４の縦軸にはヒストグラムＸ_histをとり、横軸に
はモーメントｍをとった。この場合、１次モーメント平
均値Ｘ_thl をしきい値に決定するほか、この濃度分布系
列Ｘ_histの分布形状が２つのピークをもつ場合には、そ
のピークの谷となる部分をしきい値とするようにしても
よい。また、この特徴データと副画像数との分散値を求
め、これによってしきい値を決定するようにしてもよ
い。これらのいずれの方法によりしきい値を求めるか
は、実際に対象となる紙葉類の性質等によって経験的に
求められる。なお、こうして求められたしきい値は、先
ず第一段階としての紙葉類の真偽判定に使用される。即
ち、紙葉類をコピーして作成した偽造紙葉類が読み込ま
れた場合に、そのしきい値は本物の紙葉類によるしきい
値と比べて著しく相違する。即ち、紙葉類の紙質や印刷
濃度等の各種の変動により生じるしきい値のばらつき
は、図１４に示すＸ_stとＸ_spの範囲内に納まる。従っ
て、下式を紙葉類の第一段階における真偽判定用に使用
し、もし、しきい値がこの範囲に含まれない場合、紙葉
類は偽物であるとして処理を中断する。 Ｘ_st＜Ｘ_thl ＜Ｘ_sp （１６） なお、このようにしきい値が一定の範囲に納まるよう
に、スキャナによる照射光源の波長を適切に選定するこ
とが好ましい。

【００２７】なお、上記Ｘ_stやＸ_spの値は、本物の紙葉
類を数千枚あるいは数万枚について、上記の処理を行な
ってその濃度分布系列から求めたしきい値により決定す
る。図１３に示す２値化変換部１０３は、こうして得ら
れたしきい値を基に上記特徴データを２値化する。２値
化変換は下式にしたがって行なわれる。 Ｂ（ｘ，ｙ）＝１：Ｘ（ｉ，ｊ）＞Ｘ_thl の場合； ０：その他の場合 （１７） 即ち、特徴データＸ（ｘ，ｙ）を、先に決定したしきい
値と比較して、しきい値より大きい場合はＢ（ｘ，ｙ）
＝１、小さい場合はＢ（ｘ，ｙ）＝０という出力を得
る。この２値化された画像データは、下式に示すように
格子状に配列された主走査幅Ｗ×副走査幅Ｈの画素から
構成される。 Ｂ＝｛（ｉ，ｊ）｜０≦ｉ＜Ｗ，０≦ｊ＜Ｈ｝ （１８） 図７に示す２値化部７２は、構造化部７３へ上記２値画
像を出力する。

【００２８】図１５に構造化部の動作説明図を示す。座
標ｉ，ｊにおける、２値画像Ｂ（ｉ，ｊ）の構造化デー
タＫ（ｉ，ｊ）は、２値画像Ｂ（ｉ，ｊ）の周辺の８画
素群を時計回りの順に、Ａ＝Ｂ（ｉ＋１，ｊ），Ｂ＝Ｂ
（ｉ＋１，ｊ＋１），Ｃ＝Ｂ（ｉ，ｊ＋１），Ｄ＝Ｂ
（ｉ−１，ｊ＋１），Ｅ＝Ｂ（ｉ−１，ｊ），Ｆ＝Ｂ
（ｉ−１，ｊ−１），Ｇ＝Ｂ（ｉ，ｊ−１），Ｈ＝Ｂ
（ｉ＋１，ｊ−１）として、下式にしたがって求める。 Ｋ（ｉ，ｊ）＝１２８Ａ＋６４Ｂ＋３２Ｃ＋１６Ｄ＋８Ｅ＋４Ｆ＋２Ｇ＋Ｈ （１９） このようにして、構造化部７３は、２値画像を中心より
時計回りに抽出して構造化データに変換して、図１に示
すフィルタリング部７へ出力する。

【００２９】さてここで、入力する構造化データに対す
る辞書データの作成方法について説明する。この辞書デ
ータは、対象とする入力構造化データの金種や真偽を判
別するための規準となるものである。これは、同一種類
の紙葉類、例えば壱万円券を一定方向に向けてこの装置
に投入し、数千枚あるいは数万枚を対象として、これま
で説明した図７に示す２値化部７２までの処理を行な
い、これによって得られた結果を論理積によって重ね合
わせて求める。これによって、同一種類の多数の壱万円
券について必ず発生する黒極性部分が抽出できる。

【００３０】次に、この２値画像に対して、これまで説
明した図７に示す構造化部７３の処理を行ない、これに
よって得られた画像を壱万円券辞書データとして登録し
ておく。ほかの金種及び挿入方向等異なるものについて
も同様にして辞書データを作成しておく。本実施例にお
ける、辞書データのカテゴリは例えば、千円札表正立、
千円札表倒立、千円札裏正立、千円札裏倒立、五千円札
表正立、五千円札表倒立、五千円札裏正立、五千円札裏
倒立、壱万円札表正立、壱万円札表倒立、壱万円札裏正
立、壱万円札裏倒立の計１２種で構成する。

【００３１】図１に示すフィルタリング部７は、入力す
る構造化データの金種、表裏、挿入方向等を判別する。
まず、入力構造化データＫ（ｉ，ｊ）とカテゴリｄの辞
書データＤ（ｄ，ｉ，ｊ）との論理積Ｓ（ｄ，ｉ，ｊ）
を下式に従って求める。 Ｓ（ｄ，ｉ，ｊ）＝Ｋ（ｉ，ｊ） ＡＮＤ Ｄ（ｄ，ｉ，ｊ） （２０） 次に、この論理積Ｓ（ｄ，ｉ，ｊ）と辞書データＤ
（ｄ，ｉ，ｊ）との排他的論理和Ｐ（ｄ，ｉ，ｊ）を下
式に従って求める。 Ｐ（ｄ，ｉ，ｊ）＝Ｓ（ｄ，ｉ，ｊ） ＸＯＲ Ｄ（ｄ，ｉ，ｊ） （２１ ） ここで、Ｐ（ｄ，ｉ，ｊ）の値から一致／不一致の判定
を下式に従って行なう。 Ｒ（ｄ，ｉ，ｊ）＝１：Ｐ（ｄ，ｉ，ｊ）＝０の場合； ０：その他の場合 （２２） 即ち、Ｐ（ｄ，ｉ，ｊ）の値が“０”である場合は、一
致判定結果“１”を出力し、Ｐ（ｄ，ｉ，ｊ）の値が
“０”でない場合は、不一致判定結果“０”を出力す
る。このようにして、一致／不一致判定出力画像Ｒ
（ｄ）は、下式に示すようなものとなる。 Ｒ（ｄ）＝｛（ｉ，ｊ）｜０≦ｉ＜Ｗ，０≦ｊ＜Ｈ｝ ただし、０≦ｄ＜１２ （２３）

【００３２】図１に示すフィルタリング部７は、先に述
べた１２種の辞書データを用い、１２種の一致／不一致
判定出力画像Ｒ（ｄ）を図１に示す認識部８へ出力す
る。認識部８は、フィルタリング部７より出力された一
致／不一致判定出力画像Ｒ（ｄ）の中で最も一致判定出
力が大きいものの一致／不一致判定出力画像Ｒ（ｄ）お
よび、カテゴリ番号ｄを抽出する。ここで、最も一致判
定出力が大きい一致／不一致判定出力画像とは、一致／
不一致判定出力がほぼ“１”である２値画像をいう。認
識部８は、この一致／不一致判定出力画像Ｒ（ｄ）の出
力状態から、真偽等を認識する。

【００３３】最も一致判定出力が大きい一致／不一致判
定出力画像Ｒ（ｄ）の出力状態がすべて“１”ならば、
真券判定され、その一致／不一致判定出力画像Ｒ（ｄ）
のカテゴリ番号ｄにしたがって、その画像の金種、表
裏、挿入方向を出力する。最も一致判定出力が大きい一
致／不一致判定出力画像Ｒ（ｄ）の出力状態で、いくつ
かの箇所に“０”出力があれば、その部分がマジックや
カーボン系等による汚れ、または部分貼り合わせ等によ
って偽造されたものと見なし、リジェクトする。

【００３４】このようにして、位置ずれや斜行ずれを考
慮しつつ、紙葉類の全体から得られる構造化データによ
り、高速且つ信頼性の高い認識を行なうことができる。
尚、上述した装置によれば、濃淡画像の特徴データから
抽出された一定の統計量により認識の判定を行なうよう
にしたので、認識を対象とするデータは紙葉類の紙の質
や印刷濃度に影響されないものとなり、常に安定した認
識が可能となる。また、スキャナが読み取る前に、対象
とする紙葉類からその背景との境界を複数箇所検出し、
それぞれの検出位置に対応して紙葉類の搬送量を抽出す
るようにしたので、紙葉類の汚れや破れ、欠損等に影響
されず、紙葉類の斜行角度が正確に抽出できる。また、
分割処理や特徴抽出を行なう前に、対象とする濃淡画像
からその紙葉類の中心位置を検出し、濃淡画像からその
紙葉類が占める領域を設定するようにしたので、その後
の信号処理量を減少させ、処理の高速化を図ることがで
きる。

【００３５】また、対象とする濃淡画像を分割処理し、
分割処理された各副画像からそれぞれの特徴データを抽
出するようにしたので、紙葉類を誤って洗濯等した場合
に生じる紙葉類全体の縮みや印刷位置ずれ等のパターン
の細かな変化が無視でき、信頼性の高い認識が可能とな
る。尚、上述した実施例においては、イメージラインセ
ンサ２１とラインセンサ２２とを別個のセンサにより構
成するようにしたが、本発明はこれに限定されることな
く、１つのセンサを共用することによって構成するよう
にしてもよい。

【００３６】

【発明の効果】

(1) 以上説明した本発明の紙葉類認識装置は、紙葉類の
認識を必要とする全領域の画像を読み取って、その濃淡
画像から特徴データを抽出し、この特徴データから一定
の統計量を抽出し、２値化に用いるしきい値を決定する
ようにしたので、紙葉類の部分的な貼り合わせ等が行な
われた場合にもそのような偽造を確実に検出することが
できる。また、紙葉類の一部を読み取るものでないの
で、搬送により紙葉類の位置ずれが生じた場合も認識処
理が影響を受けることがない。 (2) スキャナが読み取る領域の大きさを対象とする紙葉
類の最大対角線長以上に設定すれば、対象とする紙葉類
の位置ずれや斜行によるずれに影響されず、必要な全て
の画像が抽出できる。

【００３７】(3) バッファメモリ内の濃淡画像データの
有効領域を認識対象となる紙葉類のうちの最大のものの
大きさに合わせることにより、認識対象となるすべての
紙葉類について正確な認識を行なうことができる。 (4) フィルタリングを行なう前に、対象とする２値画像
について、その形や広がり等周辺の画像を考慮に入れた
まとまりを単位として構造化データを抽出し、これを判
別データとしたので、信頼性の高い認識が可能となる。 (5) 同一種類の複数枚の紙葉類の認識によって得られた
各２値画像の論理積を求めることにより、同一種類の複
数の紙葉類について必ず発生する黒極性部分が抽出で
き、認識精度のよい辞書データを作成することができ
る。

【図面の簡単な説明】

【図１】本発明の紙葉類認識装置の一実施例のブロック
図である。

【図２】スキャナと斜行補正部のブロック図である。

【図３】斜行補正部の動作説明図である。

【図４】検出時間配列を図式化したグラフである。

【図５】位置検出部の動作説明図である。

【図６】有効領域決定部の動作説明図である。

【図７】特徴抽出部の構成を示すブロック図である。

【図８】分割処理の動作説明図である。

【図９】特徴データ換算に用いるテンプレート（その
１）の説明図である。

【図１０】特徴データ換算に用いるテンプレート（その
２）の説明図である。

【図１１】特徴データ換算に用いるテンプレート（その
３）の説明図である。

【図１２】特徴データ換算に用いるテンプレート（その
４）の説明図である。

【図１３】２値化部の構成を示すブロック図である。

【図１４】２値化部の動作説明図である。

【図１５】構造化部の動作説明図である。

【符号の説明】

１ 紙葉類 ２ スキャナ ３ 斜行補正部 ４ バッファメモリ ５ 有効領域決定部 ６ 特徴抽出部 ７ フィルタリング部 ８ 認識部

Claims (5)

【特許請求の範囲】
1. 【請求項１】 紙葉類上のデータを読み取るスキャナ
   と、 前記紙葉類のデータの読み取り時、紙葉類の搬送状態か
   らその斜行角度を検出し、前記スキャナの読み取り信号
   を斜行補正してバッファメモリに書き込む斜行補正部
   と、 前記バッファメモリに書き込まれた濃淡画像データを解
   析して、前記バッファメモリ中の前記紙葉類の端部位置
   と中心位置を抽出し、前記濃淡画像データの有効領域を
   決定する有効領域決定部と、 前記バッファメモリの中から前記有効領域の濃淡画像デ
   ータを等分割処理し、それぞれの副画像の中の濃淡画像
   データを読み出して、前記副画像の特徴データを抽出
   し、当該特徴データの周辺の濃淡画像データを組み合わ
   せて得られる構造化データを抽出する特徴抽出部と、 前記構造化データと、予め用意された基準となる複数の
   構造化データとを比較して、一致／不一致判定画像を出
   力するフィルタリング部と、 前記フィルタリング部より出力された複数の一致／不一
   致判定画像のそれぞれの出力状態より、その画像データ
   の前記紙葉類の種類及び表裏、挿入方向、真偽を判別す
   る認識部とを備えたことを特徴とする紙葉類認識装置。
2. 【請求項２】 スキャナの読み取り可能長は、認識対象
   となる紙葉類のうちの最大の対角線を持つ紙葉類の対角
   線長以上に設定されていることを特徴とする請求項１記
   載の紙葉類認識装置。
3. 【請求項３】 バッファメモリに書き込まれた濃淡画像
   データの有効領域は、認識対象となる紙葉類のうちの最
   大のものの占める領域に設定されることを特徴とする請
   求項１記載の紙葉類認識装置。
4. 【請求項４】 前記特徴抽出部は、前記特徴データを２
   値化し、当該２値化された特徴データから各特徴データ
   の周辺の画像の特徴データを時計回りに取り出して組み
   合わせた構造化データを抽出することを特徴とする請求
   項１記載の紙葉類認識装置。
5. 【請求項５】 基準となる構造化データは、同一種の複
   数枚の紙葉類を対象として、紙葉類の認識と同一の動作
   を経て得られた各２値画像の論理積で求めたものである
   ことを特徴とする請求項１記載の紙葉類認識装置。