KR100751855B1 - 웨이블렛 변환을 이용한 권종인식방법 - Google Patents

Abstract

본 발명은 웨이블렛 변환을 이용한 권종인식방법으로, 입력된 지폐이미지에 대하여 소정의 횟수만큼 웨이블렛 변환한 후 웨이블렛 계수의 절대값 크기를 기준값과 비교하여 구성된 특징벡터로 지폐 식별을 실행하는 방법에 관한 것이다.

본 발명은 지폐를 스캔하여 생성한 원본이미지에 대하여 소정의 횟수만큼 웨이블렛 변환하는 단계와, 상기 웨이블렛 변환으로 발생된 각각의 서브밴드에 대하여 웨이블렛 계수를 구하고, 각각의 서브밴드를 소정의 횟수인 가로 m, 세로 n으로 나누는 단계와, 상기 가로 m, 세로 n으로 나뉜 셀별로 웨이블렛 계수들의 절대값 크기와 기준값을 비교하여 기준값보다 크거나 같은 웨이블렛 계수들의 개수를 각각 추출하는 단계와, 상기 추출단계를 상기의 서브밴드별로 완료하여 수직구조의 특징벡터를 구성하는 단계와, 상기 특징벡터를 미리 정해진 판정기준의 벡터와의 유사도를 측정하여 권종을 인식하는 단계를 구비하여 이루어진다.

웨이블렛 변환, 서브밴드, 특징벡터, 권종인식

Description

웨이블렛 변환을 이용한 권종인식방법{Recognizing the Denomination of a Note Using Wavelet transform}

도 1은 일반적인 웨이블렛 변환과정을 도시한 것이다.

도 2는 이미지에 대한 일반적인 2차원 웨이블렛 변환결과를 도시한 것이다.

도 3은 본 발명에 따른 웨이블렛 변환을 이용한 권종인식방법을 나타낸 순서도이다.

도 4는 본 발명에 따른 생성된 원본이미지의 예를 도시한 것이다.

도 5는 본 발명에 따른 원본이미지를 2회 웨이블렛 변환한 결과를 도시한 것이다.

도 6은 본 발명에 따른 d2 서브밴드를 m*n으로 분할한 예를 도시한 것이다.

도 7은 본 발명에 따른 d2 서브밴드의 특징벡터 추출과정 예를 도시한 것이다.

도 8은 본 발명에 따른 2회 웨이블렛 변환한 특징벡터의 추출과정 예를 도시한 것이다.

도 9는 본 발명에 따른 특징벡터 추출 과정을 도시한 것이다.

*도면의 주요 부분에 대한 부호의 설명*

S320 : 웨이블렛 변환 S330 : 웨이블렛 계수 구함

S340 : 서브밴드를 셀로 분할 S350 : 셀별로 계수와 기준값 비교

S360 : 특징벡터 구성 S370 : 유사도 측정

본 발명은 웨이블렛 변환을 이용한 권종인식방법으로, 입력된 지폐이미지에 대하여 소정의 횟수만큼 웨이블렛 변환한 후 웨이블렛 계수의 절대값 크기를 기준값과 비교하여 구성된 특징벡터로 지폐 식별을 실행하는 방법에 관한 것이다.

종래의 지폐 식별 방법은 단일 소자(single element)형의 투과 및 반사 광센서를 복수개 사용하여 지폐로부터 일차원적인 데이터(1차원 데이터열, 혹은 이미지)를 획득한 후, 권종별 이미지 패턴을 조사하여 대별요소가 크다고 생각되는 특정영역들에 대하여 권종간 패턴 비교를 수행한다(템플릿 방식). 즉, 특정영역 집합(템플릿)을 대상으로 이미지 패턴을 비교하거나 지폐의 크기 측정에 의해 지폐의 권종을 구별하고 있다.

그러나 특정영역 표면패턴 비교검사 방법에 있어서는 판별될 지폐의 종류가 변경되는 경우나, 다른 새로운 종류의 지폐로 바뀔 경우, 기존 템플릿의 내용 및 위치가 변경되어야 하며 나아가 발광장치 및 수광장치의 위치 또는 방향이 조정됨 에 따라 변경되어야 하는 등 장치 디자인이 종종 변경되지 않으면 안된다. 더욱이 종래방법에 있어서는 지폐의 종류가 단지 표면패턴 방식으로만 판독하므로 지폐의 최적표면패턴이 모든 종류의 지폐에 대하여 얻어질 수 있도록 조사된 부분의 위치를 결정하는 것은 불가능하며 그것은 모든 종류의 화폐를 고정밀도로 판별하는 것을 어렵게 만든다.

상기의 문제점을 해결하고자 본 발명은 제안된 것으로서, 입력된 지폐이미지에 대하여 소정의 횟수만큼 웨이블렛 변환한 후 웨이블렛 계수의 절대값을 기준값과 비교하여 구성된 특징벡터로 지폐의 식별을 가능하게 함으로써 판독해야할 지폐가 새로운 종류의 지폐로 바뀌거나 모든 종류의 화폐를 고정밀도로 판별하는 것을 용이하게 한다.

상기와 같은 목적을 달성하기 위하여 본 발명은, 지폐를 스캔하여 생성한 원본이미지에 대하여 소정의 횟수만큼 웨이블렛 변환하는 단계와, 상기 웨이블렛 변환으로 발생된 각각의 서브밴드에 대하여 웨이블렛 계수를 구하고, 각각의 서브밴드를 소정의 횟수인 가로 m, 세로 n으로 나누는 단계와, 상기 가로 m, 세로 n으로 나뉜 셀별로 웨이블렛 계수들의 절대값 크기와 기준값을 비교하여 기준값보다 크거나 같은 웨이블렛 계수들의 개수를 각각 추출하는 단계와, 상기 추출단계를 상기의 서브밴드별로 완료하여 수직구조의 특징벡터를 구성하는 단계와, 상기 특징벡터를 미리 정해진 판정기준의 벡터와의 유사도를 측정하여 권종을 인식하는 단계를 구비하여 이루어진다.

이하, 본 발명의 바람직한 실시 예들이 첨부된 도면들을 참조하여 설명하기로 한다. 하기에서 각 도면의 구성요소들에 참조부호를 부가함에 있어 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다.

본 발명의 설명에 앞서서 웨이블렛 변환의 일반적인 내용을 설명하기로 한다.

웨이블렛 변환(wavelet transform)은 하나의 신호를 매우 간단한 기본 함수들로 재구성하는 변환을 말한다. 즉, 웨이블렛 변환은 데이터나 함수 또는 연산자(operator)들을 서로 다른 주파수 성분들로 분해하고 각 스케일에 해당하는 해상도와 연관된 각각의 성분들을 조사할 수 있는 방법이라 할 수 있다. 웨이블렛의 근본원리는 푸리에(Fourier) 분석과 비슷하며, 신호처리를 위해 웨이블릿을 이용하면 잡음 속에 섞인 약한 신호를 복원할 수 있다. 다만, 모든 주파수 대역에 대하여 동일한 크기의 필터를 사용하는 푸리에에 비하여 웨이블렛은 고주파 대역에서는 폭이 좁은 윈도우를, 저주파 대역에서는 폭이 넓은 윈도우를 사용한다는 차이점을 가지고 있다.

상기 웨이블렛 변환은 특히 의료분야의 X-선 및 자기공명 이미지 처리에서 그 유용성이 입증되었다. 이런 방법으로 처리된 이미지는 세부적인 내용에 흐릿함이 없이 깨끗하게 처리될 수 있다. 또한 상기 웨이블렛 변환은 사람이 사물을 바라볼 때 먼저 전체적인 윤곽을 파악하고 차츰 자세한 부분에 집중한다는 사실을 그대로 반영하고 있기 때문에 이미지처리에 적합하다.

상기 웨이블렛 변환의 기본동작은 n개의 샘플을 갖는 이산 신호에 적용된다. 신호에 대해 한쌍의 필터를 적용시켜 저주파 대역과 고주파 대역으로 분리한다. 각 대역은 2라는 요소로 서브 샘플링되었으므로 n/2개의 샘플을 포함한다.

상기 웨이블렛 변환의 예를 도 1과 함께 설명하면, 이미지를 공간상의 X축과 Y축방향으로 저대역 통과 필터(LPF)와 고대역 통과 필터(HPF)를 사용해 신호를 추출하여 웨이블렛 변환을 거치면 주파수 대역별로 총 네 개의 LL(110), LH(120), HL(130), HH(140)의 서브밴드가 생성된다.

이때, 생성된 서브밴드(LL, LH, HL, HH)는 도 1과 같이 영상에 적용된 필터에 따라 구분된다. 상기 LL서브밴드(110)는 원본이미지에 수평과 수직방향으로 저대역 통과 필터를 적용하여 영상에서 고주파 성분이 배제된 계수들로 이루어져 있다. 상기 HH서브밴드(140)는 원본이미지에 수평과 수직방향으로 고대역 통과 필터를 적용한 것으로 상기 LL서브밴드(110)와는 반대의 고주파 성분만 나타나게 된다.

상기 HL서브밴드(130)는 수직방향으로 고대역 통과 필터를 적용한 것으로 수직 방향의 주파수의 오차성분을 포함하고 있으며, 상기 LH서브밴드(120)는 수평방향으로 고대역 통과 필터를 적용한 것으로 수평방향 주파수의 오차성분을 포함하고 있다. 상기 LH서브밴드와 상기 HL서브밴드에서는 원래 이미지로부터 수평과 수직 성분의 에지탐색이 적용된 효과, 상기 HH서브밴드는 사선성분의 에지탐색이 적용된 효과를 볼 수 있다.

그런데, 상기 웨이블렛 변환은 1차 변환뿐 아니라 여러 단계 반복 변환하여 각 단계마다 서로 다른 해상도(Multi-resolution) 및 주파수 특징을 갖는다(Scalability). 상기 2차원 웨이블렛 변환의 구체적 예를 도 2를 참조하여 설명하면, 1회 웨이블렛 변환에 의해 도 2(b)와 같은 4개의 서브밴드(이하, LL영역(220), HL영역(222), LH영역(224), HH영역(226)이라 부르기로 함)가 생성되며, 다시 LL영역(220)을 웨이블렛 변환하면 4개의 서브밴드 LL영역(230), LH₂영역(234), HL₂영역(232), HH₂영역(236)이 생성되어 총 8개의 서브밴드(LL(230), LH₁(224), HL₁(222), HH₁(226), LH₂(234), HL₂(232), HH₂(236))로 분할된다.

상기와 같이 LL영역(220, 230, 240, 250)을 분할하는 이유는 LL영역이 이미지의 주요정보가 포함되어 있기 때문이다. 상기 분할은 원하는 정보를 얻을 때까지 소정의 분할값만큼 반복하여 LL영역(220, 230, 240, 250)이 분할되어 새로운 처리대상 이미지를 얻을 수 있다.

상기 분할값만큼 계속 반복적인 웨이블렛 변환을 수행하는 것은 저주파 대역의 폭을 줄이는 것이며, 이로 인해 2배의 공간 해상도를 얻게 된다. 상기 웨이블렛 변환의 반복수행을 위한 판단기준으로 제공되는 분할값은 정보의 손실여부 및 특징벡터의 크기를 고려하여 적절한 값으로 설정되어야 한다.

본 발명에서는 지폐이미지로부터 특징을 추출하기 위하여 고속 Haar 웨이블렛 변환을 사용한다. 본 발명의 권종인식방법은 어떠한 웨이블렛 변환의 사용도 허락한다. 상기 고속 Haar 웨이블렛 변환은 연속된 색상의 넓은 영역을 잘 표현하고 구 현이 쉬우며 속도가 빠르다. 또한 이미지의 모양을 표현하는 체계의 특성인 유일성, 완전성, 불변성, 민감도, 추상화 조건을 만족시킨다.

도 3은 본 발명에 따른 웨이블렛 변환을 이용한 권종인식방법을 나타낸 순서도이다.

본 발명에 따라 지폐의 권종을 인식하기 위해서는, 먼저 인식을 원하는 지폐를 스캔하여(S310) 도 4와 같이 원본이미지(410)를 생성하며, 상기 원본이미지(410)를 분할값만큼 웨이블렛 변환한다(S320).

상기 웨이블렛 변환은 종래의 웨이블렛 변환을 지폐인식에 적용하기 위한 것으로서 상기 원본이미지(410)를 웨이블렛 변환하면 LL영역, LH영역, HL영역, HH영역으로 생성된다. 이어서 상기 생성된 영역 중 LL영역을 소정의 분할 값만큼 계속 웨이블렛 변환하여 LH영역, HL영역, HH영역을 생성해 내는 것이다.

상기 LL영역의 웨이블렛 변환 반복은 소정의 분할값의 횟수만큼 이루어지는데 지폐인식의 경우 적절한 분할값을 결정하기 위해서는 권종별 대표 특징벡터로 저장된 참조데이터와 주어진 지폐이미지의 벡터를 비교하여 이러한 특징벡터들을 명확히 구분할 수 있는지 판단한다. 즉, 참조데이터와 주어진 특징벡터와의 일대일 비교를 통해 두 벡터간의 일치 정도를 계산한 후 이 결과에 따라 각 지폐를 구분할 수 있는 정도까지 LL영역의 웨이블렛 변환을 반복한다.

예를 들어 도 5와 같이 웨이블렛 변환을 2회 반복한다면 원본이미지(410)가 첫 번째 웨이블렛 변환시 도 5(b)와 같이 LL영역(510), LH영역(512), HL영역(514), HH영역(516)이 생성된다. 다시 상기 LL영역(510)을 두 번째 웨이블렛 변환시키면 도 5(c)와 같이 LL영역(520), LH₁영역(521), HL₁영역(522), HH₁영역(523), LH₂영역(524), HL₂영역(525), HH₂영역(526)이 생성된다. 이하에서는 상기 분할값을 'J레벨'로 예를 들어 설명될 것이다.

상기와 같이 분할값인 J레벨까지 웨이블렛 변환이 지폐의 권종인식에 적용되는 예를 구체적으로 살펴보면, 상기 원본이미지(410)를 상기 분할 값만큼 웨이블렛 변환시키면 3J+1개로 분할된다. 상기 분할로 생성되는 영역은 마지막으로 변환된 LL영역(520)을 제외한 3J(d1~d3j)개를 얻을 수 있다. 예를 들어, J레벨을 2로 설정하면 도 5(c)와 같이 상기 원본이미지(410)는 7개(3*2+1)로 분할되며 6개의 d1영역(524), d2영역(525), d3영역(526), d4영역(521), d5영역(522), d6영역(523)을 얻을 수 있다.

상기 설정된 J레벨 값만큼 웨이블렛 변환이 완료되면 각각의 d1~d6(J는 2일 경우)의 영역은 영역별로 서로 이웃하는 정보의 차이를 이용하여 각 밴드의 특성을 갖는 웨이블렛 계수들로서 구성된다(S330). 상기 웨이블렛 계수는, 수평과 수직방향으로 저대역 통과 필터를 적용시킨 LL영역(520)은 영상의 근사 계수값으로 구성되고, 수평방향으로 고대역 통과 필터를 적용시킨 LH영역인 d5영역(522)과 d2영역(525)은 영상의 수평성분에 대한 계수값으로 구성된다.

또한 수직방향으로 고대역 통과 필터를 적용시킨 HL영역인 d4영역(521)과 d1영역(524)은 영상의 수직성분에 대한 계수값으로 구성되며 수평과 수직방향에 고대 역 통과 필터를 적용시킨 HH영역인 d6영역(523)과 d3영역(526)엔 영상의 대각선 성분의 계수값으로 구성된다.

이어서 상기 웨이블렛 변환으로 생성된 3J개영역(예컨대, J레벨이 2인 경우 d1~d6의 영역)별로 각 특징벡터를 구성한다. 여기서 전체 3J개의 영역들이 특징벡터 구성에 참여할 필요는 없다. 웨이블렛 변환단계인 분할값 결정과 유사하게 권종인식 성능이 최대가 되는 영역의 위치와 개수를 결정할 수 있다. 이 경우 각 영역들의 모든 조합들에 대하여 인식성능을 조사하여 최적의 영역 조합을 구할 수 있다(Full search, Binary tree search 등).

상기 특징벡터는 상기 추출된 웨이블렛 계수의 절대값 크기와 미리 설정된 기준값을 비교하여 구성한 벡터값으로서 예를 들어, d2영역(525)의 특징벡터를 구하는 것을 설명하면, 먼저 도 6과 같이 d2(525)를 각각 가로 m, 세로 n개인 셀들로 나눈다(S340). 상기 m*n개로 나뉜 셀별로 웨이블렛 계수의 절대값 크기를 기준값과 비교하여(S350) 기준값보다 크거나 같은 계수들의 개수를 각각 추출하여 1차 벡터로 구성한다(S360).

예를 들면 기준값이 7인 경우, d2영역(525)을 도 7과 같이 m(11)*n(4)로 나눈 후 첫 번째 셀인 m₁n₁셀(710)의 계수들 중에서 상기 기준값인 7보다 큰 계수들의 개수를 센다. 즉, {5, 7, 9, 10, 11, 9, ... 9, 9, 8, 7, 7, 6}로 이루어진 m₁n₁셀(710)에서 기준값 7이상인 계수들의 개수를 세어보면 35개가 됨을 알 수 있고, 이러한 35개라는 개수가 m₁n₁의 특징벡터(712)가 된다. 이어서 두 번째 셀인 m₂n₁셀 (720)의 계수들 중 기준값 7보다 큰 계수들의 개수를 세어 추출된 27이 m₂n₁의 특징벡터(714)가 된다. 상기 추출과정을 m_mn_n셀(730)까지 완료하면 m*n개를 원소로 갖는 1차벡터(740)가 생성된다. 마찬가지로 도 8의 모든 6개(J=2)의 서브밴드영역(d1~d6)에 대해 상기 특징벡터 생성과정을 반복하면, 6*m*n개의 d2의 특징벡터가 생성됨을 알 수 있다.

상기 도 8은 J=2인 경우에 나온 값이고 이를 수식화하면 3*웨이블렛 변환레벨(J)*가로셀수(m)*세로셀수(n)개인 총 3Jmn비트의 수직구조로 된 특징벡터가 도 8과 같이 추출된다.

웨이블렛 변환의 특성에 근거, 상기 3*J+1개의 모든 웨이블렛 서브밴드 영역들은 각각 전체 영상에 대한 특정 주파수 해상도의 다른 표현이므로, 서브밴드 영역을 m*n개의 셀로 분할하는 것은 전체 이미지를 m*n개의 부분으로 분할하는 의미를 내포한다. 따라서 상기 셀단위로 특징벡터를 추출함으로써 전체 이미지내의 특징점 위치정보를 특징벡터로 표현할 수 있다.

이어서 상기 구성된 특징벡터와 미리 정해진 판정기준의 벡터와의 유사도를 측정하여(S370) 권종인식한다(S380). 상기 두 특징벡터의 검증을 위해서는 최소거리기법등의 통상적인 방법을 사용하여 구해진 최소거리 분포를 이용하여 최종적인 유사도를 결정한다.

상술한 본 발명의 설명에서는 통상의 지폐인식에 관해 설명하였으나 통상의 지폐에 한정되지 않고, 증권, 각종 금권, 수표 등의 소정의 인쇄모양 또는 지폐의 은화모양 등을 구비하는 지폐류 일반에 대한 인식에 적용할 수 있다. 따라서 본 발명의 특허 범위는 상기 설명된 실시 예에 의하여 정할 것이 아니고 특허청구범위뿐 아니라 균등 범위에도 미침은 자명할 것이다.

상기에서 설명한 바와 같이 본 발명은, 입력된 지폐이미지에 대하여 소정의 횟수만큼 웨이블렛 변환한 후 웨이블렛 계수의 절대값 크기를 기준값과 비교하여 구성된 특징벡터로 권종구분을 가능하게 함으로써 판독해야할 지폐가 새로운 종류의 지폐로 바뀌거나 모든 종류의 화폐를 고정밀도로 판별하는 것을 용이하게 한다.

또한, 지폐의 오염정도나 식별장치의 개체성능의 변동 등의 오차요인을 배제함으로서 안정된 지폐의 권종인식을 판정 할 수 있다.

Claims (5)

1. 지폐를 스캔하여 생성한 원본이미지에 대하여 소정의 횟수만큼 웨이블렛 변환하는 단계와,

   상기 웨이블렛 변환으로 발생된 각각의 서브밴드에 대하여 웨이블렛 계수를 구하고, 각각의 서브밴드를 소정의 횟수인 가로 m, 세로 n으로 나누는 단계와,

   상기 가로 m, 세로 n으로 나뉜 셀별로 웨이블렛 계수들의 절대값 크기와 기준값을 비교하여 기준값보다 크거나 같은 웨이블렛 계수들의 개수를 각각 추출하는 단계와,

   상기 추출단계를 상기의 서브밴드별로 완료하여 수직구조의 특징벡터를 구성하는 단계와,

   상기 특징벡터를 미리 정해진 판정기준의 벡터와의 유사도를 측정하여 권종을 인식하는 단계로 이루어진 웨이블렛 변환을 이용한 권종인식방법
2. 제 1항에 있어서, 상기 웨이블렛 변환은 고속 Harr 웨이블렛 변환법을 사용하는 것을 특징으로 하는 웨이블렛 변환을 이용한 권종인식방법
3. 삭제
4. 제 1항에 있어서, 상기 특징벡터를 구성하는 단계는 3*웨이블렛 변환횟수(J)*가로셀수(m)*세로셀수(n)개인 총 3Jmn비트의 수직구조로 된 특징벡터로 구성되는 것을 특징으로 하는 웨이블렛 변환을 이용한 권종인식방법
5. 제 1항에 있어서, 상기 유사도를 측정하는 단계는 최소거리기법등의 통상적인 방법을 사용하여 구해진 최소거리 분포를 이용하여 최종적인 유사도를 결정하는 것을 특징으로 하는 웨이블렛 변환을 이용한 권종인식방법

Images