KR101001691B1 - Recognizing the Denomination of a Note Using Wavelet transform - Google Patents

Recognizing the Denomination of a Note Using Wavelet transform Download PDF

Info

Publication number
KR101001691B1
KR101001691B1 KR20060023053A KR20060023053A KR101001691B1 KR 101001691 B1 KR101001691 B1 KR 101001691B1 KR 20060023053 A KR20060023053 A KR 20060023053A KR 20060023053 A KR20060023053 A KR 20060023053A KR 101001691 B1 KR101001691 B1 KR 101001691B1
Authority
KR
Grant status
Grant
Patent type
Prior art keywords
wavelet
method
wavelet transform
image
denomination
Prior art date
Application number
KR20060023053A
Other languages
Korean (ko)
Other versions
KR20070093210A (en )
Inventor
최의선
Original Assignee
노틸러스효성 주식회사
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Grant date

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06KRECOGNITION OF DATA; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K9/00Methods or arrangements for reading or recognising printed or written characters or for recognising patterns, e.g. fingerprints
    • G06K9/36Image preprocessing, i.e. processing the image information without deciding about the identity of the image
    • G06K9/46Extraction of features or characteristics of the image
    • G06K9/52Extraction of features or characteristics of the image by deriving mathematical or geometrical properties from the whole image
    • G06K9/527Scale-space domain transformation, e.g. with wavelet analysis
    • GPHYSICS
    • G07CHECKING-DEVICES
    • G07DHANDLING OF COINS OR OF PAPER CURRENCY OR SIMILAR VALUABLE PAPERS, e.g. TESTING, SORTING BY DENOMINATIONS, COUNTING, DISPENSING, CHANGING OR DEPOSITING
    • G07D7/00Testing specially adapted to determine the identity or genuineness of paper currency or similar valuable papers or for segregating those which are alien to a currency or otherwise unacceptable
    • G07D7/20Testing patterns thereon

Abstract

본 발명은 웨이블렛 변환을 이용한 권종인식방법으로, 보다 상세하게는 지폐의 전체 또는 부분오염에 영향받지 않고 보다 정확한 권종인식을 위하여 입력된 지폐이미지에 윤곽선 검출 등의 전처리과정을 수행하여 소정의 횟수만큼 웨이블렛 변환한 후 웨이블렛 계수의 절대값 크기를 기준값과 비교하여 구성된 특징벡터로 지폐 식별을 실행하는 방법에 관한 것이다. The invention as denomination recognition method using a wavelet transform, and more particularly, to the full, or by performing a pre-processing a predetermined number of times, such as edge detection in the bill image input to a more accurate denomination recognition portion without being affected by contamination of the banknote wavelet after migration to a method of executing the identified banknotes to a feature vector constructed by comparing the absolute magnitude of the wavelet coefficients and the reference value.
본 발명은 지폐를 스캔하여 생성한 원본이미지에 대하여 윤곽선 검출 등의 전처리과정을 수행하는 단계와, 상기 전처리된 원본이미지를 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, 구별능력 증가와 특징벡터의 크기를 줄이기 위해 상기 특징벡터에 정규분석을 적용하는 단계와, 상기 특징벡터를 미리 정해진 판정기준의 벡터와의 유사도를 The invention Wavelet the method comprising performing a pre-processing such as edge detection, the original image of the preprocessing a predetermined number of times with respect to an original image generated by scanning a bill conversion step, and each of the sub-generated in the wavelet transformation to obtaining a wavelet coefficient for the band, than with the individual sub-band comparing the absolute size and the reference value of the wavelet coefficients for each cell divided by a predetermined number of horizontal m, vertical n; and the horizontally m, vertical n dividing a reference value comprising the steps of: greater than or equal to extract the number of such wavelet coefficients, respectively, wherein the extraction step to reduce the size of the step for completion by the sub band constituting the characteristic vector of the vertical structure, the discriminating power increase and a feature vector characteristic vector and the step of applying a regular analysis, the degree of similarity between the vector of the feature vector based on a predetermined determination 측정하여 권종을 인식하는 단계를 구비하여 이루어진다. It is achieved by having the step of measuring and recognizing the denomination.
웨이블렛 변환, 서브밴드, 특징벡터, 정규분석, 권종인식, 윤곽선 검출 Wavelet transform, subband, feature vectors, a regular analysis, denomination recognition, edge detection

Description

웨이블렛 변환을 이용한 권종인식방법{Recognizing the Denomination of a Note Using Wavelet transform} Denomination recognition method using a wavelet transform {Recognizing the Denomination of a Note Using Wavelet transform}

도 1은 일반적인 웨이블렛 변환과정을 도시한 것이다. Figure 1 illustrates a general wavelet transform process.

도 2는 이미지에 대한 일반적인 2차원 웨이블렛 변환결과를 도시한 것이다. Figure 2 illustrates a typical two-dimensional wavelet transform result of the image.

도 3은 본 발명에 따른 웨이블렛 변환을 이용한 권종인식방법을 나타낸 순서도이다. Figure 3 is a flow chart illustrating a denomination recognition method using a wavelet transform according to the present invention.

도 4는 본 발명에 따른 생성된 원본이미지의 예를 도시한 것이다. Figure 4 illustrates an example of an original image produced in accordance with the present invention.

도 5는 본 발명에 따른 3*3 소벨 마스크를 도시한 것이다. 5 shows a 3x3 Sobel mask in accordance with the present invention.

도 6은 본 발명에 따른 원본이미지에서 윤곽선을 검출한 결과를 도시한 것이다. 6 illustrates a result of detecting the contours in the original image according to the present invention.

도 7은 본 발명에 따른 원본이미지를 2회 웨이블렛 변환한 결과를 도시한 것이다. Figure 7 illustrates the effect of twice wavelet transform of the original image in accordance with the present invention.

도 8은 본 발명에 따른 d2 서브밴드를 m*n으로 분할한 예를 도시한 것이다. 8 is a sub-band to d2 in accordance with the present invention shows an example of dividing the m * n.

도 9는 본 발명에 따른 d2 서브밴드의 특징벡터 추출과정 예를 도시한 것이다. 9 illustrates a feature vector extraction procedure of Example d2 subbands according to the invention.

도 10은 본 발명에 따른 2회 웨이블렛 변환한 특징벡터의 추출과정 예를 도시 한 것이다. 10 shows the extraction process example of a wavelet transform twice according to the present invention feature vector.

도 11은 본 발명에 따른 특징벡터 추출 과정을 도시한 것이다. 11 shows the characteristic vector extracting process according to the invention.

*도면의 주요 부분에 대한 부호의 설명* * Description of the Related Art *

410 : 원본이미지 610 : 전처리된 원본이미지 410: 610 Original image: The image preprocessing Source

삭제 delete

삭제 delete

본 발명은 웨이블렛 변환을 이용한 권종인식방법으로, 보다 상세하게는 지폐의 전체 또는 부분오염에 영향받지 않고 보다 정확한 권종인식을 위하여 입력된 지폐이미지에 윤곽선 검출 등의 전처리과정을 수행하여 소정의 횟수만큼 웨이블렛 변환한 후 웨이블렛 계수의 절대값 크기를 기준값과 비교하여 구성된 특징벡터로 지폐 식별을 실행하는 방법에 관한 것이다. The invention as denomination recognition method using a wavelet transform, and more particularly, to the full, or by performing a pre-processing a predetermined number of times, such as edge detection in the bill image input to a more accurate denomination recognition portion without being affected by contamination of the banknote wavelet after migration to a method of executing the identified banknotes to a feature vector constructed by comparing the absolute magnitude of the wavelet coefficients and the reference value.

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). Identifying conventional banknote way a single device (single element) by using a plurality of transmission and reflection optical sensor of the type After obtaining the one-dimensional data (one-dimensional data strings, or image) from a banknote, Volume classified by examining the type image pattern It performs a pattern comparison between species Issues with respect to the specific area in which a large factor I (template method). 즉, 특정영역 집합 (템플릿)을 대상으로 이미지 패턴을 비교하거나 지폐의 크기 측정에 의해 지폐의 권종을 구별하고 있다. That is, it compares the image pattern to target specific areas set (template) or distinguish the denomination of the bill determined by the size of the banknote.

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 조정되어야 하는 등 지폐의 변경 유무에 따라 지폐 식별 장치의 구성이 종종 변경되지 않으면 안되었다. However, the specific surface area pattern comparison inspection method In the case where the kind of the banknote change is discriminated, or when changed to another new type of bills, the details and location of the existing template to be changed and the position or orientation of the further light emitting device and light receiving device to If this changes depending on the presence or absence of such bills to be adjusted to the banknote identification device configuration does not change often it was not. 더욱이 종래의 방법에 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. In addition, it believes that the kinds of In bills to conventional methods only determine the position of the irradiated portions so that the optimum surface pattern of the bill, so the read only surface patterns way be obtained with respect to all kinds of bills not possible and it is any kind of monetary to make it difficult to determine accurately.

상기 문제점을 해결하기 위하여 지폐이미지를 스캔하여 웨이블렛 변환한 후 각 웨이블렛 서브밴드 영역들을 소정의 셀로 구획, 각 셀로부터 웨이블렛 계수의 절대값 크기와 기준값을 비교하여 기준값 이상의 웨이블렛 계수의 개수를 특징벡터로 추출하여 권종인식을 실행하는 방법이 제안되었다. To scan a banknote image in order to solve the above problems wavelet converted after the number of the absolute size and the wavelet coefficient of the reference value or more as compared to a reference value of wavelet coefficients from a predetermined cell block, each cell of each wavelet subband domain by feature vector extraction methods have been proposed to run the denomination recognition. 그러나 실물 지폐의 전체 혹은 부분 오염 및 지폐 이미지 생성을 위한 센서의 출력 불균일 등으로 인한 최종 스캔된 지폐이미지의 밝기(luminance) 정보의 변화는 상기 제안된 웨이블렛 권종인식 방법의 신뢰성(reliability or robustness)을 보장하기 힘들다. However, the final change in the brightness (luminance) information from the banknote image of the scan due to the real bank notes, such as full or partial contamination and bill the sensor output non-uniform for the image generation of the reliability (reliability or robustness) of the wavelet denomination recognition method the proposed it is difficult to guarantee. 따라서 본 발명에서는 웨이블렛 특징추출 단계 이전에, 입력된 지폐이미지에 대하여 윤곽선(edge) 추출 등의 적절한 전처리 과정을 수행함으로써 지폐이미지의 밝기 정보 변화를 둔감시켜 보다 잡음에 강인한 웨이블렛 특징추출을 가능하게 한다. Thus the present invention allows the prior wavelet feature extraction step, a strong wavelet features extracted in noise than was insensitive to brightness information change in by performing a suitable pre-treatment such as the outline (edge) extracted with respect to the input paper money image banknote image .

또한 상기 웨이블렛 특징추출 과정에서 웨이블렛 계수의 절대값 크기와 비교되는 기준값 설정과 관련하여, 권종을 정확하게 인식하기 위해서는 판정기준의 허용범위를 상당히 좁게 설정할 필요가 있지만, 상기 허용범위를 너무 좁게 설정하면 지폐에 부착된 전체적인 오염에 의해 권종인식에 어려움을 겪게 되며, 허용범위를 너무 넓게 하면 지폐종류 간 모양패턴이 근사한 것에 있어서는 권종을 잘못 인식하는 등 정확한 권종인식이 이루어지지 않는 문제점이 있다. In addition, the wavelet feature extraction process if the order in relation to the reference value set to be compared with the absolute magnitude of the wavelet coefficient, to accurately recognize the denomination requires considerably narrower set the permissible range of the criteria too narrowly setting the allowable range, but in banknotes the overall contamination by adhering to and have difficulty in recognizing denomination, if the acceptable range is too wide it does not have the correct denomination recognition done problems, such as wrong recognition in the denomination to cool the bill type cross-shaped pattern. 이에 반해, 본 발명에 따른 적절한 윤곽선 추출 등의 전처리 과정은 최적의 기준값 설정을 가능하게 한다. In contrast, pre-treatment, such as an appropriate edge detection according to the present invention enables optimum setting of the reference value.

상기의 문제점을 해결하고자 본 발명은 제안된 것으로서, 입력된 지폐이미지에 윤곽선 검출 등의 전처리과정을 수행하여 소정의 횟수만큼 웨이블렛 변환한 후 웨이블렛 계수의 절대값을 기준값과 비교하여 구성된 특징벡터로 지폐의 식별을 가능하게 함으로써 판독해야할 지폐에 전체 또는 일부에 오염이 부착되어도 정확한 지폐인식이 가능하며 새로운 종류의 지폐로 바뀌거나 모든 종류의 화폐를 고정밀도로 판별하는 것을 용이하게 한다. The present invention to solve the above problems is as proposed, it added banknote bills to the configured feature vector to perform a pre-processing such as edge detection in the image compared to the absolute value of the wavelet converted after the wavelet coefficients by a predetermined number of times and the reference value of possible even if the contamination on the whole or a part attached to the need exact read banknote banknotes recognized by enabling the identification, and makes it easy to change or determine all of the types of currency bills with high accuracy by a new kind.

상기와 같은 목적을 달성하기 위하여 본 발명은, 지폐를 스캔하여 생성한 원본이미지에 대하여 윤곽선 검출 등의 전처리과정을 수행하는 단계와, 상기 전처리된 원본이미지를 소정의 횟수만큼 웨이블렛 변환하는 단계와, 상기 웨이블렛 변환 으로 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, 구별능력 증가와 특징벡터의 크기를 줄이기 위해 상기 특징벡터에 정규분석을 적용하는 단계와, 상기 특징벡터를 미리 And converting the present invention, wavelet performing a pre-processing such as edge detection with respect to the original image generated by scanning the bill with, the original image is the pre-processing a predetermined number of times in order to achieve the above object, and dividing the obtained wavelet coefficients with respect to said wavelet transform, each of the sub-generated in-band, each subband at a predetermined number of horizontal m, vertical n, the absolute of the horizontal m, wavelet coefficients for each cell divided by vertical n phase constituting the value of the size and with the steps as compared to a reference value for extracting the number of wavelet coefficients is greater than or equal to the reference value, respectively, of the vertical structure characteristic to complete the extraction step by the sub-band vector and increased discriminating power, and characterized in and applying a regular analysis on the feature vector to reduce the size of the vector, the feature vector previously 정해진 판정기준의 벡터와의 유사도를 측정하여 권종을 인식하는 단계를 구비하여 이루어진다. By measuring the degree of similarity between the vector and the predetermined criteria is achieved by including a step of recognizing a denomination.

이하, 본 발명의 바람직한 실시 예들이 첨부된 도면들을 참조하여 설명하기로 한다. Hereinafter, preferred embodiments of the invention will be described with reference to the accompanying drawings. 하기에서 각 도면의 구성요소들에 참조부호를 부가함에 있어 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. To In should be noted that the even though shown in different drawings for the same or similar elements as it adds the reference numerals to components of each drawing so as to have the same reference numerals as much as possible.

본 발명의 설명에 앞서서 웨이블렛 변환의 일반적인 내용을 설명하기로 한다. Prior to the description of the present invention will be described in the general information of the wavelet transform.

웨이블렛 변환(wavelet transform)은 하나의 신호를 매우 간단한 기본 함수들로 재구성하는 변환을 말한다. Wavelet transform (wavelet transform) refers to the transformation to reconstruct a signal with a very simple basic functions. 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. That is, the wavelet transform may be referred to as method to decompose the data or the function or operator (operator) into different frequency components and examining each of the components associated with the resolution corresponding to each scale. 웨이블렛의 근본원리는 푸리에(Fourier) 분석과 비슷하며, 신호처리를 위해 웨이블릿을 이용하면 잡음 속에 섞인 약한 신호를 복원할 수 있다. The basic principle of wavelet may restore the weak signal mixed in noise by using the wavelet-like and for the signal processing with Fourier (Fourier) analysis. 다만, 모든 주파수 대역에 대하여 동 일한 크기의 필터를 사용하는 푸리에에 비하여 웨이블렛은 고주파 대역에서는 폭이 좁은 윈도우를, 저주파 대역에서는 폭이 넓은 윈도우를 사용한다는 차이점을 가지고 있다. However, compared to the Fourier wavelets using a filter of the same size for all frequencies has a difference that a narrow window in the high frequency bandwidth, the low frequency band using a large window width.

상기 웨이블렛 변환은 특히 의료분야의 X-선 및 자기공명 이미지 처리에서 그 유용성이 입증되었다. The wavelet transform it has been particularly proven to be useful in X- ray and MR Imaging of the medical field. 이런 방법으로 처리된 이미지는 세부적인 내용에 흐릿함이 없이 깨끗하게 처리될 수 있다. Treated this way the image can be processed cleanly without blurring the detail. 또한 상기 웨이블렛 변환은 사람이 사물을 바라볼 때 먼저 전체적인 윤곽을 파악하고 차츰 자세한 부분에 집중한다는 사실을 그대로 반영하고 있기 때문에 이미지처리에 적합하다. In addition, the wavelet transform is suitable for image processing because it is a reflection of the fact that when people look at things first, determine the overall outline and gradually more focused on the parts.

상기 웨이블렛 변환의 기본동작은 n개의 샘플을 갖는 이산 신호에 적용된다. Basic operation of the wavelet transform is applied to a discrete signal having n samples. 신호에 대해 한쌍의 필터를 적용시켜 저주파 대역과 고주파 대역으로 분리한다. By applying a pair of filters for separating the signal into low frequency band and high frequency band. 각 대역은 2라는 요소로 서브 샘플링되었으므로 n/2개의 샘플을 포함한다. Each band has been sub-sampled by factor of 2 includes n / 2 samples.

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. It will be described with reference to FIG an example of the wavelet transform. 1, by using the low-pass filter (LPF) and a high pass filter (HPF) the image in the X-axis and Y-axis direction in the space to extract the signal frequency geochimyeon the wavelet transform the subbands in a total of four LL (110), LH (120), HL (130), HH (140) for each band is generated.

이때, 생성된 서브밴드(LL, LH, HL, HH)는 도 1과 같이 영상에 적용된 필터에 따라 구분된다. At this time, the resulting sub-bands (LL, LH, HL, HH) is divided in accordance with the filter applied to the image as shown in Fig. 상기 LL서브밴드(110)는 원본이미지에 수평과 수직방향으로 저대역 통과 필터를 적용하여 영상에서 고주파 성분이 배제된 계수들로 이루어져 있다. The LL sub-band 110 is made up of a high-frequency component coefficient is excluded from the image by applying a low pass filter in the horizontal and vertical directions in the original image. 상기 HH서브밴드(140)는 원본이미지에 수평과 수직방향으로 고대역 통과 필터를 적용한 것으로 상기 LL서브밴드(110)와는 반대의 고주파 성분만 나타나게 된다. The HH subband 140 is displayed only the high-frequency component of the opposite of the LL sub-band 110 to apply a high-pass filter in the horizontal and vertical directions in the original image.

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. The HL sub-band 130 contains the error component of the vertical frequency by applying a high-pass filter in the vertical direction, the LH sub-band 120 has a horizontal direction to apply a high-pass filter in the horizontal direction It includes an error component of the frequency. 상기 LH서브밴드와 상기 HL서브밴드에서는 원래 이미지로부터 수평과 수직 성분의 에지탐색이 적용된 효과, 상기 HH서브밴드는 사선성분의 에지탐색이 적용된 효과를 볼 수 있다. The LH subband and the HL subband In effect, the edge search in the horizontal and vertical components applied from the original image, the HH sub-band can be seen the effect of the edge of the navigation diagonal component is applied.

그런데, 상기 웨이블렛 변환은 1차 변환뿐 아니라 여러 단계 반복 변환할 경우, 각 단계마다 서로 다른 해상도(Multi-resolution) 및 주파수 특징을 갖게된다(Scalability). However, the wavelet transform is repeated if the conversion step, as well as multiple primary converted, will have a different resolution (Multi-resolution) and a frequency characteristic for each step (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), LH 2 영역(234), HL 2 영역(232), HH 2 영역(236)이 생성되어 총 8개의 서브밴드(LL(230), LH 1 (224), HL 1 (222), HH 1 (226), LH 2 (234), HL 2 (232), HH 2 (236))로 분할된다. The 2-D there is shown described with reference to specific example of the wavelet transform, once the four sub-bands as shown in Fig. 2 (b) by wavelet transform (hereinafter, LL region (220), HL region (222), LH region (224), HH region 226 call is to hereinafter) is generated because, if the conversion wavelet back LL region 220 the four sub-bands LL region (230), LH 2 region (234), HL 2 region ( 232), HH 2 region 236 is generated a total of eight sub-bands (LL (230), LH 1 (224), HL 1 (222), HH 1 (226), LH 2 (234), HL 2 ( 232), is divided into HH 2 (236)).

상기와 같이 LL영역(220, 230, 240, 250)을 분할하는 이유는 LL영역이 이미지의 주요정보가 포함되어 있기 때문이다. The reason for dividing the LL area (220, 230, 240, 250) as described above is because the LL area contain important information for the image. 상기 분할은 원하는 정보를 얻을 때까지 소정의 분할값만큼 반복하며, 이에 따라 LL영역(220, 230, 240, 250)이 분할되어 새로운 처리대상 이미지를 얻을 수 있다. The division is repeated, and a predetermined division value to get desired information, and thus is split LL region (220, 230, 240, 250) to obtain a new process target image in accordance.

상기 분할값만큼 계속 반복적인 웨이블렛 변환을 수행하는 것은 저주파 대역 의 폭을 줄이는 것이며, 이로 인해 2배의 공간 해상도를 얻게 된다. It continues the iterative wavelet transform as long as the divided value will reduce the width of the low frequency band, thereby obtain a spatial resolution of two times. 상기 웨이블렛 변환의 반복수행을 위한 판단기준으로 제공되는 분할값은 정보의 손실여부 및 특징벡터의 크기를 고려하여 적절한 값으로 설정되어야 한다. Dividing the value provided to the criteria for a repeat performance of the wavelet transformation in consideration of whether the amount of loss of the information and the feature vector to be set to an appropriate value.

본 발명에서는 지폐이미지로부터 특징을 추출하기 위하여 고속 Haar 웨이블렛 변환을 사용한다. The present invention uses a high-speed Haar wavelet transform to extract the feature from a banknote image. 본 발명의 권종인식방법은 어떠한 웨이블렛 변환의 사용도 허락한다. Denomination recognition process of the invention allows also the use of any wavelet transform. 상기 고속 Haar 웨이블렛 변환은 연속된 색상의 넓은 영역을 잘 표현하고 구현이 쉬우며 속도가 빠르다. The fast Haar wavelet transform is fast a good representation of said large area of ​​a continuous color is easy to implement speed. 또한 이미지의 모양을 표현하는 체계의 특성인 유일성, 완전성, 불변성, 민감도, 추상화 조건을 만족시킨다. In addition, it meets the characteristics of uniqueness, integrity, constancy, sensitivity and condition of the system abstraction representing the shape of the image.

도 3은 본 발명에 따른 웨이블렛 변환을 이용한 권종인식방법을 나타낸 순서도이다. Figure 3 is a flow chart illustrating a denomination recognition method using a wavelet transform according to the present invention.

본 발명에 따른 지폐의 권종인식을 위해서는, 먼저 인식을 원하는 지폐를 스캔하여(S310) 도 4에 도시된 바와 같이 원본이미지(410)를 생성하며, 생성된 원본이미지(410)에 전처리과정을 수행한다(S320). For the denomination recognition of the bill according to the present invention, first, by scanning a bill desired recognition (S310) generating a source image 410. As shown in Figure 4, performs a pre-processing to the generated original image (410) and (S320). 상기 전처리과정은 지폐이미지의 윤곽선 검출을 의미하며 이러한 과정은 비교적 간단한 필터마스크에 의하여 수행된다. The pre-processing means the image of the contour detection of the bills, and this process is performed by a relatively simple filter mask. 지폐이미지의 윤곽선 검출은 상기 특징벡터의 신뢰성을 향상시키며, 지폐 이미지의 노이즈 제거 및 외부경계 검출 등을 용이하게 함으로써 원활환 지폐이미지 처리를 가능하게 한다. Edge detection of the banknote image makes it possible to improve the reliability of the feature vector, the noise removing banknotes and outer edge detection, etc. by having an easy wonhwalhwan banknote image processing of the image. 상기 전처리과정인 윤곽선 검출은 권종인식의 전체 처리시간을 고려하여, DSP(Digital Signal Processing) 칩 등의 사용을 통하여 하드웨어상에서 구현 가능하다. A contour detecting the pre-processing may be implemented in hardware through the use of the like in consideration of the total processing time of the denomination recognition, DSP (Digital Signal Processing) chip. 이 경우 전처리과정은 지폐이미지 획득(스캔)과 거의 동시에 수행되므로 고속의 웨이블렛 특징추출을 가능하게 한다. In this case, pre-processing enables fast wavelet features extracted at about the same time, so do the bill image acquisition (scan).

상기 윤곽선이란 농도값이 다른 영역사이에 위치한 경계선을 말하고, 윤곽선 검출은 이미지 속에 존재하는 경계선을 찾는 것이며, 이미지 인식에서 윤곽선 검출이 중요한 이유는 이미지의 대부분의 중요한 정보가 서로 다른 영역의 경계선에 존재하기 때문이다. The outline is the concentration value of saying the border is located between the other regions, edge detection is present in the will to find the boundaries that exist in the image, the border of the most important information about the different areas of the image why Edge Detection important in image recognition because. 또한 이미지를 윤곽선으로 표현하면 이미지 속의 물체의 형태에 대한 정보를 유지하면서 이미지인식의 상위 단계에서 처리하여야 할 많은 자료의 양을 줄일 수 있고, 다른 이미지인식 알고리즘과 쉽게 결합할 수 있는 장점이 있다. In addition, there is an advantage in that you represent the image outline can reduce the amount of many materials to be processed at a higher level of image recognition, while maintaining information about the types of objects in the image can be easily combined with other image recognition algorithm.

상기 윤곽선은 픽셀값이 급격하게 변화하는 부분이기 때문에, 미분 연산이 윤곽선 검출에 사용될 수 있다. Since the outline portion that is sharply pixel value variation, the differentiation operation can be used for the edge detection. 일반적으로 널리 알려진 알고리즘은 1차 미분형을 가지는 소벨(sobel)변환과 robert변환 등을 이용하는 방법이 있고, 2차 미분형을 가지는 Laplacian변환 등을 이용하는 방법이 있다. Algorithm commonly known as the there is a method using a Sobel (sobel) conversion and conversion robert such as having a first-order differential type, a method of using a Laplacian transform, such as having the second-order differential type. 여기서 본 발명의 의도와 관련, 본 발명은 윤곽선 검출 등의 전처리 과정을 수행하기 위한 임의 형태의 윤곽선 검출 연산자의 사용을 허락한다. The intention with regard to the present invention, the invention allows the use of any form of the edge detection operator for performing a pre-processing such as edge detection.

다른 미분방법들은 두 화소간의 중간위치에서 경사도를 계산하기 때문에, 이를 보완한 기울기의 계산을 위해서 본 발명에서는 3*3마스크를 사용하는 소벨변환을 사용한다. Another differential methods because it is calculated from the slope at an intermediate position between the two pixels, for the calculation of a slope compensate, the present invention uses a Sobel transform using a 3x3 mask. 상기 소벨변환은 수평이나 수직 방향의 윤곽선을 추출하여 그 결과를 기하학적으로 합한 것으로 수평 윤곽선과 수직 윤곽선뿐만 아니라 대각선 방향의 윤곽선 검출에도 뛰어난 성능을 가지고 있다. The Sobel transform has a high performance as well as to extract a contour line of the horizontal or vertical direction by the horizontal contour and the vertical contour sum of the detection result by the geometric contour of the diagonal direction.

도 5는 3*3 소벨마스크이고, x, y는 x-방향(수직방향)과 y-방향(수평방향)을 각각 나타낸다. Figure 5 is a 3x3 Sobel mask, x, y denotes the x- direction (vertical direction) and the y- direction (horizontal direction), respectively. 상기 소벨변환은 먼저 원본이미지가 입력되면, 도 5와 같이 3*3 소벨마스크의 크기를 갖는 소정의 웨이팅 팩터(weighting factor)와 원본이미지의 픽셀값을 곱한다. The Sobel transform it is first when the original image is input, multiplies the 3x3 Sobel predetermined weighting factor of the pixel value (weighting factor) and the original image having the size of the mask as shown in FIG. 두 번째로 소벨마스크의 웨이팅 팩터와 원본이미지의 픽셀값을 곱하여 얻은 값을 더한다. Adds the value obtained by multiplying the pixel values ​​of the weighting factor as the original image of Sobel mask for the second time. 세 번째로, 두 번째 과정에서 얻은 값의 절대치를 구한다. Third, calculate the absolute value of the two values ​​obtained in the second process. 네 번째로는, 지금까지의 과정을 Y-방향으로 한 픽셀씩 이동시키면서 반복하여 절대치를 구한다. Fourth, the repeated while moving one pixel of the process so far Y- direction to obtain an absolute. 그리고 마지막으로, 첫 번째부터 세 번째까지의 과정을 x-방향으로 한 픽셀씩 이동시키면서 절대치를 구한다. And finally, while moving from the first to the second course of three to one pixel in the x- direction to obtain an absolute. 상기 절대치를 식으로 구현하면 G=|Gx|+|Gy|와 같고, Gx는 x방향으로 소벨마스크를 취한 값, Gy는 y방향으로 소벨마스크를 취한 값을 나타낸다. The implementation of the absolute value of the expression G = | Gx | + | Gy | equals, Gx is the value taken by the Sobel mask in the x-direction, Gy represents the value taken by the Sobel mask, in the y-direction.

이렇게 Y-방향과 X-방향으로 구한 절대치의 크기변화를 보고 윤곽선부분을 검출한다. So the Y- direction and the X- direction looking at the change in size of the obtained absolute values ​​to detect a contour portion. 즉, 절대치의 크기가 갑자기 커지는 경우를 윤곽선부분으로 검출한다. In other words, to detect if a sudden increase in the absolute size of the outline part. 윤곽선은 기본적으로 이미지 내 그레이 레벨의 불연속성이 존재하는 부분이므로, 어느 픽셀을 중심으로 인접 픽셀들 간의 그레이 레벨 차이 값을 계산함으로써 얻어진다. Because the contour is basically portion at which the discontinuity of the gray level in the image is present, it is obtained by calculating the gray level difference between the adjacent pixels around the pixels which.

상기와 같이 원본이미지를 윤곽선 검출하면 도 6과 같이 원본의 그레이스케일 이미지보다 밝기변화가 둔감화된 이미지가 생성되며, 지폐 패턴의 직사각형 범위 밖의 불필요한 바탕부분의 제거가 용이하다. And the desensitization image the brightness variation than the gray scale image of the original as shown in Fig. 6 when the edge detection image generation source as described above, it is easy to remove the unnecessary portion other on a rectangular range of the banknote pattern.

이어서 상기 전처리된 원본이미지를 분할값만큼 웨이블렛 변환한다(S330). Followed by wavelet transform by the value dividing the original image of the pre-processing (S330). 상기 웨이블렛 변환은 종래의 웨이블렛 변환을 지폐인식에 적용하기 위한 것으로서 상기 전처리된 원본이미지(610)를 웨이블렛 변환하면 LL영역, LH영역, HL영역, HH 영역으로 생성된다. When the wavelet transformation transforms the pre-processed source image 610 serves to apply a conventional wavelet transform to the wavelet banknote recognition is generated in the region LL, LH area, HL region, HH region. 이어서 상기 생성된 영역 중 LL영역을 소정의 분할 값만큼 계속 웨이블렛 변환하여 LH영역, HL영역, HH영역을 생성해 내는 것이다. Then that will continue as long as the area LL of the generated region of the predetermined division value to generate a wavelet transform region LH, HL region, HH region.

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. The wavelet transform iteration of the LL area is compared to the vectors to determine the appropriate division value for makin done as many times as the predetermined division value banknote recognition reference is stored as a volume type representative feature vector data with a given banknote images these feature vectors it is determined whether to distinguish clearly between. 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. In other words, it repeats the reference data and the wavelet transform of the given characteristic with a one-to-one comparison with the vector after calculating the matching degree between the two vectors to the extent that can distinguish between each note in accordance with the result area LL.

예를 들어 도 7과 같이 웨이블렛 변환을 2회 반복한다면 전처리된 원본이미지(610)가 첫 번째 웨이블렛 변환시 도 7(b)와 같이 LL영역(710), LH영역(724), HL영역(722), HH영역(726)이 생성된다. For example LL area 710 as shown in Figure 7 is also the first wavelet conversion two times the original image 610, pre-processing, if the wavelet transform as shown in 7 (b), LH region (724), HL region 722 , the HH region 726 is generated. 다시 상기 LL영역(720)을 두 번째 웨이블렛 변환시키면 도 7(c)와 같이 LL영역(730), LH 1 영역(724), HL 1 영역(722), HH 1 영역(726), LH 2 영역(734), HL 2 영역(732), HH 2 영역(736)이 생성된다. Again the LL area 720, the second wavelet transformation When Fig. 7 (c) and as LL region (730), LH 1 region (724), HL 1 region (722), HH 1 region (726), LH 2 region 734, the HL region 2 (732), 2 HH region 736 is generated. 이하에서는 상기 분할값을 'J레벨'로 예를 들어 설명될 것이다. Hereinafter will be described as an example in the divided value 'J level.

상기와 같이 분할값인 J레벨까지 웨이블렛 변환이 지폐의 권종인식에 적용되는 예를 구체적으로 살펴보면, 상기 전처리된 원본이미지(610)를 상기 분할 값만큼 웨이블렛 변환시키면 3J+1개로 분할된다. Looking at the example in which the wavelet transform up to the division level value J as described above applied to the denomination recognition of the bill in detail, when the wavelet transform the preprocessed source image 610 by the divided value is divided into pieces 3J + 1. 상기 분할로 생성되는 영역은 마지막으로 변환된 LL영역(730)을 제외한 3J(d1~d3j)개를 얻을 수 있다. Areas generated by the division may obtain 3J (d1 ~ d3j) more than the last converted LL region 730. The 예를 들어, J레벨을 2로 설정하면 도 7(c)와 같이 상기 전처리된 원본이미지(610)는 7개(3*2+1)로 분할 되며 6개의 d1영역(722), d2영역(724), d3영역(726), d4영역(732), d5영역(734), d6영역(736)을 얻을 수 있다. For example, the original image the pre-processing such as when Fig. 7 (c) setting the J-level 2 610 is divided into seven (3 * 2 + 1) 6 d1 region (722), d2 region ( 724), it is possible to obtain a d3 region (726), d4 region (732), d5 region (734), d6 region 736.

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(S340). Wherein when the set J-level value as the wavelet transform is complete, each of d1 ~ d6 (J, if 2-yl) area is configured as a wavelet coefficient that has the characteristics of each band by using the difference of information next to each other by areas (S340 ). 상기 웨이블렛 계수는, 수평과 수직방향으로 저대역 통과 필터를 적용시킨 LL영역(730)은 영상의 근사 계수값으로 구성되고, 수평방향으로 고대역 통과 필터를 적용시킨 LH영역인 d5영역(734)과 d2영역(724)은 영상의 수평성분에 대한 계수값으로 구성된다. The wavelet coefficients are flush with the LL area 730 of applying a low-pass filter in the vertical direction is composed of approximation coefficients of the image, the LH area of ​​applying a high-pass filter in the horizontal direction d5 region 734 and d2 area 724 is composed of a coefficient value for a horizontal component of the image.

또한 수직방향으로 고대역 통과 필터를 적용시킨 HL영역인 d4영역(732)과 d1영역(722)은 영상의 수직성분에 대한 계수값으로 구성되며 수평과 수직방향에 고대역 통과 필터를 적용시킨 HH영역인 d6영역(736)과 d3영역(726)은 영상의 대각선 성분의 계수값으로 구성된다. Also HH that the d4 area 732 and d1 region (722) HL area of ​​applying a high-pass filter in the vertical direction is composed of a coefficient value for the vertical component of the image applied to a high-pass filter after the horizontal and vertical directions d6 area of ​​region 736 and region d3 (726) is composed of the coefficients of the diagonal component of the image.

이어서 상기 웨이블렛 변환으로 생성된 3J개영역(예컨대, J레벨이 2인 경우 d1~d6의 영역)별로 각 특징벡터를 구성한다. Then constitutes the wavelet generated in the 3J gaeyoungyeok transformation (e. G., When the level of the second area J of d1 ~ d6) for each feature vector. 여기서 전체 3J개의 영역들이 특징벡터 구성에 참여할 필요는 없다. Here, there is no need 3J whole regions are participating in the feature vector configuration. 웨이블렛 변환단계인 분할값 결정과 유사하게 권종인식 성능이 최대가 되는 영역의 위치와 개수를 결정할 수 있다. Wavelet transformation step of dividing the value can be determined similarly to denomination recognition performance is to determine the position and number of the regions is maximized. 이 경우 각 영역들의 모든 조합들에 대하여 인식성능을 조사하여 최적의 영역 조합을 구할 수 있다(Full search, Binary tree search 등). In this case, by examining the recognition performance it can obtain the best combination of area with respect to all combinations of the respective regions (Full search, Binary tree search, and so on).

상기 특징벡터는 상기 추출된 웨이블렛 계수의 절대값 크기와 미리 설정된 기준값을 비교하여 구성한 벡터값으로서 예를 들어, d2영역(724)의 특징벡터를 구하 는 것을 설명하면, 먼저 도 8과 같이 d2(724)를 각각 가로 m, 세로 n개인 셀들로 나눈다(S350). The feature vector is, for example, describes that the obtained characteristic vectors of d2 area 724, first, as shown in FIG. 8 d2 (as a vector value is configured to compare the absolute size and the preset reference value of the extracted wavelet coefficients 724) divided by the respective transverse m, n individual longitudinal cells (S350). 상기 m*n개로 나뉜 셀별로 웨이블렛 계수의 절대값 크기를 기준값과 비교하여(S360) 기준값보다 크거나 같은 계수들의 개수를 각각 추출하여 1차 벡터로 구성한다(S370). The m * n to configure the size of the absolute value of the wavelet coefficient divided by the cell open-circuit extracts the number of coefficients is larger than or equal in comparison with the reference value (S360) the reference value respectively in the first vector (S370).

예를 들면 기준값이 7인 경우, d2영역(724)을 도 9과 같이 m(11)*n(4)로 나눈 후 첫 번째 셀인 m 1 n 1 셀(910)의 계수들 중에서 상기 기준값인 7보다 큰 계수들의 개수를 센다. For example, if the reference value is 7, and then divided by d2 region 724 to m (11) * n (4 ) as shown in Figure 9 of the reference value from among the coefficients of the first cell, m 1 n 1 cell 910 7 count the number of the larger coefficient. 즉, {5, 7, 9, 10, 11, 9, ... 9, 9, 8, 7, 7, 6}로 이루어진 m 1 n 1 셀(910)에서 기준값 7이상인 계수들의 개수를 세어보면 35개가 됨을 알 수 있고, 이러한 35개라는 개수가 m 1 n 1 의 특징벡터(912)가 된다. In other words, looking at a count of the number of coefficients greater than the reference value at 7 m 1 n 1 cells 910 consisting of {5, 7, 9, 10, 11, 9, ..., 9, 9, 8, 7, 7, 6} can be seen that a dog 35, such that the number 35 is the feature vector 912 of the m 1 n 1. 이어서 두 번째 셀인 m 2 n 1 셀(920)의 계수들 중 기준값 7보다 큰 계수들의 개수를 세어 추출된 27이 m 2 n 1 의 특징벡터(922)가 된다. Subsequently, a second cell, n 1, m 2 cells 920 a m 2 n 27 This feature vector 922 of the first coefficient of extraction of a count of the number of coefficients larger than the reference value of 7. 상기 추출과정을 m m n n 셀(930)까지 완료하면 m*n개를 원소로 갖는 1차벡터(940)가 생성된다. Upon completion of the extraction process to m m n n cells 930 is the first vector (940) having an m * n pieces of elements is generated. 마찬가지로 도 10의 모든 6개(J=2)의 서브밴드영역(d1~d6)에 대해 상기 특징벡터 생성과정을 반복하면, 6*m*n개의 d2의 특징벡터가 생성됨을 알 수 있다. Similarly, all of the 10 6 for the subband domain (d1 ~ d6) of (J = 2) repeat the feature vector generation process, it can be seen that 6 * m * n d2 of the feature vector is generated.

상기 도 10은 J=2인 경우에 나온 값이고 이를 수식화하면 3*웨이블렛 변환레벨(J)*가로셀수(m)*세로셀수(n)개인 총 3Jmn비트의 수직구조로 된 특징벡터가 도 11과 같이 추출된다. FIG 10 is J = 2 when the case value and formulate them from the 3 * wavelet transform level (J) * horizontal count (m) * vertical count (n) 11 is the characteristic as individual total vertical structure of 3Jmn bit vector and the like are extracted.

웨이블렛 변환의 특성에 근거, 상기 3*J+1개의 모든 웨이블렛 서브밴드 영역 들은 각각 전체 영상에 대한 특정 주파수 해상도의 다른 표현이므로, 서브밴드 영역을 m*n개의 셀로 분할하는 것은 전체 이미지를 m*n개의 부분으로 분할하는 의미를 내포한다. Since the basis of the characteristics of wavelet transformation, the 3 * J + 1 of all the wavelet subband domain are different representations of the specific frequency resolution for each of the whole image, the subband domain m * n of cells is to divide the entire image m * it implies that divided into n portions. 따라서 상기 셀단위로 특징벡터를 추출함으로써 전체 이미지내의 특징점 위치정보를 특징벡터로 표현할 수 있다. Therefore, by extracting the feature vectors in the cell unit may represent the feature point position information in the entire image as a feature vector.

이어서 상기 구성된 특징벡터와 미리 정해진 판정기준의 벡터와의 유사도를 측정하여(S390) 권종인식을 수행한다(S400). Then performs (S390) denomination recognized by measuring the degree of similarity between the vector and of predetermined and configured the feature vector is determined based on (S400). 여기서, 일반적으로 통상적인 거리비교 등의 유사도 측정시 특징벡터의 크기는 계산상의 복잡도와 관련하여 처리속도의 중요한 변수가 된다. Here, in general, when the size of the degree of similarity measures, such as conventional distance comparing feature vector with respect to the computational complexity is a critical variable in the processing speed. 본 발명에서는 상기 판정기준에 의해 평가하기 전 특징벡터의 구별능력의 증가와 특징벡터의 크기를 줄이기 위해 상기 구성된 특징벡터에 대하여 정규분석을 적용할 수 있다(S380). In the present invention, it can be applied to a normal analysis with respect to the evaluation before the feature vector consisting of the feature vector to reduce the size of the increase and the characteristic vector of the discriminating power of by the criteria (S380). 상기 정규분석을 적용하면 불필요한 특징벡터의 성분을 제거하고 특징벡터의 크기를 효과적으로 줄임으로써 판정기준에 의한 판정 시 상당한 양의 처리시간과 특징벡터 저장 시 요구되는 메모리 공간을 줄일 수 있다. Applying the normal analysis can eliminate the unnecessary components of the feature vector, and upon determination by the determination reference, by reducing the size of the feature vector is an effective way of reducing the memory space required for storing a significant amount of processing time and a feature vector.

상기 정규분석은 대표적인 통계적 특징추출 기법 중의 하나로 하기 <식 1>의 비(ratio)가 최대가 되도록 하는 벡터공간(vector space) Φ로의 상기 특징벡터 변환 과정을 의미한다. The normal analysis refers to a statistical representative feature extraction technique in the vector space (vector space) the feature vector transformation to the Φ of the ratio (ratio) of <Formula 1> to one of the to be the maximum. 즉, 정규분석을 통하여 변환된 특징벡터들은 동일 권종일 경우 분산량이 감소하며, 타 권종간에는 상대적인 거리차이가 증가하므로 정확하고 신뢰성있는 특징추출을 가능하게 한다. That is, the transformed vectors are characterized by the regular analysis makes it possible to reduce the amount of the same dispersion when gwonjongil and extracted accurate and reliable characteristics, so that the relative distance difference increases between the other denomination.

Figure 112006017427528-pat00001
<식 1> <Equation 1>

또한, <식 1>에서 벡터공간 Φ의 부 공간(sub space)으로 변환을 수행 할 경우 최종 변환된 특징벡터의 차원은 감소하게 되어 특징벡터의 크기가 줄어든다. Further, it becomes the final dimension of the transformed feature vector is reduced when performing the conversion to <Formula 1> vector space Φ subspace (sub space) in reducing the size of the feature vector.

하기의 <표 1>을 참고하면 정규분석이 적용된 방법과 정규분석이 적용되지 않은 방법의 분류비율을 알 수 있다. To <Table 1> if the reference it can be seen that classification ratio of the regular manner as regular analysis analysis is applied not applied method. 예를 들어 10,000원권, 5,000원권, 1,000원권 분류실험을 위해 웨이블렛 분할값인 J=1, 가로셀수 m=2, 세로셀수 n=2로 적용하여 지폐를 분류한 결과 정규분석을 적용하지 않는 방법에서는 97.71%이라는 분류비율을 보여준다. For example, 10,000 won, 5,000 won, 1,000 won for a classification test by applying a wavelet division value of J = 1, horizontal count m = 2, the vertical number of cells n = 2 In the method that does not apply the resulting regular analysis categorizes the bill It shows a classification rate of 97.71%. 그러나 상기 <식 1>을 사용하여 특징벡터에 정규분석을 적용한 후 지폐를 분류한 결과 99.91%라는 분류비율을 보여주어 정규분석이 적용된 권종인식방법의 정확성이 정규분석을 적용하지 않은 방법보다 향상되었음을 확인할 수 있다. However, that the accuracy of the <Equation 1> for use by showing the after applying the regular analysis on the feature vector banknotes result classification rate of 99.91% by classifying the regular analysis applied denomination recognition method improved method did not apply the regular analysis It can be found.

<표 1> <Table 1>

권종 Denomination 분류비율(%) Classification Rate (%)
정규분석 미적용 Regular analysis of unapplied 정규분석 적용 Apply regular analysis
10,000 10000 99.00 99.00 100.00 100.00
5,000 5000 98.38 98.38 100.00 100.00
1,000 1000 95.75 95.75 99.75 99.75

이어서 상기 구성된 특징벡터와 미리 정해진 판정기준의 벡터의 검증을 위해서는 최소거리기법등의 통상적인 방법을 사용하여 구해진 최소거리 분포를 이용하여 최종적인 유사도를 결정한다. Then in order to verify the vector of the feature is configured with a predetermined determination reference vector with the minimum distance distribution obtained using conventional methods, such as a minimum distance method to determine a final similarity. 즉, 정규화된 유클리디안 거리를 적용하여 특징벡터간의 거리를 계산한 후, 계산된 특징벡터간의 거리에 최소거리기법을 적용한 값이 미리 정한 기준값 이하인 경우를 동일한 것으로 인식한다. That is, it recognizes the normalized Euclidean distance calculation after applying the distance between the feature vector, if the minimum distance to apply techniques to the distance between the calculated feature vector value less than or equal to the reference value determined in advance to be the same.

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. Described above in the description of the invention has been described with respect to the normal of the banknote recognition is not limited to a conventional bank notes, securities, various plutocracy, recognition of the banknote kind general having a predetermined printing form or bill of silver appearance such as check on can be applied. 따라서 본 발명의 특허 범위는 상기 설명된 실시 예에 의하여 정할 것이 아니고 특허청구범위뿐 아니라 균등 범위에도 미침은 자명할 것이다. Thus patent scope of the present invention will be even dropped below are self-evident, not the claims as well as equivalents is determined by the embodiment described above.

상기에서 설명한 바와 같이 본 발명은, 지폐의 전체 또는 부분오염 및 센서출력 불균일 등에 의한 지폐이미지의 밝기 변화 등과 같은 잡음에 강인하고 보다 신뢰성있는 권종인식을 위하여 입력된 지폐이미지의 윤곽선을 검출하여 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. As described above, the present invention is to detect the full or partial contamination and contour of the sensor output bill the bill image input to the robust and more reliable denomination recognition in noise, such as changes in the brightness of the image produced by non-uniformity or the like of the banknotes given the number of times the wavelet change the absolute size of the conversion and then the wavelet coefficients by the feature vector is a new kind of paper money bills do read by enabling the denomination separated by configured to compare with a reference value, or to facilitate the determination of all kinds of currency with high precision do.

또한, 지폐가 오래 사용되어 낡음이나 오염정도에 상관없이 지폐식별이 가능하며 식별장치의 개체성능의 변동 등의 오차요인을 배제함으로서 안정된 지폐의 권종인식을 판정 할 수 있다. In addition, the bill can be used long bills identified, regardless of the degree of oldness and pollution, and can determine the denomination banknotes by the recognition of a stable eliminate the error factors such as fluctuations in the performance of object identification device.

Claims (8)

  1. 지폐를 스캔하여 생성한 원본이미지에 대하여 윤곽선 검출 등의 전처리과정을 수행하는 단계와, And performing a pre-processing such as edge detection with respect to the original image generated by scanning a bill,
    상기 전처리된 원본이미지를 소정의 횟수만큼 웨이블렛 변환하는 단계와, The method comprising the steps of wavelet transform the original image the pre-processing a predetermined number of times,
    상기 웨이블렛 변환으로 발생된 각각의 서브밴드에 대하여 웨이블렛 계수를 구하고, 각각의 서브밴드를 소정의 횟수인 가로 m, 세로 n으로 나누는 단계와, And dividing the wavelet into a respective sub-band of a predetermined number of times in the transverse m, to obtain a wavelet coefficient with respect to each of the subbands in the conversion, vertical n,
    상기 가로 m, 세로 n으로 나뉜 셀별로 웨이블렛 계수들의 절대값 크기와 기준값을 비교하여 기준값보다 크거나 같은 웨이블렛 계수들의 개수를 각각 추출하는 단계와, And wherein the width m, as compared to the absolute value magnitude and the reference value of the wavelet coefficients for each cell divided by vertical n is greater than the reference value, or extracting the same number of wavelet coefficients, respectively,
    상기 추출단계를 상기의 서브밴드별로 완료하여 수직구조의 특징벡터를 구성하는 단계와, Comprising the steps of: configuring the feature vectors of the vertical structure to complete the extraction step by the sub-band,
    구별능력 증가와 특징벡터의 크기를 줄이기 위해 상기 특징벡터에 정규분석을 적용하는 단계와, And applying a regular analysis on the feature vector to reduce the size of the discriminating power increase and a feature vector,
    상기 특징벡터를 미리 정해진 판정기준의 벡터와의 유사도를 측정하여 권종을 인식하는 단계로 이루어진 웨이블렛 변환을 이용한 권종인식방법 Denomination recognition method using a wavelet transform comprising the step of measuring the degree of similarity between the vector and the feature vector of the predetermined determination reference recognizes the denomination
  2. 제 1항에 있어서, 상기 전처리과정은 원본이미지에 대한 윤곽선 검출을 통하여 노이즈를 제거하며, 원본이미지의 외부경계를 구해 실제처리대상이 되는 지폐이 미지 부분과 불필요한 바탕영역의 분리를 용이하게 하는 등 원활한 지폐이미지 처리를 가능하게 하고, 지폐이미지의 밝기 변화에 비교적 둔감한 윤곽선 이미지(edge image)를 입력으로 하는 웨이블렛 변환을 이용한 권종인식방법 The method of claim 1, wherein the pre-treatment is seamless such that removes noise through the edge detection on the original image, save the outer boundary of the original image facilitate separation of jipyeyi image portion and the unnecessary background area in which the actual processing target denomination recognition method using a wavelet transform to the paper money is relatively insensitive contour image (edge ​​image) to the brightness change of enabling the image processing, the image input banknotes
  3. 제 2항에 있어서, 상기 윤곽선 검출은 3*3마스크를 사용하는 소벨변환을 이용하여 윤곽선을 검출하는 것을 특징으로 하는 웨이블렛 변환을 이용한 권종인식방법 The method of claim 2, wherein the edge detection is 3 * 3 kinds of recognition using wavelet transform, characterized in that for detecting the contour by using a Sobel conversion using the mask method
  4. 제 2항에 있어서, 상기 윤곽선 검출은 DSP(Digital Signal Processing)칩을 사용하여 하드웨어상에서 구현 가능함을 특징으로 하는 웨이블렛 변환을 이용한 권종인식 방법 The method of claim 2, wherein the edge detection is denomination recognition method using (Digital Signal Processing) chip DSP using wavelet transformation, characterized by the implementation in hardware is possible
  5. 제 1항에 있어서, 상기 웨이블렛 변환은 고속 Harr 웨이블렛 변환법을 사용하는 것을 특징으로 하는 웨이블렛 변환을 이용한 권종인식방법 According to claim 1, wherein said wavelet transform is a denomination recognition using wavelet transform that is characterized by using a high-speed Harr wavelet transform method
  6. 제 1항에 있어서, 상기 웨이블렛 계수는 서브밴드 이미지별로 서로 이웃하는 정보의 차이를 이용하여 각 서브밴드의 특성을 갖는 것을 특징으로 하는 웨이블렛 변환을 이용한 권종인식방법 The method of claim 1, wherein the wavelet coefficients denomination recognition method using a wavelet transform, characterized in that it has the characteristics of each subband by using a difference of information next to each other for each sub-band image
  7. 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 According to claim 1, wherein the step of configuring the feature vector consisting of a 3 * wavelet transform the number (J) * horizontal count (m) * Vertical number of cells (n) individual total vertical structure of 3Jmn bit feature vector denomination recognition method using a wavelet transform according to
  8. 제 1항에 있어서, 상기 유사도를 측정하는 단계는 최소거리기법을 통해 구해진 최소거리 분포를 이용하여 최종적인 유사도를 결정하는 것을 특징으로 하는 웨이블렛 변환을 이용한 권종인식방법 The method of claim 1, further comprising measuring the degree of similarity is a denomination recognition using wavelet transform, characterized in that for determining a final degree of similarity by using a minimum distance distribution obtained through a minimum distance technique method
KR20060023053A 2006-03-13 2006-03-13 Recognizing the Denomination of a Note Using Wavelet transform KR101001691B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR20060023053A KR101001691B1 (en) 2006-03-13 2006-03-13 Recognizing the Denomination of a Note Using Wavelet transform

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR20060023053A KR101001691B1 (en) 2006-03-13 2006-03-13 Recognizing the Denomination of a Note Using Wavelet transform
PCT/KR2007/001194 WO2007105890A1 (en) 2006-03-13 2007-03-12 Recognizing the denomination of a note using wavelet transform

Publications (2)

Publication Number Publication Date
KR20070093210A true KR20070093210A (en) 2007-09-18
KR101001691B1 true KR101001691B1 (en) 2010-12-15

Family

ID=38509681

Family Applications (1)

Application Number Title Priority Date Filing Date
KR20060023053A KR101001691B1 (en) 2006-03-13 2006-03-13 Recognizing the Denomination of a Note Using Wavelet transform

Country Status (2)

Country Link
KR (1) KR101001691B1 (en)
WO (1) WO2007105890A1 (en)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102009007588A1 (en) 2009-02-05 2010-08-19 Bundesdruckerei Gmbh Method and apparatus for verifying documents using a wavelet transform
DE102011082028A1 (en) 2011-09-01 2013-03-07 Bundesdruckerei Gmbh Apparatus for document recognition
CN103035061B (en) 2012-09-29 2014-12-31 广州广电运通金融电子股份有限公司 Anti-counterfeit characteristic generation method of valuable file and identification method and device thereof
CN103198352A (en) * 2013-03-04 2013-07-10 上海古鳌电子科技股份有限公司 Cash-counting machine with automatic correction function
JP6229352B2 (en) * 2013-07-26 2017-11-15 富士通株式会社 Image processing apparatus, image processing method, and program
KR101537809B1 (en) * 2014-03-20 2015-07-23 기산전자 주식회사 Method for determining fitness of banknote

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1998036632A2 (en) 1997-02-12 1998-08-27 Sarnoff Corporation Apparatus and method for encoding wavelet trees generated by a wavelet-based coding method

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB9413413D0 (en) * 1994-07-04 1994-08-24 At & T Global Inf Solution Apparatus and method for testing bank-notes
JPH0935000A (en) * 1995-07-19 1997-02-07 Sony Corp Method and device for recognizing handwritten character
KR100289641B1 (en) * 1997-08-13 2001-02-21 구자홍 Method for recognizing paper money
EP1044434A1 (en) * 1998-10-29 2000-10-18 De La Rue International Limited Method and system for recognition of currency by denomination

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1998036632A2 (en) 1997-02-12 1998-08-27 Sarnoff Corporation Apparatus and method for encoding wavelet trees generated by a wavelet-based coding method

Also Published As

Publication number Publication date Type
WO2007105890A1 (en) 2007-09-20 application
KR20070093210A (en) 2007-09-18 application

Similar Documents

Publication Publication Date Title
Boles et al. A human identification technique using images of the iris and wavelet transform
Zhang et al. Brief review of invariant texture analysis methods
Xie et al. Image denoising and inpainting with deep neural networks
Yang et al. A modified Gabor filter design method for fingerprint image enhancement
US5761330A (en) Hybrid optical-digital method and apparatus for fingerprint verification
Zhao et al. Hyperspectral image denoising via sparse representation and low-rank constraint
US7142699B2 (en) Fingerprint matching using ridge feature maps
Dabov et al. Image denoising by sparse 3-D transform-domain collaborative filtering
Muhammad et al. Passive copy move image forgery detection using undecimated dyadic wavelet transform
Etemad et al. Separability-based multiscale basis selection and feature extraction for signal and image classification
Almansa et al. Fingerprint enhancement by shape adaptation of scale-space operators with automatic scale selection
US20020150281A1 (en) Method of recognizing human iris using daubechies wavelet transform
Ojansivu et al. Blur insensitive texture classification using local phase quantization
Materka et al. Texture analysis methods–a review
Wang et al. Texture classification using multiresolution Markov random field models
Jin et al. An efficient fingerprint verification system using integrated wavelet and Fourier–Mellin invariant transform
Dima et al. Automatic segmentation and skeletonization of neurons from confocal microscopy images based on the 3-D wavelet transform
Hiremath et al. Wavelet based co-occurrence histogram features for texture classification with an application to script identification in a document image
US20020176638A1 (en) Method for blind cross-spectral image registration
Herranz et al. Scale-adaptive filters for the detection/separation of compact sources
Tan et al. Liveness detection for fingerprint scanners based on the statistics of wavelet signal processing
US20050196037A1 (en) Method for extracting texture features from a multichannel image
Arzandeh et al. Texture evaluation of RADARSAT imagery for wetland mapping
Noyel et al. Morphological segmentation of hyperspectral images
Shi et al. A chaincode based scheme for fingerprint feature extraction

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20131118

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20141210

Year of fee payment: 5

FPAY Annual fee payment

Payment date: 20151208

Year of fee payment: 6

FPAY Annual fee payment

Payment date: 20161212

Year of fee payment: 7

FPAY Annual fee payment

Payment date: 20171212

Year of fee payment: 8