KR101232683B1 - 베이시안 접근법을 이용한 권종 인식 방법 - Google Patents

Abstract

본 발명은 베이시안(Bayesian) 접근법을 이용한 권종 인식 방법에 관한 것으로서, 더욱 상세하게는 지폐 전체를 스캔하여 생성된 지폐이미지를 소정 개수의 단위셀로 분할한 후, 각각의 단위셀 내에서 측정된 센서데이터를 이용하여 각 단위셀을 대표하는 대표값을 산출하고, 산출된 각 단위셀별 대표값을 인자로 하는 지폐의 특징벡터를 추출하여, 선형특징추출법을 통해 추출된 특징벡터의 차원을 감소시킨 후, 차원이 감소된 특징벡터를 대상으로 GML(Gaussian Maximum Likelihood) 분류법을 이용하여 권종 인식을 수행하는 방법에 관한 것이다.
본 발명은 지폐 전체를 스캔하여 얻어진 센서데이터를 이용하여 지폐이미지를 생성하는 단계, 생성된 지폐이미지를 미리 정해진 일정 갯수의 단위셀로 분할하는 단계, 상기 분할된 각 단위셀별로, 얻어진 센서데이터를 이용하여 각 단위셀을 대표하는 대표값을 산출하는 단계, 상기 산출된 각 단위셀별 대표값을 인자로 하는 지폐의 특징벡터를 추출하는 단계, 선형특징추출법을 이용하여 상기 추출된 지폐의 특징벡터의 차원을 감소시켜 대표 특징벡터를 추출하는 단계, 상기 추출된 대표 특징벡터에 GML(Gaussian Maximum Likelihood) 분류법을 적용하여 해당 지폐에 대한 권종 인식을 수행하는 단계를 포함하여 구성되는 베이시안 접근법을 이용한 권종 인식 방법을 제공한다.

Description

베이시안 접근법을 이용한 권종 인식 방법{Method for recognizing denomination of banknotes using Bayesian approach}

본 발명은 베이시안(Bayesian) 접근법을 이용한 권종 인식 방법에 관한 것으로서, 더욱 상세하게는 지폐 전체를 스캔하여 생성된 지폐이미지를 소정 개수의 단위셀로 분할한 후, 각각의 단위셀 내에서 측정된 센서데이터를 이용하여 각 단위셀을 대표하는 대표값을 산출하고, 산출된 각 단위셀별 대표값을 인자로 하는 지폐의 특징벡터를 추출하여, 선형특징추출법을 통해 추출된 특징벡터의 차원을 감소시킨 후, 차원이 감소된 특징벡터를 대상으로 GML(Gaussian Maximum Likelihood) 분류법을 이용하여 권종 인식을 수행함에 따라, 종래의 신경망 회로를 이용한 권종 인식 방법에 비해 권종인식을 신속하게 수행할 수 있을 뿐만 아니라 낮은 해상도의 지폐이미지로도 상대적으로 정확하게 권종을 인식할 수 있는 베이시안(Bayesian) 접근법을 이용한 권종 인식 방법에 관한 것이다.

지폐 인식 자동화기기가 여러분야에 보편화되면서 다양한 지폐를 고속으로 처리할 수 있는 고속 지폐 감별 장치가 요구되고 있다. 하지만 대부분의 지폐 감별 장치는 낮은 하드웨어의 성능으로 고속화에 적합하지 않는 구조로 설계되어 있으며, 짧은 시간 내에 권종을 인식해야 하는 시간적 제약은 복잡한 데이터 처리 및 알고리즘에 많은 시간을 할당할 수 없게 하고 있다.

일반적으로 권종인식 알고리즘은 지폐 데이터 취득 센서의 종류나 구성에 따라 다양한 형태로 개발되어 응용된다. 예를 들어, 취득 센서가 1차원 어레이 구조를 갖는 지폐 감별 장치에서는 취득된 1차원 다채널 데이터를 이용, 신경망 학습 등과 같은 방법을 이용하여 처리한다. 이러한 방법은 취득 데이터 양이 적어 인식속도면에서는 이득이나, 권종수가 증가하거나 여러 나라의 다양한 지폐를 인식하는 경우 인식률이 하락하는 문제점이 있다.

한편, 이러한 1차원 어레이 구조의 한계점을 극복하기 위하여 2차원 컨택 이미지 센서를 사용한 감별 모듈 장치가 널리 개발되는 추세이다. 2차원 컨택 이미지 센서의 구성은 지폐 단면 혹은 양면의 이미지를 모두 취하는 형태로 구성됨에 따라 취득되는 데이터 양이 방대하여, 획득된 지폐 영상으로부터 권종간 변별력이 높은 영역에 대한 탬플릿 설정이 필수적이다. 그러나, 이러한 템플릿 설정 과정은 양자화 및 이진부호의 벡터 태블릿 변환작업, 좌표화 등 복잡한 처리과정이 필요함에 따라 많은 시간과 연산량이 요구되었으며, 정확한 비교를 위해서는 상대적으로 높은 해상도가 요구됨에 따라 고속 데이터 처리가 불가능하였다.

또한, 종래의 권종인식 알고리즘으로 사용되는 신경회로망(Neural Network), SVM(support vector machine) 등 기계학습 기법들은 레이어간 비선형 판별 함수의 커널(Kernel) 제약으로 인식 속도면에서 개선이 요구되고 있으며, 새로운 권종이 추가될 경우 다시 학습과정을 거쳐야 하기 때문에 신권 추가가 용이하지 않다는 단점이 있다.

본 발명은 상기한 종래 기술에 따른 문제점을 해결하기 위한 것이다. 즉, 본 발명의 목적은, 지폐 전체를 스캔하여 생성된 지폐이미지를 소정 개수의 단위셀로 분할한 후, 각각의 단위셀 내에서 측정된 센서데이터를 이용하여 각 단위셀을 대표하는 대표값을 산출하고, 산출된 각 단위셀별 대표값을 인자로 하는 지폐의 특징벡터를 추출하여, 선형특징추출법을 통해 추출된 특징벡터의 차원을 감소시킨 후, 차원이 감소된 특징벡터를 대상으로 GML(Gaussian Maximum Likelihood) 분류법을 이용하여 권종 인식을 수행함에 따라, 종래의 신경망 회로를 이용한 권종 인식 방법에 비해 권종인식을 신속하게 수행할 수 있을 뿐만 아니라 낮은 해상도의 지폐이미지로도 상대적으로 정확하게 권종을 인식할 수 있는 베이시안(Bayesian) 접근법을 이용한 권종 인식 방법을 제공함에 있다.

상기의 목적을 달성하기 위한 기술적 사상으로서 본 발명은, 지폐 전체를 스캔하여 얻어진 센서데이터를 이용하여 지폐이미지를 생성하는 단계, 생성된 지폐이미지를 미리 정해진 일정 갯수의 단위셀로 분할하는 단계, 상기 분할된 각 단위셀별로, 얻어진 센서데이터를 이용하여 각 단위셀을 대표하는 대표값을 산출하는 단계, 상기 산출된 각 단위셀별 대표값을 인자로 하는 지폐의 특징벡터를 추출하는 단계, 선형특징추출법을 이용하여 상기 추출된 지폐의 특징벡터의 차원을 감소시켜 대표 특징벡터를 추출하는 단계, 상기 추출된 대표 특징벡터에 GML(Gaussian Maximum Likelihood) 분류법을 적용하여 해당 지폐에 대한 권종 인식을 수행하는 단계를 포함하여 구성되는 베이시안 접근법을 이용한 권종 인식 방법을 제공한다.

본 발명에 따른 베이시안 접근법을 이용한 권종 인식 방법은, 지폐 영상 전체를 사용하여 권종 인식을 수행함에 따라, 지폐 영상으로부터 권종간 변별력이 높은 영역에 대한 별도의 탬플릿 설정이 필요치 않아 종래의 인식방법에 비해 고속의 데이터 처리가 가능하며, 입력 영상이 초 저해상도를 가질 경우에도 적용이 가능하다.

또한, 통계적 정규 분포 추정 기법에 기반하므로, 샘플 분포 추정의 신뢰도를 측정하여 인식률에 대한 정량적 예측이 가능하며, 특징 벡터 변환은 선형 연산으로만 구성됨에 따라, 기존 신경망에서의 비선형 판별함수 사용시 보다 고속으로 권종 인식이 가능하다.

더불어, 신권 추가 시 다시 학습과정을 거쳐야 하는 기계학습 방법과 달리 신권의 특징값을 기기에 추가하기만 하면 되므로 신권 추가 시의 인식이 용이하고, 인식률 제어나 감별에러 복구 등을 위하여 알고리즘을 직접 수정할 필요가 없이 비교 레퍼런스 데이터만 갱신하면 되는 장점이 있어 유지 보수가 용이하다.

도 1은 본 발명의 일실시예에 따른 베이시안 접근법을 이용한 권종 인식 방법을 나타낸 순서도.
도 2는 본 발명의 일실시예에 따라 스캔된 지폐이미지를 소정개수의 단위셀로 분할한 예를 도시한 것.
도 3은 본 발명의 일실시예에 따라 각 단위셀별 센서데이터들의 평균값을 이용하여 대표값을 산출한 예를 도시한 것.

이하, 본 발명의 바람직한 실시예를 첨부 도면에 의거하여 상세하게 설명하기로 한다.

도 1은 본 발명의 일실시예에 따른 베이시안 접근법을 이용한 권종 인식 방법을 나타낸 순서도이다.

본 발명에 따라 지폐의 권종을 인식하기 위해서는, 먼저 컨택 이미지 센서(CIS)를 이용하여 인식을 원하는 지폐 전체를 스캔하여 지폐이미지를 생성하고(S110), 상기 생성된 지페이미지를 소정개수의 단위셀로 분할한다(S120).

이때, 지폐이미지 생성 방법은, 이송동작에서 발생할 수 있는 흔들림이나 진동에 의해 지폐이미지의 일부만이 스캔되는 것을 방지하기 위하여, 지폐크기보다 크게 형성되는 것이 일반적이다. 따라서, 스캔된 이미지에는 지폐이미지와 주변의 여백이미지가 함께 포함되어 있다. 이에 따라, 지폐의 정렬 여부를 판단하여 만약 기울기가 있을 경우, 그 각도만큼 기울기를 보정하고, 주변 여백을 제외한 지폐이미지만을 추출한다.

또한, 지페이미지를 분할하는 단위셀의 개수는 생성된 지폐이미지의 크기와 해상도에 따라 달라질 수 있으며, 통상 생성된 지폐이미지를 가로 방향으로 10 내지 40개의 단위셀과, 세로 방향으로 4 내지 20개의 단위셀로 각각 분할하는 것이 무난하다. 도 2는 본 발명의 일실시예에 따라 스캔된 지폐이미지를 14×7개의 단위셀로 분할한 예를 보여주고 있다.

이어서, 분할된 각각의 단위셀 내에서 측정된 센서데이터를 이용하여 각 단위셀을 대표하는 대표값을 산출하며(S130), 산출된 각 단위셀별 대표값을 인자로 하는 지폐의 특징벡터를 추출한다(S140). 도 3에 도시된 바와 같이, 하나의 단위셀 내에는 CIS 어레이에 각각 대응하는 다수개의 픽셀이 존재하고, 각각의 픽셀은 각각의 대응하는 CIS 픽셀에서 측정된 센서데이터를 가진다. 본 발명에서는 이러한 센서데이터를 이용하여 각 단위셀을 대표하는 하나의 스칼라값(대표값)을 산출하게 되는데, 이때 각 단위셀을 대표하는 대표값으로는 각 단위셀을 구성하는 센서데이터들의 평균, 분산 또는 최대값 등 다양한 인자를 적용할 수 있으며, 바람직하게는 각 단위셀 내 센서데이터의 특징을 가장 효과적으로 반영할 수 있는 단위셀내 센서데이터의 평균값을 사용하는 것이 좋다.

예를 들어, 도 3에 도시된 바와 같이 각각의 단위셀은 총 42개의 단위 픽셀로 이루어지고, 이들 각 픽셀별로 센서데이터가 얻어진다고 가정할 때, 상기 단위셀 [7, 2]내에 존재하는 42개 픽셀의 센서데이터의 평균값인 9가 단위셀 [7, 2]의 대표값(A_7,2)으로 산출되고, 산출된 대표값은 해당 단위셀을 대표하는 특징벡터의 인자가 된다.

즉, 이와 같은 방법으로 각 단위셀을 대표하는 대표값을 산출하여, 각각의 단위셀별 산출된 대표값을 인자로 하는 지폐이미지 특징벡터를 추출하게 되며, 도 3에 도시된 바와 같이, 14×7개의 단위셀로 분할된 지폐이미지는 14×7개의 인자를 갖는 특징벡터(X)를 추출하게 된다.

상술한 방법으로 지폐의 특징벡터(X)가 추출되면 추출된 특징벡터 인자들을 비교하여 권종을 감별하게 되는데, 특징벡터의 인자가 너무 많을 경우 견실하고 빠른 권종 인식을 수행하기 어려우므로, 본 발명에서는 특징벡터의 차원을 감소시키는 단계를 수행한다(S150). 추출된 특징벡터의 차원을 감소시키는 이유는 특징벡터의 불필요한 부분을 제거하여 연산대상을 줄이고, 권종 인식에 있어 중요한 대표 특징벡터만을 추출하기 위함이다. 이에 따라, 선형특징추출법을 적용하여 추출된 특징벡터의 차원을 감소시키고, 지폐이미지의 특징을 잘 나타내는 소정의 대표 특징벡터(dominant feature vector)만을 선별한다.

선형특징추출법은 센서데이터의 통계적인 특성을 분석하는 방법으로서 주성분 분석법(Principal component Analysis, PCA)과 선형 판별법(Linear Discriminant Analysis, LDA) 등이 그 대표적인 예이다. 주성분 분석(PCA)은 이미지 특징을 효과적으로 찾을 수 있는 비교사 통계학적 기법이며, 차원축소를 수행할 때 가장 최적인 기법이기는 하나, 권종 판별처럼 분류 목적을 위해서는 이상적이지 않다. 따라서, 본 발명에서는 선형 판별법(LDA)을 이용하여 특징벡터의 차원을 감소시키는 것이 효과적이며, 이하에서는 선형 판별법(LDA)을 이용하여 추출된 특징벡터의 차원을 감소시키는 단계에 대해 설명하기로 한다.

선형 판별법(LDA)은 상기 추출된 특징백터를 클래스 공간으로 맵핑하여 유클리디안 거리 등에 기반하여 클래스 확인을 할 수 있도록 하는 최적의 선형판별 매트릭스(Φ^T)를 산출하는 기법이다. 즉, 수만개의 지폐이미지 특징벡터에 대하여 각각의 권종별 클래스간 분산(σ² _B:Between class variance)과 클래스내 분산(σ² _W:Within class variance)의 비율(σ² _B/σ² _W)을 최대화 할 수 있는 선형판별 매트릭스(Φ^T)를 찾고, 그 선형판별 매트릭스를 상기 추출된 특징벡터(X)에 적용하여, 아래의 [수학식 1]과 같이 추출된 특징벡터(X)의 차원을 감소시켜, 지폐이미지의 특징을 보다 잘 나타내는 대표 특징벡터(Y)를 얻을 수 있다.

이와 같이 산출된 대표 특징벡터(Y)는 지폐이미지로부터 최초에 추출된 특징벡터(X)보다 상대적으로 낮은 차원을 갖게 되고, 동시에 지폐이미지의 특징을 보다 효과적으로 대표하게 된다.

이어서, 획득한 대표 특징벡터에 GML(Gaussian Maximum Likelihood) 분류법을 이용하여 해당 지폐에 대한 권종인식을 수행한다(S160). 즉, 상술한 과정을 통해 산출된 대표 특징벡터를 권종 클래스별로 기 산출되어 있는 평균벡터 및 분산행렬을 이용하여 어느 권종 클래스에 포함될 확률이 가장 높은가를 산출한 뒤, 그 확률값이 가장 높은 권종으로 해당 지폐를 분류한다. 예를 들어, 국내의 권종을 분류할 경우, 천원권, 오천원권, 만원권 및 오만원권 각각의 평균벡터 및 분산행렬을 이용하여, 대표 특징벡터가 상기 4가지의 권종에 포함될 확률을 각각 산출하며, 그 산출된 결과값이 가장 큰 값에 해당하는 권종으로 해당 지폐를 분류한다.

상기 대표 특징벡터가 해당 권종에 포함될 확률을 산출하는 방법은 하기의 [수학식 2]에 의해서 수행될 수 있다.

여기서,

ML : 유사도(Maximum Likelyhood),

i : 권종의 종류,

Y : 대표 특징벡터,

: 권종별 분산행렬,

: 권종별 평균벡터

이다.

상기의 [수학식 2]에서 ML은 상기 대표 특징벡터가 해당 권종 클래스에 포함될 확률을 대표하는 값으로서, 상기의 [수학식 2]에 따르면 대표 특징벡터가 해당 권종 클래스에 포함될 확률이 높을 수록, 해당 권종일 확률이 높아진다. 따라서, 대표 특징벡터와 데이터베이스에 기 저장된 권종별 평균벡터 및 분산행렬을 이용하여 권종 클래스에 포함될 ML값을 각각 산출하고, 그 산출값들을 비교하여, 비교한 결과값 중 가장 높은 ML값을 가지는 권종으로 해당 지폐의 권종을 판단함으로써 권종인식을 수행한다.

상술한 바와 같이, 본원 발명은 지폐이미지에 대한 단위셀별 대표값을 바탕으로 베이시안 접근법을 이용하여 권종 인식을 수행함으로써, 종래의 신경망 회로를 이용한 권종 인식 방법에 비해 권종인식을 신속하게 수행할 수 있을 뿐만 아니라 낮은 해상도의 지폐이미지로도 상대적으로 정확하게 권종을 인식할 수 있다.

이상에서 설명한 본 발명은 전술한 실시예 및 첨부된 도면에 의해 한정된 것은 아니며, 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 여러 가지 치환, 변경 및 변환이 가능하다는 것은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 있어 명백하다 할 것이다.

Claims (5)

1. 권종 인식 방법에 있어서,
   지폐 전체를 스캔하여 얻어진 센서데이터를 이용하여 지폐이미지를 생성하는 단계;
   생성된 지폐이미지를 미리 정해진 일정 갯수의 단위셀로 분할하는 단계;
   상기 분할된 각 단위셀별로, 얻어진 센서데이터를 이용하여 각 단위셀을 대표하는 대표값을 산출하는 단계;
   상기 산출된 각 단위셀별 대표값을 인자로 하는 지폐의 특징벡터를 추출하는 단계;
   선형특징추출법을 이용하여 상기 추출된 지폐의 특징벡터의 차원을 감소시켜 대표 특징벡터를 추출하는 단계;
   상기 추출된 대표 특징벡터에 GML(Gaussian Maximum Likelihood) 분류법을 적용하여 해당 지폐에 대한 권종 인식을 수행하는 단계;
   를 포함하여 구성되는 베이시안 접근법을 이용한 권종 인식 방법.
   
2. 제 1항에 있어서,
   상기 생성된 지폐이미지를 단위셀로 분할함에 있어서는,
   생성된 지폐이미지를 가로 방향으로 10 내지 40개의 단위셀과, 세로방향으로 4 내지 20개의 단위셀로 각각 분할하는 것을 특징으로 하는 베이시안 접근법을 이용한 권종 인식 방법.
   
3. 제 1항에 있어서,
   상기 각 단위셀을 대표하는 대표값을 산출하는 단계는,
   각 단위셀 내에서 얻어진 센서데이터들의 평균, 분산 또는 최대값 중 하나를 대표값으로 산출하는 것을 특징으로 하는 베이시안 접근법을 이용한 권종 인식 방법.
   
4. 제 1항에 있어서,
   상기 추출된 지폐의 특징벡터의 차원을 감소시켜 대표 특징벡터를 추출하는 단계에 적용하는 선형특징추출법은,
   선형판별법(Linear Discriminant Analysis)인 것을 특징으로 하는 베이시안 접근법을 이용한 권종 인식 방법.
   
5. 제 1항에 있어서,
   상기 추출된 대표 특징벡터에 GML 분류법을 적용하여 해당 지폐에 대한 권종 인식을 수행하는 단계는,
   하기의 [수학식 3]을 이용하여 산출되는 계산식의 결과값 중, 가장 높은 ML값이 산출되는 권종으로 인식하는 것을 특징으로 하는 베이시안 접근법을 이용한 권종 인식 방법.
   [수학식 3]
   

   

   ,
   여기서,
   ML : 유사도(Maximum Likelyhood),
   i : 권종의 종류,
   Y : 대표 특징벡터,
   

   

   : 권종별 분산행렬,
   

   

   : 권종별 평균 벡터.

Images