KR102207533B1

KR102207533B1 - 지폐 관리 방법 및 시스템

Info

Publication number: KR102207533B1
Application number: KR1020187037126A
Authority: KR
Inventors: 용츄엔 리우; 웨이셩 리우; 웨이죵 순; 난난 쟈오; 푸옌 왕; 빈 진; 윤지앙 리우; 빙펑 루; 옌쉔 추이; 디 진; 렌강 쟈오; 란 거
Original assignee: 주롱 컴퍼니 리미티드
Priority date: 2016-05-20
Filing date: 2016-12-26
Publication date: 2021-01-26
Also published as: CN105957238A; RU2708422C1; WO2017197884A1; US20200320817A1; KR20190004807A; EP3460765A1; EP3460765B1; JP2019523954A; CN105957238B; US10930105B2; EP3460765A4; JP6878575B2; SA518400454B1

Abstract

본 발명은 지폐 관리 방법을 제공하며, 상기 지폐 관리 방법은, 지폐 정보 처리 장치를 채용하여 지폐의 특징에 대해을 수집, 인식 및 처리를 진행하여, 지폐 특징 정보를 얻는 단계와; 상기 지폐 특징 정보, 업무 정보 및 상기 지폐 정보 처리 장치의 정보를 함께 마스터 서버로 전송하는 단계; 및; 상기 마스터 서버가 수신된 상기 지폐 특징 정보, 상기 업무 정보, 상기 지폐 정보 처리 장치의 정보에 대해 통합 가공 처리를 진행하고, 지폐에 대해 분류 처리를 진행하는 단계를 포함한다. 본 발명은 대응하는 지폐 관리 시스템을 더 제공한다. 본 발명의 상술한 방법에 따르면, 연산 속도를 확보함과 동시에 인식의 로버스트성을 향상할 수 있으며, 실제 응용에서의 정확성 및 실용성을 확보하였다.

Description

지폐 관리 방법 및 시스템

본 발명은 금융 분야에 속하며, 특히 지폐 관리 시스템 및 방법에 관한 것이다.

금융 정보화 응용 수준의 지속적인 상승에 따라, 은행 시스템의 통화 위조 방지, 업무 흐름 관리 및 금융 안전이 점점 스마트화되고 있으며, 지폐 관리는 국가 금융 분야의 안전 유지 및 인민폐 유통 흔적 관리, 위조 지폐 관리, ATM 지폐 분배 관리, 파손 지폐 관리 및 현금 입출고 관리를 안정적으로 실현하는 데에 있어서 중대한 의의를 가지고 있다.

지폐 관리는 주로 지폐 정보, 업무 정보 등의 정보를 종합적으로 처리를 진행하는 것이며, 지폐 정보 중의 일련 번호는 지폐 관리에 있어서 점점 더 중요해지고 있으며, 일련 번호 정보를 업무 등의 정보와 관련시킴으로써 지폐의 추적 및 조회를 대폭 용이하게 할 수 있다. 따라서 지폐 관리에 있어서 일련 번호 및 기타 정보의 수집 및 인식, 특히 인식 타겟 영역의 일련 번호의 인식에 대해 비교적 높은 요구가 있으며, 높은 정확율이 요구되는 동시에 인식 효율 및 인식 속도도 높게 요구된다.

종래 기술에서는 DSP 기술의 발전에 따라, DSP 플랫폼을 통해 컴퓨터 시각적 기술 및 이미지 처리 기술을 결합하여, 일련 번호 인식을 실현하는 것이 비교적 일반적이다. 그러나 구체적인 인식 알고리즘에는 일반적으로 사용되는 방법으로 템플릿 매칭, BP 신경망, 서포트 벡터 머신 등이 있으며, 다중 신경망 융합 방식을 채용하여 인식을 실현할 수 있으며, 예를 들어, 출원 번호가 CN201410258528.9 인 특허 출원에서는 각각 두 개의 신경망을 설계하여 훈련하는 방식으로 인식을 실현하며, 즉, 일련 번호의 이미지 벡터 특징에 따라 하나의 특징 추출 네트워크를 훈련하고. 하나의 BP 신경망을 결합하여 인식하며, 상술한 두 개의 네트워크에 대한 가중 융합에 의해, 일련 번호의 인식을 실현한다. 그러나 DSP 인식 방식은 종종 네트워크 전송 효율 및 DSP 인식에 있어서의 지폐의 위치, 방향 등에 대한 영향에 국한되여, 그 인식 효율 및 인식 알고리즘의 로버스트성이 상대적으로 차하며, 예를 들어, 출원 번호가 CN201510702688.2 인 특허 출원에서, 그레이스케일 역치와 방향 탐색의 방식으로 에지를 피팅한 후, 역치에 따라 에지 라인에 대해 선별을 진행하여 영역 경사도를 얻고, 신경망을 결합하여 방향을 훈련하여 인식한 후, 순차적 주사 및 후속의 신경망에 의해 일련 번호를 인식한다.

다른 종래 기술에서, 예를 들어, 논문 "이미지 분석을 기반으로 하는 인민폐 선별 방법의 연구와 실현" 에서는 컨볼루션 신경망 방식을 채용하여 일련 번호를 인식하고 있으나, 상술한 기술 방안에서는 가장 간단한 2치화 만으로 문자를 분할하고, 문자에 대한 유효한 래소를 실현할 수 없으며, 따라서 후속 처리해야 할 데이터 량에 직접적으로 영향주고, 알고리즘의 실용적 가치에 직접적으로 영향준다. 또한, 상술한 기술적 수단에서는 분할 문자에 대한 간단한 크기 처리만을 채용하고 있고, 처리 전 및 분할 후의 이미지에 대한 유효한 래소 및 이미지 데이터의 유효한 정규화 처리를 진행하지 않았으며, 이러한 간단한 크기 처리는 후속의 신경망 인식에 무거운 데이터 처리량을 가져다 주어 인식 효율을 크게 저하시켰다. 또한, 상술한 기술적 수단에서도 마찬가지로 지폐 결손에 의하여 지폐 인식 및 이미지 처리에 미치는 영향을 잘 처리하지 못하였다. 상술한 기술적 수단은 이론적으로는 일정한 인식 정확율에 달성할 수 있으나, 연산 인식 효율이 낮으므로, 상업적 실용 방법으로 훌륭하게 전환될 수 없으며, 실제 지폐 인식의 속도 요구에 적응할 수 없다.

이로부터 알 수 있다싶이, 종래 기술에는 하기와 같은 문제가 존재한다. 지폐의 방향 및 문자에 대한 유효한 위치 결정을 효율적으로 해결할 수 없으며, 인식 후의 문자 범위가 비교적 크고, 문자 분할 착오가 발생하기 쉬우며, 후속의 이미지 처리 및 인식 데이터 량이 많아 인식 효율이 저하된다. 또한, 지폐 주행에 의한 지폐 이미지의 쾌속 경사의 변화에 훌륭하게 적응할 수 없으며, 지폐의 경사도에 대해 즉시에 보정하고 인식할 수 없고, 파손 지폐에 대한 인식의 로버스트성이 낮으며, 대응하는 지폐 파손 인식 처리 방식이 제공되지 않았다.

따라서, 본 발명이 해결하고자 하는 첫 번째 기술적 문제는 종래 기술의 지폐 관리 시스템이 지폐 정보를 효율적이고 정확하게 수집 및 인식할 수 없으므로, 나아가 지폐 정보를 효율적이고 정확하게 수집 및 인식할 수 있는 지폐 관리 방법 및 그 시스템을 제공하는 것이다.

본 발명이 해결하고자 하는 두 번째 기술적 문제는 일련 번호의 인식 효율을 확보한 기초하에, 인식 타겟의 파손, 얼룩, 쾌속 접힘 등의 경우에서의 인식 알고리즘의 로버스트성 문제를 유효하게 해결할 수 있는 일련 번호의 인식 방법을 제안하는 것이다.

본 발명에 기재된 지폐 관리 방법은 하기의 단계를 포함한다.

단계 (1), 지폐 정보 처리 장치를 채용하여 지폐 특징에 대해 수집, 인식 및 처리를 진행하여, 지폐 특징 정보를 얻는다.

단계 (2), 단계 (1)에 기재된 지폐 특징 정보, 업무 정보 및 상기 지폐 정보 처리 장치의 정보를 함께 마스터 서버로 전송한다.

단계 (3), 상기 마스터 서버가 수신된 상기 지폐 특징 정보, 상기 업무 정보, 상기 지폐 정보 처리 장치의 정보에 대해 통합 가공 처리를 진행하고, 지폐에 대해 분류 처리를 진행한다.

바람직하게는, 상기 단계 (1)에서 이미지, 적외선, 형광, 자기, 두께 측정 중 하나 이상의 방식에 의해, 상기 지폐 특징을 수집한다.

바람직하게는, 상기 단계 (3)에서 지폐에 대해 분류 처리를 진행하는 단계는 구체적으로 다음과 같다. 지폐를 분류한 후, 이를 분류된 카테고리에 따라 부동한 지폐 호퍼로 진입하도록 한다. 상기 지폐 호퍼는 지폐를 수납하는 용기 또는 공간이다.

바람직하게는, 상기 지폐 정보는 화폐 종류, 액면가, 방향, 진위, 낡은 정도, 오손, 일련 번호 중 하나 이상을 포함하고, 여기서, 상기 방향은 지폐의 앞뒤 방향을 가리킨다.

바람직하게는, 상기 업무 정보는 수취, 지급, 입금 또는 출금 기록 정보, 업무 시간대 정보, 작업자 정보, 거래 카드 번호 정보, 거래자 및/또는 대행자 신원 정보, 이차원 코드 정보, 패킷 번호 중 하나 이상을 포함한다.

바람직하게는, 상기 지폐 특징에 대해 인식을 진행하는 단계는 구체적으로 하기의 단계를 포함한다.

a 단계, 지폐 특징이 위치한 영역의 그레이스케일 이미지를 추출하여, 그레이스케일 이미지에 대해 에지 검출을 진행한다. 이 에지 검출 단계는 통상의 캐니(canny) 검출, 소벨(sobel) 검출 등의 방식에 의해 실현된 후, 직선 피팅을 결합하여, 에지 직선 방정식을 얻을 수 있으나, 방법의 연산 속도를 확보하기 위해, 에지 검출 시의 경험 역치에 대해 시험 설정을 진행할 필요가 있다.

b 단계, 이미지를 회전시킨다. 즉 이미지가 정확하게 놓이도록, 에지 검출 후의 지폐의 이미지에 대해 좌표점 보정 및 매핑을 진행하여, 번호 이미지의 분할 및 인식을 용이하게 하고, 이 회전 방법으로 좌표점 변환 방법 또는 검출된 에지 방정식에 따라 보정을 진행하여 변환 방정식을 얻는 방법을 채용할 수 있고, 극좌표 회전 등의 방식에 의해 실현될 수도 있다.

c 단계, 이미지 중의 단일 번호에 대해 위치 결정을 진행한다. 구체적으로 하기의 단계를 포함한다. 자기 적응형 2치화에 의해 이미지에 대해 2치화 처리를 진행하여 2치화 이미지를 얻은 후, 상기 2치화 이미지에 대해 투영을 진행하며, 통상의 이미지 투영은 1회의 수직 투영 및 1회의 수평 투영에 의해 완성되고, 구체적인 투영 방향 및 횟수는 인식 시의 구체적인 환경 및 정도 요구에 따라 조정할 수 있으며, 예를 들어, 경사 각도를 가지는 방향의 투영 등을 채용할 수 있고, 또는 여러 번의 다중 투영 결합을 채용할 수도 있으며, 마지막에 이동 윈도우를 설정하고, 이동 윈도우 레지스트레이션 방식을 채용하여, 번호를 분할하고 각 번호의 이미지를 얻는다. 지폐의 파손, 얼룩 등의 일반적인 문제로 인해, 일련 번호의 이미지에 얼룩이 존재하고, 문자와 문자 사이에 붙임이 존재하는 지폐에 대해서는, 효과가 상대적으로 나쁘며, 특히 세 개 이상의 문자의 붙임에 대해서는 거의 분할할 수 없다. 따라서, 본 발명은 이미지 투영 후에, 이동 윈도우 레지스트레이션의 방식을 추가하여, 문자의 위치를 정확하게 결정한다. 이 이동 윈도우 레지스트레이션 방식은 고정 윈도우를 설정하는 방식으로, 예를 들어 윈도우 템플릿과 같은 방식 등에 의해, 번호 영역을 축소하여, 보다 정확한 영역 위치 결정을 실현하는 것이며, 고정 윈도우를 설정하여 슬라이드 매칭하는 방식이면 모두 본 발명에 적용된다.

d 단계, 상기 각 번호의 이미지에 포함된 문자에 대해 래소를 진행하고, 각 번호 이미지에 대해 정규화 처리를 진행한다. 바람직하게는, 상기 정규화는 사이즈 정규화 및 명암 정규화를 포함하고, 문자의 래소 조작은, c 단계에 기초하여 대략적인 위치가 분할된 문자에 대해 상세한 위치 결정을 다시 진행하여, 후속의 이미지 인식에서 처리해야 하는 데이터 량을 진일보 감소하는 것이며, 이를 통해 시스템의 전체 운전 속도가 크게 확보된다.

e 단계, 신경망을 채용하여, 정규화 후의 번호 이미지에 대해 인식을 진행하여 지폐 특징을 얻는다. 바람직하게는, 상기 지폐 특징은 일련 번호이다.

바람직하게는, 상기 a 단계의 에지 검출 단계는 하기의 단계를 더 포함한다. 일 그레이스케일 역치를 설정하고, 이 역치에 따라 상하 두 방향으로부터 직선 탐색을 진행하여 에지를 획득하며, 이 에지 검출 단계는 직선 주사 방식을 채용하여, 에지 직선의 화소 좌표를 획득한 후, 최소 제곱 법에 의해 이미지의 에지 직선 방정식을 얻는 동시에, 지폐 이미지의 수평 길이, 수직 길이 및 경사도를 얻는다.

바람직하게는, 상기 b 단계의 회전 단계는 하기의 단계를 더 포함한다. 상기 수평 길이, 수직 길이 및 경사도에 따라 회전 행렬을 얻은 후, 상기 회전 행렬에 따라 회전후의 화소점 좌표를 구한다. 상기 회전 행렬은 극좌표 변환 방식에 의해 얻을 수 있으며, 즉, 극좌표 변환 행렬이며, 예를 들어, 획득한 에지의 직선 방정식에 따라 지폐의 경사 각도를 얻은 후, 이 각도 및 에지 길이에 따라 각 화소점의 극좌표 변환 행렬을 산출할 수 있고, 일반적인 좌표 변환 방식에 의해 산출할 수도 있으며, 예를 들어, 이 경사 각도 및 에지 길이에 따라, 지폐의 중심점을 좌표 원점으로 설정하고, 각 좌표점의 새로운 좌표계에서의 변환 행렬 등을 산출하며, 물론 기타의 행렬 변환법의 방식에 의해 지폐 이미지의 회전 보정을 진행할 수도 있다.

바람직하게는, 상기 c 단계에 있어서, 상기 자기 적응형 2치화에 따라 이미지에 대해 2치화 처리를 진행하는 단계는 구체적으로 하기의 단계를 포함한다. 이미지의 히스토그램을 구하고, 일 역치 Th를 설정하며, 히스토그램에 있어서 그레이스케일치의 0에서 Th까지의 점수의 합이 일 예정치 이상일 경우, 이 때의 Th를 자기 적응형 2치화 역치로 하여, 이미지에 대해 2치화를 진행하여 2치화 이미지를 얻는다.

바람직하게는, 상기 2치화 이미지에 대해 투영을 진행하는 단계에서 총 3회의 부동한 방향의 투영을 진행한다.

바람직하게는, 상기 c 단계의 이동 윈도우 레지스트레이션 단계는 구체적으로 하기의 단계를 포함한다. 레지스트레이션 용 이동 윈도우를 설계하고, 상기 윈도우가 수직 투영도 상에서 수평 이동하며, 윈도우 내의 흑점 수의 총합의 최소치에 대응하는 위치가, 일련 번호의 좌우 방향 분할의 최적한 위치이다.

바람직하게는, 상기 윈도우는 고정 간격의 일 펄스 시퀀스이며, 펄스 사이의 폭은 일련 번호 이미지 사이의 간격에 의해 미리 설정된다.

바람직하게는, 각 상기 펄스의 폭은 2~10개의 화소이다.

바람직하게는, 상기 d 단계의 래소 단계는 구체적으로 하기의 단계를 포함한다. 상기 각 번호의 이미지에 대해 단독으로 2치화를 진행하고, 획득한 각 번호의 2치화 이미지에 대해 영역 성장을 진행하며, 마지막에 영역 성장하여 얻은 영역에서 면적이 예정 면적 역치보다 큰 하나 또는 두 개의 영역을 선택하고, 상기 선택된 영역이 위치한 구형이 각 번호 이미지의 래소 후의 구형이다. 이 영역 성장은 예를 들어, 8 근방 영역 성장 알고리즘 등을 채용할 수 있다.

바람직하게는, 상기 각 번호의 이미지에 대해 단독으로 2치화를 진행하는 단계는 구체적으로 하기의 단계를 포함한다. 상기 각 번호의 이미지에 대해 히스토그램을 추출하고, 히스토그램 바이모달 법을 채용하여 2치화 역치를 획득한 후, 이 2치화 역치에 따라 상기 각 번호의 이미지에 대해 2치화를 진행한다.

바람직하게는, 상기 d 단계의 사이즈 정규화는 쌍 선형 보간 알고리즘을 채용하여 사이즈 정규화를 진행한다.

더 바람직하게는, 정규화 후의 사이즈는 12 * 12, 14 * 14, 18 * 18, 28 * 28 중 하나이며, 단위는 화소이다.

바람직하게는, 상기 d 단계의 상기 명암 정규화는 다음의 단계를 포함한다. 상기 각 번호의 이미지의 히스토그램을 획득하고, 번호의 전경 그레이스케일 평균치 및 배경 그레이스케일 평균치를 산출하며, 명암 정규화 이전의 화소 그레이스케일치를 각각 전경 그레이스케일 평균치 및 배경 그레이스케일 평균치와 비교하며, 이 비교 결과에 근거하여, 정규화 이전의 화소 그레이스케일치를 대응하는 특정의 그레이스케일치로 설정한다.

바람직하게는, 상기 b 단계와 c 단계 사이에 방향 판단 단계가 더 포함되며, 상기방향 판단 단계에 있어서, 상기 회전후의 이미지에 의해 지폐 사이즈를 결정하고, 상기 사이즈에 따라 액면가를 결정하며, 타겟 지폐 이미지를 n 개의 블록으로 분할하고, 각 블록의 휘도 평균치를 산출하여, 미리 저장된 템플릿과 비교하여, 차가 가장 작은 경우에 템플릿에 대응하는 방향으로 판단한다. 이 템플릿은 다양한 방식으로 미리 설정할 수 있으며, 지폐 이미지의 비교를 통과할 수 있다면, 예를 들어 액면가의 차이, 방향의 차이로 인한 휘도치의 차이, 색상의 차이, 또는 휘도 수치로 변환되는 다른 특징 등은 모두 비교 템플릿으로 사용할 수 있다.

바람직하게는, 상기 미리 저장된 템플릿은 액면가가 다른 지폐의 부동한 방향의 이미지를 n 개의 블록으로 분할하고, 각 블록의 휘도 평균치를 산출하여 템플릿으로 한다.

바람직하게는, 상기 b 단계와 c 단계 사이에 낡은 정도 판단 단계가 더 포함되며, 상기 낡은 정도 판단 단계에 있어서, 우선 예정 수 dpi의 이미지를 추출하고, 이 이미지의 전체 영역을 히스토그램의 특징 영역으로 하며, 영역 내의 화소점을 주사하여 배열에 넣고, 각 화소점의 히스토그램을 기록하고, 히스토그램에 따라 일정 비율의 가장 밝은 화소점을 통계하고, 상기 가장 밝은 화소점의 평균 그레이스케일치를 구해, 낡은 정도의 판단 근거로 한다. 이 예정 수 dpi의 이미지는 예를 들어 25dpi의 이미지 등일 수도 있으며, 이 일정 비율은 구체적인 요구에 따라 조정할 수 있으며, 예를 들어 40%, 50% 등일 수 있다.

바람직하게는, 상기 b 단계와 c 단계 사이에 파손 인식 단계가 더 포함되며, 상기 파손 인식 단계에 있어서, 지폐의 양측에 각각 광원 및 센서를 설정함으로써 투과 후 이미지를 획득하고, 회전후의 투과 후 이미지의 각 점에 대해 순차적으로 검출하고, 이 점에 인접한 두 개의 화소점이 동시에 일 예정 역치보다 작은 경우, 이 점을 파손 점으로 판단한다. 이 파손 점의 검출은 보다 상세하게 모서리 결손 파손, 구멍 파손 등으로 구분된다.

바람직하게는, 상기 b 단계와 c 단계 사이에 필적 인식 단계가 더 포함되며, 상기 필적 인식 단계에 있어서, 고정 영역에서 영역 내의 화소점을 주사하여 배열에 넣고, 각 화소점의 히스토그램을 구하며, 히스토그램에 따라 예정 수의 가장 밝은 화소점을 통계하여 평균 그레이스케일치를 구하고, 이 평균 그레이스케일치에 따라 역치를 얻은 후, 그레이스케일치가 역치보다 작은 화소점을 필적 점으로 판정한다. 이 예정 수는 예를 들어 20, 30 등일 수 있으며, 여기서 이를 보호 범위에 대한 한정으로 이해해서는 아니된다. 이 평균 그레이스케일치에 따라 역치를 얻는 단계는 다양한 방법을 채용할 수 있으며, 이 평균 그레이스케일치를 직접 역치로 할 수도 있고, 이 평균 그레이스케일치를 변수로 하는 함수를 채용하여 역치를 구할 수도 있다.

바람직하게는, 상기 e 단계의 신경망은 2단 분류의 컨볼루션 신경망을 채용하고 있으며, 제 1 단 분류에서는 일련 번호에 관한 모든 숫자 및 알파벳을 분류하고, 제 2 단 분류에서는 제 1 단 분류 내의 부분 카테고리의 각각에 대해 재 분류를 진행한다. 또한, 이 제 1 단 분류의 카테고리 수는 분류의 요구 및 설정 습관 등에 따라 설정할 수 있고, 예를 들어 10류, 23류, 38류 등일 수 있으며, 여기서는 이에 한정되지 않고, 이 제 2 단 분류도 마찬가지로, 제 1 단 분류에 기초하여 일부 오판하기 쉽거나 특징이 유사하며 또는 정확율이 높지 않은 등의 분류 내에서 다시 2단 분류를 진행하고, 이를 통해 보다 높은 인식률로 일련 번호를 진일보 구분하여 인식하며, 이 제 2 단 분류의 구체적인 입력 카테고리 수 및 출력 카테고리 수는 제 1 단 분류의 카테고리 설정 및 분류 요구와 설정 습관 등에 따라 상세하게 설정할 수 있으며, 여기서는 이에 한정되지 않는다.

바람직하게는, 상기 컨볼루션 신경망의 네트워크 모델 구조는 아래와 같이 순차적으로 설정된다.

입력 층: 하나의 이미지 만을 시각적 입력으로 하며, 상기 이미지는 인식할 단일 일련 번호의 그레이스케일 이미지이다.

C1 층: 하나의 컨볼루션 층이며, 이 층은 6 개의 특징도로 구성된다.

S2 층: 다운 샘플링 층이며, 이미지 국소 상관의 원리를 이용하여, 이미지에 대해 서브 샘플링을 진행한다.

C3 층: 하나의 컨볼루션 층이며, 예정 컨볼루션 커널을 채용하여 층 S2에 대해 컨볼루션을 진행하며, C3 층의 각 특징도는 불완전 접속의 방식을 채용하여 S2에 접속된다.

S4 층: 다운 샘플링 층이며, 이미지 국소 상관의 원리를 이용하여, 이미지에 대해 서브 샘플링을 진행한다.

C5 층: C5 층은 S4 층의 간단한 연신이며, 1 차원 벡터로 변한다.

네트워크의 출력 수는 분류 수이며, C5 층과 함께 완전 접속 구조를 구성한다.

바람직하게는, 상기 C1 층, C3 층은 모두 3x3의 컨볼루션 커널을 통해 컨볼루션을 진행한다.

바람직하게는, 상기 지폐 정보 처리 장치는 지폐 선별기, 지폐 계수기, 지폐 인식기 중 하나 이상이며, 상기 지폐 정보 처리 장치의 정보는 제조업체, 장치 번호, 소재 금융 기관 중 하나 이상이다.

또는, 상기 지폐 정보 처리 장치는 셀프 금융 장치이며, 상기 지폐 정보 처리 장치의 정보는 지폐 분배 기록, 캐시 상자 번호, 제조업체, 장치 번호, 소재 금융 기관 중 하나 이상이다.

상기 지폐 관리 방법은에 있어서, 일부여러개의 상기 지폐 정보 처리 장치에 의해 각각 해당 업무 중의 지폐 정보의 각각에 대해 수집, 인식 및 처리를 진행하고, 상기 지폐 정보를 브랜치 호스트 또는 현금 센터 호스트로 전송한 후, 상기 브랜치 호스트 또는 현금 센터 호스트에 의해 상기 지폐 정보를 마스터 서버로 전송한다.

또한, 본 발명은 지폐 관리 시스템을 더 제공하고, 상기 지폐 관리 시스템은 지폐 정보 처리 단말기 및 마스터 서버 측을 구비하고,

상기 지폐 정보 처리 단말기는 지폐 반송 모듈, 검출 모듈, 정보 처리 모듈을 구비하고,

상기 지폐 반송 모듈은 지폐를 상기 검출 모듈로 반송하는 데 사용되며,

상기 검출 모듈은 지폐 특징에 대해 수집 및 인식을 진행하고,

상기 정보 처리 모듈은 상기 검출 모듈이 수집 및 인식한 지폐 특징을 가공 처리하여, 지폐 특징 정보로 출력하여 전송하고,

상기 마스터 서버 측은 상기 지폐 특징 정보, 업무 정보, 상기 지폐 정보 처리 단말기의 정보를 수신하고 수신된 상기 3 종류의 정보를 가공하며, 지폐에 대해 분류 처리를 진행하는 데 사용된다.

상기 마스터 서버 측이 수신된 정보를 가공하는 단계는 구체적으로 집계, 저장, 정리, 조회, 추적, 도출 등의 처리를 포함한다.

상기 검출 모듈은 또한 DSP 플랫폼의 일련 번호 인식 시스템에 적용될 수 있으며, 시중의 일반적인 지폐 인식기, 지폐 계수기, ATM 등의 장치에 내장 또는 정합되어 결합 사용할 수 있으며, 구체적으로 상기 검출 모듈은 이미지 전처리 모듈, 프로세서 모듈, CIS 이미지 센서 모듈을 구비하고,

상기 이미지 전처리 모듈은 에지 검출 모듈, 회전 모듈을 더 구비하고,

상기 프로세서 모듈은 번호 위치 결정 모듈, 래소 모듈, 정규화 모듈, 인식 모듈을 더 구비하며,

상기 번호 위치 결정 모듈은 자기 적응형 2치화에 의해 이미지에 대해 2치화 처리를 진행하여 2치화 이미지를 얻은 후, 상기 2치화 이미지에 대해 투영을 진행하며, 마지막에 이동 윈도우 설정하고, 이동 윈도우 레지스트레이션 방식을 채용하여, 번호에 대해 분할을 진행하여 각 번호의 이미지를 얻은 후, 상기 각 번호의 이미지를 래소 모듈로 전송하며, 이 이동 윈도우 레지스트레이션 방식은 고정 윈도우를 설정하는 방식으로, 예를 들어 윈도우 템플릿과 같은 방식 등에 의해 번호 영역을 축소하여 보다 정확한 영역 위치 결정를 실현하는 것이며, 고정 윈도우를 설정하여 슬라이드 매칭하는 방식이면 모두 본 발명에 적용된다.

상기 정규화 모듈은 래소 모듈에 의해 처리된 이미지에 대해 정규화를 진행하는 데 사용되며, 바람직하게는, 상기 정규화는 사이즈 정규화 및 명암 정규화를 포함한다.

바람직하게는, 상기 번호 위치 결정 모듈은 윈도우 모듈을 더 구비하고, 상기 윈도우 모듈은 일련 번호의 간격에 따라 레지스트레이션 용 이동 윈도우를 설계하며, 상기 윈도우를 수직 투영도 상에서 수평 이동시켜, 상기 윈도우 내의 흑점 수의 총합을 산출하고,

상기 윈도우 모듈은 또한 부동한 윈도우 내의 상기 흑점 수의 총합을 비교할 수 있다.

바람직하게는, 상기 래소 모듈은 각 번호의 이미지에 대해 단독으로 2치화를 진행하고, 획득한 각 번호의 2치화 이미지에 대해 영역 성장을 진행하며, 마지막에 영역 성장하여 얻은 영역 내에서 면적이 어느 예정 면적 역치보다 큰 하나 또는 두 개의 영역을 선택하고, 상기 선택된 영역이 위치한 구형이 각 번호 이미지의 래소 후의 구형이다. 이 영역 성장은 예를 들어 8 근방 영역 성장 알고리즘 등을 채용할 수 있다.

바람직하게는, 상기 검출 모듈은 보상 모듈을 더 구비하며, CIS 이미지 센서 모듈에 의해 얻은 이미지에 대해 보상을 진행하는 데 사용되며, 상기 보상 모듈에는 순백색 및 순흑색의 수집 휘도 데이터가 미리 저장되며, 설정 가능한 화소점의 그레이스케일 기준치를 결합하여 보상 계수를 얻는다.

상기 보상 계수는 프로세서 모듈에 저장되어, 룩업 테이블을 작성한다.

바람직하게는, 상기 인식 모듈은 훈련된 신경망을 이용하여 일련 번호 인식을 실현한다.

바람직하게는, 상기 신경망은 2단 분류의 컨볼루션 신경망을 채용하고 있으며, 제 1 단 분류에서는 일련 번호에 관한 모든 숫자 및 알파벳을 분류하고, 제 2 단 분류에서는 제 1 단 분류 내의 부분 카테고리의 각각에 대해 재 분류를 진행한다. 또한, 이 제 1 단 분류의 카테고리 수는 분류의 요구 및 설정 습관 등에 따라 설정할 수 있고, 예를 들어 10류, 23류, 38류 등일 수 있으며, 여기서는 이에 한정되지 않고, 이 제 2 단 분류도 마찬가지로, 제 1 단 분류에 기초하여 일부 오판하기 쉽거나, 특징이 유사하며 또는 정확율이 높지 않은 등의 분류 내에서 다시 2단 분류를 진행하고, 이를 통해 보다 높은 인식률로 일련 번호를 진일보 구분하여 인식하며, 이 제 2 단 분류의 구체적인 입력 카테고리 수 및 출력 카테고리 수는, 제 1 단 분류의 카테고리 설정 및 분류 요구와 설정 습관 등에 따라 상세하게 설정할 수 있으며, 여기서는 이에 한정되지 않는다.

바람직하게는, 상기 인식 모듈은 신경망 훈련 모듈을 더 구비하며, 상기 신경망을 훈련하는 데 사용된다.

바람직하게는, 이 프로세서 모듈은 예를 들어 FPGA 등의 칩 시스템을 채용할 수 있다.

바람직하게는, 상기 프로세서 모듈은 방향 판단 모듈을 더 구비하며, 지폐의 방향을 판단하는 데 사용된다.

바람직하게는, 상기 프로세서 모듈은 낡은 정도 판단 모듈을 더 구비하며, 지폐의 낡은 정도를 판단하는 데 사용된다.

바람직하게는, 상기 프로세서 모듈은 파손 인식 모듈을 더 구비하며, 지폐의 파손 위치를 인식하는 데 사용된다. 이 파손은 모서리 결손, 구멍 등을 포함한다.

바람직하게는, 상기 프로세서 모듈은 필적 인식 모듈을 더 구비하며, 지폐의 필적을 인식하는 데 사용된다.

바람직하게는, 상기 마스터 서버 측이 지폐에 대해 분류 처리를 진행하는 단계는 구체적으로 다음과 같다. 지폐를 분류한 후, 이를 분류된 카테고리에 따라 부동한 지폐 호퍼로 들어가게 한다.

바람직하게는, 상기 지폐 특징 정보는 화폐 종류, 액면가, 방향, 진위, 낡은 정도, 오손, 일련 번호 중 하나 이상을 포함한다.

바람직하게는, 상기 지폐 정보 처리 단말기는 지폐 선별기, 지폐 계수기, 지폐 인식기, 셀프 금융 장치 중 하나이며, 더 바람직하게는, 상기 셀프 금융 장치는 자동 출금기(ATM), 자동 입금기, 사이클 ATM(CRS), 셀프 조회기, 셀프 결제기 중 하나이다.

본 발명은 지폐 정보 처리 단말기를 더 제공하고, 상기 지폐 정보 처리 단말기는 상기 지폐 관리 시스템에 포함되는 상기 지폐 정보 처리 단말기이다.

본 발명이 제공한 기술 방안에 따르면 하기와 같은 기술효과를 가져올 수 있다.

1. 본 발명의 지폐 관리 방법은 일련 번호의 스마트 관리를 실현할 수 있으며, 본 발명의 방법에 따르면 은행 선별 장치의 지폐 정보 추소, 파손/위찰 관리, 일련 번호 통합 관리, 업무 전자 저널, 데이터 통계 분석, 장치 상태 모니터링, 고객 질의 화폐 관리, 지폐 분배 관리, 원격 관리, 장치 자산 관리에 대해 미세화 관리를 실현할 수 있으며, 장치 및 업무의 "사전 감시, 사중 추적, 사후 분석」을 실현하여, 은행 선별기 류 장치의 관리 운전 비용을 크게 줄이는 동시에, 선별기 및 지폐 계수기 등 장치의 양호한 운전을 촉진시켰다.

2. 본 발명의 지폐 관리 방법은 지폐 정보의 효율적인 수집 및 인식을 실현함과 동시에, 정보 인식의 정확성을 확보하며, 특히 일련 번호의 인식에 있어서, 전체 방법 및 시스템의 운전 속도를 확보한 기초하에, 방법의 로버스트성을 향상시켜, 실제 응용에 있어서 지폐 오손, 결손, 쾌속 접힘 등에 의한 일련 번호의 인식 곤란에 대처할 수 있다.

3. 본 발명에 제공된 방법은 시스템 리소스 점유가 적고, 종래 기술에서의 통상의 알고리즘보다 연산 속도가 빠르며, ATM, 지폐 인식기 등의 장치와 양호하게 결합하여 사용할 수 있다.

도 1은 본 발명의 실시예에 따른 인식 방법의 모식도이다.
도 2는 본 발명의 실시예에 따른 에지 검출 방법의 모식도이다.
도 3은 본 발명의 실시예에 따른 지폐 주행 시의 지폐 이미지와 실제 지폐의 모식도이다.
도 4는 본 발명의 실시예에 따른 지폐의 임의의 점이 회전하는 모식도이다.
도 5는 본 발명의 실시예에 따른 이동 윈도우의 설정 모식도이다.
도 6은 본 발명의 실시예에 따른 신경망 구조 모식도이다.

이하, 본 발명이 해결하고자 하는 기술적 문제, 기술적 수단 및 장점을 보다 명확하게 하기 위해, 도면 및 구체적인 실시예를 결합하여 상세하게 설명한다. 당업자라면 하기의 구체적인 실시예 또는 구체적인 실시 형태가 본 발명의 구체적인 발명 내용을 진일보 해석하기 위해 예시한 일련의 최적화된 설정 방식이며, 본 발명에 있어서 그 중 일부 또는 어느 구체적인 실시예 또는 실시 형태를 기타 실시예 또는 실시 형태와 관련하여 설정하거나 공통으로 사용할 수 없다는 내용이 명확하게 제시되지 않는 한, 이러한 설정 방식 간에는 서로 결합 또는 서로 관련하여 사용할 수 있다는 것이 이해되어야 한다. 이와 동시에 하기의 구체적인 실시예 또는 실시 형태는 단지 최적화된 설정 방식이며, 본 발명의 범위를 한정하려는 것으로 이해되어서는 아니된다.

또한, 당업자라면 하기의 구체적인 실시예 및 실시예에 예시된 파라미터 설정에 관한 구체적인 수치가 일 선택 가능한 실시 형태로 예시 및 해석을 위해 사용됨을 이해하고, 본 발명의 범위에 대한 한정으로 이해되어서는 아니되고, 이에 따른 각 알고리즘 및 그 파라미터 설정도 단지 거리의 해석을 위해 사용되며, 하기의 파라미터의 형식 변환 및 하기의 알고리즘의 일반적인 수학적 도출은 모두 본 발명의 범위 내에 포함된다.

실시예 1:

본 실시예는 지폐 관리 방법을 제공하고, 구체적으로 하기의 단계를 포함한다.

6 개의 지폐 정보 처리 장치에 의해 해당 업무 중의 지폐의 지폐 특징의 각각에 대해 수집, 인식 및 처리를 진행하여 상기 지폐 특징 정보를 얻는다. 여기서, 본 실시예의 바람직한 실현 형태로, 상기 지폐 정보 처리 장치는 이미지, 적외선, 형광, 자기, 두께 측정의 방식에 의해 상기 지폐 특징을 수집한다. 상기 지폐 특징 정보는 화폐 종류, 액면가, 방향, 진위, 낡은 정도, 오손 및 일련 번호(prefix numbers)를 포함하며, 본 실시예의 구체적인 실현 형태로, 상기 지폐 정보 처리 장치는 지폐 선별기이며, 상기 지폐 정보 처리 장치의 정보는 제조업체, 장치 번호, 소재 금융 기관이다.

또한, 상기 지폐 정보 처리 장치의 수량은 유일하지 않으며, 6 개를 포함하되 이에 제한되지 않고 적어도 하나이다.

본 실시예의 대체 가능한 실현 형태로, 상기 지폐 정보 처리 장치는 또한 지폐 계수기 또는 지폐 인식기 중 하나 이상일 수 있으며, 상기 지폐 정보 처리 장치의 정보는 또한 제조업체, 장치 번호, 소재 금융 기관 중 한 항 이상을 생략할 수도 있다.

본 실시예의 다른 대체 가능한 실현 형태로, 상기 지폐 정보 처리 장치는 또한 셀프 금융 장치일 수도 있으며, 구체적으로, 상기 지폐 정보 처리 장치는 자동 출금기, 자동 입금기, 사이클 ATM, 셀프 조회기, 셀프 결제기 중 어느 하나일 수 있다. 상기 지폐 정보 처리 장치의 정보는 지폐 분배 기록, 캐시 상자 번호, 제조업체, 장치 번호, 소재 금융 기관 중 하나 이상일 수 있다.

(2) 단계 1)에 기재된 지폐 특징 정보를 브랜치 호스트로 전송한 후, 상기 브랜치 호스트에 의해 마스터 서버로 전송하며, 또한 업무 정보 및 상기 지폐 정보 처리 장치의 정보를 마스터 서버로 전송한다. 여기서, 본 실시예의 바람직한 실현 형태로, 상기 업무 정보는 수취, 지급, 입금 또는 출금 기록 정보, 업무 시간대 정보, 작업자 정보, 거래 카드 번호 정보, 거래자 및 대행자 신원 정보, 이차원 코드 정보, 패킷 번호를 포함한다.

또한, 상기 지폐 특징 정보를 상기 마스터 서버로 전송하는 방식은 유일하지 않으며, 당업자라면 실제 상황에 따라, 상기 지폐 특징 정보, 상기 업무 정보, 상기 지폐 정보 처리 장치의 정보의 전송 경로를 변경할 수 있다. 예를 들어, 단계 1)에 기재된 지폐 특징 정보, 상기 지폐 정보 처리 장치의 정보, 업무 정보를 직접 마스터 서버로 전송할 수 있다.

또한, 당업자라면 또한 실제 요구에 따라, 일부의 본 실시예의 상기 업무 정보를 생략하거나 대체할 수 있으며, 즉 수취, 지급, 입금 또는 출금 기록 정보, 업무 시간대 정보, 작업자 정보, 거래 카드 번호 정보, 거래자 및 대행자 신원 정보, 이차원 코드 정보, 패킷 번호 중 한 항 이상을 생략하거나 대체할 수 있다.

(3)상기 마스터 서버가 수신된 상기 지폐 특징 정보, 상기 업무 정보, 상기 지폐 정보 처리 장치의 정보에 대해 통합 가공 처리를 진행하고, 지폐에 대해 분류 처리를 진행한다. 본 실시예의 바람직한 실현 형태로, 상기 지폐에 대해 분류 작업을 진행하는 단계는 구체적으로 다음과 같다. 지폐를 분류한 후, 이를 분류된 카테고리에 따라 부동한 지폐 호퍼로 들어가게 한다.

본 실시예의 바람직한 실현 형태로, 이하 일련 번호의 인식 방법을 예로 상기 지폐 특징의 인식 방법을 설명하며, 도 1에 도시한 바와 같이, 구체적으로 하기의 단계를 포함한다.

a 단계에 있어서, 일련 번호가 위치한 영역의 그레이스케일 이미지(grayscale image, gradation image)를 추출하여, 그레이스케일 이미지에 대해 에지 검출을 진행한다. 이 에지 검출 단계는 통상의 캐니 검출, 소벨 검출 등의 방식에 의해 실현된 후, 직선 피팅을 결합하여, 에지 직선 방정식을 얻을 수 있으나, 방법의 연산 속도를 확보하기 위해, 에지 검출 시의 경험 역치에 대해 시험 설정을 진행할 필요가 있다.

일 구체적인 실시 형태에서, 상기 a 단계의 에지 검출 단계는 하기의 단계를 더 포함한다. 일 그레이스케일 역치를 설정하고, 이 역치에 따라 상하 두 방향으로부터 직선 탐색을 진행하여 에지를 획득하며, 이 에지 검출 단계는 직선 주사 방식을 채용하여 에지 직선의 화소 좌표를 획득한 후, 최소 제곱 법에 의해 이미지의 에지 직선 방정식을 얻는 동시에, 지폐 이미지의 수평 길이, 수직 길이 및 경사도를 얻는다.

일 구체적인 실시 형태에서, 도 2에 도시한 바와 같이, 에지 검출의 정확성 및 계산 속도를 확보하기 위해, 역치 선형 회귀 분할 기술을 채용할 수 있으며, 계산 속도가 빠르고, 이미지 크기의 제한을 받지 않는다. 기타 에지 검출 이론에서는 에지 화소점의 각각에 대해 계산을 진행할 필요가 있으며, 이렇게 하면 이미지가 클수록 계산 시간이 더 길다. 그러나 역치 선형 회귀 분할 기술을 채용하면, 상하 에지에서 소량의 화소점을 찾아, 직선 피팅의 방식으로 에지의 직선 방정식을 신속하게 결정할 수 있다. 이미지의 크고 작음에 관계없이 소량의 점을 찾아 계산할 수 있다.

구체적으로, 지폐 이미지의 에지 휘도와 흑색 배경의 차이가 매우 크기 때문에, 아주 쉽게 하나의 역치를 찾아 지폐와 배경을 구분할 수 있으며, 따라서 여기서 직선 탐색 방법을 채용하여, 상하 두 방향으로부터 지폐 에지를 검출한다. 상하 방향에서 각각 직선 X = {x_i}, (i = 1, 2, ..., n)에 따라 탐색하여 지폐의 상변 에지 Y₁ = {y_1i}, 하변 에지 Y₂ = {y_2i}를 얻는다.

최소 제곱 법을 이용하여, 경사도 k1, k2 및 절편 b1, b2를 구한다. 상하 에지 중선의 경사도 K, 절편 B를 구한다. 중선은 반드시 중점 (x₀, y₀)을 지나므로 직선 y = K．x+B에 따르며,

따라서 하기와 같은 관계식을 얻을 수 있다.

(1-1)

최소 제곱 법을 이용하여 k₁, b₁을 구하고,

(1-2)

(1-3)

(1-4)

마찬가지로, k₂, b₂를 산출할 수 있으며,

(1-5)

따라서 지폐의 상하 에지 중선 y = K．x+B를 얻을 수 있고,

지폐의 상하 에지 중선 y = K．x+B가 반드시 지폐의 중점 (x₀, y₀)을 지나므로, 직선 y = K．x+B에 따라 탐색하여 왼쪽 끝점 (x_l, y_l) 및 오른쪽 끝점 (x_r, y_r)을 얻을 수 있으며, 마지막에 하기와 같은 지폐 이미지의 중점을 얻는다.

(1-6)

지폐 중점을 얻은 후, 지폐의 수평 방향 길이 L 및 수직 방향의 길이 W를 구할 필요가 있으며, 이렇게 하면 다음 절에서 지폐의 길이 폭 모델을 작성할 수 있다. 따라서 하기의 식이 존재한다.

(1-7)

그 다음, 직선 y = y0 근처에서 Y = {y_i}, (i = 1, 2, ..., m)을 취하고 직선 탐색을 진행하여, 지폐의 좌변 에지 X₁ = {x_1i} 및 우변 에지 X₂ = {x_2i}를 얻을 수 있으며, 따라서 하기의 식이 존재한다.

(1-8)

b 단계에 있어서, 이미지를 회전한다. 즉 이미지가 정확하게 놓이도록, 에지 검출 후의 지폐의 이미지에 대해 좌표점 보정 및 매핑을 진행하여, 번호 이미지의 분할 및 인식을 용이하게 한다. 이 회전 방법으로 좌표점 변환 방법 또는 검출된 에지 방정식에 따라 보정을 진행하여 변환 방정식을 얻는 방법을 채용할 수 있고, 극좌표 회전 등의 방식에 의해 실현될 수도 있다.

일 구체적인 실시 형태에서, 상기 b 단계의 회전 단계는 하기의 단계를 더 포함한다. 상기 수평 길이, 수직 길이 및 경사도에 따라 회전 행렬을 얻은 후, 상기 회전 행렬에 따라 회전후의 화소점 좌표를 구한다. 상기 회전 행렬은 극좌표 변환 방식에 의해 얻을 수 있으며, 즉, 극좌표 변환 행렬이며, 예를 들어, 획득한 에지의 직선 방정식에 따라 지폐의 경사 각도를 얻은 후, 이 각도 및 에지 길이에 따라 각 화소점의 극좌표 변환 행렬을 산출할 수 있으며; 또한 일반적인 좌표 변환 방식에 의해 산출할 수도 있으며, 예를 들어, 이 경사 각도 및 에지 길이에 따라 지폐의 중심점을 좌표 원점으로 설정하고, 각 좌표점의 새로운 좌표계에서의 변환 행렬 등을 산출할 수도 있으며, 물론 기타의 행렬 변환법의 방식에 의해 지폐 이미지의 회전 보정을 진행할 수도 있다.

일 구체적인 실시 형태에서, 도 3에 도시한 바와 같이, 직교 좌표 변환의 방식에 의해 이미지에 대해 회전 보정을 진행할 수 있으며, 이미지 수집 시에 수평 방향에서 밀리미터 당 p 개의 점을 수집하고, 수직 방향에서 밀리미터 당 q 개의 점을 수집한다. 전술한 지폐 이미지 에지 검출 단계에서 지폐 이미지의 수평 길이 AC = L, 수직 길이 BE = W, 및 경사도 K가 이미 계산되었으므로, 지폐 이미지에 대해 기하학적 계산을 진행하여 하기의 식을 얻을 수 있다.

(1-9)이므로,

따라서,

(1-10)

(1-11)

(1-12)

(1-13)이며,

또한,

(1-14) 이므로,

(1-15)

(1-16)이며,

따라서,

(1-17)이며,

마찬가지로,

(1-18)

따라서,

(1-19)이며,

AB'가 실제 지폐의 길이 Length이고, B'F'가 실제 지폐의 폭 Wide이므로, 하기의 식이 존재한다.

(1-20)

지폐 이미지의 임의의 점의 회전에 있어서, 회전의 전체 과정은 임의로 주어진 지폐 이미지 상의 어느 점 A(x_s, y_s)에 대해 진행되며, 점 A에 대응하는 실제 지폐의 점 A'( x'_s, y'_s)를 찾아, 점 A'를 θ각도 만큼 회전시켜 점 B'(x'_d, y'_d)을 얻고, 마지막에, 점 B'에 대응하는 회전후의 지폐 이미지 상의 점 B(x_d, y_d)를 찾는다.

도 4를 결합하여 지폐 상의 임의의 점의 회전시,

(1-21)

(1-22)

(1-23)

(1-24)

(1-25)

회전 이전의 지폐 이미지 중심이 (x₀, y₀)이며, 회전후의 지폐 이미지 중심이 (x_c, y_c) 인 경우, 하기의 식을 얻을 수 있다.

(1-26)

c 단계에 있어서, 이미지 중의 단일 번호에 대해 위치 결정을 진행한다. 구체적으로 하기의 단계를 포함한다. 자기 적응형 2치화에 의해, 이미지에 대해 2치화 처리를 진행하여, 2치화 이미지를 얻는다. 그후, 상기 2치화 이미지에 대해 투영을 진행하며, 통상의 이미지 투영은 1회의 수직 투영 및 1회의 수평 투영에 의해 완성되고, 구체적인 투영 방향 및 횟수는 인식 시의 구체적인 환경 및 정밀도 요구에 따라 조정할 수 있으며, 예를 들어, 경사 각도를 가지는 방향의 투영 등을 채용할 수도 있고, 또는 여러 번의 다중 투영 결합을 채용할 수도 있다. 마지막에 이동 윈도우를 설정하고, 이동 윈도우 레지스트레이션 방식을 채용하여 번호를 분할하고 각 번호의 이미지를 얻는다. 지폐의 파손, 얼룩 등의 일반적인 문제로 인해, 일련 번호의 이미지에 얼룩이 존재하고, 문자와 문자 사이에 붙임이 존재하는 지폐에 대해서는 효과가 상대적으로 나쁘며, 특히 세 개 이상의 문자의 붙임에 대해서는 거의 분할할 수 없다. 따라서, 본 발명은 이미지 투영 후에 이동 윈도우 레지스트레이션의 방식을 추가하여, 문자의 위치를 정확하게 결정할 수 있다.

일 구체적인 실시 형태에서, 상기 c 단계에 있어서, 상기 자기 적응형 2치화에 의해, 이미지에 대해 2치화 처리를 진행하는 단계는, 구체적으로 하기의 단계를 포함한다. 이미지의 히스토그램을 구하고 일 역치 Th를 설정하며, 히스토그램에 있어서 그레이스케일치의 0에서 Th까지의 점수의 합이 일 예정치 이상일 경우, 이 때의 Th를 자기 적응형 2치화 역치로 하여, 이미지에 대해 2치화를 진행하여 2치화 이미지를 얻는다. 상기 2치화 이미지에 대해 투영을 진행하는 단계에서는 총 3회의 부동한 방향의 투영을 진행한다. 바람직하게는, 상기 이동 윈도우를 설정하는 방식은 구체적으로 하기의 단계를 포함한다. 상기 윈도우가 수직 투영도 상에서 수평 이동하며, 윈도우 내의 흑점 수의 총합의 최소치에 대응하는 위치가 일련 번호의 좌우 방향 분할의 최적한 위치이다.

일 구체적인 실시 형태에서, 이미지에 대한 2치화에 전체 자기 적응형 2치화 방법을 채용할 수 있다. 우선 이미지의 히스토그램을 구하고, 휘도가 상대적으로 검은 부분이 일련 번호 영역이며, 휘도가 상대적으로 흰 부분이 배경 영역이다. 히스토그램에서 그레이스케일치가 0에서 Th까지의 점수의 합 N을 구하고, N> = 2200 (경험치)의 경우, 해당 역치 Th가 자기 적응형 2치화의 역치이다. 이 방법의 최대 장점은 계산 시간이 짧은 것이며, 선별기가 신속하게 지폐 계수를 진행하는 리얼타임성 요구를 만족시킬 수 있으며 우수난 적응성을 가지고 있다.

일 구체적인 실시 형태에서, 2치화된 이미지에 대해 투영을 진행하는 단계는, 3회 투영 결합의 방식을 채용하여, 각 번호가 존재하는 상하 좌우 위치를 결정할 수 있다. 여기서, 제 1 회에 수평 방향 투영을 진행하여, 번호가 존재하는 행을 결정하고; 제 2 회에 수직 방향 투영을 진행하여, 각 번호가 존재하는 좌우 방향 위치를 결정하며; 제 3회에 각 작은 이미지에 대해 수평 방향 투영을 진행하여, 각 번호가 존재하는 상하 방향 위치를 결정한다.

일 구체적인 실시 형태에서, 상기 3회 투영 방법은 대부분의 지폐의 단일 번호 분할에 있어서 양호한 효과를 얻을 수 있으나, 일련 번호 이미지에 얼룩이 존재하거나 문자와 문자 사이에 붙임이 존재하는 지폐에 대해서는 효과가 상대적으로 차하며, 특히 세 개 이상의 문자의 붙임에 대해서는 거의 분할할 수 없다. 이러한 문제를 극복하기 위해 일 구체적인 실시 형태에서, 윈도우 이동 레지스트레이션 법을 채용할 수 있다. 선별기에 의해 수집되는 일련 번호는 크기와 해상도가 고정되며, 각 문자의 크기가 고정되므로, 각 문자 사이의 간격도 고정되며, 윈도우의 설계는 지폐의 일련 번호의 간격에 따라 설계할 수 있으며, 도 5에 도시한 바와 같다. 윈도우가 수직 투영도 상에서 수평 이동하며, 윈도우 내의 흑점 수의 총합의 최소치에 대응하는 위치가 일련 번호의 좌우 방향 분할의 최적한 위치이다. 이 인식 알고리즘은 지폐 선별기에 사용되므로, 정확성 및 신속성을 모두 만족할 필요가 있으며, 원본 이미지의 해상도는 200dpi이다. 윈도우의 설계는 각 펄스 폭이 4 개의 화소이고, 펄스 사이의 폭이 번호 이미지 사이의 간격에 따라 설계되며, 테스트 결과, 이 방법은 지폐 선별기의 리얼타임성 및 정확성 요구를 충분히 만족시킬 수 있다.

d 단계에 있어서, 상기 각 번호의 이미지에 포함된 문자에 대해 래소(lasso)를 진행하고, 각 번호 이미지에 대해 정규화 처리를 진행한다. 바람직하게는, 상기 정규화는 사이즈 정규화 및 명암 정규화를 포함하고, 문자의 래소 단계는 c 단계에 기초하여 대략적인 위치가 분할된 문자에 대해 상세한 위치 결정을 다시 진행하여, 후속의 이미지 인식에서 처리해야 하는 데이터 량을 진일보 감소하는 것이며, 이를 통해 시스템의 전체 운전 속도가 크게 확보된다.

3회 투영법은 단지 단일 번호에 대한 초보적인 위치 결정이며, 얼룩이 많은 단일 번호에 대해서는 진정한 래소를 진행할 수 없다. 상기에 언급된 2치화 방법은 전체 이미지에 대해 2치화를 진행하는 것으로, 산출된 역치는 단일 문자의 2치화에 적용될 수 없다. 예를 들어, 2005년 판 인민폐 100원은 처음 4 개의 문자가 적색이고 마지막 6 개의 문자가 흑색이므로, 수집되는 그레이스케일 이미지의 각 문자의 명암 정도가 불균일하며, 일 구체적인 실시 형태에서, 또한 각 작은 이미지에 대해 단독으로 2치화를 진행할 수 있다.

일 구체적인 실시 형태에서, 이 2치화는 히스토그램 바이 모달에 따른 자기 적응형 2치화 방법을 채용하고 있다. 히스토그램 바이모달 법은 반복적인 방법으로 역치를 구하는 방법이며, 자기 적응, 신속, 정확한 특징을 가지고 있다. 구체적으로 하기의 일 바람직한 실시예를 채용하여 실현할 수 있다.

우선, 하나의 초기화 역치 T⁰을 설정한 후, K회 반복하여 2치화 분할 역치를 얻는다. K는 0보다 큰 양의 정수이며, 여기서 제 k 회 반복의 배경 그레이스케일 평균치

및 전경 그레이스케일 평균치

는 각각 하기와 같다.

따라서 제 k 회 반복의 역치는 하기과 같다.

반복을 종료하는 조건은, 반복 횟수가 충분히 많거나 (예를 들어 50 회), 또는 2 회 반복 계산한 역치 결과가 동일한 경우, 즉 제 k 회와 제 k-1 회의 역치가 같은 경우이며, 이 경우 반복을 종료한다.

2치화 후, 각 작은 이미지에 대해 8 근방 영역 성장 알고리즘을 진행할 필요가 있으며, 그 목적은 면적이 과도하게 작은 노이즈 점을 제거하는 데 있다. 마지막에, 각 작은 이미지에 대해 영역 성장을 진행하여 얻은 영역 내에서, 면적이 어느 경험치 보다 큰 하나 또는 두 개의 영역을 선택하며, 이 영역이 위치한 구형이 각 번호 이미지의 래소후의 구형이다. 이상, 이 래소 방법의 단계는 2치화, 영역 성장, 영역 선택이며, 그 장점은 간섭 내성이 강하고, 계산 속도가 빠른 것이다.

2치화 후에 이미지에 대해 정규화 처리를 더 진행할 필요가 있으며, 일 구체적인 실시 형태에서, 상기 정규화 단계는 하기의 방식을 채용할 수 있다. 여기서, 정규화는 후속의 신경망 인식을 위해 진행된다. 계산 속도 및 정확성의 요구를 고려하여, 사이즈 정규화 시 이미지의 크기는 너무 크거나 너무 작아서는 안된다. 너무 크면 후속의 신경망 노드가 너무 많아서 계산 속도가 느려지며, 너무 작으면 정보 손실이 너무 많다. 28 * 28, 18 * 18, 14 * 14, 12 * 12 등의 몇몇 정규화 사이즈 크기를 테스트한 결과 14 * 14를 선택하였다. 정규화의 스케일링 알고리즘은 쌍 선형 보간 알고리즘을 채용하고 있다.

일 구체적인 실시 형태에서, 상기 d 단계의 정규화 처리는 구체적으로 쌍 선형 보간 알고리즘을 채용하여 사이즈 정규화를 진행하는 단계를 포함한다., 상기 명암 정규화는 다음의 단계를 포함한다. 상기 각 번호의 이미지의 히스토그램을 획득하고, 번호의 전경 그레이스케일 평균치 및 배경 그레이스케일 평균치를 산출하며, 명암 정규화 이전의 화소 그레이스케일치를 각각 전경 그레이스케일 평균치 및 배경 그레이스케일 평균치와 비교하고, 이 비교 결과에 근거하여 정규화 이전의 화소 그레이스케일치를 해당 특정의 그레이스케일치로 설정한다.

다른 구체적인 실시예에서, 훈련 템플릿 수를 감소하기 위해, 명암 정도의 정규화를 더 진행할 필요가 있다. 우선 각 작은 이미지의 히스토그램에서 번호 전경 그레이스케일 평균치 G_b 및 배경 그레이스케일 평균치 G_f를 산출한다. V0_ij가 각 화소의 그레이스케일 정규화 이전의 값이고, V1_ij가 각 화소의 그레이스케일 정규화 후의 값이라고 가정하면, 계산 방법은 하기과 같다.

e 단계에 있어서, 신경망을 채용하여 정규화 후의 번호 이미지에 대한 인식을 진행하여 일련 번호를 얻는다.

일 구체적인 실시 형태에서, 상기 신경망은 컨볼루션 신경망(CNN) 알고리즘을 채용하여 실현할 수 있다.

컨볼루션 신경망 (CNN)은 본질적으로 입력으로부터 출력으로의 매핑이며, 입력과 출력 사이의 대량의 매핑 관계를 학습할 수 있고, 입력 및 출력 사이의 정확한 수학 식이 없이, 기지의 패턴으로 컨볼루션 네트워크를 훈련하기만 하면, 네트워크가 입출력 쌍 사이의 매핑 능력을 갖게 된다. CNN에서 이미지의 작은 부분 (국소 감각 영역)은 계층 구조의 최하층의 입력으로, 정보가 나아가 부동한 층으로 순차적으로 전송되며, 각 층은 하나의 디지털 필터를 통해 관측 데이터의 가장 뚜렷한 특징을 얻는다. 이 방법에 따르면, 병진, 스케일링 및 회전 불변의 관측 데이터의 뚜렷한 특징을 획득할 수 있으며, 이미지의 국소 감각 영역이 뉴런 또는 처리 유닛이 가장 기초적인 특징을 액세스하는 것을 허용하고, 일련 번호 이미지 상의 주요 특징이 에지 및 모서리 점이므로, CNN의 방법을 채용하여 인식하는 것이 매우 적합하다.

일 구체적인 실시 형태에서, 상기 신경망은 2단 분류의 컨볼루션 신경망을 채용하고 있으며, 제 1 단 분류에서는 일련 번호에 관한 모든 숫자 및 알파벳을 분류하고, 제 2 단 분류에서는 제 1 단 분류 내의 부분 카테고리의 각각에 대해 재 분류를 진행한다. 또한, 이 제 1 단 분류의 카테고리 수는 분류의 요구 및 설정 습관 등에 따라 설정할 수 있고, 예를 들어 10류, 23류, 38류 등일 수 있으며; 이 제 2 단 분류도 마찬가지로, 제 1 단 분류에 기초하여, 일부 오판하기 쉽거나 특징이 유사하며 또는 정확율이 높지 않은 등의 분류 내에서 다시 2단 분류를 진행하고, 이를 통해 보다 높은 인식률로 일련 번호를 진일보 구분하여 인식하며, 이 제 2 단 분류의 구체적인 입력 카테고리 수 및 출력 카테고리 수는 제 1 단 분류의 카테고리 설정 및 분류 요구와 설정 습관 등에 따라 상세하게 설정할 수 있다.

이하, 일 바람직한 실시 형태를 통해 본 발명의 기술적 수단에 적용되는 하나의 구체적인 컨볼루션(CNN) 신경망의 구조 및 훈련 방식을 예시한다.

1. CNN 신경망의 구조

숫자 및 알파벳에 대해 혼합 인식을 진행할 필요가 있으며, 일부 숫자 및 알파벳이 매우 유사하여 구분할 수 없고, 인민폐에 알파벳 V가 없으며, 알파벳 O와 숫자 0의 인쇄가 완전히 같으므로, 일련 번호의 인식에 2단 분류 방법을 채용하고 있다. 제 1 단 분류에서는 모든 숫자 및 알파벳을 아래와 같이 23 종류로 귀납한다.

제 1 류: A 4

제 2 류: B 8

제 3 류: C G 6

제 4 류: O D Q

제 5 류: E L F

제 6 류: H

제 7 류: K

제 8 류: M

제 9 류: N

제 10 류: P

제 11 류: R

제 12 류: S 5

제 13 류: T J (J는 2005년 판 및 모든 판의 인민폐이다)

제 14 류: U

제 15 류: W

제 16 류: X

제 17 류: Y

제 18: Z 2

제 19: 1

제 20 류: 3

제 21 류: 7

제 22 류: 9

제 23 류: J (J는 2015년 신판 인민폐이다)

제 2 단 분류는 A 4, B 8, C 6G, O D Q, E L F, S 5, T J, Z 2의 각각에 대한 분류이다.

상술한 2단 CNN 분류 방법은 9 개의 신경망 모델에 관한 것으로, 각각 CNN_23, CNN_A4, CNN_B8, CNN_CG6, CNN_ODQ, CNN_ELF, CNN_S5, CNN_JT, CNN_Z2로 표기된다.

제 1 단 분류 CNN 신경망을 예로 들어, 도 6은 그 구조 모식도이다. 네트워크 입력 층에는 하나의 이미지 밖에 존재하지 않고, 네트워크의 시각적 입력에 해당되며, 즉 인식할 단일 번호의 그레이스케일 이미지이다. 여기서 그레이스케일 이미지를 선택하는 것은 정보 손실을 방지하기 위한 것으로, 2치화 이미지에 대해 인식을 진행하면, 2치화 시에 일부 이미지의 에지 및 자세한 정보가 손실된다. 이미지 명암 효과의 영향을 받지 않기 위해, 각 그레이스케일의 작은 이미지의 휘도에 대해 정규화 처리를 진행하며, 즉 명암 정규화를 진행한다.

C1 층은 하나의 컨볼루션 층이고, 6 개의 특징도(Feature Map)로 구성되며, 컨볼루션 층이 존재하는 장점은, 컨볼루션 연산을 통해 원래 신호의 특징을 증강시키고 노이즈를 줄일 수 있는 것이다. 특징도에서 각 뉴런은 입력의 3 * 3 근방과 접속된다. 특징도의 크기는 14 * 14이다. C1에 156 개의 훈련 가능한 파라미터 (각 필터 5 * 5 = 25 개의 유닛(unit) 파라미터 및 하나의 바이어스(bias) 파라미터, 총 6 개의 필터, 총 (3 * 3+1) * 6 = 60 개의 파라미터)가 존재하며, 총 60 * (12 * 12) = 8640 개의 접속이 존재한다.

S2와 S4 층은 모두 다운 샘플링 층이며, 이미지 국소 상관의 원리를 이용하여 이미지에 대해 서브 샘플링을 진행함으로써, 데이터 처리량을 감소하는 동시에 유용한 정보를 보류할 수 있다.

C3 층도 하나의 컨볼루션 층이며, 마찬가지로 3x3의 컨볼루션 커널을 통해, 층 S2에 대해 컨볼루션을 진행하며, 얻어진 특징도에 4x4 개의 뉴런 밖에 없고, 계산을 간단하게 하기 위해, 6 종류의 부동한 컨볼루션 커널 만을 설계하였으며, 따라서 6 개의 특징도가 존재한다. 여기서 C3 중의 각 특징도는 S2에 접속되지만, 전부 접속되는 것이 아니다. S2 중의 각 특징도를 각 C3의 특징도에 접속하지 않는 이유는 아래와 같이 두 가지가 있다. 1. 불완전한 접속 메커니즘은 접속의 수를 합리적인 범위 내에 유지한다. 2. 가장 중요한 원인으로, 네트워크의 대칭성을 파괴하였다. 부동한 특징도에 부동한 입력이 존재하므로, 그들이 부동한 특징을 추출하게 한다. 이러한 비 완전 접속 결과의 구성 방식은 유일하지 않다. 예를 들어, C3의 처음 두 개의 특징도는 S2 중 3 개의 인접한 특징도의 부분 집합을 입력으로 하고, 그 다음 두 개의 특징도는 S2 중 4 개의 인접한 특징도의 부분 집합을 입력으로 하며, 그 후의 하나는 인접하지 않은 3 개의 특징도의 부분 집합을 입력으로 하고, 마지막 하나는 S2의 전부 특징도를 입력으로 한다.

마지막 그룹의 S 층에서 C 층은 다운 샘플링이 아니라 S 층의 간단한 연신이며, 1 차원 벡터로 변한다. 네트워크의 출력 수는 이 신경망의 분류 수이며, 마지막 한층과 완전 접속 구조를 구성한다. 여기서 CNN_23은 총 23 개의 카테고리를 가지며, 따라서 23 개의 출력을 가진다.

2. 신경망의 훈련은 하기의 방식으로 진행된다.

제 l 층이 컨볼루션 층이며, 제 l+1 층이 다운 샘플링 층인 것으로 가정하면, 제 l 층의 제 j의 특징도의 계산 공식은 다음과 같다.

여기서 기호 *는 컨볼루션을 나타내고, 컨볼루션 커널 k가 제 l-1 층에서 관련되는 모든 특징도에서 컨볼루션 연산을 진행한 후 가산을 진행하고, 또한 하나의 바이어스 파라미터 b를 더한 후, sigmoid 함수

를 취하여 얻은 최종의 여자이다.

제 l 층의 제 j의 특징도의 잔차 계산 공식은 다음과 같다.

여기서, 제 l 층은 컨볼루션 층이고, 제 l+1 층은 다운 샘플링 층이며, 다운 샘플링 층과 컨볼루션 층은 일일이 대응한다. 여기서 up (x)는 제 l+1 층의 크기를 제 l 층과 같은 크기로 확장하는것이다.

오차의 b에 대한 편미분 방정식은 다음과 같다.

오차의 k에 대한 편미분 방정식은 다음과 같다.

인민폐 일련 번호를 랜덤으로 선택하여 훈련 샘플로 하고, 약 10 만개 있으며, 훈련 횟수는 1000 회 이상이고, 근사 정밀도는 0.004보다 작다.

일 구체적인 실시 형태에서, 상기 b 단계, c 단계 사이에 방향 판단 단계가 더 포함된다. 상기 회전후의 이미지에 의해 지폐 사이즈를 결정하고, 상기 사이즈에 따라 액면가를 결정하며; 타겟 지폐 이미지를 n 개의 블록으로 분할하고, 각 블록의 휘도 평균치를 산출하여 미리 저장된 템플릿과 비교하며, 차가 가장 작은 경우에 템플릿에 대응하는 방향으로 판단한다. 상기 미리 저장된 템플릿은 액면가가 다른 지폐의 부동한 방향의 이미지를 n 개의 블록으로 분할하고, 각 블록의 휘도 평균치를 산출하여 템플릿으로 한것이다.

구체적으로, 지폐 사이즈 검출+템플릿 매칭의 방식으로 지폐의 방향 값을 결정할 수 있다. 우선, 지폐 사이즈에 따라 지폐의 액면가를 결정한다. 그 다음에 지폐의 방향을 결정하고, 지폐 이미지 내부에서 16 * 8 개의 동일한 구형 블록을 분할하여, 각 구형 블록 내의 휘도 평균치를 산출하며, 이 16 * 8 개의 휘도 평균치 데이터를 메모리에 넣어 템플릿 데이터로 한다. 마찬가지로, 타겟 지폐의 휘도 평균치를 획득하여 템플릿 데이터와 비교하며 차가 가장 작은 것을 찾는다. 이로써 지폐의 방향을 확인할 수 있다.

또한, 일 구체적인 실시 형태에서, 지폐 낡은 정도 판단 단계를 더 추가할 수 있다. 우선, 25dpi의 이미지를 추출하고, 25dpi의 이미지의 전체 영역을 히스토그램의 특징 영역으로 하며, 영역 내의 화소점을 주사하여 배열에 넣고 각 화소점의 히스토그램을 기록하고, 히스토그램에 따라 50%의 가장 밝은 화소점을 통계하고 평균 그레이스케일치를 구함으로써, 이 그레이스케일치를 지폐 낡은 정도의 판단 근거로 한다.

일 구체적인 실시 형태에서, 상기 b 단계, c 단계 사이에 파손 인식 단계가 더 포함된다. 지폐의 양측에 각각 광원 및 센서를 설정함으로써 투과 후 이미지를 획득하고; 회전후의 투과 후 이미지의 각 점에 대해 순차적으로 검출하고, 이 점에 인접한 두 개의 화소점이 동시에 일 예정 역치보다 작은 경우, 이 점을 파손 점으로 판단한다.

구체적인 실시 형태에서, 지폐 파손 인식 시에 발광원 및 센서가 지폐의 양측에 분포되는 투과 방식을 채용한다. 발광원이 지폐에 닿을 경우 적은 부분의 광선만이 지폐를 투과하여 센서 소자에 입사하며, 지폐에 닿지 않은 광선은 완전히 센서 소자에 입사한다. 따라서 배경이 백색이며, 지폐도 그레이스케일도이다. 파손은 모서리 결손 및 구멍을 포함한다. 모서리 결손 및 구멍의 검출은 모두 파손 인식 기술을 사용하고, 검출 영역이 다른 점에서 부동하며, 모서리 결손의 경우에는 지폐의 4 개의 모서리를 검출하고, 구멍 파손의 경우는 지폐의 중간 영역을 검출한다.

다른 구체적인 실시 형태에서, 지폐의 모서리 결손에 대해서는 회전후의 투과 지폐 이미지 상에서 각각 왼쪽 상단, 왼쪽 하단, 오른쪽 상단, 오른쪽 하단의 4 개의 영역으로 분할할 수 있다. 그 다음에 이러한 4 개의 영역의 점의 각각에 순차적으로 검출을 진행하고, 인접한 두 개의 화소점이 동시에 역치보다 작은 경우에 이 점을 파손 점으로 판단하고, 인접한 두 개의 점이 역치보다 작은 조건에 만족하지 않을 경우에는, 이 교점에 대응하는 모서리가 파손 특징을 가지지 않는다는 것을 나타낸다.

지폐 상의 구멍 검출에 관해, 지폐의 모서리 결손을 탐색한 후, 모서리 결손 위치가 이미 흑색에 의해 충전되었으므로, 지폐 상에 모서리 결손 및 구멍의 특징이 있을 경우에 이 화소점은 백색이며, 지폐의 탐색 시에 모서리 결손으로 결정된 점의 화소 값을 흑색의 화소 값으로 변경하며, 이로써 충전이 실현된다. 따라서 지폐의 네 변을 경계로 지폐 전체를 탐색한다. 지폐에 파손 특징이 있는 것으로 탐색된 경우에는 지폐에 구멍이 존재한다는 것을 나타내며, 그렇지 않을 경우 이 지폐에는 구멍이 없다. 역치보다 작은 화소점이 하나씩 탐색될 때마다, 구멍 면적이 1씩 증가한다. 탐색이 완료되면 마지막에 구멍의 면적이 얻어진다.

다른 구체적인 실시 형태에서, 필적의 검출에 관해 다음의 방식을 채용할 수 있다. 고정 영역 내에서 영역 내의 화소점을 주사하여 배열에 넣고, 각 화소점의 히스토그램을 기록하며, 히스토그램에 따라 20 개의 가장 밝은 화소점을 통계하여 평균 그레이스케일치를 구하고 역치를 산출한다. 역치보다 작은 화소점을 필적 +1로 판정한다.

실시예 2:

본 실시예는 지폐 관리 시스템을 제공하고, 상기 지폐 관리 시스템은 지폐 정보 처리 단말기 및 마스터 서버 측을 포함한다.

상기 정보 처리 모듈은 상기 검출 모듈이 수집 및 인식한 지폐 특징을 가공 처리하여, 지폐 특징 정보로서 출력하여 전송하고, 본 실시예에서 구체적인 실현 형태로, 상기 지폐 특징 정보는 구체적으로 화폐 종류, 액면가, 방향, 진위, 낡은 정도, 오손, 일련 번호를 포함하고,

상기 마스터 서버 측은 상기 지폐 특징 정보, 업무 정보, 상기 지폐 정보 처리 단말기의 정보를 수신하고, 수신된 상기 3 종류의 정보를 가공을 진행하며, 지폐에 대해 분류 처리를 진행하는 데 사용된다. 본 실시예에서 바람직한 실현 형태로, 상기 마스터 서버 측이 지폐에 대해 분류 처리를 진행하는 단계는 구체적으로 다음과 같다. 지폐를 분류한 후, 이를 분류된 카테고리에 따라 부동한 지폐 호퍼로 들어가게 한다.

본 실시예에서 구체적인 실현 형태로, 상기 업무 정보는 수취, 지급, 입금 또는 출금 기록 정보, 업무 시간대 정보, 작업자 정보, 거래 카드 번호 정보, 거래자 및 대행자 신원 정보, 이차원 코드 정보, 패킷 번호를 포함한다.

본 실시예의 바람직한 실현 형태로, 상기 마스터 서버 측이 수신된 정보를 가공하는 단계는 구체적으로, 수신된 정보에 대한 집계, 저장, 정리, 조회, 추적, 도출 등의 처리를 포함한다.

또한, 본 실시예에 기재된 지폐 정보 처리 단말기는 단독으로 사용할 수 있으며, 본 실시예에서 상기 지폐 정보 처리 단말기는 지폐 선별기이며, 본 실시예의 대체 가능한 기술적 수단으로, 상기 지폐 정보 처리 단말기는 또한 지폐 계수기, 지폐 인식기, 셀프 금융 장치 중 하나로 대체 가능하며, 여기서, 상기 셀프 금융 장치는 자동 출금기, 자동 입금기, 사이클 ATM, 셀프 조회기, 셀프 결제기 중 어느 하나 일 수 있다.

또한, 상기 검출 모듈의 설계 방식은 유일하지 않으며, 본 실시예에서는 구체적인 실현 형태를 제공하고, 상기 검출 모듈은 또한 DSP 플랫폼의 일련 번호 인식 시스템에 적용될 수 있으며, 시중의 일반적인 지폐 인식기, 지폐 계수기, ATM 등의 장치에 내장 또는 정합되어 결합 사용할 수 있으며, 구체적으로 상기 검출 모듈은 이미지 전처리 모듈, 프로세서 모듈, CIS 이미지 센서 모듈을 구비한다.

상기 프로세서 모듈은 번호 위치 결정 모듈, 래소 모듈, 정규화 모듈, 인식 모듈을 더 구비한다.

상기 번호 위치 결정 모듈은 자기 적응형 2치화에 의해 이미지에 대해 2치화 처리를 진행하여 2치화 이미지를 얻은 후, 상기 2치화 이미지에 대해 투영을 진행하며, 마지막에 이동 윈도우를 설정하고, 이동 윈도우 레지스트레이션 방식을 채용하여 번호에 대해 분할을 진행하여 각 번호의 이미지를 얻은 후, 상기 각 번호의 이미지를 래소 모듈로 전송한다.

일 구체적인 실시 형태에서, 상기 번호 위치 결정 모듈은 윈도우 모듈을 더 구비하고, 상기 윈도우 모듈은 일련 번호의 간격에 따라 레지스트레이션 용 이동 윈도우를 설계하며, 상기 윈도우를 수직 투영도 상에서 수평 이동시켜, 상기 윈도우 내의 흑점 수의 총합을 산출하고; 상기 윈도우 모듈은 또한 부동한 윈도우 내의 상기 흑점 수의 총합을 비교할 수 있다. 이 위치 결정 단계의 구체적인 방식은 실시예 1의 방법을 사용하여 진행할 수 있다.

다른 구체적인 실시 형태에서, 상기 래소 모듈은 각 번호의 이미지에 대해 히스토그램을 추출하여 히스토그램 바이모달 법에 의해 2치화 역치를 획득한 후, 이 2치화 역치에 따라 상기 각 번호의 이미지에 대해 2치화를 진행하고, 획득한 각 번호의 2치화 이미지에 대해 영역 성장을 진행하며, 마지막에 영역 성장하여 얻은 영역 내에서 면적이 어느 예정 면적 역치보다 큰 하나 또는 두 개의 영역을 선택하고, 상기 선택된 영역이 위치한 구형이 각 번호 이미지의 래소후의 구형이다. 이 영역 성장은 예를 들어 8 근방 영역 성장 알고리즘 등을 채용할 수 있다.

일 구체적인 실시 형태에서, 통상의 지폐 이미지의 탐색에 있어서, 지폐의 낡은 정도, 파손 등의 상황이 다르므로, 지폐 이미지에 대해 보상을 진행할 필요가 있으며, 상기 검출 모듈에서 보상 모듈을 설정할 수 있으며, CIS 이미지 센서 모듈에 의해 얻은 이미지에 대해 보상을 진행하는 데 사용되며, 상기 보상 모듈에는 순백색 및 순흑색의 수집 휘도 데이터가 미리 저장되어 있고, 설정 가능한 화소점의 그레이스케일 기준치를 결합하여 보상 계수를 얻을 수 있으며, 상기 보상 계수가 프로세서 모듈에 저장되어 룩업 테이블이 작성된다.

구체적으로, 백지를 CIS 이미지 센서에 압하함으로써, 밝은 레벨 데이터를 수집하여 CISVL[i] 배열에 저장시키고, 어두운 레벨 데이터를 수집하여 CISDK[i]에 저장시키며, 하기의 식에 따라 보상 계수를 획득한다.

CVLMAX / (CISVL[i]-CISDK[i])

여기서 CVLMAX는 설정 가능한 화소점 그레이스케일 기준치이며, 경험에 의하면, 백지의 그레이스케일치는 200으로 설정된다.

DSP 칩에 의해 산출된 보상 계수를 FPGA(처리 모듈)의 랜덤 메모리로 전송하여, 하나의 룩업 테이블을 형성한다. 그 다음에 FPGA 칩이 수집된 화소점 데이터에 대해, 룩업 테이블 중 해당 화소점의 보상 계수를 곱하여, 직접 보상 후의 데이터를 얻고, 또한 DSP로 전송한다.

일 구체적인 실시 형태에서, 상기 인식 모듈은 훈련된 신경망을 이용하여 일련 번호의 인식을 실현한다.

일 구체적인 실시 형태에서, 상기 신경망은 2단 분류의 컨볼루션 신경망을 채용하고 있으며, 제 1 단 분류에서는 일련 번호에 관한 모든 숫자 및 알파벳을 분류하고, 제 2 단 분류에서는 제 1 단 분류 내의 부분 카테고리의 각각에 대해 재 분류를 진행한다. 또한, 이 제 1 단 분류의 카테고리 수는 분류의 요구 및 설정 습관 등에 따라 설정할 수 있고, 예를 들어 10류, 23류, 38류 등일 수 있으며, 이 제 2 단 분류도 마찬가지로, 제 1 단 분류에 기초하여 일부 오판하기 쉽거나 특징이 유사하며 또는 정확율이 높지 않은 등의 분류 내에서 다시 2단 분류를 진행하고, 이를 통해 보다 높은 인식률로 일련 번호를 진일보 구분하여 인식하며, 이 제 2 단 분류의 구체적인 입력 카테고리 수 및 출력 카테고리 수는 제 1 단 분류의 카테고리 설정 및 분류 요구와 설정 습관 등에 따라 상세하게 설정할 수 있다.

보다 구체적인 일 실시 형태에서, 상기 컨볼루션 신경망의 구조는 상술한 실시예 1에서의 신경망 구조를 채용하여 실현할 수 있다.

보다 구체적인 일 실시 형태에서, 상기 프로세서 모듈은 또한 하기 모듈 중 적어도 하나를 구비할 수 있으며, 방향 판단 모듈은 지폐의 방향을 결정하는 데 사용되고, 낡은 정도 판단 모듈은 지폐의 낡은 정도를 판단하는 데 사용되며, 파손 인식 모듈은 지폐의 파손 위치를 인식하는 데 사용되고, 필적 인식 모듈은 지폐 상의 필적을 인식하는 데 사용된다. 이러한 모듈이 채용하는 기능 실현 방법은 실시예 1에 예시된 방법을 채용할 수 있다.

일 구체적인 실시 형태에서, 이 프로세서 모듈은 예를 들어, FPGA (京微雅格 M7 칩, 구체적인 모델 번호: M7A12N5L144C7) 등의 칩 시스템을 채용할 수 있다. 칩의 메인 주파수는 (FPGA 메인 주파수 125M, ARM 메인 주파수 333M)이며, 점유하는 리소스는 (Logic 85%, EMB 98%)이며, 인식 시간은 7ms이고 정확도는 99.6%이상이다.

상기 실시예는 단지 예시를 명확하게 설명하기 위한 것일 뿐, 실시예를 한정하려는 것이 아니라는 것은 명백한 것이다. 당업자라면 상술한 설명에 기초하여 다양한 형식의 기타 변형 또는 수정을 진행할 수 있다. 여기서는 모든 실시예를 예시할 수 없으며, 또한 그럴 필요가 없다. 이로부터 파생된 명백한 변형 또는 수정은 모두 본 발명의 보호범위 내에 포함된다.

Claims

지폐 정보 처리 장치를 채용하여, 지폐 특징에 대해 수집, 인식 및 처리를 진행하여, 지폐 특징 정보를 얻는 단계 1과;
단계 1에 기재된 지폐 특징 정보, 업무 정보 및 상기 지폐 정보 처리 장치의 정보를 함께 마스터 서버로 전송하는 단계 2; 및
상기 마스터 서버는 수신된 상기 지폐 특징 정보, 상기 업무 정보, 상기 지폐 정보 처리 장치의 정보에 대해 통합 가공 처리를 진행하고, 지폐에 대해 분류 처리를 진행하는 단계 3을 포함하고,
상기 지폐 특징에 대해 인식을 진행하는 단계는 구체적으로,
지폐 특징이 위치한 영역의 그레이스케일 이미지를 추출하고, 그레이스케일 이미지에 대해 에지 검출을 진행하는 단계 a와;
이미지를 회전시키는 단계 b와;
이미지 중의 단일 번호에 대해 위치 결정을 진행하되, 구체적으로, 자기 적 응형 2치화에 의해 이미지에 대해 2치화 처리를 진행하여 2치화 이미지를 얻은 후, 상기 2치화 이미지에 대해 투영을 진행하며, 마지막에 이동 윈도우를 설정하고, 이 동 윈도우 레지스트레이션 방식을 채용하여 번호를 분할하고 각 번호의 이미지를 얻는 단계 c와;
상기 각 번호의 이미지에 포함된 문자에 대해 래소를 진행하고, 각 번호 이 미지에 대해 정규화 처리를 진행하며, 상기 정규화는 사이즈 정규화 및 명암 정규화를 포함하는 단계 d와;
신경망을 채용하여 정규화 후의 번호 이미지에 대해 인식을 진행하여 지폐 특징을 얻으며, 상기 지폐 특징은 일련 번호인 단계 e;를 포함하는 것을 특징으로 하는 지폐 관리 방법.
삭제
제1항에 있어서,
상기 단계 a의 에지 검출 단계는, 일 그레이스케일 역치를 설정하고, 이 역치에 따라 상하 두 방향으로부터 직선 탐색을 진행하여 에지를 획득한 후, 최소 제곱 법에 의해 이미지의 에지 직선 방정식을 얻는 동시에, 지폐 이미지의 수평 길이, 수직 길이 및 경사도를 얻는 단계를 더 포함하는 것을 특징으로 하는 지폐 관리 방법.
제3항에 있어서,
상기 단계 b의 회전 단계는, 상기 수평 길이, 수직 길이 및 경사도에 따라 회전 행렬을 얻은 후, 상기 회전 행렬에 따라 회전후의 화소점 좌표를 구하는 단계를 더 포함하는 것을 특징으로 하는 지폐 관리 방법.
제1항에 있어서,
상기 단계 c에 있어서, 상기 자기 적응형 2치화에 따라 이미지에 대해 2치화 처리를 진행하는 단계는 구체적으로, 이미지의 히스토그램을 구하고, 일 역치 Th를 설정하며, 히스토그램에 있어서 그레이스케일치가 0에서 Th까지의 점수의 합이 일 예정치 이상일 경우, 이 때의 Th를 자기 적응형 2치화 역치로 하여, 이미지에 대해 2치화를 진행하여 2치화 이미지를 얻는 단계를 포함하는 것을 특징으로 하는 지폐 관리 방법.
제1항에 있어서,
상기 단계 c의 이동 윈도우 레지스트레이션단계는 구체적으로, 레지스트레이션 용 이동 윈도우를 설계하고, 상기 윈도우는 수직 투영도 상에서 수평 이동하며, 윈도우 내의 흑점 수의 총합의 최소치에 대응하는 위치가 일련 번호의 좌우 방향 분할의 최적한 위치인것을 특징으로 하는 지폐 관리 방법.
제1항에 있어서,
상기 단계 d의 래소 단계는 구체적으로, 상기 각 번호의 이미지에 대해 단독으로 2치화를 진행하고, 획득한 각 번호의 2치화 이미지에 대해 영역 성장을 진행하며, 영역 성장하여 얻은 영역에서 면적이 예정 면적 역치보다 큰 하나 또는 두 개의 영역을 선택하고, 선택된 영역이 위치한 구형이 각 번호 이미지의 래소 후의 구형인 단계를 포함하는 것을 특징으로 하는 지폐 관리 방법.
제7항에 있어서,
상기 각 번호의 이미지에 대해 단독으로 2치화를 진행하는 단계는 구체적으로, 상기 각 번호의 이미지에 대해 히스토그램을 추출하고, 히스토그램 바이모달 법을 채용하여 2치화 역치를 획득한 후, 이 2치화 역치에 따라 상기 각 번호의 이미지에 대해 2치화를 진행하는 단계를 포함하는 것을 특징으로 하는 지폐 관리 방법.
제1항에 있어서,
상기 단계 d의 상기 명암 정규화 단계는, 상기 각 번호의 이미지의 히스토그램을 획득하고, 번호의 전경 그레이스케일 평균치 및 배경 그레이스케일 평균치를 산출하며, 명암 정규화 이전의 화소 그레이스케일치를 각각 전경 그레이스케일 평균치 및 배경 그레이스케일 평균치와 비교하며, 이 비교 결과에 근거하여 정규화 이전의 화소 그레이스케일치를 대응하는 특정의 그레이스케일치로 설정하는 단계를 포함하는 것을 특징으로 하는 지폐 관리 방법.
제1항에 있어서,
상기 단계 b와 단계 c 사이에 방향 판단 단계, 낡은 정도 판단 단계, 파손 인식 단계, 필적 인식 단계 중 하나 이상의 단계가 더 포함되며,
상기 방향 판단 단계에 있어서, 상기 회전후의 이미지에 의해 지폐 사이즈를 결정하고, 상기 사이즈에 따라 액면가를 결정하며, 타겟 지폐 이미지를 n 개의 블록으로 분할하고, 각 블록의 휘도 평균치를 산출하여, 미리 저장된 템플릿과 비교하며, 차가 가장 작은 경우에, 템플릿에 대응하는 방향으로 판단하며,
상기 낡은 정도 판단 단계에 있어서, 우선 예정 수 dpi의 이미지를 추출하고, 이 이미지의 전체 영역을 히스토그램의 특징 영역으로 하며, 영역 내의 화소점을 주사하여 배열에 넣고, 각 화소점의 히스토그램을 기록하고, 히스토그램에 따라 일정 비율의 가장 밝은 화소점을 통계하고, 상기 가장 밝은 화소점의 평균 그레이스케일치를 구해, 낡은 정도의 판단 근거로 하며,
상기 파손 인식 단계에 있어서, 지폐의 양측에 각각 광원 및 센서를 설정함으로써 투과 후 이미지를 획득하고, 회전후의 투과 후 이미지의 각 점에 대해 순차적으로 검출하고, 이 점에 인접한 두 개의 화소점이 동시에 일 예정 역치보다 작은 경우, 이 점을 파손 점으로 판단하며,
상기 필적 인식 단계에 있어서, 고정 영역에서 영역 내의 화소점을 주사하여 배열에 넣고, 각 화소점의 히스토그램을 구하며, 히스토그램에 따라 예정 수의 가장 밝은 화소점을 통계하여 평균 그레이스케일치를 구하고, 이 평균 그레이스케일치에 따라 역치를 얻은 후, 그레이스케일치가 역치보다 작은 화소점을 필적 점으로 판정하는 것을 특징으로 하는 지폐 관리 방법.
제1항에 있어서,
상기 단계 e의 신경망은 2단 분류의 컨볼루션 신경망을 채용하고 있으며, 제 1 단 분류에서는 일련 번호에 관한 모든 숫자 및 알파벳을 분류하고, 제 2 단 분류에서는 제 1 단 분류 내의 부분 카테고리의 각각에 대해 재 분류를 진행하는 것을 특징으로 하는 지폐 관리 방법.
제1항에 있어서,
상기 단계 1에서 이미지, 적외선, 형광, 자기, 두께 측정 중 하나 이상의 방식에 의해 상기 지폐 특징을 수집하는 것을 특징으로 하는 지폐 관리 방법.
제1항에 있어서,
상기 단계 3에서 지폐에 대해 분류 처리를 진행하는 단계에서는 구체적으로, 지폐를 분류한 후, 이를 분류된 카테고리에 따라 부동한 지폐 호퍼로 진입하도록 하는 것을 특징으로 하는 지폐 관리 방법.
제1항, 제3항 내지 제13항 중 어느 한 항에 있어서,
상기 지폐 특징 정보는 화폐 종류, 액면가, 방향, 진위, 낡은 정도, 오손, 일련 번호 중 하나 이상을 포함하고,
상기 업무 정보는 수취, 지급, 입금 또는 출금 기록 정보, 업무 시간대 정보, 작업자 정보, 거래 카드 번호 정보, 거래자, 대행자 신원 정보, 이차원 코드 정보, 패킷 번호 중 하나 이상을 포함하는 것을 특징으로 하는 지폐 관리 방법.
제1항, 제3항 내지 제13항 중 어느 한 항에 있어서,
상기 지폐 정보 처리 장치는 지폐 선별기, 지폐 계수기, 지폐 인식기 중 하나 이상이며, 상기 지폐 정보 처리 장치의 정보는 제조업체, 장치 번호, 소재 금융 기관 중 하나 이상인 것을 특징으로 하는 지폐 관리 방법.
제1항, 제3항 내지 제13항 중 어느 한 항에 있어서,
상기 지폐 정보 처리 장치는 셀프 금융 장치이며, 상기 지폐 정보 처리 장치의 정보는 지폐 분배 기록, 캐시 상자 번호, 제조업체, 장치 번호, 소재 금융 기관 중 하나 이상인 것을 특징으로 하는 지폐 관리 방법.
제15항에 있어서,
여러개의 상기 지폐 정보 처리 장치에 의해 각각 해당 업무 중의 지폐 정보에 대해 수집, 인식 및 처리를 진행하고, 상기 지폐 정보를 브랜치 호스트 또는 현금 센터 호스트로 전송한 후, 상기 브랜치 호스트 또는 현금 센터 호스트에 의해 상기 지폐 정보를 마스터 서버로 전송하는 것을 특징으로 하는 지폐 관리 방법.
제16항에 있어서,
여러개의 상기 지폐 정보 처리 장치에 의해 각각 해당 업무 중의 지폐 정보에 대해 수집, 인식 및 처리를 진행하고, 상기 지폐 정보를 브랜치 호스트 또는 현금 센터 호스트로 전송한 후, 상기 브랜치 호스트 또는 현금 센터 호스트에 의해 상기 지폐 정보를 마스터 서버로 전송하는 것을 특징으로 하는 지폐 관리 방법.
지폐 정보 처리 단말기 및 마스터 서버 측을 구비하고,
상기 지폐 정보 처리 단말기는 지폐 반송 모듈, 검출 모듈, 정보 처리 모듈을 구비하고,
상기 지폐 반송 모듈은 지폐를 상기 검출 모듈로 반송하는데 사용되며,
상기 검출 모듈은 지폐 특징에 대해 수집 및 인식을 진행하고,
상기 정보 처리 모듈은 상기 검출 모듈이 수집 및 인식한 지폐 특징을 가공 처리하여, 지폐 특징 정보로 출력하여 전송하고,
상기 마스터 서버 측은 상기 지폐 특징 정보, 업무 정보, 상기 지폐 정보 처리 단말기의 정보를 수신하고, 수신된 상기 3 종류의 정보를 가공하며, 지폐에 대해 분류 처리를 진행하는데 사용되며,
상기 검출 모듈은 이미지 전처리 모듈, 프로세서 모듈, CIS 이미지 센서 모듈을 구비하고,
상기 이미지 전처리 모듈은 에지 검출 모듈, 회전 모듈을 더 구비하고,
상기 프로세서 모듈은 번호 위치 결정 모듈, 래소 모듈, 정규화 모듈, 인식 모듈을 더 구비하며,
상기 번호 위치 결정 모듈은 자기 적응형 2치화에 의해 이미지에 대해 2치화 처리를 진행하여 2치화 이미지를 얻은 후, 상기 2치화 이미지에 대해 투영을 진행하며, 마지막에 이동 윈도우를 설정하고, 이동 윈도우 레지스트레이션 방식을 채용하여, 번호에 대해 분할을 진행하여 각 번호의 이미지를 얻은 후, 상기 각 번호의 이미지를 래소 모듈로 전송하며,
상기 정규화 모듈은 래소 모듈에 의해 처리된 이미지에 대해 정규화를 진행하는데 사용되며, 상기 정규화는 사이즈 정규화 및 명암 정규화를 포함하는 것을 특징으로 하는 지폐 관리 시스템.
제19항에 있어서,
상기 번호 위치 결정 모듈은 윈도우 모듈을 더 구비하고, 상기 윈도우 모듈은 일련 번호의 간격에 따라 레지스트레이션용 이동 윈도우를 설계하며, 상기 윈도우를 수직 투영도 상에서 수평 이동시키고, 상기 윈도우 내의 흑점 수의 총합을 산출하고, 상기 윈도우 모듈은 또한 부동한 윈도우내의 상기 흑점 수의 총합을 비교할 수 있는 것을 특징으로 하는 지폐 관리 시스템.
제19항에 있어서,
상기 래소 모듈은 각 번호의 이미지에 대해 단독으로 2치화를 진행하고, 획득한 각 번호의 2치화 이미지에 대해 영역 성장을 진행하며, 마지막에 영역 성장하여 얻은 영역 내에서 면적이 어느 예정 면적 역치보다 큰 하나 또는 두 개의 영역을 선택하고, 상기 선택된 영역이 위치한 구형이 각 번호 이미지의 래소 후의 구형인 것을 특징으로 하는 지폐 관리 시스템.
제19항에 있어서,
상기 검출 모듈은 보상 모듈을 더 구비하며, CIS 이미지 센서 모듈에 의해 얻은 이미지에 대해 보상을 진행하는데 사용되며, 상기 보상 모듈에는 순백색 및 순흑색의 수집 휘도 데이터가 미리 저장되며, 설정 가능한 화소점의 그레이스케일 기준치를 결합하여 보상 계수를 얻으며, 상기 보상 계수는 프로세서 모듈에 저장되어 룩업 테이블을 작성하는 것을 특징으로 하는 지폐 관리 시스템.
제19항에 있어서,
상기 마스터 서버 측이 지폐에 대해 분류 처리를 진행하는 단계에서는 구체적으로, 지폐를 분류한 후, 이를 분류된 카테고리에 따라 부동한 지폐 호퍼로 진입하도록 하는 것을 특징으로 하는 지폐 관리 시스템.
제19항 내지 제23항 중 어느 한 항에 있어서,
상기 지폐 특징 정보는 화폐 종류, 액면가, 방향, 진위, 낡은 정도, 오손, 일련 번호 중 하나 이상을 포함하고,
상기 업무 정보는 수취, 지급, 입금 또는 출금 기록 정보, 업무 시간대 정보, 작업자 정보, 거래 카드 번호 정보, 거래자, 대행자 신원 정보, 이차원 코드 정보, 패킷 번호 중 하나 이상을 포함하며,
상기 지폐 정보 처리 단말기는 지폐 선별기, 지폐 계수기, 지폐 인식기, 셀프 금융 장치 중 하나이며, 상기 셀프 금융 장치는 자동 출금기, 자동 입금기, 사이클 ATM, 셀프 조회기, 셀프 결제기 중 하나인 것을 특징으로 하는 지폐 관리 시스템.
제19항 내지 제23항 중 어느 한 항에 기재된 지폐 관리 시스템에 포함되는 지폐 정보 처리 단말기.