一种纸币图像特征提取方法

王　朋,　刘　鹏,　张春晶　吴　锐

(1.黑龙江科技大学 电气与信息工程学院, 哈尔滨 150022;2.哈尔滨工业大学 计算机科学与技术学院, 哈尔滨 150001)



一种纸币图像特征提取方法

王朋1,刘鹏2,张春晶1吴锐2

(1.黑龙江科技大学 电气与信息工程学院, 哈尔滨 150022;2.哈尔滨工业大学 计算机科学与技术学院, 哈尔滨 150001)

针对纸币在清分机中运动时,图像发生尺寸、旋转和平移的现象,提出一种对尺寸、旋转和平移运动不敏感的特征提取方法。该方法通过纸币边缘提取、尺寸计算及倾斜校正预处理,采用贝叶斯最大后验概率法拟合边缘,将所确定的图像区域等分为M×N个单元，提取其特征,消除数据的不一致性,纸币分类的准确率达99.9%以上。该方法计算复杂性低,能够满足纸币清分机对图像处理和分类的实时性要求。

纸币分类; 不变特征; 神经网络; 图像处理

0　引　言

在纸币清分、名片识别、票据识别等图像处理设备中,由于实时性的要求,纸币、票据、名片等高速通过图像采集通道时会产生旋转、平移等问题,导致获取图像的分辨率较低,造成特征提取及识别困难。尤其是对于纸币清分机,当纸币在纸币清分机中运动时,纸币在通道中的运动是复杂的。由于拖动纸币运动的左右两个压轮的摩擦力不同,使纸币不仅有垂直方向的运动还有水平方向的运动,因线阵传感器CIS的成像机理,获得的纸币图像包括了旋转和平移两种变形,另外,不同纸币在运动时与CIS的距离不同,相同面额纸币在图像中的面积也是不同的。因此，一种简单、稳定、有效的纸币图像特征提取方法是提高纸币分类可靠性的有效途径[1-6]。A.Ahmadi提出的基于局部主成分分析PCA特征提取方法能够提高纸币分类可靠性,局部PCA方法[7]克服了传统PCA方法全局线性的特点,但因其矩阵乘法运算的复杂性不能满足实时系统的要求。文献[8]提出了模糊聚类方法,用于多光谱纸币图像的聚类分析。由于多光谱图像的使用,提高了分类的可靠性,但该方法需要更多的硬件资源用于存储数据,这对于具有体积和成本要求的嵌入式系统是困难的。

笔者提出一种不受尺寸、旋转和平移等影响的纸币特征提取方法。该方法适用在高速纸币通道中获得的纸币图像特征提取,而且计算过程简单,能够满足实时系统要求。最后,使用3层BP神经网络对纸币的面值和朝向进行识别。

1　不变特征提取

1.1纸币的尺寸、旋转和平移

在纸币处理设备中,压轮推动纸币通过CIS。通常,纸币的速度小于压轮的速度。假设压轮的速度为v0,纸币的速度为v1,则v0=v1+v,v≥0。尽管硬件平台中的FPGA通过一个编码器监视压轮的转速,通过编码器的输出控制CIS的曝光时间,但编码器只能近似地反映纸币的运行速度,因此,同面额纸币图像的高度是变化的。另外,左右两个压轮由于加工误差,使它们的直径不同,左右压轮的线速度是不同的,所以纸币图像会发生旋转变化。文中设计的图像处理和分析系统可以承受的最大旋转角度为±15°。由于纸币进入通道时的位置不同,纸币图像会发生平移变换。纸币图像的尺度、旋转和平移变化给纸币图像特征提取和分类带来困难,因此,提出一种简单、稳定、有效的纸币图像特征提取方法是必要的。

1.2特征矢量

纸币图像被分割为M×N个区域,如图1所示。每个区域的平均灰度构成特征矢量中的元素。平均亮度是一阶统计量,它的计算复杂性低。令F表示特征矢量,对它的元素进行归一化处理,fi, j表示归一化后的第i行,第j列特征元素:

F=[f0,0,…,f0,N-1,f1,0,…,f1,N-1,…,

fM-1,0,…,fM-1,N-1]T,

其中,v(p,q)是在区域(i,j)中位置(p,q)处的像素灰度。

图1　纸币的特征区域

1.3特征区域的定位

假设纸币图像的宽度和高度分别为w和h。从坐标(w/2,0)开始到坐标(w/2,h/2)沿垂直方向开始搜索,第一个灰度变化点pt,0是纸币的边缘点。pt,0的灰度明显大于背景像素的灰度。设pt,0的坐标为(w0,h0),其中w0=w/2。pt,0是纸币水平方向边缘的搜索起点,在图像坐标范围(w0-s,h0-ε)到(w0-s,h0+ε)搜索纸币的水平方向边缘,其中s是水平移动补偿,ε为垂直方向搜索范围。在这个搜索范围内,最大亮度变化点是下一个纸币水平方向边缘点,记为pt,-1。pt,-1,坐标记为(w-1,h-1),其中w-1=w0-s,h0-ε≤h-1≤h0+ε。使用相同的方法得到下一个纸币水平方向边缘点pt,-2,它的坐标为(w-2,h-2),其中w-2=w-1-s,h-1-ε≤h-2≤h-1+ε。如果从pt,0开始在(w0+s,h0-ε)到(w0+s,h0+ε)范围内搜索,可以得到pt,0右侧的纸币水平方向边缘点。纸币水平方向边缘点序列记为Pt。

Pt={pt,-R,pt,-R+1,…,pt,-1,pt,0,pt,1,…,pt,S-1,pt,S}，

(4)

在Pt中每一个元素是纸币的上边缘像素点。在计算过程中,中间点pt,0总是首先被发现的。下一个边缘点的搜索受到参数s和ε的约束。搜素位置由下式计算:

令R和S分别是pt,0点左右两侧纸币边缘点的数量,则点序列Pt的长度为R+S+1。如果R+S+1小于20,或第一个边缘得按pt,0在(w/2,0)到(w/2,h/2)区域内没有搜素到,这意味着纸币扭曲过于严重,纸币将被拒识。

使用相同的方法可以得到纸币的下边缘,左边缘和右边缘。

采用贝叶斯最大后验概率法拟合纸币边缘。设纸币图像上边缘直线方程为Lt:y=ktx+bt,同样的下边缘,左边缘和右边缘直线方程分别为Lb:y=kbx+bb,Ll:y=klx+bl和Lr:y=krx+br,其中直线参数k·和b·由下式计算

纸币在图像中的水平角和垂直角分别为

纸币在图像中的4个顶点坐标通过计算直线Lt、Lb、Ll、Lr之间的交点获得,分别记为左上角顶点(x0,y0),左下角顶点(x1,y1),右下角顶点(x2,y2)和右上角顶点(x3,y3)。纸币的宽度和高度可以根据顶点之间的距离及倾斜角度计算:

纸币上每个区域的宽度和高度分别为wb/M和hb/N。纸币区域的分割根据纸币的水平角和垂直角进行。这种分割方法是纸币特征区域的尺寸依据纸币的实际尺寸和旋转角度自适应变化,对边缘的检测从纸币边缘的中间点向两侧扩展,适应纸币在图像中的平移变化。因此,提出的纸币特征提取方法具有尺度、旋转和平移不变性。

令在纸币特征区域中像素的坐标为(i,j),i∈{0,1,…,hb},j∈{0,1,…,wb}。因为纸币旋转,有必要计算该像素水平和垂直两个方向上的偏移量。由于每一个特征区域的面积很小,所以像素的偏移量可以使用下式近似的计算:

(1)

(2)

像素点的实际坐标为(i+Δi,j+Δj)。在式(1)和式(2)中偏移量的计算也依据了纸币旋转的角度,所以,在局部区域中特征提取对旋转时是不敏感的。

2　实验结果

对人民币、欧元和美元三种纸币使用文中提出的方法进行特征提取和分类，分类器使用3层BP神经网络。在特征提取时，纸币边缘点搜索参数步长s=6，范围约束ε=8。纸币局部区域垂直方向分割数量M=8，对水平方向取不同的分割数量进行了实验。在不同水平方向分割数量N时的纸币分类准确率c结果如图2所示，从图中可以看出，随着分割数量的增加，识别准确率显著提高。

图2　纸币特征区域不同对识别效果的影响

Fig. 2Relationship between classification reliability and feature blocks

表1纸币分类数据

Table 1Classification correct rate with parameters

对人民币、欧元和美元三种纸币的不同面值、面向分别采用不同的训练样本数进行特征提取和分类实验，分类准确率见表1，实验结果表明，文中提出的方法可以在少量训练样本的情况下取得较好的效果，对人民币、美元、欧元均有较好的适应性，分类准确率达99.9%以上。

3　结束语

文中提出了一种纸币特征提取方法。该方法对纸币的尺度、旋转和平移变化时不敏感,实验结果表明,该方法的分类准确率达99.9%以上,其计算复杂性较低,能够满足纸币清分机实时性要求。

[1]盖杉, 刘鹏, 刘家锋, 等. 基于Haar小波和模糊逻辑的纸币图像特征提取方法[J]. 高技术通读, 2010, 23(11): 1149-1155.

[2]盖杉, 刘鹏, 刘家锋, 等. 新的纸币图像特征提取方法[J]. 通信学报, 2010, 31(4): 128-133.

[3]刘春媛, 徐为. 基于二值图像层次识别字符特征的融合算法[J]. 黑龙江科技学院学报, 2007, 17(5): 403-406.

[4]刘家锋, 刘松波, 唐降龙. 一种实时纸币识别方法的研究[J]. 计算机研究与发展, 2003, 43(7): 159-163.

[5]钱刚, 丁万山. 基于ARM及CPLD的纸币图像采集系统的设计[J]. 计算机测量与控制, 2007, 15(5): 683-685.

[6]郭艳平, 侯凤贞. 纸币面值识别系统图像分割技术的算法[J]. 重庆工学院学报, 2008, 22(11): 124-126.

[7]AHMADI A, OMATU S, FUJIMAKA T. Improvement of reliability in banknote classification using reject option and local PCA[J]. Information Sciences, 2004, 168: 277-293.

[8]VERIKAS A, MALMQVIST K, BERGMAN L. Detecting and measuring rings in banknote Images[J]. Engineering Application of Artificial Intelligence, 2005, 18(7): 363-371.

(编辑李德根)

Method of banknote image invariant features extraction

WANGPeng1,LIUPeng2,ZHANGChunjing1,WURui2

(1.School of Electronics & Information Engineering, Heilongjiang University of Science & Technology, Harbin 150022, China; 2.College of Computer Science & Technology, Harbin Institute of Technology, Harbin 150001, China)

Aimed at overcoming the variations in dimensions, rotation and translation of banknote images due to banknote movement in currency sorters, this paper proposes a features-extracting method insensitive to these variations. The method consists of achieving image preprocess by extracting the banknote edge, computing the size, and adjusting tilt; fitting the edge linear equation by using the Bayesian MAP method; and obtaining feature extraction by segmenting the banknote image intoM×Nfields , thereby eliminating the data inconsistencies. The method, marked by the classification accuracy of more than 99.9%, and the less computational complexity, could fulfill the real-time requirement of currency sorters for banknote image processing and classification.

banknote classification; invariant feature; neural networks; image processing

2013-04-25

黑龙江省教育厅科学技术研究项目(12533058)

王朋(1976-),女,吉林省吉林人,讲师,硕士,研究方向:图像处理、模式识别,E-mail:wphit@126.com。

10.3969/j.issn.1671-0118.2013.03.020

TP391.43

1671-0118(2013)03-0308-03

A