一种BP神经网络纸币图像识别方法的研究

吕 新 郑士富

(大连交通大学电气信息学院，辽宁 大连 116028)

·计算机技术及应用·

一种BP神经网络纸币图像识别方法的研究

吕 新 郑士富

(大连交通大学电气信息学院，辽宁 大连 116028)

介绍了BP神经网络的结构特点与原理，基于此种方法，对几种纸币的面额与方向进行了识别，其中权值的修改算法采用LM算法，并对算法的基本思路作了阐述，识别仿真结果表明，BP神经网络具有较高的准确性。

BP神经网络，纸币，图像识别

0 引言

传统的纸币识别采用人工识别的方法，有准确性高的特点，但却存在识别过程中人们容易疲劳，识别效率低下的特点。随着科学技术的发展，人工识别方法已经进入了历史的舞台。目前，很多行业都出现了基于人民币纸币识别技术的智能化无人收费系统，节省了大量的人力资源[1]。

就现在正在使用的识别方法来说，较常用的有尺寸比较法、模板匹配、人工神经网络[1]等。在神经网络系统中，BP神经网络是较常见的一种，它是一种以误差反向传播为基础的前向网络，具有非常强的非线性映射能力[2]。将神经网络应用于非线性系统的辨识,可以不受非线性模型的限制,达到较理想的实际结果。据统计,80%～90%的神经网络模型采用了BP神经网络或者它的变化形式[3]。在MATLAB软件系统中提供了神经网络工具箱，方便用户学习与实际验证。

1 BP神经网络结构与原理

1.1 BP神经网络的特点

BP神经网络一般有以下特点：

1)一般是多层的，有一个输入层，一个输出层，还有若干的隐含层。

3)采用误差反向传播算法(Back-Propagation),在BP网络中，数据从输入层经隐含层逐层向后传播，训练网络权值时，沿着减少误差的方向，从输出层经过中间各层逐层向前修改网络的连接权值。

含一层隐含层BP神经网络结构如图1所示。

1.2LM算法

BP的修正算法最常使用标准的是最速下降法，根据实际情况可以选用其他几种改进算法。根据实际运用中神经元数目较多，要获得较快的收敛速度，选用LM算法。

w(n)为第n次迭代的权值向量,则w(n+1)次权值迭代向量可由式(1)计算。H为误差性能函数Hessian矩阵，其中包含了误差函数的倒数信息。当误差性能函数具有如式(3)所示的形式时，其中，ti为第i个向量的理想输出值，oi为第i个向量实际输出。因而有H=JTJ。那么，梯度可表示为式(5)，其中J为雅可比矩阵,e的计算如式(4)所示。根据式(6)牛顿法的迭代公式可得式(7)LM算法。定义式(7)为LM算法网络权值修订公式。如果求得的-[JTJ+μI]-1JTe能使误差指标函数降低，则μ降低，反之，则μ增加[4]。当μ=0时，LM算法转换为拟牛顿法。 当μ很大时，式(6)相当于步长值较小的梯度下降法，由于雅可比矩阵计算量较Hessian矩阵较小，所以收敛速度相对较快。但LM实际运算中占用内存量过大，因而尽量减少迭代次数[5]。

w(n+1)=w(n)+▽w(n)

(1)

(2)

(3)

(4)

▽E=JTe

(5)

w(n+1)=w(n)-H-1(n)▽E(n)

(6)

w(n+1)=w(n)-[JTJ+μI]-1JTe

(7)

w(n+1)=w(n)+▽w(n+1)

(8)

1.3 算法的基本思路

在研究之前，首先考虑的是理想状况下，是用处理软件把4种币样缩放为相同的大小，保证纸币特征的完整性。转化为已经处理好的图像，也就是已经对噪声等干扰信号处理完全后的图像。判别四种币样的面值与方向，共有16种情况。在进行识别算法时，首先要把纸币平均分块，如图2所示，分块的目的是为了使纸币图像便于数字化。

在应用神经网络时，需要模式向量确定实际的输入层的大小。通过计算确定出每一块的平均灰度值。在MATLAB软件中，运算公式为y=mean(mean())。以图2为例，平均分成类16小块。通过计算可得到图1的平均灰度向量为x0=[216,200,207,227,206,193,198,235,209,203,188,235,208,206,209,218]。在神经网络中，一般是要归一化才处理，具体的方法为数据全部除以灰度最大值255，同时设置阈值x=0.75完成图像的数字化。

1.4 图像识别BP神经网络设计结构

前人通过LVQ网络进行纸币图像鉴别[6]中，竞争层数目过多，而且不能达到100%的准确率。

在前述分割与图像处理技术不变的情况下，采用LVQ网络中用于模式识别的newlvq函数训练一个神经网络，如图6所示，当竞争层神经元达到150个时，误差率仍然很大，且曲线下降斜率较小，训练速率很慢。同时通过图4中也可以看出识别率准确率低于60%，且实际测试训练时间大于10 s。修改识别系统，提高识别性能，这对确定该系统的性能是非常重要的。在本次试验中采用BP神经网络，样本数为16个，输入神经元16个。设计输出神经元4个。隐含层设计为两层，第一层为23个神经元，第二层为46个神经元。设定目标值T为[0000;0001;…;1111]。每个向量值对应于实际的一种输出结果。 BP神经网络设计为一层输出层，两个隐含层，一层输入层。通过MATLAB工具箱进行分析训练，部分程序如下所示：

threshold=[0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1];

net=newff(threshold,[23,46,4],{′tansig′,′logsig′,′purelin′},′trainlm′);

net.trainParam.epochs=1000;

net.trainParam.goal=0.0005;

net.trainParam.lr=0.15;

net=train(net,p,t);

通过round 函数与abs函数处理向量中的每个值，可以得到较高的准确率。如图3第3列经过处理后得到表示y2=[0 01 0]，表示本样本属于第3个类别。实验达到了100%的准确率。图5可以看出达到规定的目标精度，且训练速率很快，实际测试训练时间为3 s左右。在实际软件测试中y3,y4分别为BP神经网络与LVQ神经网络的验证函数。

2 仿真结果

BP,LVQ神经网络训练效果图分别见图5，图6。

3 结论

BP神经网络结构对模式识别有较好的效果。本文中运用BP神经网络结构设计了一种识别网络，达到了较高的识别效果。通过与LVQ神经网络识别系统的比较，发现有识别训练时间短，结构简单，识别准确率高等特点。仿真结果表明，能够很好完成识别要求。

4 改善方向

在本文试验中，数据的样本值还不够充足，还可以加入旧币与破损币样本。另外一点是要减少权值修订的迭代次数，从而减少网络的训练时间。为应用于实际的系统做好准备。

[1] 金 曦，张 健，邵 妍.基于数字图像处理的人民币纸币面值识别[J].黑龙江科技信息，2010(3):68-69.

[2] 陈 明.Matlab神经网络原理与实例精解[M].北京：清华大学出版社，2012.

[3] 李 萍，曾令可，税安泽.基于MATLAB的BP神经网络预测系统的设计[J].计算机应用与软件，2008(4):149-151.

[4] 王建梅，覃文忠.基于LM算法的BP神经网络分类器[J].武汉大学学报，2005(10):928-931.

[5] 张德丰.Matlab神经网络仿真及应用[M].北京：电子工业出版社，2009.

[6] 蒋雁飞.光电纸币清分系统的图像处理[D].成都：电子科技大学硕士论文，2006.

[7] Hirohito Shintani,Masatake Akutagawa.Optimization of MLP/BP for character recognition using a modified alopex algorithm[J].Knowledge-based and Intelligent Engineering Systems,2007(11):371-379.

Research on a BP neural network image recognition method of banknote

LV Xin ZHENG Shi-fu

(SchoolofElectricalInformation,DalianJiaotongUniversity,Dalian116028,China)

The paper introduces the structural features and principles of BP neural network, undertakes the recognition of denomination and orientation of some currencies, adopts the LM calculation method in the modification method of weight value, illustrates the basic idea of the calculation method and proves by the recognition simulation that BP neural network has higher accuracy.

BP neural network, currency, image recognition

1009-6825(2014)30-0286-02

2014-08-18

吕 新(1987- )，男，在读硕士； 郑士富(1964- )，男，硕士生导师，副教授

TP183

A