基于几何特征匹配的纸币水印视觉识别算法研究*

钟球盛，谭小蔓，谢宏威，张清华

0 引言

20世纪90年代，研究人员把视觉处理技术应用于纸币的清分机中，现有的纸币识别技术主要包括以下几类，具体如下。

（1）神经网络。日本Takeda采用神经网络技术对纸币的特征进行训练，训练结果良好，得以成功应用。Frosini[1]也是以神经网络技术为核心，实现纸币的高效率图像识别。Yang[2]基于拉普拉斯变化与BP神经网络实现了人民币纸币序列的分割与识别。该方法采用区域生长算法实现序列号分割，并基于神经网络实现分割特征的识别。

（2）模板匹配。张国华[3]采用了模板匹配技术对纸币进行检测，虽然有效降低了相似纸币的错误识别，但对旧币、污损严重的纸币，匹配误差仍然较大。

（3）支持向量机。李文宏[4]采用了支持向量机的方法实现纸币冠字号码的识别，有效解决了学习样本过少、维度灾难及局部极小值的问题，在字符识别中取得较好的成果。

（4）高斯混合模型。孔繁辉[5]把高斯混合模型分类器应用到纸币分类中，实现基于结构风险最小化，该方法具有适应性好、可靠性高和准确率高等优点。Lee[6]提出了一种图像分割算法，用于实现纸币的自动化检测。该方法采用紫外LED表征纸币水印的内嵌图案，并采用了高斯混合模型对直方图的特征进行估计。

此外，Perera[7]研究了一种基于颜色特征的分类器，完成了纸币面值的识别，该系统造价低且结构简单。

1 系统构成

1.1 系统原理

系统原理图如图1所示。进料机构可实现重叠纸币的逐张展平并把纸币传送至相机视场内。通过采用紫外LED光源，可使得纸币的水印区域得到明显的增强和凸显。在外触发传感器与触发电路的作用下，每当有纸币出现在相机视场内，相机采集水印区域图像并传递给计算机。图像数据经过特定算法的处理与识别，处理结构驱动分类机构运动，对应不同面值的纸币将被分类至不同的容器当中。

图1 系统原理示意图

1.2 光学成像

成像结构采用的光源高功率低角度紫外LED光源，额定功率为16 W，外形尺寸为L×W×H=120 mm×100 mm×43 mm，波长为365 nm，额定电压为24 V，额定电流为300 mA。采用的工业相机为point grey的USB相机，分辨率为1280×960。而镜头选用奥普特高分辨率500级别25 mm工业镜头。通过该成像结构可实现不同面值的RMB纸币成像，成像效果如图2所示。

图2 成像效果图

2 特征选择

本研究所选择的特征主要包括目标水印的长度、宽度、面积、弯曲度、填充率、目标数量等。以图1中的图像以作说明，提取多种不同面值纸币的特征值，如表1所示。可见，在理想情况下，显著的分类特征包括：100元的目标数量、10元的符号“1”的宽度或填充率、20元的符号“0”的面积值。其中，宽度与高度的单位为像素，面积的单位为像素平方，填充率无单位。

但是实际情况较为复杂，目标水印面值或多或少被掩盖，并且覆盖的区域具有一定的随机性，或者其它原因，最终导致目标分割与提取不完整。因此，在算法设计上需要对上述多种几何特征值进行综合分析与决策。

表1 不同面值纸币的水印特征值

3 算法设计

算法流程如图3所示，成像系统采集得到的图像为24色真彩色。通过分离图像的绿色通道（G通道）能有效增强目标水印的颜色特征；然后转为256级灰度图，采用最佳阈值分割法分割图像；基于BOLB分析提取目标的面积特征，实现目标的定位与提取；最后提取目标的多个特征实现决策分类。

图3 算法流程图

本文所设计的决策树如图4所示。为了简化说明，分析目标提取理想化状态下的目标数据特征。采用目标数量特征、目标最小宽度特征与目标最小面积特征构建决策分类树。以目标数量特征分离100元面值，接着以目标最小宽度特征分离10元面值，最后以目标最小面积特征区分20元与50元面值。

图4 决策树示意图

4 实验研究

为了方便显示，通过截取目标水印区域图像以作简要说明。如图5所示，从第一行到第五行分别为：原始图像、G通道图、图像分割图与目标提取图。可见，目标图像得以有效提取。测试算法以Visual Studio集成开发环境为基本工具，利用C/C++语言，采用MFC技术开发实现，并在硬件平台宏基笔记本电脑（i5处理器，4G内存，WindowsXP操作系统）进行测试。测试过程选用发布版本进行测试，并以clock()作为运行耗时评价函数。算法的识别速度高达50 ms每帧，并且能够准确识别的较新纸币。但对于纸币破旧、水印不清晰、纸币污损等情况，识别率明显降低，甚至无法识别。

图5 目标水印区域的处理过程图像

5 结论

本文基于几何特征匹配原理，采用紫外光实现目标水印区域成像，提出了一种人民币纸币的面值识别算法与系统，实现了多种不同面值纸币的有效识别，在一定程度上具备了鉴别假币的能力。实验结果表明该算法可实现纸币面值的识别正确率约为95%，识别速度约为50毫秒/张；并且该算法还可实现不完整残缺目标的识别，如目标被金线遮挡，或目标被深色图案掩盖的情况。

该算法仍有很大的优化空间，目前算法只能识别的RMB纸币面值为100元、50元、20元、10元。算法可进一步优化，可识别更多的不同面值纸币(如，5元，2元、1元、5角、1角等)。此外，当传送结构出现故障时，或纸币出现重叠，或纸币残缺，算法正确识别率较低，甚至无法识别，通过算法改良可增强算法适应性和可靠性。

参考文献：

［1］ Frosini A. ， Gori M.， Priami P.A neural net⁃work-based model for paper currency recognition and ver⁃ification ［J］.IEEE Transactions on Neural Networks，1996，7（6）：1482-1482.

［2］Yang F.， Chen L.ASegmentation and Recognition Meth⁃od of RMB Series Number Based on Laplacian Transfor⁃mation and BP Neural Networks ［C］.International Symposium on Computational Intelligence&Design，2015：189-192.

［3］张国华，梁中华.一种基于模板匹配的人民币纸币面额识别方法 ［J］.沈阳工业大学学报，2005，27（4）： 439-442.

［4］李文宏，田文娟，王霞.基于支持向量机的人民币纸币序列号识别方法［J］.信息与控制， 2010，39（4）： 462-465.

［5］孔凡辉.高速清分机人民币面值面向识别技术的研究［D］.哈尔滨：哈尔滨工业大学，2004.

［6］ Lee K.H.， Park T.H.Image segmentation of UV pattern for automatic paper-money inspection ［C］.Internation⁃al Conference on Control Automation Robotics&Vi⁃sion， 2010：1175-1180.

［7］Perera S.，Balasuriya N.Visually impaired support-sys⁃tem for identification of notes （VISION）［C］.Six⁃teenth International Conference on Advances in ICT for Emerging Regions， 2016：096-099.