钟球盛,谭小蔓,谢宏威,张清华
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。
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
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
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
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
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
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.