AlexNet两光照下多类别法定货币识别技术

刘思洋 黄坚 刘桂雄 罗文佳

摘要：基于法定货币在不同光照下局部特征不同，该文研究一种基于AlexNet的两光照下多类别法定货币识别技术。首先，分析自然光照、紫外光照下法定货币图像特征，指出不同光照下法定货币呈现不同的面额、图案等特征;其次，分析AlexNet神经网络模型与研究面向法定货币识别的AlexNet迁移学习方法;最后，在30类别的两光照下不同币种的图像样本库上进行图像识别实验，货币图像识别准确率达到100%，准确实现区分货币币种、光照条件、面额与正反面货币图像功能。与经典货币图像识别方法相比，该法能减少人工提取图像特征的工作量，具有通用性好、准确度高的特点。

关键词：法定货币;图像识别;深度学习;AlexNet

中图分类号：TP391.4 文献标志码：A 文章编号：1674-5124（2019）09-0118-05

收稿日期：2018-08-22;收到修改稿日期：2018-09-29

基金项目：广州市科技计划项目（2018020300006）

作者简介：刘思洋（1995-），男，广东揭阳市人，硕士研究生，专业方向为精密检测与仪器仪表。

通信作者：刘桂雄（1968-），男，广东揭阳市人，教授，博导，主要从事测控技术及仪器研究。

0 引言

法定货币作为重要交易手段，其自动识别技术是货币防伪鉴别技术的应用基础。目前法定货币识别方法主要包括尺寸识别法与基于货币图像特征的识别方法[1]。尺寸识别法计算量小，但可靠性低[2]。基于货币图像特征的识别方法在提取图像特征基础上，采用识别算法实现货币图像特征识别，具备通用性与泛化能力[3]，是法定货识别领域的主流方法。

图像识别算法主要包括货币图像经典特征提取与识别算法、货币图像机器特征提取与识别算法、货币图像深度学习特征提取与识别算法[4]。其中，货币图像经典特征提取与识别算法是根据不同货币图像间色差、荧光特征等显著区别，设计图像处理算法完成识别任务[5]。如清华大学（2017年）利用在紫外光照射下人民币正面荧光面额区域作为识别特征，运用几何结构分析和模板匹配的方法实现对6种人民币面额的识别，识别准确率达到99%以上[6]。货币图像机器特征提取与识别算法是将图像上易区分的图像特征转换为特征向量，采用k最近邻算法（k-nearest neighbor，KNN）、支持向量机（supportvector machine，SVM）等机器学习算法完成特征向量运算与识别[7]。如四川大学（2012年）提出一种在复杂背景条件下的票据字符分割方法，其通过小波变换提取图像中字符区域纹理特征，基于SVM对区域进行分类，定位包含文字的图像区域，随后采用kNN算法对文字区域内的像素进行聚类划分，从而实现文字分割[8]。货币图像深度学习特征提取与识别算法以图像全域特征作为输入向量，通过多层神经网络学习与训练过程，实现图像特征自动提取与识别[9]。文献[10]采用基于BP神经网络的票据图像自动识别技术，通过BP神经网络完成票据特征自动提取，完成票据金额、传票号或交易码等识别，但浅层BP神经网络存在识别准确率不足问题;文献[11]提出一种基于深度学习钞票识别方法，采用卷积神经网络（CNN）在钞票图像数据集上训练，实现韩元、印度卢比与美元多种钞票金额准确识别。上述货币图像识别算法中，经典图像处理算法须由人工设计图像防伪特征，应用不便;机器学习算法则需经过图像特征选择、特征向量生成过程，适用于小样本货币图像识别;深度学习算法由神经网络自动实现货币图像特征提取与识别，无需人工完成复杂的特征提取任务，适合两光照下多类法定货币的识别。

本文将从不同光照下法定货币图像特征分析入手，分析AlexNet训练过程与识别机理，提出基于AlexNet的两光照下多类别法定货币识别技术与应用。

1 不同光照下法定货币图像特征分析

法定货币在不同光照下呈现不同的识别特征，是区分不同光照下法定货币图像的基础。法定货币在识别过程中光照条件主要包括自然光、紫外光。图1为百元人民币在自然光、紫外光下的图像特征。

可以发现，不同光照下货币图像特征区别明显。从图像全局特征看，不同光照下图像整体色泽、饱和度与亮度差别很大;从图像局域特征看，不同光照下货币图像具有不同的图案、面额数字与其他特征，并且局域特征在整体图像上的位置、局域特征的颜色与边缘等均有显著区别。

分析不同光照下法定货币图像特征的区别可知，采用深度学习识别算法识别时，通过制作不同光照下法定货币图像数据集训练识别器，由神经网络自动提取局域图像的边缘、位置与颜色特征信息，直至全域图像的色泽、饱和度与亮度特征信息，完成特征提取与识别过程，减少人工提取图像特征的工作量。

2 基于AlexNet两光照下多类别法定货币识别技术

2.1 AlexNet神经网络模型分析

卷积神经网络作为高效的图像识别网络，主要由卷积层、池化层与全连接层组成[12]。卷积层的神经元节点存在于特征图像中，每个节点与上一层特征图像中的局部区域通过一系列权重的卷积核连接，通过卷积运算实现特征自动提取与特征局部连接。待识别目标的图像特征相对位置不同，池化层粗糙化每个特征位置，合并图像特征相似局部区域，减少特征向量维度，增加移动或扭曲不变性。全连接层是相邻两个特征图象中，每个输入神经元均与所有输出神经元完全连接，将图像特征矩阵转换为列向量，与识别结果的类别数目相匹配。

对大型图像识别数据集ImageNet上训练并优化的卷积神经网络模型AlexNet神经网络进行分析[13]。图2为AlexNet卷积神经网络模型图，它由11层神经网络组成，包含5层卷积层、3层池化层与3层全连接层。卷积层与池化層相互交叉堆叠，由非线性激活函数完成非线性运算，再与全连接层相连，通过反向传播算法训练所有卷积核权重参数，得到AlexNet卷积神经网络。

[4]罗帅，娄震.基于印刷年份的人民币版本识别技术研究[J].现代电子技术，2015，38（18）：72-74.

[5]金长江，师廷伟.红外弱小目标检测背景抑制算法研究[J].中国测试，2016，42（4）：115-119.

[6]李雪梨，索双富，武佩君一种基于紫外荧光图像的人民币面额识別算法[J].机械设计与制造，2017（3）：1-3.

[7]郭雪梅，刘桂雄.多颜色模型分割自学习k-NT设备状态识别方法[J].中国测试，2016，42（4）：107-110.

[8]叶龙欢，王俊峰，高琳，等.复杂背景下的票据字符分割方法[J].计算机应用，2012，32（11）：3198-3200.

[9]SOSA-GARCIA J，ODONE F.Banknote recognition as aCBIR problem[C]//International Conference on SimilaritySearch and Applications.Springer，2015.

[10]韩梦迪，曹玉东，杜刚.基于BP神经网络的银行票据识别[J].信息通信，2016（9）：157-159.

[11]PHAM T D，NGUYEN D T，KIM W，et al.Deep learning-based banknote fitness classification using the reflectionimages by a visible-light one-dimensional line imagesensor[J].Sensors，2018，18（2）：472.

[12]卢宏涛，张秦川.深度卷积神经网络在计算机视觉中的应用研究综述[J].数据采集与处理，2016，31（1）：1-17.

[13]KRIZHEVSKY A，SUTSKEVER I，HINTON G E.ImageNetclassification with deep convolutional neural networks[C]//International Conference on Neural Information ProcessingSystems.2012：1097-1105.

[14]LONG M S，WANG J M，DING G G，et al.Transfer featurelearning with joint distribution adaptation[C]//IEEEInternational Conference on Computer Vision.IEEE，2014：2200-2207.

（编辑：李刚）