王　朋,　劉　鵬,　張春晶　吳　銳

(1.黑龍江科技大學(xué) 電氣與信息工程學(xué)院, 哈爾濱 150022;2.哈爾濱工業(yè)大學(xué) 計算機(jī)科學(xué)與技術(shù)學(xué)院, 哈爾濱 150001)

?

一種紙幣圖像特征提取方法

王朋1,劉鵬2,張春晶1吳銳2

(1.黑龍江科技大學(xué) 電氣與信息工程學(xué)院, 哈爾濱 150022;2.哈爾濱工業(yè)大學(xué) 計算機(jī)科學(xué)與技術(shù)學(xué)院, 哈爾濱 150001)

針對紙幣在清分機(jī)中運(yùn)動時,圖像發(fā)生尺寸、旋轉(zhuǎn)和平移的現(xiàn)象,提出一種對尺寸、旋轉(zhuǎn)和平移運(yùn)動不敏感的特征提取方法。該方法通過紙幣邊緣提取、尺寸計算及傾斜校正預(yù)處理,采用貝葉斯最大后驗(yàn)概率法擬合邊緣,將所確定的圖像區(qū)域等分為M×N個單元，提取其特征,消除數(shù)據(jù)的不一致性,紙幣分類的準(zhǔn)確率達(dá)99.9%以上。該方法計算復(fù)雜性低,能夠滿足紙幣清分機(jī)對圖像處理和分類的實(shí)時性要求。

紙幣分類; 不變特征; 神經(jīng)網(wǎng)絡(luò); 圖像處理

0　引　言

在紙幣清分、名片識別、票據(jù)識別等圖像處理設(shè)備中,由于實(shí)時性的要求,紙幣、票據(jù)、名片等高速通過圖像采集通道時會產(chǎn)生旋轉(zhuǎn)、平移等問題,導(dǎo)致獲取圖像的分辨率較低,造成特征提取及識別困難。尤其是對于紙幣清分機(jī),當(dāng)紙幣在紙幣清分機(jī)中運(yùn)動時,紙幣在通道中的運(yùn)動是復(fù)雜的。由于拖動紙幣運(yùn)動的左右兩個壓輪的摩擦力不同,使紙幣不僅有垂直方向的運(yùn)動還有水平方向的運(yùn)動,因線陣傳感器CIS的成像機(jī)理,獲得的紙幣圖像包括了旋轉(zhuǎn)和平移兩種變形,另外,不同紙幣在運(yùn)動時與CIS的距離不同,相同面額紙幣在圖像中的面積也是不同的。因此，一種簡單、穩(wěn)定、有效的紙幣圖像特征提取方法是提高紙幣分類可靠性的有效途徑[1-6]。A.Ahmadi提出的基于局部主成分分析PCA特征提取方法能夠提高紙幣分類可靠性,局部PCA方法[7]克服了傳統(tǒng)PCA方法全局線性的特點(diǎn),但因其矩陣乘法運(yùn)算的復(fù)雜性不能滿足實(shí)時系統(tǒng)的要求。文獻(xiàn)[8]提出了模糊聚類方法,用于多光譜紙幣圖像的聚類分析。由于多光譜圖像的使用,提高了分類的可靠性,但該方法需要更多的硬件資源用于存儲數(shù)據(jù),這對于具有體積和成本要求的嵌入式系統(tǒng)是困難的。

筆者提出一種不受尺寸、旋轉(zhuǎn)和平移等影響的紙幣特征提取方法。該方法適用在高速紙幣通道中獲得的紙幣圖像特征提取,而且計算過程簡單,能夠滿足實(shí)時系統(tǒng)要求。最后,使用3層BP神經(jīng)網(wǎng)絡(luò)對紙幣的面值和朝向進(jìn)行識別。

1　不變特征提取

1.1紙幣的尺寸、旋轉(zhuǎn)和平移

在紙幣處理設(shè)備中,壓輪推動紙幣通過CIS。通常,紙幣的速度小于壓輪的速度。假設(shè)壓輪的速度為v0,紙幣的速度為v1,則v0=v1+v,v≥0。盡管硬件平臺中的FPGA通過一個編碼器監(jiān)視壓輪的轉(zhuǎn)速,通過編碼器的輸出控制CIS的曝光時間,但編碼器只能近似地反映紙幣的運(yùn)行速度,因此,同面額紙幣圖像的高度是變化的。另外,左右兩個壓輪由于加工誤差,使它們的直徑不同,左右壓輪的線速度是不同的,所以紙幣圖像會發(fā)生旋轉(zhuǎn)變化。文中設(shè)計的圖像處理和分析系統(tǒng)可以承受的最大旋轉(zhuǎn)角度為±15°。由于紙幣進(jìn)入通道時的位置不同,紙幣圖像會發(fā)生平移變換。紙幣圖像的尺度、旋轉(zhuǎn)和平移變化給紙幣圖像特征提取和分類帶來困難,因此,提出一種簡單、穩(wěn)定、有效的紙幣圖像特征提取方法是必要的。

1.2特征矢量

紙幣圖像被分割為M×N個區(qū)域,如圖1所示。每個區(qū)域的平均灰度構(gòu)成特征矢量中的元素。平均亮度是一階統(tǒng)計量,它的計算復(fù)雜性低。令F表示特征矢量,對它的元素進(jìn)行歸一化處理,fi, j表示歸一化后的第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)是在區(qū)域(i,j)中位置(p,q)處的像素灰度。

圖1　紙幣的特征區(qū)域

1.3特征區(qū)域的定位

假設(shè)紙幣圖像的寬度和高度分別為w和h。從坐標(biāo)(w/2,0)開始到坐標(biāo)(w/2,h/2)沿垂直方向開始搜索,第一個灰度變化點(diǎn)pt,0是紙幣的邊緣點(diǎn)。pt,0的灰度明顯大于背景像素的灰度。設(shè)pt,0的坐標(biāo)為(w0,h0),其中w0=w/2。pt,0是紙幣水平方向邊緣的搜索起點(diǎn),在圖像坐標(biāo)范圍(w0-s,h0-ε)到(w0-s,h0+ε)搜索紙幣的水平方向邊緣,其中s是水平移動補(bǔ)償,ε為垂直方向搜索范圍。在這個搜索范圍內(nèi),最大亮度變化點(diǎn)是下一個紙幣水平方向邊緣點(diǎn),記為pt,-1。pt,-1,坐標(biāo)記為(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個紙幣水平方向邊緣點(diǎn)pt,-2,它的坐標(biāo)為(w-2,h-2),其中w-2=w-1-s,h-1-ε≤h-2≤h-1+ε。如果從pt,0開始在(w0+s,h0-ε)到(w0+s,h0+ε)范圍內(nèi)搜索,可以得到pt,0右側(cè)的紙幣水平方向邊緣點(diǎn)。紙幣水平方向邊緣點(diǎn)序列記為Pt。

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

(4)

在Pt中每一個元素是紙幣的上邊緣像素點(diǎn)。在計算過程中,中間點(diǎn)pt,0總是首先被發(fā)現(xiàn)的。下一個邊緣點(diǎn)的搜索受到參數(shù)s和ε的約束。搜素位置由下式計算:

令R和S分別是pt,0點(diǎn)左右兩側(cè)紙幣邊緣點(diǎn)的數(shù)量,則點(diǎn)序列Pt的長度為R+S+1。如果R+S+1小于20,或第一個邊緣得按pt,0在(w/2,0)到(w/2,h/2)區(qū)域內(nèi)沒有搜素到,這意味著紙幣扭曲過于嚴(yán)重,紙幣將被拒識。

使用相同的方法可以得到紙幣的下邊緣,左邊緣和右邊緣。

采用貝葉斯最大后驗(yàn)概率法擬合紙幣邊緣。設(shè)紙幣圖像上邊緣直線方程為Lt:y=ktx+bt,同樣的下邊緣,左邊緣和右邊緣直線方程分別為Lb:y=kbx+bb,Ll:y=klx+bl和Lr:y=krx+br,其中直線參數(shù)k·和b·由下式計算

紙幣在圖像中的水平角和垂直角分別為

紙幣在圖像中的4個頂點(diǎn)坐標(biāo)通過計算直線Lt、Lb、Ll、Lr之間的交點(diǎn)獲得,分別記為左上角頂點(diǎn)(x0,y0),左下角頂點(diǎn)(x1,y1),右下角頂點(diǎn)(x2,y2)和右上角頂點(diǎn)(x3,y3)。紙幣的寬度和高度可以根據(jù)頂點(diǎn)之間的距離及傾斜角度計算:

紙幣上每個區(qū)域的寬度和高度分別為wb/M和hb/N。紙幣區(qū)域的分割根據(jù)紙幣的水平角和垂直角進(jìn)行。這種分割方法是紙幣特征區(qū)域的尺寸依據(jù)紙幣的實(shí)際尺寸和旋轉(zhuǎn)角度自適應(yīng)變化,對邊緣的檢測從紙幣邊緣的中間點(diǎn)向兩側(cè)擴(kuò)展,適應(yīng)紙幣在圖像中的平移變化。因此,提出的紙幣特征提取方法具有尺度、旋轉(zhuǎn)和平移不變性。

令在紙幣特征區(qū)域中像素的坐標(biāo)為(i,j),i∈{0,1,…,hb},j∈{0,1,…,wb}。因?yàn)榧垘判D(zhuǎn),有必要計算該像素水平和垂直兩個方向上的偏移量。由于每一個特征區(qū)域的面積很小,所以像素的偏移量可以使用下式近似的計算:

(1)

(2)

像素點(diǎn)的實(shí)際坐標(biāo)為(i+Δi,j+Δj)。在式(1)和式(2)中偏移量的計算也依據(jù)了紙幣旋轉(zhuǎn)的角度,所以,在局部區(qū)域中特征提取對旋轉(zhuǎn)時是不敏感的。

2　實(shí)驗(yàn)結(jié)果

對人民幣、歐元和美元三種紙幣使用文中提出的方法進(jìn)行特征提取和分類，分類器使用3層BP神經(jīng)網(wǎng)絡(luò)。在特征提取時，紙幣邊緣點(diǎn)搜索參數(shù)步長s=6，范圍約束ε=8。紙幣局部區(qū)域垂直方向分割數(shù)量M=8，對水平方向取不同的分割數(shù)量進(jìn)行了實(shí)驗(yàn)。在不同水平方向分割數(shù)量N時的紙幣分類準(zhǔn)確率c結(jié)果如圖2所示，從圖中可以看出，隨著分割數(shù)量的增加，識別準(zhǔn)確率顯著提高。

圖2　紙幣特征區(qū)域不同對識別效果的影響

Fig. 2Relationship between classification reliability and feature blocks

表1紙幣分類數(shù)據(jù)

Table 1Classification correct rate with parameters

對人民幣、歐元和美元三種紙幣的不同面值、面向分別采用不同的訓(xùn)練樣本數(shù)進(jìn)行特征提取和分類實(shí)驗(yàn)，分類準(zhǔn)確率見表1，實(shí)驗(yàn)結(jié)果表明，文中提出的方法可以在少量訓(xùn)練樣本的情況下取得較好的效果，對人民幣、美元、歐元均有較好的適應(yīng)性，分類準(zhǔn)確率達(dá)99.9%以上。

3　結(jié)束語

文中提出了一種紙幣特征提取方法。該方法對紙幣的尺度、旋轉(zhuǎn)和平移變化時不敏感,實(shí)驗(yàn)結(jié)果表明,該方法的分類準(zhǔn)確率達(dá)99.9%以上,其計算復(fù)雜性較低,能夠滿足紙幣清分機(jī)實(shí)時性要求。

[1]蓋杉, 劉鵬, 劉家鋒, 等. 基于Haar小波和模糊邏輯的紙幣圖像特征提取方法[J]. 高技術(shù)通讀, 2010, 23(11): 1149-1155.

[2]蓋杉, 劉鵬, 劉家鋒, 等. 新的紙幣圖像特征提取方法[J]. 通信學(xué)報, 2010, 31(4): 128-133.

[3]劉春媛, 徐為. 基于二值圖像層次識別字符特征的融合算法[J]. 黑龍江科技學(xué)院學(xué)報, 2007, 17(5): 403-406.

[4]劉家鋒, 劉松波, 唐降龍. 一種實(shí)時紙幣識別方法的研究[J]. 計算機(jī)研究與發(fā)展, 2003, 43(7): 159-163.

[5]錢剛, 丁萬山. 基于ARM及CPLD的紙幣圖像采集系統(tǒng)的設(shè)計[J]. 計算機(jī)測量與控制, 2007, 15(5): 683-685.

[6]郭艷平, 侯鳳貞. 紙幣面值識別系統(tǒng)圖像分割技術(shù)的算法[J]. 重慶工學(xué)院學(xué)報, 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.

(編輯李德根)

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

黑龍江省教育廳科學(xué)技術(shù)研究項(xiàng)目(12533058)

王朋(1976-),女,吉林省吉林人,講師,碩士,研究方向:圖像處理、模式識別,E-mail:wphit@126.com。

10.3969/j.issn.1671-0118.2013.03.020

TP391.43

1671-0118(2013)03-0308-03

A