陳龍　陳婷　袁瑩靜　周芷儀　謝鵬輝

摘 ?要： 隨著信息化時(shí)代的到來(lái)，智能識(shí)別成為研究的熱點(diǎn)，本文以人民幣識(shí)別為研究對(duì)象，運(yùn)用Matlab軟件系統(tǒng)中所提供的神經(jīng)網(wǎng)絡(luò)工具箱，結(jié)合圖像處理技術(shù)，實(shí)現(xiàn)對(duì)各種不同面值紙質(zhì)版人民幣的識(shí)別。本文主要針對(duì)六種不同面值的紙幣，即一元，五元，十元，二十元，五十元，一百元的人民幣進(jìn)行了識(shí)別，首先通過(guò)樣本集構(gòu)建，圖像預(yù)處理，特征提取，矩陣轉(zhuǎn)置，樣本與樣本標(biāo)簽建立一一對(duì)應(yīng)關(guān)系，生成相應(yīng)的訓(xùn)練和測(cè)試矩陣，進(jìn)而通過(guò)BP神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)矩陣進(jìn)行分類(lèi)訓(xùn)練，通過(guò)一定的訓(xùn)練次數(shù)后，該系統(tǒng)對(duì)人民幣的識(shí)別率可達(dá)到98.33%以上，具有較高的參考價(jià)值。

關(guān)鍵詞：?人民幣識(shí)別;Matlab軟件;特征提取;BP神經(jīng)網(wǎng)絡(luò)

中圖分類(lèi)號(hào)： TP315????文獻(xiàn)標(biāo)識(shí)碼：?A????DOI：10.3969/j.issn.1003-6970.2020.02.028

【Abstract】： With the advent of the information age， intelligent identification has become a hot topic of research. This paper takes RMB identification as the research object， USES the neural network toolbox provided by Matlab software system and combines image processing technology to realize the identification of paper RMB of various denominations. This article mainly aims at six different denominations of notes， and the 1yuan， 5yuan， 10 yuan， 20 yuan， 50 yuan， 100 yuan RMB for the identification， first by sample set build， image preprocessing， feature extraction， and matrix transpose， sample a one-to-one relationship with sample label， generate the corresponding training and test matrix， and then by the BP neural network to classify data matrix training， after a certain number of training， the system can achieve more than 98.33% recognition rate for the renminbi， which has high reference value.

【Key words】： RMB recognition; Matlab software; Feature extraction; BP neural network

0??引言

紙幣的流傳已具有悠久的歷史，對(duì)于紙幣的識(shí)別方法也已存有很多不同的研究方法，從最初的人工識(shí)別到現(xiàn)在的基于信息化的識(shí)別方法，它們都存在著自身的優(yōu)點(diǎn)和缺陷，人工識(shí)別過(guò)程中，準(zhǔn)確率相對(duì)較高，但大量的重復(fù)操作易使人產(chǎn)生反感和厭惡情緒，同時(shí)容易使人產(chǎn)生疲勞感。隨著信息化時(shí)代的到來(lái)，傳統(tǒng)識(shí)別方法的缺陷就更多的暴露出了出來(lái)。運(yùn)用科學(xué)的識(shí)別方法解決紙幣的識(shí)別成為研究的熱點(diǎn)?，F(xiàn)階段常用的紙幣識(shí)別方法主要有尺寸比較法、模板匹配、人工神經(jīng)網(wǎng)絡(luò)[1]等。在神經(jīng)網(wǎng)絡(luò)系統(tǒng)中，有BP網(wǎng)絡(luò)、RBF網(wǎng)絡(luò)、SOM網(wǎng)絡(luò)、級(jí)聯(lián)相關(guān)網(wǎng)絡(luò)、Elman網(wǎng)絡(luò)、Boltzmann機(jī)等，其中BP神經(jīng)網(wǎng)絡(luò)是較常見(jiàn)的一種，它是一種以誤差反向傳播為基礎(chǔ)的前向網(wǎng)絡(luò)，具有非常強(qiáng)的非線性映射能力[2]。本文運(yùn)用Matlab軟件中神經(jīng)網(wǎng)絡(luò)工具箱針對(duì)六種不同面值的人民幣即一元，五元，十元，二十元，五十元，一百元進(jìn)行訓(xùn)練學(xué)習(xí)，將訓(xùn)練后的結(jié)果運(yùn)用于不同面值人民幣識(shí)別，可以很好的解決人工識(shí)別所帶來(lái)的弊端。

1 ?相關(guān)理論及方法

1.1??BP 神經(jīng)網(wǎng)絡(luò)

誤差逆?zhèn)鞑ニ惴╗3]，簡(jiǎn)稱BP，它是迄今最成功的神經(jīng)網(wǎng)絡(luò)算法，現(xiàn)實(shí)任務(wù)中使用神經(jīng)網(wǎng)絡(luò)時(shí)，大多是在使用BP算法進(jìn)行訓(xùn)練。

BP神經(jīng)網(wǎng)絡(luò)一般有以下特點(diǎn)：（1）一般是具有多層結(jié)構(gòu)，包含有一個(gè)輸入層，一個(gè)輸出層，還有若干的隱含層，圖1是一層神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)圖形。（2）激活函數(shù)采用典型的Sigmoid函數(shù)，他把可能在較大范圍內(nèi)變化的輸入值擠壓到（0，1）輸出值范圍內(nèi)因此有時(shí)也稱為“擠壓函數(shù)”[4]，函數(shù)表達(dá)式為sigmoid（x）=1/（1+），函數(shù)圖像如圖2所示。（3）BP算法基于梯度下降[5]策略，以目標(biāo)的負(fù)梯度方向?qū)?shù)進(jìn)行調(diào)整。

1.2 ?LM算法

Levenberg-Marquardt又稱萊文貝格-馬夸特方法（Levenberg–Marquardt algorithm）能提供數(shù)非線性最小化（局部最?。┑臄?shù)值解。此算法能借由執(zhí)行時(shí)修改參數(shù)達(dá)到結(jié)合高斯-牛頓算法以及梯度下降法的優(yōu)點(diǎn)，并對(duì)兩者之不足作改善[6]。在實(shí)際運(yùn)用中由于網(wǎng)絡(luò)中所含有的神經(jīng)元數(shù)相對(duì)較多，想要取得較快的收斂速度，可采用LM算法。LM算法是介于牛頓法與梯度下降法之間的一種非線性優(yōu)化方法，它具有自身的獨(dú)有特性，使得運(yùn)用LM算法時(shí)可以很好的應(yīng)對(duì)參數(shù)過(guò)多的問(wèn)題，它使得在求解函數(shù)全局最優(yōu)問(wèn)題時(shí)，減少了陷入局部最優(yōu)的概率，因此常用其處理解決冗余參數(shù)問(wèn)題[7]，這些特性使得LM算法在計(jì)算機(jī)視覺(jué)等領(lǐng)域得到廣泛應(yīng)用。LM算法的具體表現(xiàn)形式如下圖3所示。

其中w（n+1）為第n+1次迭代時(shí)的權(quán)值，可根據(jù)第n次迭代結(jié)果w（n）解得。H為函數(shù)的海賽矩陣，其中包含了誤差函數(shù)的倒數(shù)信息。Oi為第i個(gè)向量實(shí)際輸出，ti為第i個(gè)向量的理想輸出值，因而有H=JTJ，?其中J為雅可比矩陣，如果求得的-[JTJ+μI]-1JTe 能使誤差指標(biāo)函數(shù)降低，則μ降低，反之，則μ增加[8]。當(dāng)μ=0時(shí)，LM算法轉(zhuǎn)換為擬牛頓法。當(dāng)μ很大時(shí)，LM算法相當(dāng)于步長(zhǎng)值較小的梯度下降法。

2 ?BP神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別

本文對(duì)于人民幣的識(shí)別具體可分為圖片預(yù)處理，模型的構(gòu)建與測(cè)試。

2.1 ?圖片預(yù)處理

我們獲得的圖像通常都是彩色圖像，由于這些彩色圖像尺寸不一、干擾噪聲大，而且需要很大的存儲(chǔ)開(kāi)銷(xiāo)，所以首先要對(duì)它進(jìn)行預(yù)處理[9]。人民幣圖像的預(yù)處理是人民幣識(shí)別中一個(gè)非常重要的模塊，直接影響到后續(xù)圖像識(shí)別的效果。通過(guò)人民幣圖像預(yù)處理模塊，不但能去除圖像噪聲、提高圖像質(zhì)量、降低人民幣識(shí)別中要遇到的各種阻擾因素，而且可以有效地降低系統(tǒng)的存儲(chǔ)空間需求。具體實(shí)現(xiàn)方法有以下步驟，首先對(duì)于采集的彩色圖像首先進(jìn)行相應(yīng)的灰度處理，邊緣提取，膨脹和相應(yīng)特定區(qū)域的裁剪，將我們所需要的特定區(qū)域提取出來(lái)，為后期的特征提取做好鋪墊。具體實(shí)現(xiàn)步驟如下所示：

（1）導(dǎo)入圖片集，運(yùn)用函數(shù)將待處理圖像導(dǎo)入，并獲取文件路徑和文件名。

（2）在人民幣的流通過(guò)程中，不可避免的會(huì)產(chǎn)生污損，這就會(huì)對(duì)圖片在進(jìn)行特征提取的時(shí)候會(huì)產(chǎn)生很大的影響，因此需要對(duì)收集到的圖片進(jìn)行去噪聲處理，本文所采用的處理方式為依次對(duì)待處理圖像進(jìn)行灰度處理，運(yùn)用canny算子進(jìn)行邊緣提取，圖像腐蝕，圖像平滑，移除小對(duì)象，轉(zhuǎn)換圖像精度，橫向掃描和縱向掃描后，去除無(wú)關(guān)的噪聲影響，獲得了較為清晰的待分析區(qū)域圖像，獲得的圖片預(yù)處理進(jìn)后的圖像如下圖4所示。

從圖4可以看出，經(jīng)過(guò)預(yù)處理后的圖像，去除了無(wú)關(guān)噪聲的影響，獲得了較為清晰的圖片區(qū)域，進(jìn)而可以進(jìn)行特征提取，將特征值轉(zhuǎn)化為相應(yīng)矩陣，獲取相關(guān)訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集。

2.2??模型的構(gòu)建與測(cè)試

在模型搭建階段，由于不同參數(shù)的神經(jīng)網(wǎng)絡(luò)所訓(xùn)練出的結(jié)果是不一樣的，經(jīng)反復(fù)測(cè)驗(yàn)后選取訓(xùn)練次數(shù)為5000，精度5e-12。創(chuàng)建BP神經(jīng)網(wǎng)絡(luò)，運(yùn)用BP神經(jīng)網(wǎng)絡(luò)對(duì)保存數(shù)據(jù)集進(jìn)行訓(xùn)練，構(gòu)建出模型，并對(duì)訓(xùn)練結(jié)果用測(cè)試集數(shù)據(jù)進(jìn)行測(cè)驗(yàn)。檢測(cè)結(jié)果如下圖2-2所示，針對(duì)不同面值的人民幣平均測(cè)試識(shí)別率為98.33%，具有較高的參考和應(yīng)用價(jià)值。

3??結(jié)論

本文中針對(duì)六種不同面值即一元，五元，十元，二十元，五十元，一百元的人民幣進(jìn)行了識(shí)別，根據(jù)不同面值紙幣提取它們各自所具有的特征值，運(yùn)用BP神經(jīng)網(wǎng)絡(luò)根據(jù)它們的特征值矩陣進(jìn)行分類(lèi)訓(xùn)練，從而實(shí)現(xiàn)不同面值紙幣的識(shí)別，具有一定的理論和現(xiàn)實(shí)意義。通過(guò)對(duì)不同面值的人民幣進(jìn)行處理和識(shí)別，可將其用于自動(dòng)化的智能賬目核對(duì)，對(duì)于BP神經(jīng)網(wǎng)絡(luò)的研究和學(xué)習(xí)現(xiàn)階段已經(jīng)有和很多文獻(xiàn)，但對(duì)于不同的問(wèn)題，運(yùn)用不同的方法去解決會(huì)取得相對(duì)較好的結(jié)果，本文對(duì)于人民幣的識(shí)別中存在的優(yōu)點(diǎn)如下：

（1）對(duì)樣本處理階段運(yùn)用多階段圖像處理，實(shí)現(xiàn)了較好的特征提取。

（2）根據(jù)測(cè)試結(jié)果來(lái)看，識(shí)別率相對(duì)較高，具有一定的應(yīng)用價(jià)值。

同時(shí)通過(guò)多次的選取不同的訓(xùn)練次數(shù)來(lái)進(jìn)行測(cè)驗(yàn)，發(fā)現(xiàn)在不同的訓(xùn)練結(jié)果下存在不同的識(shí)別率，最佳識(shí)別率在5000左右取得。

參考文獻(xiàn)

金曦， 張健， 邵妍. 基于數(shù)字圖像處理的人民幣紙幣面值識(shí)別[J]. 黑龍江科技信息， 2010（3）： 68-69.

陳明. Matlab 神經(jīng)網(wǎng)絡(luò)原理與實(shí)例精解[M]. 北京： 清華大學(xué)出版社， 2012.

王宏濤， 孫劍偉. 基于BP 神經(jīng)網(wǎng)絡(luò)和SVM 的分類(lèi)方法研究[J]. 軟件， 2015， 36（11）： 96-99.

周志華. 機(jī)器學(xué)習(xí)[M]. 北京： 清華大學(xué)出版社， 2016.

安大海， 蔣硯軍. 基于BP 神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別系統(tǒng)[J]. 軟件， 2015， 36（12）： 76-79.

董揚(yáng)帆. 基于紋理識(shí)別和卷積神經(jīng)網(wǎng)絡(luò)的人民幣識(shí)別技術(shù)研究[D]. 武漢大學(xué)， 2018.

姚楠， 耿奇. 基于MATLAB GUI 的車(chē)牌自動(dòng)識(shí)別系統(tǒng)設(shè)計(jì)[J]. 軟件， 2016， 37（3）： 44-46.

呂新， 鄭士富. 一種BP神經(jīng)網(wǎng)絡(luò)紙幣圖像識(shí)別方法的研究[J]. 山西建筑， 2014， 40（30）： 286-287.

秦潔， 張明舉. 人民幣面值特征參數(shù)提取及面值識(shí)別方法的研究[J]. 長(zhǎng)春師范大學(xué)學(xué)報(bào)， 2019， 38（02）： 50-53.