基于圖像配準的紙幣圖像識別方法

徐曉華 周曉飛 金野 李習倫

第3卷第6期2013年12月智 能 計 算 機 與 應 用INTELLIGENT COMPUTER AND APPLICATIONSVol.3 No.6Dec.2013

收稿日期：2013-10-24

摘要：提出了基于圖像配準的多光譜紙幣圖像識別架構，通過對紙幣圖像的配準來實現相似紙幣識別、紙幣防偽特征檢測。由于紙幣圖像同時具有顯著的結構特性和不穩定的局部特性，采用分級的變換模型對紙幣圖像配準：對于全局的剛性形變采用基于Harris角點特征的仿射變換算法，對于紙幣圖像局部非剛性形變采用基于B-樣條的FFD模型的非剛性配準算法。實驗表明，本模型能很好的完成紙幣圖像的配準，并在相似紙幣識別和紅外防偽特征檢測方面能達到較高的精確度。

關鍵詞：紙幣圖像； 圖像配準； Harris角點特征； B-樣條FFD模型

中圖分類號：TP391.4 文獻標識碼：A文章編號：2095-2163（2013）06-0078-04

0引言

圖像配準是指對同一場景在不同時間、不同視角或不同傳感器拍攝的兩幅或多幅圖像之間確定最佳匹配的過程，廣泛應用于計算機視覺、醫學診斷、遙感圖像處理等多個領域。根據變換模型的不同，圖像配準算法可以分為剛性變換和非剛性變換[1，2]。剛性配準既是針對圖像的六個自由度（三個平移分量、三個旋轉分量）的空間變換。目前的剛性配準算法研究已比較成熟，可以達到較高的配準精度。非剛性配準則涉及圖像更多的自由度變換，主要思想是將非剛性配準問題看作一個優化問題，即對待配準圖像實施特定的空間變換得到與參考圖像相似性測度最大的圖像。

紙幣圖像包含有豐富的多光譜圖像信息，為了防偽目的紙幣印刷采用多種防偽油墨，在不同的光傳感器下會呈現不同光譜圖像，主要是紅外光圖像信息和紫外光圖像信息，通過局部的防偽特征的檢測可以實現紙幣的檢偽。

由于紙幣有著相對固定的印刷格式，將待檢測紙幣與參考紙幣進行比較，是一種比較有效的紙幣圖像分析方法。但同時紙幣圖像也具有兩大不穩定因素：首先，紙幣是以紙張為介質，容易受環境溫度、濕度影響，流通中在折疊磨損的作用下會發生難以估計的變化；其次，紙幣是極其復雜的印刷品，圖案多為細小線條構成，這種局部紋理在低分辨率成像條件下，表現極不穩定，同時不同版次的紙幣圖案還會有一定的誤差（數值可達數毫米）。所以，待檢測紙幣與參考紙幣就會有較大的差異，紙幣圖像的這種特點則要求在紙幣圖像配準過程中既需要全局的剛性變換，又需要局部的非剛性變換。

本文在分析紙幣圖像特點的基礎上，提出了分級的變換模型對紙幣圖像進行配準，即首先對圖像整體上進行剛性變換，然后對圖像采用局部的非剛性變換，并取得了較好的配準結果。

1紙幣圖像配準的分級變換模型

針對待配準紙幣圖像與參考紙幣圖像之間既存在整體上的剛性形變，又有局部的非剛性畸變的特點，單一的仿射變換已經不能滿足紙幣圖像的配準，本文采用由全局形變和局部形變組成的分級變換模型對紙幣圖像進行配準。分級變換模型可以進行如下的公式化描述：

整體的空間變換T（x，y）分成兩個步驟。首先，對紙幣圖像進行全局的剛性變換Tglobal（x，y）來描述待配準紙幣圖像與參考圖像之間的整體剛性變換，此時可以采用基于Harris角點特征的剛性變換模型作為圖像整體剛性配準的空間變換模型。在此基礎上，對紙幣圖像進行局部的非剛性變換Tglobal（x，y），采用基于B樣條的FFD模型[3，4]進行描述。具體公式為：

T（x，y）=Tglobal（x，y）+Tlocal（x，y）（1）

2紙幣圖像配準

2.1紙幣圖像預處理

紙幣清分設備中，實際上都采用高速掃描裝置通過傳感器來采集紙幣圖像，在掃描時多會受到傾斜和側向移動影響，因此通常狀況下就會存在一定程度的幾何變形。圖像采集過程中，傳感器緊貼紙幣，可以忽略視角、視距對于圖像的影響，同時紙幣的原始形狀是矩形，發生幾何形變后紙幣圖像仍可以保持為平行四邊形，因此可以通過檢測紙幣圖像四條邊沿，就可以進行傾斜校正。圖1為校正前后的紙幣圖像，直接采用嶄新、無折痕的紙幣進行采樣幾何校正后作為參考紙幣圖像。

相似性測度是用來度量待配準圖像和參考紙幣圖像之間的相似程度，經典的相似性測度方法包括灰度差平方和（SSD）、互信息（MI）和互相關法。

目前，互信息[5]（Mutual Information，MI）法是一種廣泛使用的圖像配準的相似性測度方法。互信息是信息論的基本概念，通過熵值來描述兩幅圖像的互信息，表示兩幅圖像相互包含的信息量。若兩幅圖像完全相同，則兩幅圖像的互信息值達到最大，最大值為2，即兩幅圖像越相似，兩者間的互信息值越大。圖像A和B的熵分別定義為：

H（A）=-∑apA（a）logpA（a）

H（B）=-∑bpB（b）logpB（b）（2）

圖像A和B的聯合熵定義為：

H（A，B）=-∑a，bpAB（a，b）logpAB（a，b）（3）

這里，pA（a）是圖像A中像素值為a的概率，pAB（a，b）是圖像A和B灰度對（a，b）的聯合概率密度。

圖像A和B的互信息值MI（A，B）可以表示為：

MI（A，B）=H（A）+H（B）-H（A，B）（4）

為了減少互信息對兩幅圖像重疊大小的敏感性，文獻[6]提出改進形式，即歸一化互信息（NMI）：

NMI=H（A）+H（B）H（A，B）（5）

互相關法也是一種圖像配準常用的相似測度方法，該方法比較適合處理基本相似的圖像。常用的測度方法有相關系數、相關比率和局部強度均勻性測度等。這里采用了相關系數（Correlation Coefficient，CC），具體公式為：

CC=∑N-1n=0（fn-f）（gn-g）∑N-1n=0（fn-f）2∑N-1n=0（gn-g）2（6）

其中， fn和gn分別為圖像相應灰度值， f，g分別為圖像的灰度均值。相關系數CC取值范圍[-1，1]，相關系數值越大，則圖像的相似度就越高。

2.3基于Harris角點紙幣圖像全局剛性配準

圖像特征點由于定位準確，并且匹配后的特征點可以直接用來計算圖像之間的空間變換關系及具有計算量較小、特征點的相似度量對位置變換比較敏感、配準精度比較高等優點，而得到了廣泛研究和普及應用。同時，紙幣圖像具有明顯的角點信息，清分系統對時間效率要求比較高，而且也可以減少紙幣圖像局部殘污造成的影響。本文采用基于Harris角點特征[7]，對紙幣圖像進行全局的剛性配準。

Harris角點提取方法是由Harris和Stephens在1988年提出的，角點特征是通過圖像的一階梯度提取的。Harris算法通過計算每個像素點自相關矩陣M，并分析自相關矩陣的特征值來提取角點。其中：

這里，Det（M）為M的行列式的值，Tr（M）為M的跡，k為經驗值，通常取0.04—0.06。當CRF大于設定的閾值threshold，并且在規定的鄰域內取得局部極值時，該點為候選角點。

在紙幣圖像配準中，參考紙幣圖像是固定的，利用Harris角點算法提取紙幣圖像上的角點，從這些檢測到的角點中選擇一定數目的具有明顯代表性的角點特征作為參考紙幣圖像的角點特征，如圖2所示。

此后，即需要進行角點匹配[8]和控制點的選擇過程。在紙幣圖像配準過程中，首先提取待配準圖像的角點特征，然后對參考紙幣圖像上的角點與待配準圖像中的角點特征進行匹配，同時選擇控制點。

角點匹配的具體過程為：對于參考紙幣圖像上的每一個角點Corner，建立以角點為中心的大小K×K（K為奇數）的模板，在待配準圖像上環繞該角點坐標（2K+1）×（2K+1）范圍內搜索所有角點，并以每個角點為中心建立大小為K×K的模板，然后對角點Corner的中心范圍內所搜索到的全部角點進行模板操作（這里使用相關系數法）。最后，選擇相關系數最大的角點作為Corner角點的候選配準角點。對參考紙幣中的所有角點均執行相同的操作，這樣就為參考紙幣圖像中的每個角點都找到相應的候選匹配角點。

此后進行的控制點對的選擇過程為，分別以候選匹配角點對坐標為中心建立大小為k×k（k

由于紙幣圖像經過幾何校正后，可以認為從待配準圖像到參考圖像的坐標變換僅存在位移及伸縮變換，仿射變換模型可以表示為：

這里，Δx，Δy分別為偏移量，a，b分別為水平及垂直方向上的伸縮系數。將選取的兩個控制點對代入式（9）中，即可以得到所有的仿射變換參數，根據變換參數就可以對紙幣圖像進行全局的剛性配準。

2.4基于B樣條FFD模型紙幣圖像局部配準

在全局剛性配準的基礎上，接下來就是找到紙幣圖像的局部的非剛性形變。由于紙幣的印刷誤差及紙張形變，為了提高配準精度，本文采用基于B-樣條的FFD模型來描述紙幣的實際形變。FFD模型的基本思想是通過操縱嵌入在圖像上網狀控制點的擾動，來獲得參考圖像的實際形變模型。紙幣圖像的FFD控制網格，如圖3所示。

如圖3，在紙幣圖像的空間Ω上建立一個K×L個控制點組成的規則網格Φ，網格之間的交點為控制點。δx，δy分別為控制點之間的橫向、縱向距離，ij表示控制網格的第i，j個控制點，其中，i=1，…，K，j=1，…，L。T：（x，y）→（x′，y′）表示待配準圖像上任意像素點（x，y）到參考圖像相對應像素點（x′，y′）的形變。給定一個網格控制點ij，則紙幣圖像上任意像素點的變形T（x，y）定義為：

B樣條具有局部控制特性，對圖像上任意一像素點的變形僅受到周圍4×4鄰域的控制點的影響，采用B樣條可以更有效率地計算具有大量控制點的圖像。

2.5基于圖像配準的多光譜紙幣圖像識別架構

基于圖像配準的多光譜紙幣圖像識別架構如圖4所示。

3實驗結果與結論分析

如圖5所示，以圖像（a）為標準參考紙幣圖像，首先對待檢測紙幣圖像（b）進行基于Harris角點特征的仿射配準，配準前的差值圖像為（c），配準后的差值圖像為（d），然后在此基礎上對待檢測紙幣圖像進行基于B-樣條的FFD非剛性變換，使用灰度差方和梯度下降法作為配準的優化函數和優化方法，配準后的差值圖像為（e）。

相似紙幣識別是在紙幣圖像全局配準的基礎上，計算兩圖像之間的相似度，這里使用歸一化互信息（NMI）作為相似度測度，當相似度超過給定的閾值δ時，則判定為具有相同面值面向。實驗中選用美元紙幣50美元、20美元、10美元和5美元四種面值的紙幣圖像，每種面值大約有120個樣本，共有四種面向。通過對樣本訓練學習，當相似度閾值δ=1.10時，只有大約3%的誤識情況。

紙幣紅外防偽特征檢測是檢測紙幣紅外圖像中關鍵防偽特征圖案與標準圖像之間的相似程度，全局的剛性配準不能滿足鑒偽要求的高精確度，所以要先對紙幣紅外圖像進行局部非剛性配準，在此基礎上檢測關鍵防偽區域。實驗中選取50美元和20美元兩種面值紙幣圖像，選擇頭像和建筑作為關鍵區域，而選用相關系數作為相似度測度。實驗結果顯示，關鍵區域的相關系數值基本都超過 0.75。

本文提出的分級配準模型能很好完成多光譜紙幣圖像的配準，并且在相似紙幣識別和關鍵紅外防偽特征檢測方面取得良好的效果。

參考文獻：

[1]王海南，赫重陽，雷方元，等. 非剛性醫學圖像配準研究綜述 [J]. 計算機工程與應用， 2005 ， 41（11）： 180-184 .

[2]彭曉明，陳武凡，馬茜. 基于B樣條的快速彈性圖像配準方法[J]. 計算機工程與應用， 2006， 42（11） ：186 -189.

[3]SEDERBERG TW， Free-form deformation of solid geometric models[J]. ACM SIGGRAPH Computer Graphics， 1986，20（4）：151-160

[4]RUECKERT D， et al. Nonrigid registration using free-form deformations： application to breast MR images[J]. IEEE Transactions on Medical Imaging， 1999，18（8）：712-721.

[5]MAESF， et al. Medical image registration using mutual information[J]. Proceedings of the IEEE， 2003，91（10）：1699-1722.

[6]STUDHOLME C，HILL D LG，HAWKESDJ. An overlap invariant entropy measure of 3D medicalimage alignment [ J] . Pat t ern Recognit ion， 1999， 32（ 1） ： 71 -86.

[7]TRAJKOVIEM， HEDLEY M.Fast corner detection[J].Image and vision computing1998，16：75-87.

[8]ZHOU Ji， SHI Jiao-ying.A robust algorithm for feature point matching[J].Computers & Graphics， 2002， 26： 429- 436.