基于幾何特征匹配的紙幣水印視覺識別算法研究*

鐘球盛，譚小蔓，謝宏威，張清華

0 引言

20世紀90年代，研究人員把視覺處理技術應用于紙幣的清分機中，現有的紙幣識別技術主要包括以下幾類，具體如下。

（1）神經網絡。日本Takeda采用神經網絡技術對紙幣的特征進行訓練，訓練結果良好，得以成功應用。Frosini[1]也是以神經網絡技術為核心，實現紙幣的高效率圖像識別。Yang[2]基于拉普拉斯變化與BP神經網絡實現了人民幣紙幣序列的分割與識別。該方法采用區域生長算法實現序列號分割，并基于神經網絡實現分割特征的識別。

（2）模板匹配。張國華[3]采用了模板匹配技術對紙幣進行檢測，雖然有效降低了相似紙幣的錯誤識別，但對舊幣、污損嚴重的紙幣，匹配誤差仍然較大。

（3）支持向量機。李文宏[4]采用了支持向量機的方法實現紙幣冠字號碼的識別，有效解決了學習樣本過少、維度災難及局部極小值的問題，在字符識別中取得較好的成果。

（4）高斯混合模型。孔繁輝[5]把高斯混合模型分類器應用到紙幣分類中，實現基于結構風險最小化，該方法具有適應性好、可靠性高和準確率高等優點。Lee[6]提出了一種圖像分割算法，用于實現紙幣的自動化檢測。該方法采用紫外LED表征紙幣水印的內嵌圖案，并采用了高斯混合模型對直方圖的特征進行估計。

此外，Perera[7]研究了一種基于顏色特征的分類器，完成了紙幣面值的識別，該系統造價低且結構簡單。

1 系統構成

1.1 系統原理

系統原理圖如圖1所示。進料機構可實現重疊紙幣的逐張展平并把紙幣傳送至相機視場內。通過采用紫外LED光源，可使得紙幣的水印區域得到明顯的增強和凸顯。在外觸發傳感器與觸發電路的作用下，每當有紙幣出現在相機視場內，相機采集水印區域圖像并傳遞給計算機。圖像數據經過特定算法的處理與識別，處理結構驅動分類機構運動，對應不同面值的紙幣將被分類至不同的容器當中。

圖1 系統原理示意圖

1.2 光學成像

成像結構采用的光源高功率低角度紫外LED光源，額定功率為16 W，外形尺寸為L×W×H=120 mm×100 mm×43 mm，波長為365 nm，額定電壓為24 V，額定電流為300 mA。采用的工業相機為point grey的USB相機，分辨率為1280×960。而鏡頭選用奧普特高分辨率500級別25 mm工業鏡頭。通過該成像結構可實現不同面值的RMB紙幣成像，成像效果如圖2所示。

圖2 成像效果圖

2 特征選擇

本研究所選擇的特征主要包括目標水印的長度、寬度、面積、彎曲度、填充率、目標數量等。以圖1中的圖像以作說明，提取多種不同面值紙幣的特征值，如表1所示。可見，在理想情況下，顯著的分類特征包括：100元的目標數量、10元的符號“1”的寬度或填充率、20元的符號“0”的面積值。其中，寬度與高度的單位為像素，面積的單位為像素平方，填充率無單位。

但是實際情況較為復雜，目標水印面值或多或少被掩蓋，并且覆蓋的區域具有一定的隨機性，或者其它原因，最終導致目標分割與提取不完整。因此，在算法設計上需要對上述多種幾何特征值進行綜合分析與決策。

表1 不同面值紙幣的水印特征值

3 算法設計

算法流程如圖3所示，成像系統采集得到的圖像為24色真彩色。通過分離圖像的綠色通道（G通道）能有效增強目標水印的顏色特征；然后轉為256級灰度圖，采用最佳閾值分割法分割圖像；基于BOLB分析提取目標的面積特征，實現目標的定位與提取；最后提取目標的多個特征實現決策分類。

圖3 算法流程圖

本文所設計的決策樹如圖4所示。為了簡化說明，分析目標提取理想化狀態下的目標數據特征。采用目標數量特征、目標最小寬度特征與目標最小面積特征構建決策分類樹。以目標數量特征分離100元面值，接著以目標最小寬度特征分離10元面值，最后以目標最小面積特征區分20元與50元面值。

圖4 決策樹示意圖

4 實驗研究

為了方便顯示，通過截取目標水印區域圖像以作簡要說明。如圖5所示，從第一行到第五行分別為：原始圖像、G通道圖、圖像分割圖與目標提取圖。可見，目標圖像得以有效提取。測試算法以Visual Studio集成開發環境為基本工具，利用C/C++語言，采用MFC技術開發實現，并在硬件平臺宏基筆記本電腦（i5處理器，4G內存，WindowsXP操作系統）進行測試。測試過程選用發布版本進行測試，并以clock()作為運行耗時評價函數。算法的識別速度高達50 ms每幀，并且能夠準確識別的較新紙幣。但對于紙幣破舊、水印不清晰、紙幣污損等情況，識別率明顯降低，甚至無法識別。

圖5 目標水印區域的處理過程圖像

5 結論

本文基于幾何特征匹配原理，采用紫外光實現目標水印區域成像，提出了一種人民幣紙幣的面值識別算法與系統，實現了多種不同面值紙幣的有效識別，在一定程度上具備了鑒別假幣的能力。實驗結果表明該算法可實現紙幣面值的識別正確率約為95%，識別速度約為50毫秒/張；并且該算法還可實現不完整殘缺目標的識別，如目標被金線遮擋，或目標被深色圖案掩蓋的情況。

該算法仍有很大的優化空間，目前算法只能識別的RMB紙幣面值為100元、50元、20元、10元。算法可進一步優化，可識別更多的不同面值紙幣(如，5元，2元、1元、5角、1角等)。此外，當傳送結構出現故障時，或紙幣出現重疊，或紙幣殘缺，算法正確識別率較低，甚至無法識別，通過算法改良可增強算法適應性和可靠性。

參考文獻：

［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］張國華，梁中華.一種基于模板匹配的人民幣紙幣面額識別方法 ［J］.沈陽工業大學學報，2005，27（4）： 439-442.

［4］李文宏，田文娟，王霞.基于支持向量機的人民幣紙幣序列號識別方法［J］.信息與控制， 2010，39（4）： 462-465.

［5］孔凡輝.高速清分機人民幣面值面向識別技術的研究［D］.哈爾濱：哈爾濱工業大學，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.