基于多光譜圖像信息融合的紙幣鑒別?

薛利明 吳 杰 王軍敏

（溫州市質量技術監督檢測院 溫州 325025）

1 引言

隨著我國經濟的快速發展以及國際貨幣基金組織批準人民幣加入特別提款權貨幣籃子，人民幣紙幣作為重要的流通貨幣在我國以及全球金融市場中承擔著越來越重要的角色。在此背景下，加快反假貨幣鑒別技術的研究，是保證我國金融安全，維護人民幣在國際金融市場地位的重要技術保障。目前，市場上的很多人民幣鑒別儀只利用紙幣的部分光學特征和磁性特征進行鑒別，遠沒有達到對紙幣全幅特征進行全面鑒別的水平，其鑒別能力落后于制假技術的發展；同時，當發行新版紙幣時，為了鑒別新版的紙幣，很多鑒別設備都需要對硬件電路進行修改，這也增加了鑒別設備的設計成本和設計周期。

隨著計算機技術和圖像識別技術的發展，利用紙幣的多光譜圖像信息進行鑒別成為重要的發展趨勢。Sarfraz［1］利用紙幣圖像的尺寸信息對沙特紙幣的面額進行鑒別，蔣天瑜［2］利用紙幣圖像中不同特征區域的灰度對比度來進行紙幣的真偽鑒別，Farid 等［3］利用LBP 算法提取紙幣圖像的紋理特征對墨西哥紙幣的面額進行鑒別，苑瑋琦等［4］利用CIS 傳感器獲取紙幣的紅外、紫外圖像進行真偽鑒別，Adnan 等［5］利用密集的尺度不變特征變換方法來鑒別歐元，Sai 等［6］利用紙幣在背光照射下的水印圖像對印度紙幣進行鑒別，郭玉峰等［7］利用紅外特征對紙幣的凸凹特征進行鑒別，Appoloni 等［8］利用X 射線的熒光效應對歐元進行鑒別，Arcangelo等［9］利用紙幣的近紅外圖像特征對歐元進行鑒別，Hamid 等［10］利用隱馬爾科夫模型對美元和歐元進行鑒別，Shan等［11］利用小波變換和神經網絡進行紙幣鑒別，劉習文等［12］利用多尺度的Gabor 特征對紙幣進行鑒別，Oyebade 等［13］利用神經網絡技術對尼日利亞紙幣進行鑒別，王松濤［14］利用混合高斯模型和紅外特征對紙幣進行鑒別。以上方法雖然取得了一定的鑒別效果，但由于所使用的鑒別性特征比較單一，算法的特征描述能力不夠強，限制了這些方法的鑒別能力，尤其是對高仿真假幣的鑒別能力。因此，本文通過采集紙幣的高分辨率多光譜圖像，從中提取更具鑒別力的特征，并將這些信息進行融合分析，提高了紙幣鑒別的能力；同時，當發行新版紙幣時，只需對軟件程序進行修改即可，不必對硬件電路進行改動，降低了硬件電路的設計成本和設計周期，對提高人民幣紙幣鑒別技術的發展具有重要意義。

2 系統方案設計

利用高分辨率的圖像采集平臺獲取紙幣正反面的多光譜圖像，包括白光圖像、紅外圖像、紫外圖像。由于采集的紙幣圖像存在一定程度的傾斜，所以首先需要先對紙幣圖像進行傾斜校正，并去除背景，截取紙幣圖像本身，用于后續的面額與真偽鑒別。然后，對紙幣的白光圖像，提取其顏色直方圖進行面額識別；最后，分別提取紙幣紅外圖像、紫外圖像中的鑒別性特征并進行融合，對紙幣的真偽進行鑒別。系統方案的原理圖如圖1所示。

圖1 紙幣鑒別系統的原理圖

3 具體實現

3.1 基于PCA算法的傾斜校正

利用工業相機采集的紙幣圖像通常存在一定角度的傾斜，需要先對紙幣圖像進行傾斜校正，然后才能進行鑒別。常用的Randon變換、Hough變換等傾斜校正算法計算量大，無法滿足紙幣鑒別系統的實時性需求，因此，本文采用PCA算法，直接獲取紙幣的傾斜角度，然后對紙幣圖像進行旋轉以實現傾斜校正。

利用PCA 方法對紙幣圖像進行傾斜校正的步驟：1）對圖像進行二值化，記錄前景點的坐標，并對這些坐標數據零均值化；2）計算坐標數據的協方差矩陣；3）計算協方差矩陣的特征值和特征向量；4）計算最大特征值對應的特征向量的角度，即為紙幣長邊的傾斜角度；5）對圖像按相反方向旋轉該角度以實現傾斜校正。

3.2 基于白光圖像顏色直方圖的面額識別

不同面額的人民幣具有不同的主色調特征。例如，100 元（紅色）、50 元（綠色）、20 元（棕黃色）、10 元（藍黑色）、5 元（紫色）、1 元（青色）。因此，利用紙幣的主色調特征可對紙幣的面額進行鑒別。

本文通過提取紙幣白光圖像的顏色直方圖來描述紙幣的主色調特征，并用于鑒別紙幣的面額。具體步驟為：1）將紙幣的白光圖像從RGB 格式轉換到HSV 空間；2）利用色調分量H，計算顏色直方圖；3）將測試紙幣的顏色直方圖與所有面額標準真幣的顏色直方圖進行對比，根據最近鄰原則判定測試紙幣的面額。如圖2 所示，展示了6 種面額人民幣的顏色直方圖，這些直方圖具有很強的面額區分能力。

圖2 不同面額人民幣的白光圖像及其顏色直方圖

3.3 基于改進型LBP算法的紅外圖像特征提取

由于紙幣特殊的制造材料和制造工藝，在紙幣的紅外圖像中，有些區域的紋理圖案會保留，而有些區域的紋理圖案會消失，這正是利用紅外圖像進行紙幣真偽鑒別的依據。

Ojala 等［15］提出用LBP 算法來提取圖像中的紋理特征，但基本的LBP 算法計算量較大，并且對噪聲很敏感，鄰域像素灰度值的微小波動都會造成LBP 編碼值的較大改變。同時，受局部二值計數算法［16］的啟發，本文對LBP 算法進行改進，提出適合紙幣鑒別的改進型LBP算法，其定義公式為

其中，gc和gp分別表示中心點和其環形鄰域點的灰度值，P是鄰域點的個數，T是設定的閾值。如圖3 所示，展示了利用基本LBP 算法和改進型LBP算法提取紅外圖像中鑒別性特征的結果，可以看出，基本LBP 算法提取的特征完全淹沒在噪聲中，而改進型LBP 算法能準確提取出紅外圖像中的鑒別性特征。

3.4 紫外圖像特征提取

由于紙幣特殊的制造材料，在紫外光的照射下，有些區域被激發出高亮清晰的圖案，而有些區域的圖案沒有高亮顯示，這也成為紙幣真偽鑒別的鑒別性特征之一。由于紫外圖像中高亮圖案的能量主要集中在彩色圖像的紅色通道，因此，首先分離出紅色通道，然后設定合適的閾值，對紅色通道進行二值化，可提取出紫外圖像中的鑒別性特征。如圖4所示，展示了紫外圖像特征提取的結果。

圖4 紫外圖像的特征提取結果

3.5 信息融合

分別獲取紙幣正反面的紅外圖像、紫外圖像的特征之后，把整個圖像劃分成3×6 個子塊，分別計算每個子塊的均值和標準差，將全部子塊的均值和標準差進行級聯作為最終的特征向量，用來鑒別紙幣的真偽。

4 實驗與結果分析

首先，建立標準真幣的特征庫，以便與測試紙幣的特征進行對比。具體地，對每種面額選擇10張新的真幣，將其作為標準真幣，采集其高分辨率的多光譜圖像，然后計算顏色直方圖特征和真偽鑒別特征并求平均值，從而構建標準真幣的特征庫。

對于輸入的測試紙幣，采集其高分辨率的多光譜圖像，然后按下面步驟對其面額和真偽進行鑒別：

1）利用PCA算法計算測試紙幣的傾斜角度，對多光譜圖像進行傾斜校正，并去除背景圖像。

2）利用白光圖像計算顏色直方圖，并與特征庫中不同面額標準真幣的顏色直方圖對比，根據最近鄰原則判定測試紙幣的面額。

3）分別提取測試紙幣正反面紅外圖像、紫外圖像的鑒別性特征，并把圖像劃分成3×6 個子塊，計算每個子塊的均值和標準差，組成測試紙幣的特征向量。

4）將測試紙幣的特征向量與特征庫中對應面額標準真幣的特征向量進行對比，根據設定的閾值范圍，如果每個子塊的特征都不超過設定的閾值范圍，則判定測試紙幣為真幣；如果某個子塊的特征超過了設定的閾值范圍，則判定測試紙幣為假幣，并指出存在假幣特征的子塊位置。

在實驗中，選取每種面額的人民幣紙幣100 張進行測試，其中，真幣和假幣各占一半。由于實際擁有的假幣數量非常有限，并考慮假幣的特征是多種多樣的，因此，部分假幣圖像通過修改真幣圖像的部分特征來仿真生成。實驗結果如表1所示。

表1 不同面額紙幣的鑒別結果

實驗結果分析：1）面額識別的正確率均為100%，可見，用顏色直方圖描述的主色調特征具有很強的面額識別能力。從圖2 也可以看出，不同面額紙幣的顏色直方圖具有很強的區分性，并且紙幣的主色調特征非常穩定。2）真偽鑒別的正確率均為100%，這是因為我們綜合利用了紙幣正反面紅外圖像、紫外圖像中豐富的鑒別性特征，并且這些特征很難被假幣模仿，具有很強的鑒別能力。

5 結語

提出了一個系統的紙幣面額識別和真偽鑒別方案，包括紙幣的傾斜校正、識別面額、真偽鑒別。利用PCA方法能直接計算圖像的傾斜角度，使圖像的傾斜校正直接高效。不同面額的紙幣具有明顯不同的顏色特征，利用顏色直方圖描述紙幣的顏色特征并識別面額，具有穩定高效的特點。紙幣紅外圖像、紫外圖像中的鑒別性特征很難被仿制，對這些特征進行有效提取和融合，具有很強的真偽鑒別能力。實驗結果表明，提出的方法取得了100%的面額識別和真偽鑒別準確率。另外，本文所提出的方法也可用于歐元、英鎊、澳大利亞元、日元等紙幣的鑒別，對美元紙幣的鑒別也具有重要的借鑒意義。